在AI医疗的可解释性要求下，知识图谱与深度学习两条路线创造与分配的价值并不相同。**知识图谱路线基于模型的运算能力，工作原理有严格的数学定义，因而可解释，更容易嵌入临床决策与责任链条，价值直接落在诊疗流程中；深度学习路线基于神经网络训练，内部机制尚不清楚、不具有可解释性，其训练发现的多为相关性而非因果性，仍需人类进一步验证，因此更多扮演相关性发现工具的角色，价值实现依赖人类验证环节。**这一差异，源于医学可解释性对工作流程与人类认知一致性的要求。

两条路线的分野

AI近年形成两大类技术路线：一类是基于模型的运算能力，如知识图谱，依靠计算机运算能力；另一类是基于神经网络模型的训练，如深度学习，模拟人类思维方式。前者工作原理有严格的数学定义，所以是可解释的；后者通过训练得到参数被调节好的神经网络，人们目前只知其基本逻辑，内部如何相互影响并不清楚，工作原理尚未得到严格的数学定义，因而不具有可解释性。

可解释性如何决定价值分配

针对医学影像AI问题，可解释性要求其工作流程和人类对医学问题的认知一致，或至少可以被人类理解。但完成目标任务的途径本质上有无穷多条，不可能要求任意一条都符合人类的理解模式。医学领域的可解释性实际上要求看到因果关系，而深度网络在挖掘因果性方面是弱项：即使网络构造出一条看似符合人类认知的逻辑链路，更大可能也是通过人为的网络结构设计获得的，而非机器学习本身发掘了因果性。训练中即便有所发现，也多是相关性而非因果性，还需人类进一步验证。

由此，价值分配自然分层：可解释路线因其流程可被理解、可被追溯，更易嵌入临床责任链条，价值在诊疗环节直接兑现；纯训练路线提供的是相关性发现能力，其价值要经过人类验证这一环节才能落地。

常见问题

知识图谱路线为什么更易嵌入临床决策链条？

因为其工作原理有严格的数学定义，属于可解释的一类，能够满足医学可解释性对工作流程与人类认知一致的要求，从而更容易被临床理解与采纳。

深度学习路线在AI医疗中扮演什么角色？

它擅长通过训练发现相关性，但内部机制尚不清楚，挖掘因果性是弱项，因此更多作为相关性发现工具，其结论需要人类进一步验证。

可解释性要求是否限制了AI医疗的创新空间？

可解释性实质上是追求人类对网络结构设计如何与医学问题自身逻辑匹配，考验的仍是人类对医学问题的理解；这并不等于不符合人类认知特征的途径就不可用，只是价值兑现更依赖人类验证环节。