有很多公开数据显示医生是怎么问诊的，百度医疗对其进行抽象，建构模型，将这个模型作为一个约束条件加入到问诊流程中。
作为百度大脑的重要模块，现阶段的百度医疗大脑主要提供智能问诊服务。据悉，百度医疗大脑基于百度医疗大数据，使用深度学习技术与知识图谱算法，进行多轮自动智能对话。
在北大国际医院的测试显示，80%多的智能诊疗结果和医生诊断一致。而在百度研究院大数据实验室主任兼高级总监范伟看来，除了最终的诊疗结果，整个人机对话过程中用户的体验同样重要。“我希望将来能够像打电话一样，一键按下去，机器就开始像大夫一样跟你聊天”，这样的类人体验是他和团队成员追求的目标。
《21世纪》：百度用深度学习技术来搭建百度医疗大脑，医疗领域的人工智能发展也有五十多年时间了，早期医疗人工智能的局限在什么方面？深度学习技术的应用主要使哪方面的能力有所增强？
范伟：我们根据权威的医疗文献和网上的公开数据，获取累计400G以上的数据，然后针对这些数据做复杂的模型建模，从而阅读并理解医生和病人在线的问诊过程。在传统的模式下，面对如此之多的数据，没有一个模型能将其间全部复杂的关系提取出来。深度学习最关键的一个特点就是可以发掘数据中隐含的关系。
以前智能医疗效果不好，主要原因是大家都在写规则，这种方式，简单一两个病还能操作，但是当病种达到成千上万，规则就会变得很复杂，通过人的方式指导机器去做就变得不是很现实。
《21世纪》：百度医疗大脑现在能够诊断哪些疾病？有没有这样的案例，机器诊疗得到的信息是医生没有发现的？
范伟：从大类来说，我们现在不做某些外科病、性病、妇科领域的，因为其中涉及部分敏感词，不适合通过互联网做交互。慢慢地，我们会根据用户的使用情况放松限制。
有时同种症状会对应不同的疾病，我们接触过这样一个案例，有个病人的症状在绝大多数情况下是心肌缺血，这种疾病不太会危及人的生命，但还有另外一种病叫做心膜炎，是一种致死性疾病，通过智能问诊，我们跟患者讲，更大的可能性是心肌缺血，但也需要排除是心膜炎。当时就有医生表示，如果是没有经验的医生来诊断，也许就会忽视这种比较少见但却有致命危险性的可能。
《21世纪》：智能问诊技术架构的几个阶段中，哪个阶段感到最困难？
范伟：推理和提问还有对问题的理解，即怎么做到所问即所答。以推理为例，从大概的概念到调优到修补用了一年多时间。
我们亲身经历之后感到智能问诊领域的“坑”还是挺多的。比如说，机器问诊的逻辑和医生的逻辑是有区别的，机器问诊的时候会更愿意问，哪些症状能将疾病区分开，有时这些问题东一榔头西一棒槌。但按照一个人的逻辑，我们倾向于问下一个症状时要跟上一个症状间有所关联，你不要先问我发烧多少度，再问是不是脚疼，是不是胸疼，又问我是不是长疹子、发烧几天了。
机器中有很多这种类似的细节。我们一方面要优化效果，同时要保证给用户提供类人的体验。这就需要在模型本身和用户体验之间做一种平衡。
《21世纪》：智能医疗还是挺复杂的，并不是说有了数据，有了算法，来训练机器人，就可以实现人工智能了。如何让机器贴合人的思维方式？
范伟：有很多公开数据显示医生是怎么问诊的，我们对其进行抽象，建构模型，将这个模型作为一个约束条件加入到问诊流程中。
《21世纪》：人工智能加医疗可以有不同的切入点，百度医疗大脑切入的是智能问诊，我们下面还有哪些发展方向？百度医疗大脑的终极目标是什么？
范伟：图像识别、化验单分析、电子病例分析、语音输入电子病历等领域，我们也在进行初期的研究。我希望将来能够像打电话一样，一键按下去，机器就开始像大夫一样跟你聊天。最终，我们希望每个中国人手里都有人工智能的居家医生，在任何时间、地点都可以获取医疗信息，同时在你需要的情况下还可以连接线下服务。
《21世纪》：当前有不少巨头和大量创业公司进入智能医疗领域，目前来说，我们在这个领域在世界范围内处于一个什么位置？和IBM推出的Watson相比，我们的优势是什么？
范伟：我们比较了国内外的一些同类竞品，一种模式是给你一个人体图，点击某个部位会出现一堆病的名称，另外有些产品需要输入部分内容跟它的词典做匹配，但基本上还是基于规则，通过统计、频度计算的东西，或者仅仅停留在单轮问诊，智能含量不高。
IBM的Watson是一个toB产品，主要是专注于医生端的电子病历分析。百度医疗大脑是一个toB+toC的产品，目前以toC为主，通过问诊的方式更有效地连接病人与医生。我认为，我们现在的技术是成熟的，但是要做出一个让十三亿中国人都满意的产品还需要时间打磨。
联系我们请点击：
数邦客
