引子：两种教计算机的方式
教你儿子认识「骨折」有两种方法：
方法一（写规则）：告诉他「如果骨头不连续、有透亮线、断端移位，就是骨折」
——这是符号主义。
方法二（看病例）：给他看500张骨折的X光片和500张正常的，让他自己找规律——这是机器学习。
AI的发展史，就是从方法一走向方法二的历程。
4.1 第一次浪潮：符号主义（1950s-1980s）
核心思想「智能=逻辑推理」。 把人类知识写成一条条规则：如果A，则B。
代表作：专家系统1970年代出现的医学专家系统MYCIN，用于诊断血液感染和推荐抗生素。它被编程了约600条规则：
规则举例：IF 感染类型=菌血症 AND 培养部位=血液 AND 革兰染色=阴性THEN 推荐抗生素=庆大霉素（置信度0.8）
为什么失败了？
| 问题 | 表现 |
|---|---|
| 知识爆炸 | 600条规则只能管血液感染——全科医学需要数百万条 |
| 规则冲突 | 两条规则得出结论相反时，系统不知所措 |
| 不会学习医生可感：专家系统就像一本僵化的教科书——书里写了什么就只能知道什么，书没写的完全不会。 | 遇到新知识必须人工添加规则 |
4.2 第二次浪潮：机器学习（1990s-2010s）
核心思想「不写规则，让机器从数据中自己学」。
代表方法
| 方法 | 一句话 | 医学应用 |
|---|---|---|
| 决策树 | 把诊断流程画成树状图 | 简单的临床决策 |
| 支持向量机（SVM） | 在数据中画一条最优分界线 | 良恶性分类 |
| 随机森林突破与局限机器学习的核心进步在于不需要人写规则——给数据+标签，机器自己构建分类模型。 | 100棵决策树投票 | 预后预测模型 |
但局限性也很明显：需要人工提取特征。比如想让机器学习识别骨折，你得先告诉它「关注骨皮质连续性、密度变化、断端形态」——机器不会自己发现这些特征。
4.3 第三次浪潮：深度学习（2012-至今）
核心思想「特征也不需要人来提取，机器自己学」。
AlexNet时刻（2012）
2012年，一个叫AlexNet的深度神经网络在ImageNet图像识别大赛中，错误率比第二名低了41%。这不是小幅优化，是碾压性的代差。
AlexNet成功的秘诀很简单：把网络做得更深（8层）、用GPU训练（速度快70倍）、数据足够大（120万张标注图片）。
为什么叫「深度」？
| 层级 | 学到的内容 | 医学类比 |
|---|---|---|
| 浅层 | 边缘、颜色、纹理 | 识别「骨头轮廓」 |
| 中层 | 形状、局部组合 | 识别「骨小梁排列」 |
| 深层 | 完整物体、场景 | 判断「骨折类型+移位程度」 |
每一层都在学习更抽象的特征。几十上百层叠加后，网络能「看到」人类难以描述的复杂模式。
4.4 三次浪潮的本质对比
符号主义 机器学习 深度学习谁来写规则 人 机器从数据中学 机器从数据中学谁来提取特征 人 人 机器自己学数据需求 少 中等 巨量可解释性 完全可解释 部分可解释 高度黑箱代表成就 MYCIN 随机森林预后模型 ChatGPT/GPT-4医生需要记住的关键演变：人类的角色从「写规则的人」→「标特征的人」→「提供数据+目标的人」。AI越来越能干，医生也需要越来越知道如何「驾驭」
而不是「控制」。
4.5 为什么「深度」是医学AI的决定性维度？
对医生来说，机器学习的可解释性看起来更舒服——你能看到决策树，知道AI为什么做出判断。深度学习则像个黑箱。
但医学问题的复杂度决定了：越复杂的问题，越需要深度学习。
| 任务 | 适合算法 | 原因 |
|---|---|---|
| 化验单单项异常判断传统ML | 规则简单，可解释性重要 | |
| 胸片良恶性分类 | 深度学习 | 影像模式复杂，人类也说不清怎么看出来的 |
| 综合鉴别诊断 | 深度学习+推理多维度信息融合，超越线性推理 |
4.6 本章小结
浪潮 年代 核心突破 医学落地符号主义 1950-80s 把知识写成规则 MYCIN（失败）
机器学习 1990-2010s 从数据中自动学习 预测模型广泛应用深度学习 2012-今 特征也不用人工提取影像AI、ChatGPT、大模型本章初稿，待浩哥审阅。