健康科技公司 Flahy Inc. 用知識圖譜（knowledge graph，用圖形結構儲存實體同佢哋關係嘅數據庫）串連生物、臨床同穿戴裝置數據，做臨床決策輔助，並強調醫療 AI 需要解釋得清點樣作出決定。
Flahy 創辦人兼行政總裁 Jagjit Singh 最近喺 SiliconANGLE Media 旗下直播工作室 theCUBE 嘅 theCUBE + NYSE Wired: AI Luminaries 訪問系列中交代呢個做法。
Singh 話「知識層」係關鍵，因為佢連住數據層同模型層，「畀模型知道邊啲事實重要、某個數據點代表乜」。佢指團隊花咗幾年時間建立基於圖形嘅生物同臨床資料庫，再訓練模型識別數據點之間嘅關係。
Singh 舉咗個例子：如果一個病人有特定基因突變，同時有特定嘅高膽固醇指標，而家出現一個新嘅臨床訊號，呢個新訊號會唔會改變對病人嘅治療方式？「呢個就係一個由設計上而言嘅圖形問題」（graphical question by design），Singh 稱，因為要喺分散嘅多類數據之間「串起啲點」。
Flahy 與 Neo4j Inc. 等圖形技術公司合作。Singh 話佢哋自研引擎，將臨床決策視為一個「遍歷問題」（traversal problem），挑戰之一係點樣將穿戴裝置讀數同其他健康資料合併入圖，以便系統能解釋隨時間變化。
Singh 強調 AI 醫療必須清楚解釋資訊點樣影響決定。公司嘅消費級產品 FlahyLife 結合生物同健康資訊，指引預防、早期檢測同治療選項。佢指公司同「領先嘅臨床實驗室同醫療系統」合作，部署平台改善臨床決策、補上照顧缺口：「如果圖串連咗，你就可以正確推理，喺正確嘅時間、為正確嘅人、做正確嘅檢測。」
值得留意，報道附帶披露：theCUBE 係 theCUBE + NYSE Wired: AI Luminaries 系列嘅付費媒體夥伴，Neo4j 係該活動嘅贊助商，「既非 Neo4j，亦非其他贊助商對 theCUBE 或 SiliconANGLE 內容有編輯控制」。
阿調搞兩下
醫療係 AI 難落地嘅領域，原因唔難諗：一個錯嘅建議唔係可以「重跑一次」咁簡單。Flahy 把知識圖譜擺喺數據層與模型層之間，強調「解釋點樣得出個決定」，呢個思路其實係醫療 AI 嘅基本要求，唔係加分項。但佢係廠商自己講，獨立驗證、臨床數據、監管審批都未有公開資料；FlahyLife 對消費者嘅實際效果，目前只係「功能解説」，唔係實測。
（本文非本站實測，只係功能解説。）
阿調｜深度調教
