张超：医疗大脑是个比较笼统的称呼，简单来说是一种知识库，加上基于此的逻辑推理和计算。它可以泛指医疗从业人员的智慧总和。具体点说，它具备诊断、治疗的能力，可以独立提供用药辅助、分诊导诊、健康咨询等服务，也可以高质量的辅助医疗从业人员完成某项工作。

对我们的医疗大脑来讲，患者医疗健康行为需要的能力、所有医生行医过程中的知识辅助能力我们都会着力去构建打造。

雷锋网：相比百度的医疗大脑和IBM ，康夫子的特别和区别是什么？

IBM 目前重点在肿瘤领域针对医生提供辅助决策功能。区别是，我们：

1. 现阶段重点是针对常见的3000种病进行建模；

2. 在服务对象方面，除了辅助医生，患者辅助教育也是我们重要的服务对象；

3. 在医生层面，我们的医疗大脑又分为基层全科医生和大医院专科医生。

我们和的场景和方法不太一样，它大的框架是问答、搜索的框架，同时融入了多种（ 如 知识图谱）。我们整个医疗决策系统是基于知识图谱做推理。技术上讲，对肿瘤这样的疑难杂症，诊断用的维度非常高，但常见病的维度没那么高。这两个方面带来的挑战不一样，我们是从常见病入手，把服务的范围也会扩大。

我们的医疗大脑和百度医疗大脑在某些方面有着相同之处，都致力于辅助网民提供医疗信息服务。差别是：

1. 在数据维度，百度医疗大脑数据来自百度医生APP上医患之间交流数据；我们的医疗大脑定位在医疗级产品，知识图谱构建数据来自权威的医疗文献和电子病历数据。

2. 在做事的路径上，也存在着很多不同，我们作为一家初创型公司，会选择更适合其发展的路径。

雷锋网：目前国内做智能诊断的现状是怎么样的？

从时间上分，有传统派和新兴派。传统派是指类似决策树专家系统医疗智能问答，知识库依靠专家构建，诊断逻辑也基于专家书写的等等。新兴派是指利用AI技术，利用计算机从海量文献数据中构建知识图谱，并根据历史经验自动学习诊断逻辑。

从类型上分，有基于文本从症状、化验入手做智能诊断的，也有基于图像从CT图片入手做智能诊断的。

传统派的诊断系统，受限于知识库的规模和复杂的医学逻辑表示，疾病的覆盖率和诊断的准确率都不够高。新兴派在这块整体上要好于传统派，但由于研发时间短，目前仍无法达到可用状态。

整体上智能诊断还处于初期，目前没有可以实现大规模商用。

雷锋网：智能诊断最重要的技术挑战又是哪些？非技术上的挑战呢？

技术上，我们现阶段认为智能诊断的底层核心是知识图谱，诊断的过程是基于知识图谱实现的推理过程。知识图谱的规模从根本上决定了智能诊断的瓶颈。另外就是应用上的挑战，智能诊断不管服务谁，在应用场景上有很大的差别，要有针对性地提升效果。

在非技术上，重点要让老百姓及医疗机构认可或理解这套诊断逻辑。

雷锋网：做好智能诊断的标准主要是哪些？应该包括哪些主要内容？

笼统地说，好的标准要靠效果说话，也就是说：

诊断的准确率要高；

整体过程可解释、可干预，可以让医生等专业人士随时干预；

可以输入多种类型数据(除了症状，还有用药史、化验检查、诱因、遗传史、个人史等等)；

另外不同服务对象的诊断系统标准也是不一样的，比如，如果智能诊断是用来服务医生，除了核心诊断能力，还需能结合医生所在医院科室的医疗习惯。

如果智能诊断用来服务患者：

1. 需要做患者语言理解，因为患者描述的语言和医学语言有着较大的差异；

2. 要像医生那样思考，同患者交互，获取对诊断有益的数据。

雷锋网：对你们来说，做智能诊断，数据来源和获取方式有哪些？

对康夫子来讲，数据主要来自如下三大方面：

权威的医学文献，如：医学数据、诊疗指南、以及相关论文；

病历数据；

互联网获取科普资讯、医患问答数据等。

前两部分数据用来构建知识图谱，训练诊断逻辑。互联网数据主要用来做患者语言理解，患者可能会有一些不标准的描述，比如“感觉身体被掏空”，这些词在医学上没有对应的匹配，需要计算去理解。

雷锋网：有的医学文献，经验证是与事实存在偏倚的，有的甚至是错误的，这个问题怎么看？

错误是肯定有的，但我们在整个过程中要想办法降低并消除这种错误。大概有如下思路：

1. 相信更新知识，相信更权威的知识；

2. 因为知识是通过知识图谱表现出来的，所以，可以针对知识图谱进行一些推理计算，及早发现某些矛盾，进而安排人工审核校对；