邢磊：深度學(xué)習(xí)應(yīng)用非常廣泛。在大數(shù)據(jù)方面中做研發(fā)的人很多。谷歌所提供的開(kāi)源算法平臺(tái)大大地降低了進(jìn)入人工智能的門(mén)檻，很多人朝著這個(gè)研究方向里面涌，可能今后幾年大家會(huì)看到各類(lèi)應(yīng)用像雪崩一樣襲來(lái)。

與此同時(shí)，面臨的困難當(dāng)然有很多。首先，計(jì)算量很大，目前的計(jì)算能力如果處理二維圖像的話(huà)沒(méi)什么大問(wèn)題，但要進(jìn)行三維，甚至四維的圖像處理(時(shí)間加上空間)，那么現(xiàn)代計(jì)算機(jī)的計(jì)算和存儲(chǔ)能力都成為了一個(gè)阻礙。

所以，未來(lái)會(huì)需要一些針對(duì)具體應(yīng)用的算法創(chuàng)新，來(lái)縮短計(jì)算時(shí)間，提高計(jì)算效率。

這些困難需要怎樣的突破的方向?

邢磊： 大家不能只專(zhuān)注于研發(fā)通用型的算法，針對(duì)細(xì)節(jié)及具體應(yīng)用的研究將有助于人工智能落地并造福于人類(lèi)。

智能醫(yī)療決策尚處于原始階段

醫(yī)學(xué)影像與病例病史等資料的整合，從而做出綜合的智能分析決策，現(xiàn)在處于怎么樣的水平階段了?

邢磊：非常原始的階段?，F(xiàn)在醫(yī)院對(duì)病人進(jìn)行系統(tǒng)的綜合的智能分析決策做得還非常不夠，比如今天一名病人的核磁結(jié)果來(lái)了，就分析一下，但實(shí)際上，這名病人也許在十年前也留下了相關(guān)的核磁、CT及病例病史等結(jié)果，這些歷史數(shù)據(jù)是否能夠整合呢?如有了全面的智能分析決策之后，效果會(huì)好的多。

當(dāng)然，這方面開(kāi)始“想”的人很多，只是開(kāi)始做的人很少。因?yàn)閷?shí)施起來(lái)有很大的難度，首先必須先有技術(shù)，醫(yī)生不可能自己寫(xiě)程序，而且得有大量的臨床數(shù)據(jù)證明這樣的做法的有效性，大家才會(huì)接受。

對(duì)人工智能在醫(yī)療領(lǐng)域，以醫(yī)學(xué)影像領(lǐng)域來(lái)說(shuō)，你的前景展望，未來(lái)愿景是怎樣的?

邢磊：我個(gè)人覺(jué)得是，將來(lái)每一個(gè)放射科的醫(yī)生，手機(jī)上或者電腦終端都會(huì)有一個(gè)智能分析決策的APP，也就是說(shuō)，基本上所有的要經(jīng)過(guò)放射科(當(dāng)然也包括其它科室)的病人，同時(shí)也會(huì)經(jīng)過(guò)這個(gè)APP，尤其是疑難病癥，由人工智能來(lái)輔助分析決策。今天會(huì)上大家已經(jīng)看到，匯醫(yī)慧影已經(jīng)在打造這樣一個(gè)智能醫(yī)療影像平臺(tái)方面取得了驚人的進(jìn)展。

那么，最終計(jì)算機(jī)是否會(huì)取代放射科醫(yī)生呢?

近期來(lái)看是可能性不大的，因?yàn)檫@過(guò)程中還需要人來(lái)進(jìn)行質(zhì)量控制和最終決策。但是，技術(shù)確實(shí)會(huì)帶來(lái)巨大的幫助，除了提高效率之外，它可以提出提高質(zhì)量和精度， 促使很多醫(yī)生去想很多以前想不到的問(wèn)題。俗話(huà)說(shuō)，三個(gè)臭皮匠頂個(gè)諸葛亮。 人工智能是由三個(gè)諸葛亮打造而成的，應(yīng)該是一位超級(jí)醫(yī)生。)

中國(guó)AI醫(yī)療發(fā)展不遜色于國(guó)外

中國(guó)進(jìn)行AI醫(yī)療研究的條件和國(guó)際相比如何?

邢磊：總體來(lái)說(shuō)，差別不大。硬件方面，國(guó)內(nèi)超算首屈一指，但講到高性能計(jì)算機(jī)，國(guó)內(nèi)可能沒(méi)有國(guó)外那么普及。從研究方面來(lái)講， 可以很明顯地看到國(guó)內(nèi)這個(gè)智能領(lǐng)域的熱度在上升 。

我曾經(jīng)提到過(guò)，數(shù)據(jù)不集中不規(guī)范是目前智能醫(yī)學(xué)發(fā)展的最大障礙之一，國(guó)內(nèi)在這一方面還有很多優(yōu)勢(shì)的 ，畢竟政府可以很高效地進(jìn)行協(xié)調(diào)、協(xié)商，鼓勵(lì)來(lái)解決這個(gè)問(wèn)題，可能要比國(guó)外更高效。

當(dāng)前以人類(lèi)水平作為機(jī)器學(xué)習(xí)的標(biāo)準(zhǔn)尚是合理

一般來(lái)說(shuō)衡量AI醫(yī)學(xué)影像的水平，會(huì)拿它與人類(lèi)的識(shí)別能力作比較以作為標(biāo)準(zhǔn)，您覺(jué)得這是否合理?

邢磊：合理也不合理。合理的方面是，在研發(fā)的初期，行業(yè)沒(méi)有更好的標(biāo)準(zhǔn)，不單單是人工智能技術(shù)，以往影像科學(xué)的發(fā)展，都經(jīng)常用專(zhuān)家的水平來(lái)作為判斷的標(biāo)準(zhǔn)，比如說(shuō)醫(yī)學(xué)圖像的分割，計(jì)算機(jī)輔助的乳腺癌診斷， 等等。

那么，將來(lái)是否能夠以機(jī)器學(xué)習(xí)出來(lái)的并驗(yàn)證后的(超級(jí)醫(yī)生的)結(jié)果作為標(biāo)準(zhǔn)呢?

邢磊：這是一個(gè)值得探索的問(wèn)題，但最終我認(rèn)為還是最終要由臨床醫(yī)生的參與。

總的來(lái)說(shuō)，一個(gè)新的方法在拿出來(lái)應(yīng)用時(shí)，總得要有一個(gè)benchmark， 之后所做的創(chuàng)新改進(jìn)，也都要尋找新的benchmark。

主攻自動(dòng)化醫(yī)療決策研究

您現(xiàn)在主要進(jìn)行的研究是哪方面?您最感興趣的課題是什么?

邢磊：我的實(shí)驗(yàn)室研究范圍很廣，從基礎(chǔ)的影像設(shè)備，分子影像，圖像重建和處理，影像和基因組學(xué)，治療計(jì)劃，到臨床數(shù)據(jù)采集分析。這些研究中很多項(xiàng)目都涉及到機(jī)器學(xué)習(xí)和人工智能的應(yīng)用。 可以說(shuō)未來(lái)人工智能將是醫(yī)學(xué)研究和臨床應(yīng)用中必備的組成成份。 我們最近在機(jī)器學(xué)習(xí)和人工智能應(yīng)用方面所做的研究包括， 用深度學(xué)習(xí)來(lái)做圖像分割和處理 ， 用機(jī)器學(xué)習(xí)來(lái)把臨床上要用技術(shù)員和醫(yī)生來(lái)做的工作自動(dòng)化，用人工智能來(lái)讓來(lái)幫醫(yī)生做臨床決策，以及用人工智能來(lái)實(shí)現(xiàn)對(duì)一些有局限情形下采集的數(shù)據(jù)進(jìn)行處理和圖像重建。

舉個(gè)簡(jiǎn)單的例子，在實(shí)施放療的過(guò)程中，醫(yī)生需要制定治療計(jì)劃，治療計(jì)劃是一個(gè)技術(shù)機(jī)優(yōu)化的過(guò)程，這個(gè)過(guò)程中涉及很多決策，用人工智能來(lái)做這項(xiàng)工作會(huì)非常地有效，原來(lái)數(shù)小時(shí)甚至數(shù)天才能做完的工作，計(jì)算機(jī)十幾分鐘就能完成，而且質(zhì)量能夠有保證。所以說(shuō)，人工智能在提高效率和質(zhì)量都會(huì)有巨大的幫助。

那可不可以請(qǐng)邢教授講一講，大數(shù)據(jù)人工智能里面有哪些學(xué)術(shù)流派，包括算法，是我們不知道的，而你看到的，或者正在研究的?

邢磊：實(shí)際上大數(shù)據(jù)還有人工智能也不是一個(gè)新的概念。人工智能在50年代就已經(jīng)提出來(lái)，當(dāng)時(shí)以斯坦福大學(xué)計(jì)算機(jī)系的John McCarthy 為代表的科學(xué)家已清楚地認(rèn)識(shí)到了“人工智能”的重要性。 也許是由于很多歷史的原因， 人工智能有三個(gè)比較大的所謂學(xué)派：

第一個(gè)是符號(hào)主義。早期AI運(yùn)算多使用用符號(hào)操作系統(tǒng)。符號(hào)主義主要是從心理學(xué)的角度來(lái)看人工智能問(wèn)題，它相信人的認(rèn)知可以通過(guò)符號(hào)表達(dá)出來(lái)，從而進(jìn)行AI計(jì)算?，F(xiàn)在這個(gè)方法仍然很活躍， 最近深度學(xué)習(xí)的成功給符號(hào)主義注入了新的活力 。

第二是進(jìn)化主義， 這個(gè)AI理論主要基于控制論和感知-動(dòng)作型系統(tǒng)。進(jìn)化論主義也在用計(jì)算機(jī)模擬人的認(rèn)知過(guò)程中起了不可磨滅的作用。

第三是仿生學(xué)派。最近被媒體炒得最熱的神經(jīng)網(wǎng)絡(luò) (neuro-network)就是這個(gè)學(xué)派?；诖竽X是由神經(jīng)元和連接神經(jīng)元的網(wǎng)絡(luò)這樣一個(gè)基本模型，通過(guò)學(xué)習(xí)來(lái)訓(xùn)練 neuro-network 似乎是非常直觀的方法。但從80年代到90年代， 神經(jīng)網(wǎng)絡(luò)的研究起色并不十分顯著，主要是計(jì)算機(jī)的計(jì)算速度和存儲(chǔ)跟不上。因?yàn)橛?jì)算量太大，不用說(shuō)深度學(xué)習(xí)，就是一般的單層網(wǎng)絡(luò)也較難處理。

人工智能的學(xué)習(xí)有三個(gè)主要的部分：數(shù)據(jù)、模型、算法。

數(shù)據(jù)方面，除了需要大量的高質(zhì)量數(shù)據(jù)以外，數(shù)據(jù)的標(biāo)準(zhǔn)化也至關(guān)重要。在斯坦福大學(xué)的生物醫(yī)學(xué)信息專(zhuān)業(yè)，其中一個(gè)很大的實(shí)驗(yàn)室就是致力于怎樣把術(shù)語(yǔ)標(biāo)準(zhǔn)化。把所有的醫(yī)學(xué)，工業(yè)和商業(yè)術(shù)語(yǔ)用標(biāo)準(zhǔn)語(yǔ)言表達(dá)出來(lái)實(shí)際上是一項(xiàng)很浩大的工程。

模型方面，最值得一天的恐怕要是深度增強(qiáng)學(xué)習(xí)(Deep Reinforcement Learning)，reinforcement learning已存在已久，是從一些運(yùn)籌學(xué)(operation，最值得一天的恐怕要是深度增強(qiáng)學(xué)習(xí)(Deep Reinforcement Learning)，reinforcement learning已存在已久，是從一些運(yùn)籌學(xué)(operation research)的方法衍生發(fā)展而來(lái)。深度增強(qiáng)學(xué)習(xí)特別適合于解決一些人工智能里有關(guān)機(jī)器和環(huán)境相互作用的問(wèn)題。

算法方面， 進(jìn)展可以說(shuō)是更加迅猛，新的算法層出不窮。

總的來(lái)講，學(xué)習(xí)的算法和要解決的具體問(wèn)題有很大的關(guān)系。算法本身的優(yōu)化無(wú)論對(duì)計(jì)算效率和精度都有很大的影響。很多細(xì)節(jié)可以在算法中體現(xiàn)出來(lái)。比如如何處理學(xué)習(xí)和觀測(cè)過(guò)程中的各種不確定性，如何把解決高維所帶來(lái)的大計(jì)算量問(wèn)題，如何將各種先驗(yàn)知識(shí)量化并包括在學(xué)習(xí)的過(guò)程中，等等?；跈C(jī)器學(xué)習(xí)的醫(yī)學(xué)影像技術(shù)及算法， 比如核磁共振和CT的圖像重建，已經(jīng)開(kāi)始考慮上面所提到的諸多因素。 在這兒我舉個(gè)例子。大家知道病人做CT時(shí)是要接受放射性的。做一個(gè)CT，一般要接受 1-3 cGy 的劑量。 低劑量的CT能不能行?幾年前，大家試圖用所謂的壓縮感知技術(shù)來(lái)實(shí)現(xiàn)低劑量CT。用機(jī)器學(xué)習(xí)可以把這個(gè)問(wèn)題解決的更徹底完善，因?yàn)橐郧暗慕?jīng)驗(yàn)數(shù)據(jù)都可以很容易地包括在重建的過(guò)程中。這樣一來(lái)我們就不用采集那么多X光投影數(shù)據(jù)啦，實(shí)現(xiàn)減少劑量而不影響成像質(zhì)量。機(jī)器學(xué)習(xí)和人工智能在醫(yī)學(xué)中的應(yīng)用前景是十分廣泛的 。在今后的幾年里我們將會(huì)看到很多革命性的突破。