機器學習及其商業和醫學診斷方法的可專利性
——關于人工智能領域的專利申請及保護

張政權

一、機器學習程序固有的技術性

機器學習是人工智能一個非常重要的分支，或者說它是人工智能的核心之一，因此對于機器學習，從認識上來說,其本身究竟是否屬于技術特征甚為重要。

例如，筆者與同事代理的名稱為“使用對概率相關性和環境數據的建模與分析的交通預報”的發明專利申請①微軟公司.使用對概率相關性和環境數據的建模與分析的交通預報:200510113396.1[P].2006-05-24.，要求保護一種能夠預測包括意外事件在內的非典型事件的交通預測系統。發明描述了基于統計的機器學習構造預測模型的系統和方法，所述統計方法可以是貝葉斯網絡、隱藏馬爾可夫模型、神經網絡、支持向量機等機器學習中的一種。

該申請的權利要求如下：

“一種便于傳遞、可視化或警告交通圖的系統，包括：

生成涉及交通參數的預測的預測模型組件，所述預測模型組件包括涉及在一閾值概率以上和/或以下發生的事件的意外事件定義并能夠預測意外事件在將來的發生，所述預測模型包括：

效仿典型用戶作出預測的方式的用戶期望模型，這些方式是有限個數的變量之間的相關，

世界模型，所述世界模型是與用戶期望模型相比將更多變量及其間關系納入考慮的更復雜的概率模型，其中相當數量的此類變量和關系在生成預測時不被用戶考慮；以及

至少部分地基于所生成的預測，圖形地輸出交通參數的界面組件，

其中，所述意外事件定義基于所述用戶期望模型和所述世界模型之間的比較來被更新，

其中，如果意外事件的預測的發生概率落在所述閾值概率之外，則所述用戶被警告。”

在實質審查中，申請人收到了駁回決定書。其理由是由于計算機系統可訪問充分數量的數據，因此計算機系統上使用的預測模型可比人類產生更準確的預測結果。由此可見，已經存在利用計算機技術，如計算機預測模型進行預測的方案。如此看來，該申請要解決的問題是如何對交通進行預測，尤其是非典型或意外事件的預測，這屬于非技術問題，且為了解決該非技術問題，采用的手段并沒有給現有計算機技術帶來任何技術上的改變，其實現依賴于人的思維活動，屬于人為的規定，不受自然規律的約束。因此，申請所請求保護的方案并非技術方案。

基于此，我們首先要討論的是，涉及機器學習的手段是否屬于技術手段？

機器學習包括有線性回歸、決策樹和支持向量機等傳統的算法以及如卷積神經網絡和循環神經網絡等深度學習算法，大多數機器學習算法的一個普遍適用的流程包括對大量數據的收集和預處理，以及對數據集的訓練、測試并完成建模等。

在Wrox 國際IT 認證項目組匯編的《大數據分析師權威教程》里，機器學習被定義為是機器從過去的經驗中學習，并用這些經驗改善其性能的過程。并認為，機器學習算法用于開發新算法和技術，使機器自身能夠從分析的數據或者經驗中學習②Wrox 國際IT 認證項目組.姚軍,譯.機器學習、大數據分析和可視化[M].北京:人民郵電出版社,2017：4-5.。

國內專家將機器學習定義為“研究的是如使計算機能夠模擬或實現人類的學習功能，從大量數據中發現規律、提取知識，并在實踐中不斷完善和增強自我”③譚營.人工智能知識講座[M].北京:人民出版社,2018：84-85.。

根據《專利審查指南》（2019 版）第二部分第九章的規定，如果涉及計算機程序的發明專利申請的解決方案執行計算機程序的目的是為了改善計算機系統內部性能，通過計算機執行一種系統內部性能改進程序，按照自然規律完成對該計算機系統各組成部分實施的一系列設置或調整，從而獲得符合自然規律的計算機系統內部性能改進效果，則這種解決方案屬于《專利法》第2 條第2 款所說的技術方案，屬于專利保護的客體。

由于機器學習所說的機器實際上就是指計算機，而機器學習是由計算機自身實現的學習，它不是人的思維活動。進一步，根據以上對機器學習相關定義和內涵的理解，機器學習算法與計算機之間必然存在特定的關聯，而對機器學習算法的應用和改進顯然可以使得計算機內部的性能獲得了改進。因此，毫無疑問，涉及機器學習程序的內容應當就屬于技術手段，能夠構成技術方案。

二、機器學習應用場景的限制

機器學習程序由于其固有的技術屬性，不應被歸入《專利法》第25 條第1 款規定的不授予專利權的客體范疇。但是，從當前的審查實踐來看，單純的機器學習算法不能獲得授權的原因在于它的適用面極廣，即它可以適用于各個領域。如果為其授予專利權，將會造成事實上的技術壟斷，遏制公眾的創新力，不利于社會的發展和進步。因此，如果機器學習算法與具體的應用場景結合在一起，則有可能獲得授權。

例如，名稱為“面向情報大數據的決策樹增量學習方法”的發明專利申請④哈爾濱工程大學.面向情報大數據的決策樹增量學習方法:201710259763.1[P].2017-09-22.，該申請的權利要求如下：

“1 .一種面向情報大數據的決策樹增量學習方法，其特征是：

步驟一、結點n0 作為決策樹T 的根結點，計算n0 的結點分裂度量值SC(n0)，如果n0 是可分結點，那么將n0 放入待分裂結點集合Q 中；

步驟二、如果決策樹T 中葉子結點的個數小于限定的最大葉子結點數并且待分裂結點集合Q 非空，對于待分裂結點集合Q 中的所有結點重復執行步驟三到步驟六的操作；

……;

步驟七、根據構建的決策樹，利用改進的IID5R算法進行增量學習，從而生成最終的決策樹。”

從某種角度來看，該機器學習算法沒有與具體的應用場景結合起來，在實質審查中可能會遇到麻煩。

該申請的實施例中提及了該發明利用UCI 機器學習數據庫中的信貸審批數據集對發明進行驗證，包括兩組實驗，其中之一是NOLCDT 算法與C4.5 算法的對比實驗。實驗結果表明，發明提出的NOLCDT 算法比傳統的決策樹算法C4.5 算法的準確度要高。但實驗只是作為對其發明方法的有效性進行驗證用，如果能夠選擇若干應用場景作為應用舉例，并且根據該機器學習算法的若干應用場景增加并列的獨立權利要求寫入申請則更好。

而如果從另一種角度來看，說明書中提及的一種信貸審批數據集作為其機器學習的訓練或實驗用的數據集，雖不是該申請明確提出的屬于發明的應用場景，但不容置疑，該發明提出的方法既然是取UCI 機器學習數據庫中的信貸審批數據集進行驗證，也就是說，其方案至少是能夠應用于該具體的類似的應用場景的。

在該情況下，申請人是否可以在申請提交后的后續審查程序中，將權利要求的方案具體限定到這樣的場景？因為筆者從已經公開的不少有關機器學習的申請中看到，申請人在描述發明的方案時，注意力往往在于機器學習本身的建模，而容易忽略對機器學習應用場景的描述。對于這樣的情況，如果一律予以否定著實有些可惜。因此，是否可以針對這種情況給申請人提供某種補救的方法，例如，在答辯發明的機器學習算法不符合《專利法》第25 條第1 款的時候，容許申請人在意見陳述書中明確這樣的機器學習算法實際上是應用于某種特定應用場景的，并對保護范圍作相應的限定。也就是說，只要申請人將其中的機器學習算法縮限到某一具體的應用場景，則視為該申請是符合《專利法》第25 條第1 款的。由于申請人在意見陳述中所作的解釋已經產生了“禁止反悔”的效應，故其在以后的訴訟程序中不可以再重新解釋該機器學習算法也適用于任何其他的應用場景。這樣就可以防止通過補救方法獲得的專利權在以后的維權程序中被濫用。

對于類似的問題，建議也可以參照《專利審查指南》（2019 版）第二部分第十章“關于化學領域發明專利申請審查的若干規定”的有關申請日后補交的實驗數據的情況，給予申請人提供一次補交其請求保護的機器學習算法適用于某具體應用場景的實驗數據，只要表明該補交的實驗數據所證明的技術效果是所屬技術領域的技術人員能夠從該專利申請原始公開的內容中得到的就行。

三、AI 商業方法的可專利性

此處“商業”一詞指的是大商業的概念，包括商務、零售、金融、廣告、拍賣、管理和預測等等。仍以本文開頭提及的交通圖的發明專利申請為例，該申請在提交了復審請求后，專利復審委員會最終作出了撤銷該駁回決定的復審決定，其理由如下。

1.權利要求的解決方案采用的手段有：生成涉及交通參數的預測的預測模型組件來預測交通事件，基于生成的預測以圖形方式輸出交通參數，而且當預測到意外事件時給用戶警告，這些都屬于通過計算機執行對外部數據的處理，屬于遵循了自然規律的技術手段。

2.該解決方案利用計算機預測交通事件，解決了如何生成意外事件預測井輸出給用戶的問題，屬于技術問題。

3.并獲得了對意外事件的預測并圖形化或警告輸出給用戶的效果，屬于技術效果。

由于申請人在提交復審請求時并未對該權利要求進行修改，故實質審查部門的駁回決定和專利復審委員會的復審決定針對的是同一個方案，但是，對于同一個方案，兩者在有關方案所要解決的問題是否為技術問題的認識上差別甚遠。

（一）關于技術問題

有關發明要解決的問題是否為“技術問題”，首先，在根據《專利法》第2 條第2 款判斷發明要求保護的客體時，需要與發明的“技術手段”和“技術效果”協同考慮，這個階段是不引入現有技術的。但是，在根據《專利法》第22 條第3 款判斷發明是否具備創造性時，審查員仍然首要審查發明所要解決的問題，即要對該發明實際所要解決的問題作重新考量。盡管審查中所依據的上述兩款法條的目的是不完全相同的，但總的來說，仍疑似有重復確定發明所要解決的“問題”的問題。

既然根據《專利法》第22 條第3 款，在檢索了現有技術后所重新確定的“問題”才是發明實際上需要解決的問題，是否可以把有關發明所要解決的問題是否為“技術問題”的判斷過程，完全放在對發明的創造性判斷的這個階段？亦即，在根據《專利法》第2 條第2 款判斷申請的發明的技術方案時，不再把發明所要解決的問題是否為“技術問題”作為必要條件，而是重點考察發明的技術手段和技術效果方面，只要根據發明的方案判斷是能夠獲得技術效果的，就視其符合該條該款。

進一步說，即使在創造性判斷階段，是否也一定要將“技術問題”作為首要條件？在李永紅老師主編的《“互聯網+”視角下看專利審查規則的適用》一書中，對歐、美、日專利審查規則中有關發明專利創造性判斷中的操作流程進行了歸納⑤李永紅.“互聯網+”視角下看專利審查規則的適用[M].北京:知識產權出版社，2017：111-112.，其中，我國與歐洲專利局的判斷方法相近，但是歐洲的操作流程雖然將確定對發明的技術性做出貢獻的特征放在首位，但對發明的“客觀技術問題”的確定卻是安排在對發明的技術效果的確定之后進行的。而從美國專利商標局和日本專利局的操作流程來看，采用的創造性判斷方法中并未對發明的“技術問題”有特別的規定。

反觀我國專利審查中對發明的創造性的判斷流程，如果在對比了發明與現有技術的區別特征，認為發明實際解決的問題不是技術問題后，就直接斷定發明對現有技術未作出技術貢獻，并宣布該發明不具備創造性。由于沒有再進一步對發明是否是“顯而易見”進行判斷，實際上還是停留在對發明請求保護的客體的判斷上。因此，作者也建議，是否至少可以參考歐洲的審查規則，將發明的客觀技術問題放到對發明是否是“顯而易見”進行判斷時一并考慮。

由于人工智能常常涉及基于人類思維的方案、基于人類行為的方案、基于環境感知的方案、基于學習的方案等該領域最具特色的內容，故人工智能的應用從發展的前景來看，已經涉及許多傳統上被認為是非技術的領域，包括商業、金融、管理、教育、娛樂等等。其所要解決的問題也有可能從傳統的觀念上講并非是技術性的，那么我們如何來認識這個問題呢。

筆者認為，“技術性”的定義在各個社會發展階段都具有不同的含義。在農業時代，如何播種，如何收割應當是一種技術。但是，根據《專利法》的含義，只有具備工業化生產意義上的方法和產品才能是其保護的對象。

因此，工業化的產品及其制作方法等就屬于“技術性”的范疇。到了第三次工業革命的時代，計算機產業蓬勃發展，除了硬件技術外，軟件更起到了主導的作用，那么能說軟件設計不是技術活？人工智能涉及各個領域和行業，即涉及技術領域也涉及非技術領域，有的確實是解決一個傳統上認為的非技術問題，或者是應用了某些制定的規則，但是因為采用了技術手段，卻獲得了一定的技術效果，似不應將其排除在專利授權范圍外。

（二）關于人為規定

由于人工智能是使機器具備人類的智能，因此，在人工智能的許多應用場景中，可能會應用一些人為制訂的規則。例如，商業規則、教學規則、語言規則、交通規則、管理規則、娛樂規則，等等。而反映這些規則的特征通常表現為非技術的特征。那么，含有類似規則的發明能不能獲得專利權？

以上例舉的交通圖的案例中，有關閾值和意外事件的定義確實與人為規定有關，但是，審查意見作出的，如何對交通進行預測，尤其是非典型或意外事件的預測，其實現依賴于人的思維活動，屬于人為的規定，不受自然規律的約束的結論，同樣不為筆者所接受。非典型或意外事件雖然不屬于常規的交通現象，但是它的發生仍然是一種自然現象，比如，某一時間段的足球比賽結束時的人流爆發現象，某個大雪天的道路打滑現象，某家大商店的臨時促銷活動時的擁堵現象等等。而對這種意外事件進行定義，并根據其發生的概率定一個閾值，由計算機程序最終判斷是否要向用戶報警，這種非技術特征和技術特征組合形成的手段也可以視為是一種技術手段。

《專利法》和《專利審查指南》（2019 版）所說的智力活動的規則和方法是指人的智力活動的規則和方法。而機器學習方法與傳統的基于人為設定規則的方法的顯著不同在于它使得計算機具有了自組織、自適應、自學習的能力，能夠利用自己學習到的能力有效地解決那些人為設定的規則里沒有包含的狀況⑥譚營.人工智能知識講座[M].北京:人民出版社,2018：84-85.。因此，機器學習不屬于人為規定，它的學習過程，包括訓練和建模需要受到自然規律的約束。

從上述案例中我們可以體會到，雖然人為規定屬于一種非技術特征，但是只要將它與計算機技術緊密地融合在一起，包括將反映規則方法的參數嵌入計算機程序，使之成為計算機數據處理的對象，由這種非技術特征和技術特征組合形成的手段也可以被視為一種技術手段。

四、AI 疾病診斷方法的可專利性

有關疾病的診斷和治療方法，屬于《專利法》第25條第1款所規定的情形，不能授權。《專利審查指南》（2019 版）第二部分第一章規定：“一項與疾病診斷有關的方法如果同時滿足以下兩個條件，則屬于疾病的診斷方法，不能被授予專利權：

以有生命的人體或動物體為對象；

以獲得疾病診斷結果或健康狀況為直接目的。”

例如發明名稱為“一種基于超聲圖像的多模型肝臟彌漫性疾病智能診斷方法及系統”的中國專利申請⑦哈爾濱工業大學.一種基于超聲圖像的多模型肝臟彌漫性疾病智能診斷方法及系統:201810658611.3[P].2018-12-21.，具體涉及利用深度學習算法提取圖像特征與圖像紋理特征相結合并應用XGBoost 算法在超聲圖像上實現肝臟彌漫性疾病智能診斷的方法，它是人工智能方法在基于超聲圖像的診斷中的應用。根據其說明書的描述，肝臟出現彌漫性病變之后，病變部位的聲阻抗也隨之變化，這種變化會反映到超聲圖像中。因此超聲科醫生可以觀察超聲圖像中回聲狀況的變化，依據自己經驗來診斷是否是脂肪肝或肝纖維化，但這種方法有很大的主觀性，且需要多年的臨床經驗。

基于卷積神經網絡的深度學習方法具有自動學習特征的能力，近兩年在醫學圖像處理的各種應用中展現出了卓越的能力。它符合人眼感受圖像的原理，可以全自動地學習大量的特征，替代了手工選取特征。該方法實現圖像分類的流程可以概括為，采用卷積層與池化層提取海量的特征，使用全連接層實現特征降維，最后采用Softmax 層實現分類。發明將基于深度學習算法提取的圖像卷積神經網絡特征與圖像紋理特征結合起來，應用XGBoost 分類器實現了基于超聲圖像的肝臟彌漫性疾病分類。該發明在實驗中所用的肝臟超聲圖像均為哈爾濱醫科大學附屬第二醫院超聲科醫生在實際病例中采集的，共有1419 張正常肝臟圖像、764 張脂肪肝圖像、741 張肝纖維化圖像共計2924 張。發明取其中2123 張做為訓練集，801 張做為測試集。該申請的權利要求如下：

“1 .一種基于超聲圖像的多模型肝臟彌漫性疾病智能診斷方法，其特征在于它包括以下步驟：

步驟一：采用傳統的直方圖均衡算法對肝臟超聲圖像進行預處理；

步驟二：基于GoogleNet 架構的卷積神經網絡應用深度學習算法實現肝臟彌漫性疾病的初步分類；

步驟三：將圖像的卷積神經網絡特征和傳統算法提取的圖像紋理特征相結合得到多模型特征，基于多模型特征應用XGBoost 分類算法實現肝臟彌漫性疾病的最終分類。”

權利要求2 對上述的步驟三作了展開。從權利要求的內容來看，該申請的方案不是以有生命的人體或動物體為對象的，它的處理對象是超聲圖像。而《專利審查指南》（2019 版）規定：“如果一項發明從表述形式上看是以離體樣品為對象的，但該發明是以獲得同一主體疾病診斷結果或健康狀況為直接目的，則該發明仍然不能被授予專利權”。亦即，如果將該超聲圖像視為一種離體樣品，則發明同樣不能獲得授權。

這里，暫且不論所述的“超聲圖像”是否屬于一種“離體樣品”，但是，發明的方案是采用深度學習算法，對收集到的大量病例圖像數據分別整合為訓練集和測試集進行訓練、建模和分類。我們可以設想該申請要求保護的場景其實有兩種情況：第一種情況是要求保護該診斷方法的實現方式，防止他人未經許可仿制、復制或安裝相同的軟件，或生產含有該軟件的診斷機器；第二種情況是要求保護該診斷方法的臨床應用，防止他人未經許可在自己的機器上使用該軟件。

對于第一種情況，由于方案直接處理的對象不是個體的病例，它是對相關疾病的大數據分析，收集的是批量圖像數據，然后利用機器學習的訓練方法，建立一個分類模型，最終對相關的病例作出判斷。因此，該發明不是以獲得同一主體疾病診斷結果或健康狀況為直接目的。從這一點來看，它沒有落入《專利法》第25 條第1 款所述的不授予專利權的范疇。

對于第二種情況，方案作為臨床應用，需要對個體的病例進行診斷，并給出診斷結果。因此，它疑似以獲得同一主體疾病診斷結果或健康狀況為直接目的，從這一點來看，它落入了《專利法》第25 條第1 款所述的不授予專利權的范疇。

換句話說，類似的方案在第一種情況下是可專利性的，它可以用來對抗他人未經許可仿制、復制或安裝相同的軟件，或生產含有該軟件的診斷機器。而類似的方案在第二種情況下是不可專利性的，它不能對抗醫生在給病人診斷時有選擇診斷方法的自由。

傳統的疾病診斷中，醫生可以通過望、聞、問和切對患者的疾病進行直接判斷，此時，醫生心中有一個經驗上的判斷標準；也可以借助于物理或生化儀器通過聲、光、磁、電等參數對患者的疾病進行間接判斷，此時，儀器反映的參數與健康或疾病的標準之間有一個人為設定的規則。

但是，與傳統的醫學診斷方法不同，基于機器學習的醫學診斷方法中，沒有人為設定的一個健康或疾病的標準，即沒有根據個別醫生的經驗設定的標準。基于機器學習的醫學診斷是計算機采用相關算法對醫學大數據進行訓練、測試后獲得的一種模型，包括分類器等等，它是計算機自行學習的結果。雖然它采集的數據中也有醫生對病例的分析和診斷，但是最終形成的模型和分類器是計算機對大量病例、研究論文等數據的分析、統計和歸類等實現的，相對于個別醫生的經驗，它是一種再學習的結果，其中也凝聚了程序設計人員的勞動成果⑧張政權.人工智能領域的專利申請及保護[M].上海:復旦大學出版社,2019：266-267.。

事實上，由于醫學領域包括疾病診斷和手術方法等也是近年來人工智能的最大應用領域，有時候我們也在思考，隨著人工智能的發展，許多疾病診斷和治療其實是由計算機為主導的機器替代醫生去做了，類似這樣的方法其實是由程序設計人員設計的，包括用機器學習的方式完成的，它與醫生根據自己的經驗進行判斷和采取的動作似乎是不一樣的。第一，它們不是直接以有生命的人體或動物體為對象，而是通過例如機器學習的方法在分析和研究了大量的圖像和數據后才獲得的一種診斷方法，應用時主要以圖像或數據作為直接處理的對象；第二，這種由軟件實施的方法當然是可以在產業上利用的。那么，當實施這種方法的軟件可以被安裝或傳送到例如通用的診斷儀器甚或通用的計算機上，它也不能單獨獲得專利保護嗎？當醫院或者醫生例如在一臺通用的設備上安裝或調用了多個這樣的軟件，他或她可以有選擇使用的自由嗎？

因此，作為一個建議，當涉及疾病診斷的方法權利要求的主題或特征部分明確是一種機器學習實施的方法時，是否可以不被列入《專利法》第25 條第1款第3項所規定的范疇。因為，如此限定的技術方案并非是醫生個人的經驗或者判斷，而是一定得利用計算機執行該機器學習程序才能實施的。

當然，作為申請人，最可靠的辦法還是應在權利要求書中增加一組采用程序模塊撰寫的權利要求，或者采用存儲介質撰寫的權利要求。

五.結 語

最近，國家知識產權局發布了關于就《專利審查指南》第二部分第九章修改草案（征求意見稿）公開征求意見的通知，并在征求意見稿的說明中指出：“涉及人工智能等新技術和新領域新業態的發明專利申請明顯區別于其他發明專利申請，其特點在于，在發明解決方案中，除了技術一般還包含算法或商業方法等智力活動規則和方法的特征”。這一方面表明了人工智能等新技術、新領域和新業態發明專利申請的特殊性，另一方面表明相關部門也在努力探索人工智能等新技術、新領域和新業態的發明專利申請在審查規則方面的改進，以積極應對新形勢下的新挑戰。本文上述提出的觀點和建議也作為對該征求意見的通知的響應，并期望能有更多的同行和人工智能領域的相關人員積極參與并予以指正。