WiseMed
WISEMED · RESEARCH 03
医学人工智能不仅要“看得见病灶”，更要“理解诊断依据”。当前深度学习已能从医学影像中快速识别复杂特征，但在真实临床中，疾病表现存在个体差异，医学知识也常伴随模糊性与不确定性。面对模糊征象、知识缺失和复杂病例，AI系统需要像医生一样综合多源证据进行判断，并解释“为什么得出结论”及“结论是否可靠”。围绕这一挑战，MEDALS团队借鉴人脑双系统认知机制，开展类脑知识泛化推理研究。团队将深度学习的快速感知能力与知识驱动的逻辑推理能力相结合，使模型既能从医学影像中发现病灶、结构和诊断征象，又能融合医学知识分析复杂证据关系，推动医学AI从“模式识别”走向更加可靠、可解释的“认知决策”。
真实世界中的医学知识具有天然的不确定性。例如，同一种影像征象可能对应不同疾病，同一种疾病在不同患者身上的表现也存在差异。传统知识图谱通常采用非真即假的确定性关系，难以准确描述这种复杂性。针对这一问题，团队开展细粒度模糊知识表示与推理研究，不再局限于判断一条知识“是否成立”，而是进一步描述知识“在多大程度上可信”。通过将不同程度的不确定性融入知识表示与推理过程，人工智能系统能够综合多个可靠程度不同的证据进行判断，使推理结果更加符合真实医学决策过程，也为诊断结论提供更加透明的知识依据。相关研究成果以学生唯一一作/导师唯一通信作者发表于人工智能领域国际顶级期刊 IEEE Transactions on Pattern Analysis and Machine Intelligence（IEEE TPAMI），形成了团队在不确定知识表示与可解释推理方面的重要理论贡献。
在此基础上，团队进一步思考一个更深层次的问题：人类知识并不是孤立地存储在一个个知识点中，而是以多层次、多关系和高维关联的方式组织起来。传统知识图谱主要描述实体之间的二维关系，面对医学诊断中“影像表现—组织结构—临床征象—疾病类型”等多层次信息时，难以完整表达复杂的高阶关联。为此，团队提出知识张量表示与类脑高阶推理方法，通过对不同层级、不同来源和不同语义的信息进行立体化组织，使人工智能能够从多个知识维度共同分析一个病例，并在复杂关联中发现潜在的诊断逻辑。这一研究并非停留在理论层面。围绕乳腺、甲状腺等超声辅助诊断任务，团队将影像特征、标准化诊断征象和疾病知识进行关联建模，使系统能够从医学影像中发现关键特征，再结合已有知识逐层形成诊断判断，建立起从“看到什么”到“为什么这样诊断”的完整的类脑思维与推理链条。相关研究成果发表于 AAAI、IEEE TFS、IEEE TKDE、Expert Systems with Applications 等国际重要期刊和会议；其中，多篇成果入选 ESI 高被引论文，体现了团队在医学知识发现、知识表示与智能推理方面工作的国际影响力。
