下一代 AI 医疗：知识图谱RAG + 多智能体，听医生的话没前途，让医生听你的话才是正道！

医疗算法趋势现代 AI 医疗算法问题医学影像算法的局限知识图谱和大模型结合：怎么结合才能得到一个全面的【症状－疾病网络】？医疗知识图谱的问题基于最本质循证医学实现人类级因果推理摆脱LLM概率性输出

嘘，别人我不告诉 TA ！！！

医疗算法趋势

①大模型 + 知识图谱（图数据重构、多跳推理，子图思维推理）

② 大模型 + 知识图谱 + RAG（引用更多、更新数据）

③ 大模型 + 知识图谱 + RAG + 多智能体（超长期、超个性化、超复杂任务）

3 者区别：

如果您的应用主要关注特定领域的深度知识（常规诊断），方案 ①。如果您需要结合广泛的知识源并保持知识的时效性（医学知识不断更新），方案 ②。如果您需要多角度分析、复杂决策的场景（长期超个性化、疑难杂症诊断中心、三级图补充因果关系+生理机制解释），方案 ③ 可能更适合。

现代 AI 医疗算法问题

AI 在特定条件下自动推荐治疗方案，关键决策依然需要医生确认AI 健康顾问和 AI 医生助理的形态落地健康咨询、辅助诊疗等医疗场景探寻基因蛋白质本质，不断发现新疗法覆盖院内院外、线上线下全流程的全病程管理，再通过居家数字生物标志物监测的持续居家监测

越往后面，越需要对人体、疾病、生病的因果分析、生理机制解释。

趋势就是从个别公司使用 AI，到系统性使用 AI，到整个社会围绕 AI 展开。

医学影像算法的局限

目前医疗AI的形式以临床影像学AI为主。

影像学AI固然减轻了影像科医生的工作强度、提高了效率。

但是，影像学的检查结果属于辅助地位，不能单凭影像学结果就做出正确的诊断，需要医生综合解读各方面的病情信息是才能做出正确的判断。

所以，目前影像类AI 没有触及医疗的核心。

医疗人工智能创业公司目前没有很好地商业化，其中一个原因是这些公司的技术和产品在【医生的临床思维】上有欠缺，就是距离真正的看病有很长的距离。

知识图谱和大模型结合：怎么结合才能得到一个全面的【症状－疾病网络】？

大模型和知识图谱传统查询，查路径和查邻居。

⒈邻居节点就是查询相关知识，节点相关＝准确！

但ta就没有什么多跳能力，处理不了跨多节点的复杂答案

⒉查路径作用就是增强多跳推理（复杂查询），发现新的可能关联

但也会因为路径长，导致准确性降低，渐渐不相关，不如单步精准

俩者结合，相互补足。

⒊查邻居适合单步症状查询，查路径适合多步复杂查询

上面这种传统查询方法，只返回每个症状的直接相关信息，而不探索它们之间的潜在联系，缺乏深入的解释。

我们把 1种查路径 变成 3 种查路径：

医疗查询方法使用示例：

单对实体间的最短路径

用户输入示例：

“头痛和高血压有关系吗？”

系统处理：

识别出两个关键实体：‘头痛’ 和 ‘高血压’使用 find_shortest_path(‘头痛’, ‘高血压’, [])查找这两个实体之间的直接关系或最短连接路径

多个实体间的路径组合

用户输入示例：

“我最近经常头痛、失眠，还有点头晕，这些症状之间有什么联系吗？”

系统处理：

识别出多个关键实体：‘头痛’、‘失眠’、‘头晕’对这些实体进行两两组合的路径查询：

find_shortest_path(‘头痛’, ‘失眠’, [‘头晕’])find_shortest_path(‘失眠’, ‘头晕’, [])find_shortest_path(‘头痛’, ‘头晕’, []) 综合这些路径，形成一个关系网络

多起点的路径选择

用户输入示例：

“我最近胃痛、头痛，还有皮疹，这些问题可能是什么引起的？”

系统处理：

识别出多个可能无直接关联的症状：‘胃痛’、‘头痛’、‘皮疹’将每个症状作为起点，查找可能的原因：

find_shortest_path(‘胃痛’, 某些常见疾病或原因, [])find_shortest_path(‘头痛’, 某些常见疾病或原因, [])find_shortest_path(‘皮疹’, 某些常见疾病或原因, []) 从每个起点选择最相关的路径，确保提供多角度的信息

调用顺序：

系统首先识别输入中的多个实体首先每对实体之间的最短路径方法（直接关系）来查找基本的实体关系。然后，通过循环和组合，系统实现了多个实体间的路径组合，这允许它探索更复杂的关系网络。

通过多次调用单对实体路径查找并组合结果来实现。

在外层循环中，系统会遍历所有可能的实体对，并将结果组合起来。

就是将上一步每对实体之间的最短路径方法（直接关系）的所有路径组合起来，形成一个综合的关系网络。

最后，在处理和筛选结果时，系统应用了类似多起点路径选择的逻辑，以确保覆盖多个重要的起始点。

在处理结果时，系统应用多起点路径选择的逻辑，确保包含了所有重要起点的路径。

让我通过一个具体的例子来说明多个实体路径组合和多起点路径选择是如何结合的。

假设用户输入：“我最近经常头痛、失眠，还有点头晕，这些症状可能是什么原因导致的？”

系统识别出三个主要实体：头痛、失眠、头晕。

多个实体路径组合：

首先，系统会查找这些实体之间的路径：

a) 头痛 -> 压力 -> 失眠

b) 头痛 -> 颈椎问题 -> 头晕

c) 失眠 -> 疲劳 -> 头晕

d) 头痛 -> 高血压 -> 头晕

e) 失眠 -> 焦虑 -> 头痛

这些路径被组合成一个综合的关系网络。

多起点路径选择：

然后，系统会确保从每个症状（起点）出发都有相关的路径被选中。假设系统需要选择5条最相关的路径：

从"头痛"出发：选择路径 a 和 b从"失眠"出发：选择路径 c 和 e从"头晕"出发：选择路径 d

结果可能如下：

头痛 -> 压力 -> 失眠头痛 -> 颈椎问题 -> 头晕失眠 -> 疲劳 -> 头晕失眠 -> 焦虑 -> 头痛头痛 -> 高血压 -> 头晕

这个结果体现了两种方法的结合：

它包含了多个实体之间的复杂关系（多个实体路径组合的结果）。同时确保了每个主要症状（起点）都有相关的路径被包括在内（多起点路径选择的结果）。

这种方法确保了结果既包含复杂的关系网络，又涵盖了所有重要的起始点，从而为用户提供全面而相关的信息。

医疗知识图谱的问题

医学判断是基于证据的询证过程，推理的每一步都需要证据、知识和因果逻辑的支持。

但大模型，ta 是黑盒，基于概率性输出，微调出的医学大模型，也会有幻觉、概率性输出的问题。

没有医生真正的临床思维，不是基于证据的因果推理。

基于最本质循证医学

实现医生的临床思维：

知识图谱，补上因果关系、生理性的机制解释、患者背景大模型，实现人类级因果推理能力，基于循证给出结论大模型，摆脱概率性输出，实现人的系统2（深思熟虑）

知识图谱 RAG 解决第一个问题，形成一个层级图。

用户个人历史，是第一层知识图谱、最新研究，是第二层诊断逻辑、因果和机制解释的基础医学知识支持，是第三层

其具体落实的表现形式是，临床专科疾病的知识图谱，如心血管病知识图谱、肺病知识图谱、危重症知识图谱等等。

实现人类级因果推理

虽然层级图，使得知识图谱有了循证基础，但LLM还有问题，没有人类的因果推理能力，就做不到临床思维。

LLM 可以谈论因果关系，但实际上只是根据训练数据中的相关性进行模式识别，而不是理解和推断真正的因果关系。

多阶段信息转化法：将非结构化文本逐步转化为，可计算的因果结构概率图因果推理法：构建和优化因果关系的图形表示，实现复杂推理

真实世界里任何事情都是错综复杂的，你根本就无法列举影响一个结果的所有可能缘故。

也就是说，你画不出因果关系的。

你必须做出各种取舍，你只能把你认为最重要的缘故画在图上。

图画完了，你并没有科学地、彻底地、逻辑完备地回答“为什么”，你只是说，根据你的猜测，应该是因为这几个缘故。

而事实上也不需要回答“为什么”。

我们在生活中的实际应用，对改变世界真正有用的，其实就是回答“观察、干预、想象”这三种问题！

因果分析的最终目的不是查明因果关系，而是回答三种有用的问题：

观察：这事发生了，那事是否也会发生？（症状-疾病、并发病、风险因素）

干预：我采取这个行动，会有什么后果？（治疗评估、预防有效性）

想象：如果当初我没有这么做，会是怎样？（个性化治疗、疾病预后）

因果分析的最终目的不是查明因果关系，而是回答三种问题。

把因果分析算法化，让大模型去回答这 3 种问题。

人的见识是有限的，因果图分析适合大模型，因为他有智能、有世界模型。

摆脱LLM概率性输出

早期动物 只有 系统1（ 5 个 F，概括一生 ）：

如果入侵者是同类，同性，且并不比自己更强壮，那么，Fight！如果入侵者是同类，同性，且比自己更强壮，那么，Flee（快跑）！如果入侵者是同类，异性，那么，Fuck！如果入侵者不是同类，管它是同性还是异性，只要不比自己更强壮，那么，Feed（吃掉）！如果以上皆不是，那么，Freeze（睡觉）……

人类实现系统2【深思熟虑】思考的方式是，通过新皮层来调控和协调复杂的理性分析、逻辑推理和深度决策过程，以解决复杂问题或进行详尽思考。

新皮层分为：

前额叶：负责规划宏观路线和复杂的决策评估过程，涉及到抽象思维、意志行为控制以及问题解决等高级认知功能。

前运动：负责规划和协调。尤其是在复杂或需要协调的运动中，如使用什么工具、怎么组合应用。

运动：具体抓手、特定的动作。

基底神经节：前额叶、前运动、运动都和基底神经节相连，每个动作实施全是基底神经节，不经过基底神经节的都是头脑模拟

人做事情的过程：

项目层，定义问题与愿望（完全不可操作）任务层，设定具体目标与方向（不可操作）事件层，详细描述任务的时空、交互与情景（部分可操作）操作层，制定实际操作步骤与流程（完全可操作）

系统2，我们可以使用一个多智能体系统，来复现新皮层的完整活动，实现深思熟虑。

能赋予大模型循证医学和临床思维、多角度分析、复杂决策的场景，实现医院的疑难杂症诊断中心能引用最新医学知识、适合超个性化、超长期、超复杂任务能添加反馈机制，不断提升诊断水平、考虑更多个体差异，不会死板的诊断。

嘘，别人我不告诉 TA ！！！

被绿的时候我忍气吞声！！！

被甩的时候我一言不发！！！

被渣的时候我不为所动！！！

但看见关注我泪如泉涌！！！

知道文字看累了，看美女放松一下，顺便点个关注！！！

因为这里是连续剧，后面还有更多美女和干货！！！

我要让高难度知识落地！！！

我要让高精尖科学流传！！！

我要在高逼格的干货上！！！

我要给出最有用的心得！！！

和全球顶级科学家同步！！！