生科×AI｜50年前的AI是怎么影响医学的？

57岁的李华亮最近觉得心脏不太舒服，所以他来到深圳罗湖医院。与以往不同的是，他不用在服务大厅举目无措，思考要挂什么科室；医院的AI（人工智能）结合他的过往病例和病情，建议他先去心内科诊断。熟知各类医学知识和病例的AI也已成为心内科医生最好的助手，为其提供更加周全的诊断方案，甚至还考虑到了李华亮之后准备种植牙的影响。

这个AI辅助医学的场景，与60年前美国学者在《新英格兰医学杂志》上畅想的的医疗信息化蓝图，产生了跨越时空的奇妙共振。

1970年：一本医学期刊里的AI预言

1970年，《新英格兰医学杂志》刊登了一篇题为《医学与计算机：变革的承诺与问题》的综述，没人想到它将预言半个世纪后的智能医疗革命。

这篇文章的作者，肾内科医生威廉·施瓦茨（William B. Schwartz）在AI技术尚未普及的年代宣称：“计算机将帮助医生记录病史、推荐诊断思路，并管理临床决策。”

在这篇尘封于1970年的文章里，施瓦茨不仅精准勾勒出现代电子病历系统的轮廓，更预见到智能诊断将成为医者思维的延伸。某种意义上，施瓦茨预见了现代AI医疗的雏形：从自动化电子病历到智能分诊系统，AI确实将医生从重复劳动中解放。

但医疗是对人本身的判断和交互，AI强大能力背后也会留下技术狂飙时被遮蔽的隐忧：当医生从传统的信息处理者转型为人机协同决策者时，医疗教育体系该如何重构？在数据成为新生产要素的时代，如何守护患者隐私的最后一公里？

有太多的潜力亟待发觉，也有太多风险需要被解决。而这份超前的思考，成为了AI医疗进化史的起点注解。

DENDRAL与MYCIN：AI第一次走进实验室

当施瓦茨发表预言和畅想时，在斯坦福大学的一个实验室里，最早的医疗AI实践已悄然开展。

20世纪60-70年代，人工智能研究从通用问题求解转向专业化领域，开创了“专家系统”的新纪元。这一变革的核心人物，“专家系统之父”爱德华·费根鲍姆（Edward Feigenbaum），先后开创了两个里程碑项目DENDRAL和MYCIN，为AI技术落地现实世界奠定了基石。

费根鲍姆正在调试DENDRAL系统

费根鲍姆的成长经历充满传奇色彩：幼年经历家庭变故的他，在继父的引导下很早就开始接触计算设备，随后“天才”般地16岁跳级进入卡内基梅隆大学。

一次跨学科的选修课让他结识了诺贝尔奖得主赫伯特·西蒙（Herbert Simon）——这位“决策理论之父”带领他踏入AI领域。此前，西蒙与艾伦·纽厄尔（Allen Newell）开发了首个通用问题求解程序GPS，这种符号学派的AI理念深深影响了费根鲍姆。

1965年，费根鲍姆与诺贝尔遗传学家约书亚·莱德伯格（Joshua Lederberg）合作启动DENDRAL项目。面对化学领域复杂分子结构解析的难题，他们创造性地将质谱数据与原子组合规则编码成算法。随着避孕药发明者化学家卡尔·杰拉西（Carl Djerassi）的加入，对分子结构的理解更上一层楼，DENDRAL系统性能显著提升，能够自主推导未知分子式。

虽然DENDRAL主要解决的是火星物质检测这样一个稍显冷门的场景，但它更重要的意义在于——标志着AI首次在专业领域达到人类专家水平，这一成就也进一步推动团队转向医疗应用。

DENDRAL系统负责人2006年合影（左一布坎南、左三费根鲍姆、左四莱德伯格）

在费根鲍姆的好友兼学生的布鲁斯·布坎南（Bruce Buchanan）和医学生爱德华·肖特利夫（Edward Shortliffe）的推动下，1972年，感染病诊疗系统MYCIN诞生。

它通过600余条“如果-那么”规则（如“若患者脑脊液革兰氏染色阳性→链球菌感染概率增加”），可分析患者血液感染和脑膜炎的情况，并提供抗生素治疗方案。在一项脑膜炎感染诊断的测试中，MYCIN真了得准确率高达65%——甚至超过了初级医师水平。

MYCIN系统在1979年评估的结果，在实习医生与医学生中排名第一

尽管MYCIN从未进入临床（因缺乏数字化病历支持），但它开创了现代临床决策支持系统（CDSS）的基础范式：基于规则的推理，可解释的诊断逻辑，以及多因素综合判断。

INTERNIST-1：当人脑知识库遇上算法

AI与医学的结合，可谓是多点开花。同一时期，匹兹堡大学正进行着更狂野的尝试。

时任匹兹堡大学医学系主任的杰克·迈尔斯（Jack Duane Myers）在医学界享有盛誉。这位拥有超群记忆力的医师，青年时期每周投入20余小时研读医学文献，其卓越的临床推理能力被誉为内科界的"夏洛克·福尔摩斯"。

1973年，55岁的迈尔斯在卸任系主任之际萌生了新想法——开发医学辅助诊断系统，帮助医生完成内科诊断。这个想法很快就成为了现实——迈尔斯结识了师出艾伦·纽厄尔的计算机专家哈利·波普尔（Harry E. Pople）。

哈利·波普尔

但是，早期实验暴露了传统AI算法的局限：当系统需要统筹数千条临床参数时，可能性组合的指数级增长经常导致诊断的精准度不足，容易出现多重疾病推断或完全无法判定的困境。

事情的转机出现在医学生兰道夫·米勒的加入——这位坚定休学加入团队的医学生曾编写过计算机程序，凭借医学-计算机的双重视角，配合迈尔斯的海量医学知识输出，构建出首个原型系统DIALOG（诊断逻辑系统，后因名称版权问题被迫更名为INTERNIST-1），开启了医疗知识系统化整理的先河。

区别于同期斯坦福大学DENDRAL和MYCIN系统的技术路线，这个团队选择将重心转向知识储备建设。迈尔斯每日口述经严格筛选的医学知识（仅收录被独立验证两次以上的临床证据），建立标准化诊断数据库的决策，形成了独特的开发模式。

这种"重知识、轻算法"的战略虽限制了技术迭代，却意外推动了医学知识的系统整合。其数据库最终发展为持续更新至今的QMR（Quick Medical Reference，快捷医疗参考系统），并在20世纪90年代实现商业化应用。

1982年，INTERNIST系统正式发布，随后它的升级版本——CADUCEUS系统可识别千余种疾病，被誉为当时最先进的知识密集型专家系统。

专家系统的黄昏与隐伏的血脉

与此同时，在1978年，中国肝病中医关幼波联合计算科学家开发的“肝病辨证论治系统”，将中医诊疗逻辑首次编码为人工智能系统，在120例肝炎诊疗中取得与医生本人相当的疗效（总有效率80%）。这类早期系统共同构成AI医疗的专家系统的巅峰。

关幼波医生

但历史的车轮滚滚向前，不论是美国的MYCIN、INTERNIST系统，还是我国同期研发的中医诊疗程序，如今已逐步退出历史舞台。究其本质，这些系统作为人工智能发展的阶段性产物，其所依赖的符号主义范式已被现代基于机器学习，尤其是深度神经网络的技术架构所取代。

计算机辅助诊断系统（Computer-Aided Diagnosis，CAD）作为当时世界范围内少有的规模化应用成果，得益于专业化领域限制带来的技术深度拓展，在深度学习算法横空出世前，该类系统始终保持着医疗垂直领域智能应用的标杆地位。

这些早期系统的实践验证了人工智能的应用潜力，为学术界和产业界注入了持续发展的信心。以爱德华·费根鲍姆为代表的人工智能先驱，积极推动相关技术的产业化进程，形成了学术界与投资界的良性互动格局。

遗憾的是，上世纪70至90年代，人工智能研究普遍进入停滞状态——科学家期待的开放式智能交互系统未能实现，研发投入与预期产出严重失衡。随着苹果、微软引领的微型计算机革命兴起，专家系统因运营成本过高逐渐边缘化。

虽然这些系统的外在形态逐步退出应用场景，但其核心技术遗产已通过软件形态实现转移与演化。在当代各类专业应用程序与医学教育中，我们仍可追溯至MYCIN、INTERNIST等开创性系统的技术基因，只是相关技术载体已不再冠以人工智能之名。

回望50年前这批先驱者的探索时，我们既感叹其远见，也惊觉技术迭代的戏剧性：他们用编码规则演绎医学知识的努力，恰似普罗米修斯盗火，虽未直接点亮现代深度学习的火炬，却让人类在算法与生命健康的交叉路口，留下了永不褪色的路标。