人工智能专家系统在临床应用中面临的三重挑战.pdfVIP

  医学与哲学2023 年 1 月第44 卷第 1 期总第708期     人工智能专家系统在临床应用中面临的 三重挑战* 吴家睿①②     20世纪中叶计算机技术和信 据集来源和构建参数的具体细节；但目前国际上用于语言 息技术出现，科学家就试图开发出 模型的数据集的来源通常有4大类型：维基百科、书籍、 具有人类专家知识，能够像专家那 期刊和网络数据；OpenAI显然也会把这些数据作为其主 样解决困难和复杂问题的软件系 要来源。如何从海量的训练数据中找出准确或正确的 “知 统，被称为 “专家系统”（expert 识”并不是ChatGPT能够胜任的，尤其是面对高度专业化、 system）。世界上第一个专家系统 内容相当复杂的医学知识。更重要的是，ChatGPT这样一 “DENDRAL”诞生于 1965年，它 个自然语言处理模型的运行基础是统计和联想，善于进行 就像化学家一样能根据化合物的 文字处理和普通对话等简单思维活动，但难以形成反映人 分子式和质谱数据推断化合物的分子结构。在医学领域 体生理或病理活动之客观知识，后者往往需要有严密的逻 较为有名的是美国斯坦福大学研究者在 1976年开发的医 辑推理过程，有时还需要个人的经验乃至直觉。 学专家系统 “MYCIN”，它能对被细菌感染的患者给出专 ChatGPT的数据来源截止于2021年，没有进行实时的 家水平的诊断和治疗方案。虽然MYCIN没有真正在临床 更新。而生命科学和医学的发展很快，不断有新的知识产 上使用，但的确有一些医学专家系统已经用于临床了，如 生。即使是人类医学专家也需要不断学习新知识，更新自 诊断急性腹痛的专家系统已在英国的急诊室得到广泛使用。 己的知识库。需要注意的是，生物医学研究的成果与临床 MYCIN首次使用了知识库的概念， 并可以使用自然 知识并不能够简单地画等号，这二者之间存在复杂的转化 语言同用户对话，回答用户提出的问题，还可以在专家的 关系，并且这种转化过程很难反映到公开的数据源。因此， 指导下学习新的医疗知识。由此可见，最近轰动全球的通 即使把ChatGPT的能力提升为实时的，也难以让它把实时 用型语言模型 “ChatGPT”（chat generative pre-trained trans- 的数据转化为新的临床知识。 former）可以视为一种升级版的通用型专家系统，并有可能   1.2　临床知识如何应用 发展