专家知识
Expert Knowledge（专家知识）是指在特定领域（如医学），由人类专家通过长期的教育、培训和实践经验所积累的，能够解决复杂问题的高级信息集合。与大数据（从海量样本中统计出的相关性）不同，专家知识通常包含因果逻辑、启发式规则（Heuristics）以及难以言传的隐性知识（Tacit Knowledge）。在构建医疗AI时，单纯依赖数据往往会导致“幻觉”或逻辑错误，引入专家知识（如作为贝叶斯网络的先验概率或知识图谱的规则）是确保 AI 系统安全、可解释且符合伦理的关键。
核心分类：不仅是书本知识
在构建“智慧医生”时，我们需要提取两类截然不同的专家知识：
文件:Explicit vs Tacit Knowledge Iceberg
1. Explicit Knowledge (显性知识)
定义： 可以用语言、文字或公式清晰表达的知识。
来源： 临床指南（CPG）、药典、教科书、文献。
AI实现： 容易转化为规则引擎（If-Then）或知识图谱。例如：“NCCN 指南规定，III 期肺癌首选放化疗”。
2. Tacit Knowledge (隐性知识)
定义： 植根于专家个人经验、直觉和洞察力，难以形式化的知识。
来源： 专家的“直觉”（Clinical Intuition）。例如：老医生看一眼病人脸色觉得“不对劲”，尽管各项指标还在正常范围内。
AI实现： 极难编码。通常需要通过RLHF（人类反馈强化学习）来微调大模型，或者转化为贝叶斯网络中的先验概率。
横向测评：数据驱动 vs 知识驱动
这是 AI 发展的两条路线之争，现在的趋势是神经符号 AI（融合路线）。
| 维度 | 数据驱动 (Data-Driven) | 知识驱动 (Knowledge-Driven) |
|---|---|---|
| 代表技术 | 深度学习, 大模型 (LLM) | 专家系统, 贝叶斯网络, 知识图谱 |
| 优势 | 泛化能力强，能处理感知任务（看片子）。 | 逻辑严密，可解释性强，不需要大数据。 |
| 劣势 | 黑盒，不可解释，会有幻觉。 | 构建成本高（Knowledge Bottleneck），难以覆盖所有情况。 |
| 在智慧医生中 | 负责“对话”和“理解病历”。 | 负责“安全护栏”和“最终决策”。 |
工程化：如何把专家装进电脑？
将人类专家的脑中知识转化为机器代码的过程称为知识工程（Knowledge Engineering）。
1. 知识获取 (Elicitation)： 通过德尔菲法让专家达成共识，或者让专家对典型病例进行标注。
2. 结构化 (Structuring)： 将获取的知识转化为本体（Ontology）和三元组（Triples），存入图数据库。
3. 形式化 (Formalization)： 将因果关系转化为贝叶斯网络的 CPT（条件概率表）。例如，专家说“吸烟很大程度上导致肺癌”，工程师将其转化为 P(肺癌|吸烟) = 0.15。
关键参考文献
[1] Feigenbaum EA. (1977). The Art of Artificial Intelligence: Themes and Case Studies of Knowledge Engineering.
[历史]：专家系统之父 Feigenbaum 提出“知识就是力量”，认为 AI 的核心在于知识库的质量，而非推理引擎的复杂度。
[2] Kahneman D. (2011). Thinking, Fast and Slow.
[心理学]：揭示了人类专家的直觉（系统1）和逻辑（系统2）是如何工作的，为现代 AI 模拟专家思维提供了心理学基础。