生科×AI｜50年前的AI是怎么影響醫學的？

57歲的李華亮最近覺得心臟不太舒服，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，思考要掛什么科室；醫院的AI（人工智能）結合他的過往病例和病情，建議他先去心內科診斷。熟知各類醫學知識和病例的AI也已成為心內科醫生最好的助手，為其提供更加周全的診斷方案，甚至還考慮到了李華亮之后準備種植牙的影響。

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：一本醫學期刊里的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，沒人想到它將預言半個世紀后的智能醫療革命。

這篇文章的作者，腎內科醫生威廉·施瓦茨（William B. Schwartz）在AI技術尚未普及的年代宣稱：“計算機將幫助醫生記錄病史、推薦診斷思路，并管理臨床決策。”

在這篇塵封于1970年的文章里，施瓦茨不僅精準勾勒出現代電子病歷系統的輪廓，更預見到智能診斷將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確實將醫生從重復勞動中解放。

但醫療是對人本身的判斷和交互，AI強大能力背后也會留下技術狂飆時被遮蔽的隱憂：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，如何守護患者隱私的最后一公里？

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里，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），先后開創了兩個里程碑項目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，隨后“天才”般地16歲跳級進入卡內基梅隆大學。

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序GPS，這種符號學派的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。面對化學領域復雜分子結構解析的難題，他們創造性地將質譜數據與原子組合規則編碼成算法。隨著避孕藥發明者化學家卡爾·杰拉西（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——標志著AI首次在專業領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余條“如果-那么”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真了得準確率高達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）的基礎范式：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，匹茲堡大學正進行著更狂野的嘗試。

時任匹茲堡大學醫學系主任的杰克·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余小時研讀醫學文獻，其卓越的臨床推理能力被譽為內科界的"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，幫助醫生完成內科診斷。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。

事情的轉機出現在醫學生蘭道夫·米勒的加入——這位堅定休學加入團隊的醫學生曾編寫過計算機程序，憑借醫學-計算機的雙重視角，配合邁爾斯的海量醫學知識輸出，構建出首個原型系統DIALOG（診斷邏輯系統，后因名稱版權問題被迫更名為INTERNIST-1），開啟了醫療知識系統化整理的先河。

區別于同期斯坦福大學DENDRAL和MYCIN系統的技術路線，這個團隊選擇將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），建立標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，隨后它的升級版本——CADUCEUS系統可識別千余種疾病，被譽為當時最先進的知識密集型專家系統。

專家系統的黃昏與隱伏的血脈

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”，將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醫療的專家系統的巔峰。

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序，如今已逐步退出歷史舞臺。究其本質，這些系統作為人工智能發展的階段性產物，其所依賴的符號主義范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）作為當時世界范圍內少有的規模化應用成果，得益于專業化領域限制帶來的技術深度拓展，在深度學習算法橫空出世前，該類系統始終保持著醫療垂直領域智能應用的標桿地位。

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滯狀態——科學家期待的開放式智能交互系統未能實現，研發投入與預期產出嚴重失衡。隨著蘋果、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態逐步退出應用場景，但其核心技術遺產已通過軟件形態實現轉移與演化。在當代各類專業應用程序與醫學教育中，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標。