中医 AI 四诊

四诊不是四张照片

中医诊断讲究 四诊合参：望（看面、看舌）、闻（听声音）、问（问症状）、切（把脉）要放在同一次诊断里看，而不是只凭舌头或只凭一张脸下结论。市面上不少中医 AI 可以把舌诊、面诊分开体验，却做不成一次完整诊断。

这些能力要交给平安健康「每日素问」等业务使用。团队交付了 25 种模型。我的工作不是声称这些模型由我训练，而是让它们能被采集、被校验、被解释，并和问诊系统一起给出用户能看懂的结论。

关键产品判断

1. 合参是产品原则，不是模型口号。 采集流程必须让望、闻、问、切进入同一次诊断。
2. 模型不准时，先设计校验交互。 线上采不到或采不准的特征，用补充问诊补齐或复核，而不是把不确定的识别结果直接展示。
3. 准确率无法单独支撑交付。 没有统一标注标准和 Bad Case 处理，医生与算法无法对同一结果达成一致。
4. 用户要看见「为什么是这个结论」。 报告需要展示推理路径，并解释看起来互相冲突的特征。

合参如何进入一次诊断

优化前的自助诊断偏粗：望闻问不像中医看诊，结果页过简，疾病和体质预测也没有真正合参。诊中流程被收成一条链：

望和闻一起采。 引导用户在拍摄面部舌部照片后，朗读一段具有五音韵律的话。线下医生听主诉时，已经在看面色、神情，并听声音是否异常；

用提问校准模型。 有些望诊、闻诊特征在线上采不到，或识别准确率偏低，就用补充问诊补齐。模型给出可疑结论时，也用规则复核。例如舌诊判成腐苔（舌面上像有一层能刮掉的垢），追问「用门牙刮一下，能不能刮下」。医生经验在这里变成可执行的匹配规则，而不是停留在评审意见里。

脉诊先接入闭环，同时写清边界。 当时产品通过闪光灯打在手指上反光的原理能够较准确的预估心率及 HRV， 但无法控制指法、指力，以及不同部位与脏腑的对应，脉象结论会偏少。先补齐合参链路，再迭代，不能假装线上脉诊已经等同线下。

四诊信息汇总后再预测。 体质和可能疾病应基于望闻问切的全部采集结果，而不是每个模型各出各的结论。

结论为什么要能解释

对比医鹿、京东健康、微医、医联（这些平台的「问诊」更接近导诊挂号）以及经脉宝、寻艾 AI、夸克 AI 后，判断是：产品能展示的中医特征更完整，但诊后缺少治则治法（治疗原则和具体疗法）和调养建议，结论页的信息结构也不够。寻艾的舌诊、面诊、问诊只能分开体验，做不到合参。

新的报告页按三个问题组织：

• 疾病诊疗： 可能是什么病、什么证型、怎么治。
• 特征解析： 面、舌、闻、脉分别看到了什么。
• 体质调养： 体质倾向和日常建议。

报告要展示从症状到病位、证型的推理。当舌象、脉象与该证型的典型表现不一致时，用「证的转化」向用户解释——例如典型应变黄苔、脉偏有力，实际却是淡舌、弱脉，可能是实证转虚，而不是系统算错了。治则治法和疗法建议对齐国家中医药管理局的临床路径与诊疗方案，避免诊后内容变成无法核对的生成文本。

模型怎样才算交付

四诊和疾病诊断要进入业务，必须同时处理标注标准、数据质量、Bad Case、验收口径和接入方式。模型准确率只是其中一环。

我参与舌诊、面诊、闻诊、脉诊及疾病诊断等模型的产品化：和业务对齐需求，和医生对齐标注标准，和算法对齐 Bad Case。争议样本会沉淀回标注规则，而不是只记录一次识别错误。当数据质量拖慢进度时，我主导医生标注工具设计，降低医生参与算法建设的成本，将标注效率提升 30%+，保障模型按期交付。

结果与边界

标注工具的效率提升可以直接对应到我负责的产品设计。25 种模型、面诊/舌诊较竞品高 20%+，属于团队交付结果。合参流程、补充问诊校验和报告解释对应的是产品方案与落地设计，页面不把竞品准确率写成个人独立 KPI。

口径说明：模型数量与竞品对比属于团队或公司结果；个人贡献聚焦合参流程、校验交互、结果解释和标注工具。