MYCIN是一个早期人工智能程序，于1970年代初在斯坦福大学开发，旨在帮助医生诊断和治疗严重的细菌感染，如菌血症和脑膜炎。它使用了一个后向链推理引擎和一个包含约600条产生式规则的知识库，对患者数据进行推理并推荐抗生素，剂量根据体重进行调整。其名称源于许多抗生素共有的后缀“-mycin”。MYCIN被广泛认为是基础专家系统，计算机科学家艾伦·纽厄尔称其为“哪里的老祖宗，，这一领域的开创者”。
MYCIN是用Lisp语言编写的，作为爱德华·肖特利夫的博士论文，指导教师为布鲁斯·布坎南、斯坦利·N·科恩等人。它源自斯坦福启发式编程项目，该项目也贡献于其他早期AI系统。该程序证明了，域特定知识与推理过程明确分离，能够在医疗领域产生高性能的推理。
方法
MYCIN通过向医生提出一系列简单的“是/否”或文本问题来操作。会话结束时，它提供一个可能致病细菌的排序列表，每个细菌带有置信度、每项诊断的推理依据以及推荐的药物治疗方案。该系统还能回答医生的追问，如为何提出特定问题、如何得出结论，或为何未考虑某些因素。
知识库由专家编码的规则组成，每条规则代表一个独立的推理事实。当时，没有其他AI程序包含如此多的域内知识，且与执行引擎明确分离。推理引擎采用向链推理，从目标假设出发，通过规则反向寻找支持证据。
开发者进行了研究，显示MYCIN的性能受相关规则的置信度指标变化影响很小。这提示，该系统的力量更多来自其知识表示和推理方案，而非其数值不确定性模型的细节。一些观察者认为应使用经典的贝叶斯统计，但开发者反驳说，这将要么要求不现实概率独立的假设，要么需要专家提供过多条件概率估计。
置信因子
MYCIN采用置信因子模型来合并来自多规则的证据。每条规则能以-1到+1之间的权重确定假设，其中-1代表“假”，+1代表“真”，0代表“不确定”。两条或多条规则同时对该参数得出结论时，MYCIN会使用特定的公式合并它们的置信因子。
合并公式设计具有若干良好性质。合并未知值保持不变。除了假，合并真'得到真，同理对于假。合并真和假会导致除以零错误。合并+x与-x得到未知。合并两个正值得到更大正值，合并正值与负值则得到中间值。
后续研究表明，置信因子模型可以在概率意义上解释，但也揭示隐含假设的潜在问题。然而，该系统的模块化结构产生重大影响，促进了图形模型如贝叶斯网络的发展。
上下文
MYCIN中的上下文决定了可以推理的对象类型。这在逻辑编程中类似于AI中的Prolog中的上下文变量或操作系统中的环境变量。这使得系统能够组织关于医学病例的不同方面的知识，比如患者、培养物或者正在识别的微生物。
遗产
MYCIN启发了EMYCIN（“纯MYCIN”）等内部组件系统，这种系统能赋予知识推理和解释结果的能力，而无需特定医疗知识。EMYCIN被描述为“EMYCIN=PROLOG +不确定性+缓存+问题+解释+上下文-变量。”，通过替换医疗知识库，其他领域的开发人员可快速构建专家系统。
MYCIN的影响超出即时应用。它证明了基于规则的系统对机器学习和推理的力，其对知识的表示方法影响了后续的人工智能和专家系统的工作。书《人工智能编程范式》（PAIP）第16章有关于MYCIN的介绍。
尽管技术上成功，MYCIN并未在临床上广泛部署，部分由于基于法律和伦理矛盾关于计算机生成医疗建议的疑问。然而，它依然是AI史上里程碑，彰显了早期专家系统的优点与局限。