医疗视角：智能问答产品事
这是一篇笔者个人非常想要写的文章，主要有两个原因。第一个原因是“问答”，“知识图谱”和“医疗”这三个topic能够凑在一块儿，都是笔者个人非常感兴趣的东西，通俗点说，笔者喜欢这些玩意儿。另一个原因是笔者个人对S先生的一篇文章，印象颇深。题目是《人工智障2：你看到的AI与智能无关》，启发了笔者一直关注产品侧的问题。产品和技术在这篇文章中有血有肉，有质感，笔者也想写出一篇类似的东西，但深感水平不足。
这篇文章的目标读者：
笔者自己
对医疗C端产品感兴趣的同学
渴望了解产品背后的技术的同学
关于问答产品和技术，在之前已经写过部分讨论文章，因此科普性质的讨论不再赘述，直接切入医疗问答产品。部分相关文章如下：
《一个夏日的午后，聊聊智能客服和NLP》（https://zhpmatrix.github.io/2020/06/13/thoughts-about-dialogue/）
《电商问答系统的产品侧讨论》（https://zhpmatrix.github.io/2020/09/05/ideas-about-qa/）
《问答匹配，有点难》（https://zhpmatrix.github.io/2020/09/14/qa-match/）
《Learning to Rank用于问答匹配/答案推荐建模》（https://zhpmatrix.github.io/2020/08/02/learning-to-rank/）
问答是一种交互，真正的价值是问答背后的服务。那么，医疗问答产品的价值在哪里？
从上图可以看出，问答产品的服务对象包括但不限于：
（1）患者本人：通过患者自诉症状，引擎智能追问，补齐机器对于患者状况的信息获取，结合医疗知识图谱，做出患病类型的判断。至于要不要相信机器的判断，是一个炒冷饭问题了，但是即使不相信，也在一定程度上提供了用户价值。比如，一个正常人在听到周围人说自己印堂发黑的时候，是不是心里也会有所触动？用户既然在使用问答引擎，就在一定程度上会对产品功能，包括做出的预测有一个基本的假设和预期。此外，医院内的业务信息对于患者而言也是重要的。
（2）导诊台：我有鼻炎，我去了医院，但是我不知道去哪个科室？我去导诊台找护士小姐姐问，排了很长的队，然而护士小姐姐今天已经回答了1000个类似问题了，回答我的问题的时候，火气冲天。自动化的方式推荐科室，功能直达预约挂号，直接解决用户需求，同时减少人工干预。
（3）医生：在正式医生问诊之前，患者在足够的时间内通过和机器交互，完成自诉，既往史和现病史的陈述；在真实医生问诊的时候，医生可以直接拿到预问诊的病历文书，确认追问和修改。
（4）药企：鼻炎买啥药啊？我吃X可以治愈吗？网上买蔬菜，买水果，也可以买药。
服务不同的对象，创造不同的价值。入口是轻量的，服务是重量的。
问答引擎的子模块包括FAQ，任务型问答，基于医疗图谱的问答，基于表格的问答和用于兜底的闲聊（业界有不同的划分方式，个人倾向于这样做划分）。在院内业务信息输出时，FAQ是一种技术思路。在疾病预测的时候，可以建模为一个任务型问答，Slot的设计需要深度依赖医疗知识。常识类的医疗知识问答，可以基于医疗知识图谱完成。最后，用于兜底的闲聊模块。当然，人工才是最专业的兜底。
从技术成熟度上来看，电商智能客服领域的FAQ，智能助手类应用的TaskBot，强知识依赖的KBQA，以小冰为代表的闲聊瞎扯机器人，应该都具备一定的启发意义。
问答引擎的问答场景包括小程序内部，内嵌APP，智能音箱，门诊机器人/门诊大厅触摸屏，和通用问答引擎的场景设定基本一致。
医疗问答引擎的用户价值，应用场景和系统子模块均可由通用问答推出，同样，在技术架构上也有一致之处，如下：
评价一个医疗问答引擎的一个根本指标是服务水平的高低，而非技术手段的优劣。但是，对于什么样是好的问答引擎，仍遵循一定的标准。模型精度高，推断速度快。从被动式的问题回答到主动式的提问，追问，自动问题发现，答案推荐以及意图自动识别。为提高规模化能力和定制化要求，需要支持自定义行为，配置自动灵活高效。由于应用场景的多样性，要求部署方便，在保持一个引擎内核的前提下，支持多种产品形态。每一个标准的实现，都使得引擎的价值能够增加。
在上文中提到入口是轻量的，服务是重量的观点。让我们看一看腾讯智能导诊的功能实现：
重吗？下面是腾讯智能预问诊的功能实现：
重不重？已经很重了，好吗？
讨论完战略上的问题，看一个战术问题。一个具体的在线问诊能力实现，需要什么样的数据？（来自第一届智能对话诊疗评测比赛的真实对话数据）
这张图中，患者说：”多多少少十来次“，医生说：“大便什么样子的呢？......”，对于患者和医生的每句话，需要标注出症状，疾病，药品等实体，用于对话理解。此外，symptom_norm是标准化之后的术语，symptom_type是术语对应的值，0，1，2分别表示有，没有，不清楚。通过这些标注数据，可以帮助模型去理解对话中的重要信息。最后，需要生成的病历报告如下所示，包含主诉内容，现病史内容等，而对话过程中的重要信息，都可以帮助病历报告的自动生成。
我们可以体验一下阿里智能预问诊的产品设计，应用场景，产品功能和对话过程都在下图中有呈现。
下图是腾讯智能预问诊的产品设计。
对于问答系统，其实各个领域在做的团队都很多，包括零售，医疗等。医疗行业内作为为数不多的C端产品形态，更是如此。比如左手医生：https://open.zuoshouyisheng.com/doc；比如腾讯医疗：https://github.com/tencentyun/qcloud-documents。此外，学术上也不断有团队开始跟进，比如第一届智能对话诊疗评测比赛：http://www.fudan-disc.com/sharedtask/imcs21/index.html。
这篇文章从整体上讨论了医疗问答产品的用户价值，应用场景和技术体系。同时，给出了具体的真实问答数据示例，产品功能和产品交互。对比通用问答系统，在顶层设计上可以类比，但是在具体执行层面，不同domain有各自的特色和需要重点关注的点，而这也是差异化的来源。
点击关注，更多的NLP技术，产品，比赛和观点输出，