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。谷歌所提供的開源算法平臺大大地降低了進(jìn)入人工智能的門檻，很多人朝著這個研究方向里面涌，可能今后幾年大家會看到各類應(yīng)用像雪崩一樣襲來。

與此同時，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沒什么大問題，但要進(jìn)行三維，甚至四維的圖像處理（時間加上空間），那么現(xiàn)代計(jì)算機(jī)的計(jì)算和存儲能力都成為了一個阻礙。

所以，未來會需要一些針對具體應(yīng)用的算法創(chuàng)新，來縮短計(jì)算時間，提高計(jì)算效率。

這些困難需要怎樣的突破的方向？

邢磊：大家不能只專注于研發(fā)通用型的算法，針對細(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。

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，效果會好的多。

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

對人工智能在醫(yī)療領(lǐng)域，以醫(yī)學(xué)影像領(lǐng)域來說，你的前景展望，未來愿景是怎樣的？

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

那么，最終計(jì)算機(jī)是否會取代放射科醫(yī)生呢？

近期來看是可能性不大的，因?yàn)檫@過程中還需要人來進(jìn)行質(zhì)量控制和最終決策。但是，技術(shù)確實(shí)會帶來巨大的幫助，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題。俗話說，三個臭皮匠頂個諸葛亮。人工智能是由三個諸葛亮打造而成的，應(yīng)該是一位超級醫(yī)生。）

中國AI醫(yī)療發(fā)展不遜色于國外

中國進(jìn)行AI醫(yī)療研究的條件和國際相比如何？

邢磊：總體來說，差別不大。硬件方面，國內(nèi)超算首屈一指，但講到高性能計(jì)算機(jī)，國內(nèi)可能沒有國外那么普及。從研究方面來講，可以很明顯地看到國內(nèi)這個智能領(lǐng)域的熱度在上升。

我曾經(jīng)提到過，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，國內(nèi)在這一方面還有很多優(yōu)勢的，畢竟政府可以很高效地進(jìn)行協(xié)調(diào)、協(xié)商，鼓勵來解決這個問題，可能要比國外更高效。

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

一般來說衡量AI醫(yī)學(xué)影像的水平，會拿它與人類的識別能力作比較以作為標(biāo)準(zhǔn)，您覺得這是否合理？

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)常用專家的水平來作為判斷的標(biāo)準(zhǔn)，比如說醫(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，將來是否能夠以機(jī)器學(xué)習(xí)出來的并驗(yàn)證后的（超級醫(yī)生的）結(jié)果作為標(biāo)準(zhǔn)呢？

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

總的來說，一個新的方法在拿出來應(yīng)用時，總得要有一個benchmark，之后所做的創(chuàng)新改進(jìn)，也都要尋找新的benchmark。

主攻自動化醫(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。可以說未來人工智能將是醫(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)來做圖像分割和處理，用機(jī)器學(xué)習(xí)來把臨床上要用技術(shù)員和醫(yī)生來做的工作自動化，用人工智能來讓來幫醫(yī)生做臨床決策，以及用人工智能來實(shí)現(xiàn)對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。

舉個簡單的例子，在實(shí)施放療的過程中，醫(yī)生需要制定治療計(jì)劃，治療計(jì)劃是一個技術(shù)機(jī)優(yōu)化的過程，這個過程中涉及很多決策，用人工智能來做這項(xiàng)工作會非常地有效，原來數(shù)小時甚至數(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，人工智能在提高效率和質(zhì)量都會有巨大的幫助。

那可不可以請邢教授講一講，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新的概念。人工智能在50年代就已經(jīng)提出來，當(dāng)時以斯坦福大學(xué)計(jì)算機(jī)系的JohnMcCarthy為代表的科學(xué)家已清楚地認(rèn)識到了“人工智能”的重要性。也許是由于很多歷史的原因，人工智能有三個比較大的所謂學(xué)派：

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

第二是進(jìn)化主義，這個AI理論主要基于控制論和感知－動作型系統(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)這樣一個基本模型，通過學(xué)習(xí)來訓(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)算速度和存儲跟不上。因?yàn)橛?jì)算量太大，不用說深度學(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)信息專業(yè)，其中一個很大的實(shí)驗(yàn)室就是致力于怎樣把術(shù)語標(biāo)準(zhǔn)化。把所有的醫(yī)學(xué)，工業(yè)和商業(yè)術(shù)語用標(biāo)準(zhǔn)語言表達(dá)出來實(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)（DeepReinforcementLearning），reinforcementlearning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)（DeepReinforcementLearning），reinforcementlearning已存在已久，是從一些運(yùn)籌學(xué)（operationresearch）的方法衍生發(fā)展而來。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)境相互作用的問題。

算法方面，進(jìn)展可以說是更加迅猛，新的算法層出不窮。

總的來講，學(xué)習(xí)的算法和要解決的具體問題有很大的關(guān)系。算法本身的優(yōu)化無論對計(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。比如如何處理學(xué)習(xí)和觀測過程中的各種不確定性，如何把解決高維所帶來的大計(jì)算量問題，如何將各種先驗(yàn)知識量化并包括在學(xué)習(xí)的過程中，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)開始考慮上面所提到的諸多因素。在這兒我舉個例子。大家知道病人做CT時是要接受放射性的。做一個CT，一般要接受1-3cGy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)來實(shí)現(xiàn)低劑量CT。用機(jī)器學(xué)習(xí)可以把這個問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程中。這樣一來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看到很多革命性的突破。

更多資訊請關(guān)注工業(yè)機(jī)器人頻道