大家刚才看到了，医生在问诊的时候经常手忙脚乱的，需要回答那么多的问题，而且经常是重复性的问题。患者也会困惑，等那么长时间两分钟诊疗就结束了。这对大家来说也许都是非常熟悉的场景。

医疗这个市场到底有哪些痛点？患者对一般的社区医院信任程度有待提高，有病直接到最好的医院找专家，其实专家花很多时间解答一些基础的知识并非必要。我们经常听到的是三甲医院的医生工作量巨大，又要搞科研又要看病，问诊的细致程度和工作状态不能得到充分的保证，很多日常小病也去找他们，无法最大程度发挥工作价值。

社区医院的医生也有痛点，他们的痛点是患者的信任问题。现在国家提倡建立家庭医生制度，医生除了现有的工作以外，还要每个医生支持很多户家庭，执行起来难度较大。从国家层面来讲，国家很想解决这个问题，连续发布了几个文件，提出分级诊疗，推进家庭医生签约服务，但是推行起来也有很多困难。

总结起来，这里面有很多重复性的问题：我们能不能够让我们的 AI 帮助解决一部分这样的问题。针对分级诊疗这件事情，我们专门做了一个智能辅助系统，比如基层医生的培训，提高基层医生的工作能力、提高他们的工作效率。怎么提高工作能力？建立知识库能够辅助学习，辅助问诊。从提高工作效率来讲，机器自动回复常识性的问题，再加上能够自动回访。不需要医生记着这个病人一周前来做过手术，我们的系统能记得对患者回访，从而提高医生的效率。

具体怎么实现？首先是数据源的接入，数据有三方面：第一，网上抓取的数据，这是公开非结构化的医学文本；第二类，是专家的知识，但是没有归档的；第三类，是半结构的电子病例。为什么说半结构？有一部分也是结构化的，比如姓名、身份证号，但是医生关于症状的描述这些东西都是属于非结构化的。

我们从这个数据源接入，去挖掘这里面的知识，当然这其中有好几类的知识。一类是事实与关系的知识图谱挖掘、问答知识挖掘，网上有一些Q&A能够自动挖掘出来，以及深度的知识挖掘。有了这么多知识怎么存储管理？要根据我们了解的知识构建知识图谱，根据医学问答建立知识的索引，常识知识的扩展，还有共享这些知识。有了这些知识以后，怎么样来做语义搜索？我可以说一句非常自然的语言，机器怎么样来理解？患者用自然语言描述得了什么样的病或者有什么样的症状，怎么根据这个来帮助诊断？

　　最后在应用层，有了所有构造以后，我们就能够实现点对点的自动回复、健康管理、以及医疗随访。

我们通过建立知识库和搜索，从医生的角度可以自动问答还有随访，最后患者跟普通医生建立信任。我们做了一个测试版的应用，是一个网页版应用，跟一般的搜索不一样，只要输入一句话，根据这句话把主要的关键词、实体找出来，我们会根据这个关键词找到最好的答案，结构化的信息都会在后面显示出来。比如这个问题是问糖尿病相关的，糖尿病是我们的关键字。另外我们把知识挖掘做成接口，API：包括文档怎么解析，怎么把实体抽取出来，帮助我们建库，另外还包括实体定义挖掘，包括概念化。之前微软研究院发布了两个相关的产品——，两个都是帮助建立广泛应用的医学知识图谱，建立比较专业的知识，而不是闲聊，这个是非常重要的。