1.以急诊科常见9大临床症状为研究对象，按现行疾病指南和教科书等权威知识源获取知识，由急诊专家总结得出相应的知识图谱，内含急诊专家的临床诊断思路。全书共设定九章，内容分为临床症状图谱和疾病诊断图谱两类。
2.每一疾病诊断图谱都附有典型临床病例，全部是来自解放军总医院急诊科的真实病例，内容覆盖知识图谱知识点。使得读者能将病例内容与知识图谱相互印证，便于理解知识图谱，培养正确的诊断思路。
适合于初级、中级临床医师、急诊医师、全科医师及普通群众参考使用。

第1章 人工智能概述
1.1 人工智能的起源和发展历史
1.2 人工智能领域关键技术
1.3 人工智能在医疗领域的应用
1.4 基于模糊专家系统的疾病诊断
1.5 小结
第2章 医疗领域知识图谱
2.1 知识图谱概述
2.2 知识图谱主要应用领域
2.3 知识图谱的构建方法
2.4 医疗领域知识图谱
2.5 小结
第3章 出血
3.1 出血概论
3.2 出血病例
第4章 发热与休克
4.1 发热概论
4.2 急性感染概论
4.3 休克概论
4.4 发热与休克病例
第5章 腹泻与呕吐
5.1 腹泻概论
5.2 呕吐概论
5.3 腹泻与呕吐病例
第6章 呼吸困难
6.1 呼吸困难概论
6.2 呼吸困难病例
第7章 少尿与无尿
7.1 少尿与无尿概论
7.2 少尿与无尿病例
第8章 疼痛
8.1 腰背及四肢疼痛概论
8.2 四肢痛病例
8.3 胸痛概论
8.4 胸痛病例
8.5 腹痛概论
8.6 腹痛病例
8.7 急性头痛概论
8.8 高血压危象
第9章 心律失常
9.1 心律失常概论
9.2 心律失常病例
第10章 意识障碍
10.1 意识障碍概论
10.2 出血病例
第11章 中毒
11.1 中毒概论
11.2 中毒病例

涵盖急诊常见症状和疾病诊断，来自解放军总医院急诊科的真实病例，通过智能分析形成知识图谱化繁为简，有助于整合碎片化临床知识，形成系统记忆，从而理清诊断思路，提高诊疗水平。

第1章
人工智能概述
随着互联网技术的高速发展，大数据已成为了影响生产力的重要因素和行业资源，大数据时代的到来使得人工智能技术变得越来越智能化。2012年，在ImageNet竞赛上，深度学习模型AlexNet在图像识别分类上取得突破发展，远超传统计算机视觉算法，成为深度学习时代到来的重要里程碑。2015年，ResNet模型的识别能力就已经超过了一般的人眼识别。2016年，谷歌围棋人工智能AlphaGo战胜韩国著名棋手李世石，人工智能及其背后的深度学习轰动全球，使人们见识到了人工智能的强大。
经过几十年的沉淀和发展，特别是近年来得益于数据、算力以及算法的重要突破，人工智能技术在学术界和工业界取得了广泛成功，并掀起新一轮的人工智能热潮。国内外越来越多的专家学者致力于将人工智能和深度学习模型引入各行各业中。从安防中的人脸识别到出行中的无人车，从国际会议中的实时翻译到智能家居中的语音识别，无不有人工智能技术的身影。人工智能也因此成为新时代产业数字化和科技革命的核心竞争力，成为全球经济环境变化中的新动力。
以机器学习和知识图谱为代表的人工智能技术火热兴起，使得从海量非结构化数据中提取、获得医学知识成为可能，医疗系统的数字化与信息化是国内外医学发展的必然趋势。我们欣喜地看到，随着移动互联网、大数据、云计算等多领域技术与医疗领域跨界融合，新兴技术与新服务模式快速渗透到医疗各个环节，并使人们的就医方式产生重大变化，也为智能医疗行业带来了新的发展机遇。
1.1?人工智能的起源和发展历史
简单地讲，人工智能（artificial intelligence，AI）是一门研究、开发用于模拟和扩展人的智能的理论、方法、技术及应用系统的学科。但是，如何定义“智能”呢？1950年，阿兰·图灵（Alan Turing）发表了一篇具有重要影响力的论文《计算机与智力》（Computing Machinery and Intelligence），提出了著名的图灵测试：“在测试人与被测试者（机器）不接触的情况下，经过多次问答后，测试人无法根据这些问题判断对方是人还是计算机，那么就可以认为这台机器是具有智能的”。图灵测试引导了人工智能的多个研究方向。为了使计算机智能化，能够通过图灵测试，需要探寻如何用机器来模拟、延伸和扩展人类的智能，让机器会听、会看、会说、会思考、会行动、会决策，就像人类一样。因此，计算机必须具备理解语言、学习、记忆、推理、决策等能力。
一般认为，人工智能的概念诞生于1956年的达特茅斯（Dartmouth）会议，在这次会议上，多位著名的科学家从不同学科的角度探讨用机器模拟人类智能等问题，并首次提出了人工智能这个术语，也确定了人工智能的研究使命：“人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样”。
1.1.1?人工智能的发展历史
人工智能的概念诞生于20世纪50年代，从最初的神经网络和模糊逻辑，到现在的深度学习，人工智能技术经历了一次又一次的繁荣与低谷。其发展历程大致分为三个发展阶段。
第一阶段（20世纪50—70年代）。人工智能的早期发展阶段，基于抽象数学推理的可编程数字计算机已经出现，符号主义（symbolism）快速发展。研究者对人工智能的热情高涨，开发了一系列的智能系统。该阶段人工智能主要用于解决一些小型的数学和逻辑问题，代表性应用有机器定理证明、机器翻译、专家系统、模式识别等。但随着研究的深入，研究者意识到这些推理规则过于简单，建立的模型存在一定的局限性。人工智能的研究开始陷入低谷。
第二阶段（20世纪70—90年代）。研究者意识到知识对于人工智能系统的重要性。这一时期，出现了各种各样的专家系统（expert system）：1972年，用于传染性血液诊断和处方的知识工程系统MYCIN研发成功，该事件标志着人工智能进入“专家系统”时期。在这一阶段，专家系统得到快速发展，数学模型有重大突破，但由于专家系统在知识获取、推理能力等方面的不足，以及开发成本高等原因，人工智能的发展又一次进入低谷期。专家系统的发展并不顺利，使得人们开始思考，如何让计算机自发理解和归纳数据，掌握数据间的规律，即“机器学习”。
第三阶段（20世纪90年代末至2006年）。20世纪90年代末，IBM“深蓝”计算机击败国际象棋大师卡斯帕罗夫再次引发了全球对人工智能技术的关注。但是受限于当时的技术条件，人工智能尚无法支撑大规模的商业化应用。2000—2006年，是信息爆炸式增长的时期，研究者开始将研究重点转向让计算机从数据中自己学习，即机器学习（machine learning，ML）。万维网的出现使得我们的知识从封闭走向开放，原来专家系统是系统内部定义的知识，现在可以实现知识源之间相互连接，可以通过关联来产生更多更丰富的知识。
第四阶段（2006年至今）。2006年，杰弗里·辛顿（Geoffreg Hinton）提出了深度学习算法，使神经网络的能力大大提高。随着深度神经网络在语音识别和图像分类等任务上的巨大成功