MYCIN：医疗诊断专家系统
斯坦福大学开发的 MYCIN 专家系统在血液感染诊断上达到专家水平。
事件概述
MYCIN 是斯坦福大学在1972-1980年间开发的医疗诊断专家系统，用于诊断血液感染并推荐抗生素治疗方案。系统包含约600条规则，通过询问医生关于病人症状和实验室检验结果的问题，然后运用推理引擎得出诊断结论和治疗建议。研究显示，MYCIN 的诊断准确率达到69%，高于人类专家的65%。然而，由于法律和伦理问题（谁为机器的诊断负责），MYCIN 从未在临床实际使用。尽管如此，MYCIN 成为专家系统研究的标杆，证明了基于规则的系统能够在复杂专业领域达到或超越人类专家水平。
深度学习笔记
背景、原理、影响与要点，一次读懂这个事件
背景与脉络
MYCIN 是人工智能历史上最具代表性的专家系统，由斯坦福大学在 20 世纪 70 年代初开发，源于 Edward Shortliffe 的博士研究（导师为 Bruce Buchanan 与 Stanley Cohen）。它专门用于诊断血液与脑膜炎等细菌性感染，并根据患者体重推荐抗生素剂量。系统以数百条「IF-THEN」产生式规则表达专家知识，用反向链推理，并引入「确定性因子」(Certainty Factor) 处理医学证据的不确定性。尽管在测试中表现不输甚至优于部分专科医生，MYCIN 终因法律责任、系统集成困难等原因从未投入临床使用，却奠定了 1980 年代专家系统繁荣的方法论基础。
核心要点
- 1斯坦福 70 年代初开发的医疗专家系统，用产生式规则表达细菌感染诊断知识。
- 2采用反向链推理，从候选诊断反向追问医生以推导用药建议。
- 3首创「确定性因子」以数值方式表达不确定证据下的可信度。
- 4测试中给出合理治疗方案的比例与专科医生相当甚至更优。
- 5因法律、伦理与系统集成问题从未真正用于临床，却催生专家系统产业。
原理与技术细节
MYCIN 的核心是一个简单的推理机加一个知识库。知识库由约 600 条产生式规则组成，形如「IF 某细菌的形态为革兰氏阴性 AND 感染源是血液 THEN 该细菌是绿脓杆菌（确定性 0.6）」。推理机采用反向链：先假设一种可能的致病菌或药物，再反向查找支持它的规则，逐层向用户提问以填补前提条件，直到所有规则被满足或否定。难点在于医学证据不确定，因此每条规则附一个确定性因子 CF，取值 -1（完全否定）到 +1（完全确认）。当多条规则对同一个结论给出不同 CF 时，MYCIN 用一组组合公式把它们合并成单一可信度，例如两条正证据时 CF = X+Y−XY。这让系统能在缺乏绝对把握时，仍给出带置信度的排序诊断与用药建议。
影响与后续
MYCIN 证明了「把专家知识写成规则 + 通用推理机」的范式可行，直接催生了 1980 年代专家系统浪潮与 EMYCIN、KEE 等专家系统外壳，并影响了贝叶斯网络等概率图模型的诞生。它的局限同样深刻：规则靠人工抽取（知识工程成本高），系统脆弱、难维护、难以迁移到领域之外；确定性因子也因缺乏严格概率解释而受争议。这些教训成为后来符号主义瓶颈与统计学习兴起的重要背景。
学习要点
- 专家系统的价值在于知识表示与推理框架，而非数值细节。
- 不确定性推理需要明确机制，确定性因子是一种务实但非严谨的方案。
- 知识工程（规则抽取与维护）是符号系统的真正瓶颈。
- 临床落地受阻于法律、集成与可用性，而不只是算法性能。
术语表
形如「IF 条件 THEN 结论」的知识表示单元，是专家系统表达领域知识的基本构件。
MYCIN 用以表达证据可信度的数值，范围 -1 到 +1，通过组合公式合并多条规则的结论。
从目标假设出发反向查找支持规则的推理方式，常用于诊断型专家系统。