今天小編分享的科學經驗：50年前的AI是怎麼影響醫學的？，歡迎閱讀。
57 歲的李華亮最近覺得心髒不太舒服，所以他來到深圳羅湖醫院。與以往不同的是，他不用在服務大廳舉目無措，思考要挂什麼科室；醫院的 AI（人工智能）結合他的過往病例和病情，建議他先去心内科診斷。熟知各類醫學知識和病例的 AI 也已成為心内科醫生最好的助手，為其提供更加周全的診斷方案，甚至還考慮到了李華亮之後準備種植牙的影響。
這個 AI 輔助醫學的場景，與 60 年前美國學者在《新英格蘭醫學雜志》上暢想的的醫療信息化藍圖，產生了跨越時空的奇妙共振。
1970 年：一本醫學期刊裡的 AI 預言
1970 年，《新英格蘭醫學雜志》刊登了一篇題為《醫學與計算機：變革的承諾與問題》的綜述，沒人想到它将預言半個世紀後的智能醫療革命。
這篇文章的作者，腎内科醫生威廉 · 施瓦茨（William B. Schwartz）在 AI 技術尚未普及的年代宣稱："計算機将幫助醫生記錄病史、推薦診斷思路，并管理臨床決策。"
在這篇塵封于 1970 年的文章裡，施瓦茨不僅精準勾勒出現代電子病歷系統的輪廓，更預見到智能診斷将成為醫者思維的延伸。某種意義上，施瓦茨預見了現代 AI 醫療的雛形：從自動化電子病歷到智能分診系統，AI 确實将醫生從重復勞動中解放。
但醫療是對人本身的判斷和互動，AI 強大能力背後也會留下技術狂飙時被遮蔽的隐憂：當醫生從傳統的信息處理者轉型為人機協同決策者時，醫療教育體系該如何重構？在數據成為新生產要素的時代，如何守護患者隐私的最後一公裡？
有太多的潛力亟待發覺，也有太多風險需要被解決。而這份超前的思考，成為了 AI 醫療進化史的起點注解。
DENDRAL 與 MYCIN：AI 第一次走進實驗室
當施瓦茨發表預言和暢想時，在斯坦福大學的一個實驗室裡，最早的醫療 AI 實踐已悄然開展。
20 世紀 60-70 年代，人工智能研究從通用問題求解轉向專業化領網域，開創了 "專家系統" 的新紀元。這一變革的核心人物，" 專家系統之父 "愛德華 · 費根鮑姆（Edward Feigenbaum），先後開創了兩個裡程碑項目DENDRAL和MYCIN，為 AI 技術落地現實世界奠定了基石。
費根鮑姆正在調試 DENDRAL 系統
費根鮑姆的成長經歷充滿傳奇色彩：幼年經歷家庭變故的他，在繼父的引導下很早就開始接觸計算設備，随後 " 天才 " 般地 16 歲跳級進入卡内基梅隆大學。
一次跨學科的選修課讓他結識了諾貝爾獎得主赫伯特 · 西蒙（Herbert Simon）——這位 " 決策理論之父 " 帶領他踏入 AI 領網域。此前，西蒙與艾倫 · 紐厄爾（Allen Newell）開發了首個通用問題求解程式 GPS，這種符号學派的 AI 理念深深影響了費根鮑姆。
1965 年，費根鮑姆與諾貝爾遺傳學家約書亞 · 萊德伯格（Joshua Lederberg）合作啟動 DENDRAL 項目。面對化學領網域復雜分子結構解析的難題，他們創造性地将質譜數據與原子組合規則編碼成算法。随着避孕藥發明者化學家卡爾 · 傑拉西（Carl Djerassi）的加入，對分子結構的理解更上一層樓，DENDRAL 系統性能顯著提升，能夠自主推導未知分子式。
雖然 DENDRAL 主要解決的是火星物質檢測這樣一個稍顯冷門的場景，但它更重要的意義在于——标志着 AI 首次在專業領網域達到人類專家水平，這一成就也進一步推動團隊轉向醫療應用。
DENDRAL 系統負責人 2006 年合影（左一布坎南、左三費根鮑姆、左四萊德伯格）
在費根鮑姆的好友兼學生的布魯斯 · 布坎南（Bruce Buchanan）和醫學生愛德華 · 肖特利夫（Edward Shortliffe）的推動下，1972 年，感染病診療系統MYCIN誕生。
它通過 600 餘條 " 如果 - 那麼 " 規則（如 " 若患者腦脊液革蘭氏染色陽性→鏈球菌感染概率增加 "），可分析患者血液感染和腦膜炎的情況，并提供抗生素治療方案。在一項腦膜炎感染診斷的測試中，MYCIN 真了得準确率高達 65% ——甚至超過了初級醫師水平。
MYCIN 系統在 1979 年評估的結果，在實習醫生與醫學生中排名第一
盡管 MYCIN 從未進入臨床（因缺乏數字化病歷支持），但它開創了現代臨床決策支持系統（CDSS）的基礎範式：基于規則的推理，可解釋的診斷邏輯，以及多因素綜合判斷。
INTERNIST-1：當人腦知識庫遇上算法
AI 與醫學的結合，可謂是多點開花。同一時期，匹茲堡大學正進行着更狂野的嘗試。
時任匹茲堡大學醫學系主任的傑克 · 邁爾斯（Jack Duane Myers）在醫學界享有盛譽。這位擁有超群記憶力的醫師，青年時期每周投入 20 餘小時研讀醫學文獻，其卓越的臨床推理能力被譽為内科界的 " 夏洛克 · 福爾摩斯 "。
1973 年，55 歲的邁爾斯在卸任系主任之際萌生了新想法——開發醫學輔助診斷系統，幫助醫生完成内科診斷。這個想法很快就成為了現實——邁爾斯結識了師出艾倫 · 紐厄爾的計算機專家哈利 · 波普爾（Harry E. Pople）。
哈利 · 波普爾
但是，早期實驗暴露了傳統 AI 算法的局限：當系統需要統籌數千條臨床參數時，可能性組合的指數級增長經常導致診斷的精準度不足，容易出現多重疾病推斷或完全無法判定的困境。
區别于同期斯坦福大學 DENDRAL 和 MYCIN 系統的技術路線，這個團隊選擇将重心轉向知識儲備建設。邁爾斯每日口述經嚴格篩選的醫學知識（僅收錄被獨立驗證兩次以上的臨床證據），建立标準化診斷數據庫的決策，形成了獨特的開發模式。
這種 " 重知識、輕算法 " 的戰略雖限制了技術迭代，卻意外推動了醫學知識的系統整合。其數據庫最終發展為持續更新至今的QMR（Quick Medical Reference，快捷醫療參考系統），并在 20 世紀 90 年代實現商業化應用。
1982 年，INTERNIST 系統正式發布，随後它的更新版本——CADUCEUS系統可識别千餘種疾病，被譽為當時最先進的知識密集型專家系統。
專家系統的黃昏與隐伏的血脈
與此同時，在 1978 年，中國肝病中醫關幼波聯合計算科學家開發的 "肝病辨證論治系統"，将中醫診療邏輯首次編碼為人工智能系統，在 120 例肝炎診療中取得與醫生本人相當的療效（總有效率 80%）。這類早期系統共同構成 AI 醫療的專家系統的巅峰。
關幼波醫生
但歷史的車輪滾滾向前，不論是美國的 MYCIN、INTERNIST 系統，還是我國同期研發的中醫診療程式，如今已逐步退出歷史舞台。究其本質，這些系統作為人工智能發展的階段性產物，其所依賴的符号主義範式已被現代基于機器學習，尤其是深度神經網絡的技術架構所取代。
計算機輔助診斷系統（Computer-Aided Diagnosis，CAD）作為當時世界範圍内少有的規模化應用成果，得益于專業化領網域限制帶來的技術深度拓展，在深度學習算法橫空出世前，該類系統始終保持着醫療垂直領網域智能應用的标杆地位。
這些早期系統的實踐驗證了人工智能的應用潛力，為學術界和產業界注入了持續發展的信心。以愛德華 · 費根鮑姆為代表的人工智能先驅，積極推動相關技術的產業化進程，形成了學術界與投資界的良性互動格局。
遺憾的是，上世紀 70 至 90 年代，人工智能研究普遍進入停滞狀态——科學家期待的開放式智能互動系統未能實現，研發投入與預期產出嚴重失衡。随着蘋果、微軟引領的微型計算機革命興起，專家系統因運營成本過高逐漸邊緣化。
雖然這些系統的外在形态逐步退出應用場景，但其核心技術遺產已通過軟體形态實現轉移與演化。在當代各類專業應用程式與醫學教育中，我們仍可追溯至 MYCIN、INTERNIST 等開創性系統的技術基因，只是相關技術載體已不再冠以人工智能之名。
回望 50 年前這批先驅者的探索時，我們既感嘆其遠見，也驚覺技術迭代的戲劇性：他們用編碼規則演繹醫學知識的努力，恰似普羅米修斯盜火，雖未直接點亮現代深度學習的火炬，卻讓人類在算法與生命健康的交叉路口，留下了永不褪色的路标。
往期回顧：
>
