浅思中医＋人工智能

中医诊疗的主要流程:看病(望闻问切)-诊断-治疗-开药-健康管理/中医养生

可行性:

中医有着完整且深厚的体系，《黄帝内经》《伤寒杂病论》等，可作为机器学习的先验知识。

局限性:

中医的不确定性，因为机器更容易判断确定的东西，比如长了个瘤子是确定的事情，就容易被西医的仪器检测出来。所以更趋向于给出多大程度上是个什么病的模糊结果。

先决条件(诊断模型的训练):

大量数据:舌苔、脉象、瞳孔、手掌、气色等，要去医院采集数据，什么人有什么身体表征，得的是什么病，都有相应的标注；

模型的训练:把具体的人和具体的病症结合，进行有监督的深度学习。数据量越大，覆盖的维度越多，训练出的模型越稳定。

1.看病:

望:人脸识别判别病人身份；对人的瞳孔、舌头等进行图像采集。

闻:利用机器嗅觉技术识别人体气味。

问:利用智能问答来问患者的生活习惯、病理特征和感受等信息。

切:利用传感器技术对脉象等进行频率和强度等的采集；对人的体温、皮肤湿度等进行采集。

技术难点:

基础硬件设施的发展，比如要提高传感器的性能；

机器视觉和机器嗅觉技术需要持续进步。图像需要智能采集与智能处理，比如去噪，考虑光线影响，考虑人的本来肤色等的影响。机器嗅觉要考虑气味的主体，避免被患者或环境中其他气味影响，还有机器嗅觉的精准度。

2.诊断:

根据训练出来的模型对患者的特征进行评估，结合个人健康档案中病史等考虑，给出诊断结果。

技术难点:算法模型的鲁棒性。影响鲁棒性的因素有:训练数据不干净，需要进行严格的数据清洗；训练模型时考虑的维度不够；数据量不够大。

3、治疗：

以穴位、脏腑、筋脉等相关知识作为先验知识，给出治疗方案，包括需要接受治疗的身体位置和先后顺序、时长和频率等。

技术难点：专业的中医尚有水平的高低，同一个问题的解决方案，有的居于表层，有的能找到病根，有的解决方式精简，有的解决方式繁杂。实践观察证明，优秀的中医受教材的影响有限，所以以教材等书籍中的专业知识作为先验知识的中医+人工智能会能力有限。而如果中医专家事先根据病症来给出解决方案，存入数据库进行查询，容易止于病症表面，很难深入到根源，而且这也偏离了中医+人工智能。

4.开药:

根据诊断结果对症开药。根据智能问答患者的生活习惯，开适合其生活习惯的药；从数据库中患者的档案中提取其药物过敏史和发病史，综合考虑，避免冲突。

技术难点:

患者病的程度较难被机器评估，导致药量较难确定；人体健康的动态平衡和相互牵制可能会让机器开药产生问题。

5.健康管理:

对诊断开药后的患者进行病情追踪，并根据其情况动态地进行生活方式的提醒、饮食的合理搭配等。

其中，病情追踪:利用app在线智能问答与反馈。生活提醒:提醒其注意睡眠、饮食习惯、运动量等。饮食搭配:根据健康状态、食物图谱(包括营养、性能等)、用户对口味等的喜好智能形成饮食方案。

技术难点:

较难全面融合。比如推荐一个什么套餐，有的食物因地域性问题很难即刻买到，有时候推荐几个套餐都没有可行的或合适的。

现阶段的建议:

场景化辅助诊疗：人工智能很难覆盖所有的中医场景，智能场景化逐个击破，辅助诊疗；机器的中医诊断难以达到中医专家的准确度，因为中医专家拥有更加灵活的先验知识（经验），机器难以实现这样的思辨，所以短期内只能实现辅助治疗。

比如:

看病阶段:因为图像、气味等容易受噪声干扰，短期内不能脱离医生实现完全的智能化，可以通过就诊前的智能问答来了解信息辅助医生做出决策，节省医生时间。

诊断阶段:机器给出诊断结果，和医生的诊断结果智能对比，差异的方面由医生重新考虑，提高准确度。专业的医生团队长期进行这样的“纠错”，机器会变得越来越聪明。

治疗阶段：适合机器提供解决方案，和医生的解决方案进行对比，医生权衡之后，然后命令机器去操作。

开药阶段:由于机器可以有较完善的数据库，看上去记忆力比人更好，可以在医生开药过程对其进行信息提醒或报警。

健康管理/中医养生阶段:比如日常食谱的问题，app主动推荐不太妥当，应该由患者告诉app想吃什么，然后app辅助判断，告诉患者什么不能吃。不追求食谱多好，最重要的是避免风险。app结合用户身体情况主动推荐一些比如季节性进补的方案，这样的方案通用性相对较好，和日常食谱不同。