人工智能技術的發(fā)展，給垂直產業(yè)帶來巨大變革，以醫(yī)療、無人車、安防、金融等垂直行業(yè)的變化最受到關注，多位知名投資人都強調現(xiàn)在真正能落地的就是AI在垂直行業(yè)的應用，可謂“不垂直，不快樂”。但是AI雖火，人的價值中存在批判性思維：醫(yī)療AI最有前途的技術是否是深度學習？是什么樣的技術要診斷22542個ICD10疾??？誰能成就醫(yī)學界的ImageNet？

新智元于3月25日參加智慧未來·醫(yī)療人工智能峰會，活動由匯醫(yī)慧影、英特爾醫(yī)療等聯(lián)合主辦。其中匯醫(yī)慧影成立于2015年，其創(chuàng)始人柴象飛兩年前從斯坦福大學回到國內，那時候他覺得春雨醫(yī)生做的非常好，讓他看到了醫(yī)療影像在商業(yè)模式上的巨大創(chuàng)新。因此他和郭娜一起創(chuàng)立了匯醫(yī)慧影，致力于發(fā)掘醫(yī)療影像數(shù)據(jù)價值，以最前沿的云計算、大數(shù)據(jù)和人工智能技術，打造智能醫(yī)學影像平臺和腫瘤放療平臺。在這一過程中，英特爾醫(yī)療提供了很多支持，匯醫(yī)慧影也成為了英特爾聯(lián)合實驗室的一員。

參與本次醫(yī)療AI峰會的嘉賓有英特爾醫(yī)療與生命科學部亞太區(qū)總經理李亞東，匯醫(yī)慧影創(chuàng)始人柴象飛和郭娜，藍馳創(chuàng)投合伙人陳維廣，斯坦福大學放療科終身教授邢磊，跨入到醫(yī)療界的國際核能院院士張勤，萬方數(shù)據(jù)股份有限公司副總經理張秀梅，鄭大五附院黨委書記王新軍和某著名設備商代表。本文綜合了會場演講、論壇和新智元對斯坦福醫(yī)療AI專家邢磊的專訪內容，讓我們破除迷信，跟隨AI技術大牛和醫(yī)療行業(yè)大拿一起揭開中國醫(yī)療AI之現(xiàn)狀。

強化深度學習：醫(yī)療AI最有前途的技術？

自從2012年深度學習技術被引入到圖像識別數(shù)據(jù)集ImageNet（做為測試標準），其識別率近年屢創(chuàng)新高，并且在某些領域如圖像分類等方面達到人類水平。深度學習技術加上醫(yī)療影像領域累積多年的數(shù)據(jù)，給這一領域帶來了令人驚喜的突破。

新智元曾經報道過斯坦福的研究人員發(fā)布在Nature上的研究，CNN做皮膚癌診斷，與21位皮膚科醫(yī)生對比測試，結果系統(tǒng)的精確度與人類醫(yī)生相當（“至少”91％）。還有JAMA上發(fā)布的利用CNN對糖尿病視網(wǎng)膜病變的診斷，結果表明，其算法的性能與眼科醫(yī)生的性能一致。

CNN在醫(yī)學上的應用可謂在頂級刊物上連放大招，那么深度學習技術是醫(yī)學影像領域效果最好的技術嗎？

斯坦福大學邢磊教授告訴新智元：深度學習及強化深度學習，代表目前新潮的技術，它們能解決很多以前不能解決的問題，把醫(yī)療AI推向新的高潮。

深度學習

強化深度學習在2016年初AlphaGo對戰(zhàn)李世乭中大放異彩。AlphaGo學習棋譜到了一定程度，就可在和對手及自己對弈的大量棋局中，使用強化學習來進一步改善它，這可以說是它不斷超越自己，最終戰(zhàn)勝人類冠軍的關鍵所在。作為一種有效的機器學習方法，強化學習主要研究在特定情境或環(huán)境下的操作方式，使得獎勵信號最大化。同樣在醫(yī)療AI的決策過程中，一個程序操作會常會影響其接收到的數(shù)據(jù)，不同的操作中程序會接受到不同的輸入信息。強化學習可找出決策或操作的最優(yōu)方案，以獲得最大的獎勵。

乳腺鉬靶腫塊判讀

邢磊博士介紹，其實在深度學習之前，大約在90年代，就已有很多人做計算機輔助診斷（CAD）。之前神經網(wǎng)絡做不深，現(xiàn)在有了新型計算機和深度學習之后，可以實現(xiàn)很深的網(wǎng)絡。但是就以皮膚癌的診斷為例，目前在臨床上還沒有真正意義上的大規(guī)模的應用。基于深度學習的診斷尚處于研發(fā)階段。但以現(xiàn)在的研發(fā)速度來看，這些新技術離臨床應用已經并不十分遙遠了。

腦出血區(qū)域自動標記

另外，深度學習并不是在所有場景下都需要。這跟具體遇到的問題有關，有時候一般的機器學習技術已經夠用。新的算法可以說是層出不窮，日新月異。把不同的算法結合起來也是AI的領域常用的方法。

動態(tài)不確定因果圖：診斷各種疾病

人工智能不止是深度學習，也不止是大數(shù)據(jù)，張勤教授深以為然。他通過多年研究，提出了一套動態(tài)不確定因果圖DUCG（DynamicUncertain Causality Graph）理論，用于因果知識的圖形表達和推理。DUCG克服了貝葉斯網(wǎng)絡的簡潔表達和推理模型只適用于單賦值情況，不適用于多賦值和邏輯循環(huán)等情況的問題。

張勤教授創(chuàng)立動態(tài)不確定因果圖的本意是為了解決核電站的在線故障診斷，因為核電故障數(shù)據(jù)極少，診斷要求高（要診斷從未出現(xiàn)過的故障），必須充分利用領域專家知識才行。核電站有數(shù)千甚至數(shù)萬個實時動態(tài)信號，故障發(fā)展迅速，要求DUCG能夠在秒級對眾多信號（其中可能存在虛假信號）進行動態(tài)推理，高效準確地診斷故障，為提升核電站的安全性和經濟效益提供智能技術支持。他的團隊迄今已取得上百起故障診斷實驗100％的成功率，無一失手?，F(xiàn)已用于核電站和衛(wèi)星系統(tǒng)的故障監(jiān)測和診斷。

那么DUCG能否用于醫(yī)療診斷呢？

張勤團隊首先與醫(yī)學專家合作，針對各類疾病建立DUCG醫(yī)學知識庫（并不是機器從數(shù)據(jù)里面自動學出知識，而是醫(yī)生用圖形語言在機器中表達自己的知識，并由機器自動合成知識庫。）張勤認為，宏觀世界（微米以上尺度）萬物皆因果，例如上呼吸道感染可能導致咳嗽、頭痛等，這就是具有不確定性的因果知識。他們用103張因果子圖合成一個知識庫，包含各種風險因素、病史、癥狀、體征、影像學檢查和實驗室檢查、以及各種邏輯組合和無條件或有條件因果關系及不確定性參數(shù)，與DUCG推理機相結合，進行疾病診斷。

他們這套系統(tǒng)跟某醫(yī)院合作診斷某類疾病，樣本集中有近4000個病例，涉及27種病，按照每種病不超過10個病例隨機抽出203個病例進行測試，最后結果正確率99．01％，只有兩個病例因記錄不完整而不正確。張勤的團隊還做過眩暈疾病的DUCG診斷，也達到了遠高于國際同行的正確率。目前正在開展暈厥和胸痛疾病的智能診斷知識庫開發(fā)。

張勤團隊正在進一步開發(fā)這套系統(tǒng)使之不僅能幫助醫(yī)生診斷，而且能啟發(fā)醫(yī)生知道下一步做什么檢查最有價值，而不是盲目檢查，增加醫(yī)保和病人的負擔。這套系統(tǒng)還可用于醫(yī)院分診，也就是根據(jù)病人自述和分診師了解到的信息計算并排序選擇優(yōu)先就診的科室或可能需要的會診科室。

張勤還表示，重要的是智能診斷系統(tǒng)不僅能告訴病人或醫(yī)生是什么病，還要告訴為什么是這個病，因為做決策并承擔責任的是醫(yī)生，不是智能系統(tǒng)，至少在目前的情況下是如此。最后他認為，醫(yī)療數(shù)據(jù)并不是只要多就好，數(shù)據(jù)質量高才行。

下一個挑戰(zhàn)：誰能成就醫(yī)學界的ImageNet？

醫(yī)療AI的技術遠不止深度學習、機器學習、動態(tài)不確定圖等，此外醫(yī)療AI中也面臨著很多挑戰(zhàn)。

全維度數(shù)據(jù)：基因 ＋ 蛋白 ＋ 病理＋ 影像 ＋ 臨床 ＋ 隨訪

對于普通的圖像研究者，ImageNet提供了1000萬張意義上的圖片供訓練。但是醫(yī)學數(shù)據(jù)非常大，對于醫(yī)學影像診斷的模型，目前并沒有一個權威的公開數(shù)據(jù)集。根據(jù)斯坦福邢磊博士所說，數(shù)據(jù)庫也是有一些，但是并不全，并不足夠大。比如乳腺癌有數(shù)據(jù)集算比較多的，但是沒有大到幾十萬個病例。研究人員有時候需要自己采集數(shù)據(jù)，很多時候可能就只有用幾百個數(shù)據(jù)來訓練模型。

邢磊博士也提出，很難確定多大的數(shù)據(jù)是大數(shù)據(jù)，畢竟數(shù)據(jù)量并不是越大越好，有時候可能有限的病人數(shù)據(jù)就足夠了，這與具體情況和問題及數(shù)據(jù)的質量有關。

但是如果有一個權威大數(shù)據(jù)集，對研究者來說絕對是一件好事。但是這是一種階梯式發(fā)展的，無法一蹴而就。跟ImageNet不同，一個權威巨型的醫(yī)學數(shù)據(jù)集可能最先在中國實現(xiàn)而不是外國。因為政府參與力度可以較大。一般的講，病人數(shù)據(jù)及數(shù)據(jù)的使用涉及病人隱私及權利。雖然大家都知道這個數(shù)據(jù)集對病人、醫(yī)院，已及整個人類社會都有利，但是這件事情需要政府層面的政策和統(tǒng)籌協(xié)調。

邢磊教授樂觀的表示，這件事情是遲早會解決，且中國的優(yōu)勢可能更大。

那么正如張勤提到的需要對2萬多種疾病診斷，如果每一個都做人工智能，也是一個很大的工程，應該怎么解決？

邢磊博士表示，將來需要一個醫(yī)學界的平臺，就像谷歌的Tensorflow，但是比Tensorflow更上層，專注于影像。疾病雖然多，但是還是有許多共同之處，并不是每一個AI模型都需從頭做起。人們甚至可以考慮把目前已做不了醫(yī)學影像的Tensorflow添加影像處理的功能，再將這種平臺開放，然后再細化到具體的各個病種。這當然還是要依靠醫(yī)學界不同領域的同仁來共同努力和貢獻。

兩大趨勢兩大不平衡，竟讓中國成為醫(yī)療AI最佳落地點

英特爾醫(yī)療李亞東介紹了全球的兩大趨勢成為醫(yī)療AI 的巨大驅動力：

1． 人口老齡化，特別是中國，中國2020年將達到20％65歲以上老齡化人口。55歲以上的人群占用的醫(yī)療資源在50％以上。在這樣的人口老齡化的背景對人工智能的需求急劇上升。怎么樣解決這樣一個急需增長的需求的挑戰(zhàn)？

2． 慢性病的挑戰(zhàn)接踵而至。中國是慢性病問題最嚴重的一個區(qū)域，中國的患病人口在全球毫無疑問是領先的。

可以說，這兩大趨勢使得中國或成為醫(yī)療AI最大市場。

兩大不平衡：

第一是醫(yī)療資源供需嚴重不平衡。不僅僅在中國，在美國也嚴重不足，美國去年缺30幾萬護士，十幾萬醫(yī)生。中國醫(yī)患關系緊張，工作壓力大，醫(yī)學院畢業(yè)生在三年之內50％以上轉行做其他行業(yè)。好醫(yī)生尤其稀缺，中國的三甲醫(yī)院人滿為患。怎么樣解決這些問題？

第二是地域醫(yī)療資源不平衡。2013年三甲醫(yī)院占衛(wèi)計委醫(yī)療總數(shù)的0．1％，但是大量的病人是在基層，而極少數(shù)的三甲醫(yī)院門庭若市，醫(yī)生連上廁所的時間都沒有。大城市的三甲醫(yī)院跟鄉(xiāng)村或小城市醫(yī)療實力天壤之別，即使有的地方醫(yī)院設備很先進，但是醫(yī)務人員軟實力欠缺，拿著好設備看病看不準。對于三四線城市甚至偏遠山區(qū)的人，怎么讓他們也能享受到較高質量的醫(yī)療服務？

總之，在老齡化和慢性病的大環(huán)境下，醫(yī)療資源（人、物）供應短缺，特別是中國醫(yī)療資源供需嚴重不平衡，地域資源差距巨大，人工智能可能是解決這些問題的突破口。

未來：醫(yī)療AI解放了誰？

《人類簡史》的作者在書中預言，大數(shù)據(jù)和人工智能的發(fā)展成熟，會讓6成的人類失去工作。目前，醫(yī)療中一些領域AI已經達到人類水平了，是否會引起大批醫(yī)療工作者的失業(yè)？這些醫(yī)療工作者如何適應這一變革？

邢磊博士表示，這是一個漸進的過程，并不會突然發(fā)生，可能需要10年、15年。對于可能被取代的人，焦慮無法避免，每一次技術革命都會有類似的焦慮。這是一個適應過程，時間拉得越長，適應過程來的會越簡單 。目前，大部分醫(yī)療的工作還是勞動密集型，工作量很大，知識訓練要求很高，這些以后會有很大的改善。

但是，AI不會也不可能代替醫(yī)生，即使機器在某方面比人強，但計算機畢竟是計算機，它的“思維”是人類訓練出來的，無論是廣度和深度都將是有限的。還是有特例，最后還是需要人做決定。 邢磊博士說：“我希望還是由人來做決定，是在機器輔助下的人的決定，而不是機器讓我吃什么藥，打什么針，這不人性化。”他認為機器與人的合作更好，機器沒有創(chuàng)新，但是人會有創(chuàng)新。機械式的非精準醫(yī)療會漸漸消失，這是大趨勢，但是把所有醫(yī)療工作完全交給機器是不太可能的，至少還有很漫長的路要走。

最后借用自稱“人工智能人文學派支持者”張秀梅的話結束： “醫(yī)生是醫(yī)者仁心，不管人工智能技術再怎么發(fā)展，好醫(yī)生永遠都是不可替代的。資本和技術本身是沒有屬性的，可善可惡。但是到了醫(yī)療健康的產業(yè)資本的時候，我們要正確的三觀，要把所做的事情引向治病救人的善念?！?/p>

“我們不是考慮AI是否取代醫(yī)生，我們應該考慮的是怎么讓AI真正幫助到人?！毕蛎恳粋€醫(yī)療行業(yè)用AI改善醫(yī)療服務的人致敬！