内科疾病可以分解为一系列的基因表达模式异常，可以在不同层次体现不同的性质如细胞层次的组织变化（增生萎缩分化肥大），从底到顶，在机体层次有各种病理表现。我们可以以不同的层次的宏观机制来理解，如免疫系统的异常。我们要治疗，不仅仅要靶定表达具有特异性的对象如酶、激素等等，可能我们需要以另一个思维来理解疾病，如傅里叶变换的思路（时域的连续信号变化转换为频域的组合）。比较玄幻的观点是分解为经脉穴位系统（压痛点等等可能是不动点），这实际上是一种本质主义（所谓的本质就是直指病因），存在一种高维的对象能够接受低维层次的复杂变化（类似微积分），我们能够通过对这些高维的对象处理来起到治疗的作用。比如中医的病气、邪气等等概念，如果经脉通畅那么疾病可以消去。这种经脉不畅的观点就是提取出如同频域的基本对象，我们能够通过这些线性无关的基底的选择性组合来确定治疗方案。可能这种解释是中医的理论的数学基础。
方剂其实就是一种对应的解，能够满足人体的复杂情况构建的微分方程模型。而具体的中药其实我们视为一种基底，而具体的剂量就是这些基底的加权，其组合起来就是高维空间的特定向量。而我们存在那么多的中药作为基底，要搜索可能的组合就是不可能的，我们需要各种先验的智商来搜索我们搜索的范围，如我们进行药性的划分（类似于分阴阳），然后在这个基础进一步分类，然后进行组合（药性相克来中和等等，君臣佐使等等），存储起来有意义的组合（各种成熟的方剂，运用贪心算法的思想）。具体的配比可以理解为参数的确定，我们可以运用梯度下降法等等来确定。我们可以将具体的基本和治疗都以一定的函数来表示，f(n)=∑anx^n，我们可以以任意精度来逼近可能的实际上存在的情况。
当然，理论上我们需要进行细化的分解才能得到更加精确的结果，但是我们在足够高维层次的运算也是很是很重要的，实际上我们的医生就是在这些宏观层次的功能更加确定性的联系，如同机器学习/深度学习的隐藏层的映射构建。比如说各种症状常见于那些疾病，哪些疾病的典型症状和不典型的症状，这是都是高维层次的数据集，我们医学的学习就是通过这些训练集的训练才能在大脑构建起一定的函数，能够实现各种功能如诊断等等。毕竟以面向对象的思想来考虑医生，就是能够实现病人的症状/问诊/查体/实验室检查/影像学检查等等数据的输入能够得到特定疾病的诊断作为输出的函数。
在这个高维的层次，我们可以综合考虑各种数据的综合，以贝叶斯运算的方式不断地提升不同疾病的可能概率，然后根据概率的排序的先后顺序来排查，如果不能排除就视为我们找到诊断的结果，这个过程我们就是我医生考虑多信息的具体流程。在具体的临床实践中，医生就是通过各种具有高证据强度的信息来指导诊断（特征寻找和线性组合），如各种特征性病变能够快速得出经典疾病的诊断。而且疾病的发生发展是一个动态的过程，可以把具体的症状分解为更底层的病理病生机制，甚至到解剖学，组织学和分子层次的机制，我们需要考虑到疾病可能是各种各样的底层因素综合作用的结果（理解为线性组合的某个向量，不同的组合对应的不同向量就能够对应于不同的疾病），通过考虑多个细节能够最后收敛到不动点，即我们认为的病因，从而能够针对性地对症下药，起到四两拨千斤的作用，使得别人恢复健康。这种不动点的病因思想就是本质主义的一个经典应用，我们认为能够通过计算机来收敛到特定的值以实现这种诊断。这样可以减少医生使用不同的药物，进行不同的检测来收缩可能的疾病范围的操作，即减少成本来搜索得到收敛的结果。而这种排除就是一般鉴别诊断思路。
实验室检查，能够提供很多可以定量的数据，理论上，只要指标足够多，我们能够对所有的病人都做一定的分类，然后根据群体层次上特定分类的人能够获益的方法（循证医学），实施个体化的医疗。当然，这有一定的风险，就是过于细化，以至于只见树木不见森林。我们如何能够把握更主要的本质，我们希望能够如同微积分基本定理那样，能够通过低维层次的无限累加来逼近高维层次。可以预见，这也是计算量相当惊人的。我们通过指标的测量，以及根据经验学习制度的意义，最后能够集成起来，使用一定的算法如分类算法，模拟医生得到诊断。
医学影像学(medical imageology)是以医学影像为基础，集X线、计算机体层摄影（CT）、核磁共振成像（MRI）、数字减影（DSA）正电子体层（PET）、核医学、超声学（US）、放射治疗及介入治疗学等多学科有机结合的综合诊疗学科。多维度的数据有助于我们对于疾病有更加精确的诊断。重点在于发现特异性变化，即对应于各种疾病的病灶，我们通过分析这些差异能够获得有意义的信息。结合以上已有的诊断思维，我们可以大大节省运算的规模，我们可以不断地分类（当然，也有可能被医生错误的经验引入歧途，这是一个权衡，但学习经验总是很好的一个切入口）。我们认为，数据分析的力量在于能够同时分析多个指标（贝叶斯推断），而人类的注意力资源有限，只能对有限的关键指标进行运算，所以才十分注重特征性的变化（如形态学的变化），毕竟能够以更大的正确性来做出有意义的推断。通过对系统的基本病变的识别，在这个基础进行进一步的构造，得到复杂的疾病诊断（我们的理想是将来不需要最后的疾病诊断，而是通过各种指标的输入得到个体化的治疗方案。分类符合人类的思维习惯，但计算机能够处理更广阔的指标，然后再抽象出来有限的分类，这是一个学习的过程（搜索空间的剪枝策略）。我们不仅仅要识别病变，还有理解病理生理改变的机制）。
我们在超声成像的过程中，不仅仅需要考虑不同组织对超声的敏感的散射，还需要考虑这个超声传递过程中的衰减。我们就提供这些外加刺激对内在组织的影响的反馈来成像，本质上是一种构造，数据分析，确信其结果能够与真实的情况一一对应，当然，这是理想情况，很多时候成像都有伪影等等问题，但这是我们不断推进技术发展的前提。
将成像理解为一个信号处理过程，通过采样—检测—分析—图像形成的过程来形成我们能够理解的宏观层次的信息。从一维的A型的线性，到二维的平面图像，到三维的形态，以及四维的时间变化。
病理能够成为金标准，一方面是因为形态学的改变是比较高维的变化，是一系列病因导致的终末状态，找到其特征性的变化能够同时描述很多对象的关系。同时，也是因为其取材多，总存在特定的切片能够与具体疾病有最高层次的相关性，即一一对应，从而能够从细胞层次的变化来推测机体层次的变化。当然，需要取病灶附近的组织，因为其具有更大的相关性。
我们的问题是，如何能够结合机器学习算法，来训练人工的基于图像的疾病诊断？需要我们需要有大规模的有标签的数据，这方面可以和医院合作，将数据库内经过专家诊断的图像用于训练算法；同时我们需要进行准确的病灶识别，即图像分割，找到异常的变化，才能在这个基础上进行分析；可以预见，计算的复杂度十分庞大，我们需要使用一系列的优化策略以及近似算法来得出初步的原型，然后不断调整，不断提高各种量化的指标如精确率，召回率等等，直至超过人类专家的诊断水平。比如说Dermatologist-level classification of skin cancer with deep neural networks就是利用深度学习算法来识别皮肤癌。可以在某细分的领域做到精确的分类。最后能够在这个诊断的精确分类的基础上，进一步探究各种个体化的治疗方式，从而实现我们精准医疗的目标。
