人工智能“中医师”的研制时机已到

AlphaGo 击败人类围棋顶尖大师，开辟了人工智能的新阶段。围棋比象棋深奥复杂得多。前几年，用一般评价法给发达的电脑，写出的程序，可以轻易地战胜人类象棋冠军。但因围棋需要高度均衡的思考，远不是电脑的程序能处理的。

当时电脑的围棋程序，还远远不如一个围棋的初学者。这次的人工智能，加用了模糊数学、图像识别、再学习等不同于过去的方法，终于有了巨大的突破，战胜了人类。现在也有不少运用中医师经验的软件（如关幼波治疗肝病等）。但它们类似于电脑的象棋程序，不是我们这里说的像AlphaGo一样的人工智能中医师。

这次的AlphaGo人工智能有电脑再学习的部分，特别是使用两部机器（电脑）对弈，使用获胜一方的经验，再次返回输入电脑，改进修正研判系数的权值，令电脑“棋艺”大增。据报导，两机对弈的总盘数，比人类有史以来所有人类行棋盘数的总和都要多。实践出真知！电脑的实践比任何个人或人类的总体都多，这便是战胜人类的根基。中医本身就是实践出来的真知，关键在要把这些实践电脑化。

现在我们有了AlphaGo的智能，完全可以开发人工智能中医师（AlphaTCMDr，仅仅指中医开药方部分）：

创建 电子中医师的智能程序，比起下围棋，容易的方面是它不用与人互动（与对手互相算计落子）。另一方面，在选择参量及其处理上，则要比围棋落子复杂，难得多（仅说千把种中药，就远比围棋361个落子点多得多）。

中医基于整体观点，把人体视为“黑匣子”，即只有输入和输出两端。这似乎更适应于电脑作业。不管中医理论，和推断方法，只要输入体征病状，输出结果就可以，结果就是药方。

为方便起见，可以分成两步走：第一步，“智能诊断”：输入中医诊断体征，经智能运算得出中医诊断的结论（即如：外感或内伤，内伤是何臓何腑的虚、实、寒、热……）为结果。由此结果作为第二次的输入，可称做“智能开药”。输出中药配方，即药味品种及份量……。

第一步的输入，可以是任何一种体征。如头痛。头痛又分一般痛，偏痛，跳痛，隐痛……，不论它多复杂，数学化后，总可以用n1个痛法来表达。类似地，咽痛也可以用n2 个来表达 …… ；所有的痛n1，n2，n3，……的总和可以用N1 表达。而所有其他的不适类似地可用 N2，N3……来表达，以N来表达N1，N2，N3 ……的总和，所有的体征，包括脉象，舌象。一切体征都用N 表达。而中医的诊断结论，可以是M 个结论（如，气血心肝脾肺……的阴阳虚实……）。那么，按数学表达，体征N 和诊断结论M 之间的相关系数，就是一个N × M 阶的矩阵。矩阵中的N × M个数值，就是某体征对某诊断结论的相关性大小。

实际看病时，对某一个病人，只要把N 中不为〇（零）的部分输入电脑，让其运算，输出M 中几个不为〇的诊断结论，再按M 中系数数值高低，来确定主症，兼症……。而诊断的关键就在这个矩阵。

不管N， M 有多大，N × M 个数组成的矩阵，就是相关系数，这个系数越精确，诊断出的结论就越准确。这个系数矩阵是可以通过输入过去的医案（已经根据一些体征，得出正确诊断结论的诊断数据），经电脑自学习，不断调整、逼近到最精确的系数值。中国历朝历代，都积累了海量的中医医案。都代表着当时名中医师的经验，可惜我们人类自己精力有限，无法全部饱览，即使看了，也未必都能记住，能用到临床的更少。但是，电脑就可以，通过输入数据，得以保存，并且能综合多家中医的经验，产生更精准的诊断。以人工智能中医师出现，不仅药方灵，而且人人能有个机器好中医陪在身边

同理，在第二步中，用M 个诊断结论做输入，通过另一个智能电脑，得出L 个 中药名及P 个份量的中药方子输出。其工作原理是类似的，此处略去。（想法就如此，下面用例子具体说明）

中医诊断中模糊数学的相关系数举例：

为清楚地说明起见，我们选取理想化的几个例子。例如出汗体征（特指自汗与盗汗）和阴虚阳虚的关系。这里是特指的两个体征，所以N=2 ， 两个诊断结论，即 M=2 ，所以它们的相关矩阵就是N × M = 2×2 的矩阵（叫二阶正方矩阵）：

从自汗可以确定为阳虚，系数为1 （即100% 的诊断率）；绝不是阴虚，系数为 0 （是阴虚的几率为0，就是100% 地不是阴虚）。同样，从盗汗可以确定为阴虚，系数为1 （即100% 的诊断率）；绝不是阳虚，系数为 0 （是阳虚的几率为0，就是100% 地不是阳虚）。

用数学表达如下：

╭ 1 0 ╮ ╭ 自汗1 ╮ ╭ 阳虚=1 ╮

│ │ ╳ │ │ ＝ │ │

╰ 0 1 ╯ ╰ 盗汗1 ╯ ╰ 阴虚=1 ╯

（这只是说明数学化的例子，因为自汗者不可能同时有盗汗，所以右侧结论中，一个病人不可能100% 地阴虚，又100% 地阳虚）。

这里我们再复习一下数学计算方法，即：

╭ 甲 乙 ╮ ╭ A ╮ ╭ 甲×A + 乙×B ╮ ╭ C

│ │ ╳ │ │＝│ │＝│ │

╰ 丙 丁 ╯ ╰ B ╯ ╰ 丙×A + 丁×B ╯ ╰ D

为了书写方便，避开难键入的复杂数学形式。我们简单地称输入【A B】（把竖式横过来写）为输入向量，输出【C D】为输出向量。而2 ╳ 2 矩阵也叫2 ╳ 2 张量。用 表示。

然而很多证状与诊断结论之间，并不像上面例子那样非0 即1这么斩钉截铁，而是模模糊糊地，所以会出现在0到1 之间的任意值。举例说：

民国时名医张锡纯，治一病人的医案：

崔某，38岁。病初，常觉头痛，时或眩晕，心中发热，饮食停滞，大便燥结，延医治之无效。一日晨起，觉痿弱无力，痿坐于地，人扶坐床沿，休息移时，可扶杖起立，犹可徐步，然时恐颠仆。其脉左部弦而甚硬，右部弦硬且长。

数学化之后，我们得到：

它的输入向量为【头痛，眩晕，心中热，食滞，便燥结，痿弱，左弦硬，右弦硬长】，8个体征输入。

它的输出向量为【心火，肝阴虚，肝风，脾虚，胃火，胃滞，肾虚，阴虚，血虚，气虚，气滞，津亏，热结，痰饮】，对应于8个体征的14 个可能的病症输出。

那么输入与输出之间的张量就是一个14×8 的矩阵，写作。它每个分量的值如下：

0 0 0.91 0 0 0 0 0

0 0 0 0 0 0.81 0.88 0

0 0 0 0 0 0 0 0.67

0.71 0 0 0 0 0 0 0

0 0 0 0 1.0 0 0 0

0 0 0 1.0 0 0 0 0

0.67 0 0 0 0 0.81 0 0

0 0.7 0.95 0 0 0 0 0

0 0.89 0 0 0.91 0 0 0

0 0.89 0 0 0 0 0 0

0.54 0 0 0 0 0 0.64 0

0 0 0 0 0.92 0 0 0

0 0 0 0 0 0 0 0.73

0 0 0 0 0 0 0.71 0

在运算之后，我们得出的结果向量【心火=0.91，肝阴虚=1.69，肝风=0.67，脾虚=0.71，胃火=1.0，胃滞=1.0，肾虚=1.48，阴虚=1.85，血虚=1.8，气虚=0.89，气滞=1.18，津亏=0.92，热结=0.73，痰饮=0.71】

按照其中取值大的为主要症状后，就可以让“电脑”进行下一个开方子的运作（详细的开药方的过程，和诊断过程类似，这里不再重复）。

这些0 到 1 间的值，是根据一位数学专家的中医大夫给出的。是他的经验。他没提及的，我补了很多的零，在精确的智能再学习后，相信这些〇值会变成很小的值，使诊断更准确。

这个0 到 1 之间的值，到底应该取多少，就涉及医生个人的经验了。越有经验的医生，他们的取值（不是医生自己知道有这个值，而是我们进行数学化后的数字值）就越接近精确值。

这也只是一个举例。实际上人工智能中医师的矩阵可能很大，绝不是例子中的 14× 8 ，很可能是1000 × 1000 量级的，而且它的分量不是像在这里的，有很多的0，经过输入庞大医案数据后的矩阵，它的每个分量值就一定会精确的多。这么庞大的数据，对电脑的要求就高得多。

AlphaGo 能打败九段棋手，除用了新招“再学习”，也改进了硬件，使用了多个“头脑芯片（cpu）”，据说使用了2000个（一般的初等电脑只用一个，后来有用双的，四个等稍多些的），他们还准备在AlphaGo2 上用20万个。

AlphaTCMDr （人工智能中医师）的研发，一定少不了扩充电脑硬件。

即使扩大硬件，电脑受硬体质量的限制，使矩阵运算的范围和速度总有个上限。从入手到最终硬体定型下的机器，面对巨大的N，M，L, P ，由于这个上限，电脑可能都无法如理想的那样的快。因此，必须先对那些N，M，L, P 做精简，缩小数目。这就涉及保留哪些，先略去哪些。而这步工作则需要老中医和电脑工作人员，数学家一起共同努力，才能合理取舍，这是一件说起来容易，做起来不简单的事。

---------------------------------------------------------------------------------------------------------------

欢迎扫码添加小编，加入人工智能和大数据公众号读者交流群，探讨、分享、交流！交流群每周会邀请行业专家进行在线分享！