AI毫無(wú)疑問是當(dāng)下最火的概念之一，據(jù)《2018世界人工智能產(chǎn)業(yè)發(fā)展藍(lán)皮書》顯示，截至2018年上半年，在全球范圍內(nèi)共監(jiān)測(cè)到AI企業(yè)4998家，其中，中國(guó)的AI公司達(dá)1040家。在這其中，針對(duì)醫(yī)療健康的AI應(yīng)用又占據(jù)了最大的比例，達(dá)到22％之多。這也就不難理解8月30日在上海徐匯西岸舉辦的“2019全球人工智能健康峰會(huì)”為什么能夠吸引全球人工智能領(lǐng)域的大咖們齊聚于此了。

作為“世界人工智能大會(huì)”的主題論壇之一，本次峰會(huì)由聯(lián)合國(guó)國(guó)際電信聯(lián)盟ITU作為指導(dǎo)單位，在上海市經(jīng)濟(jì)和信息化委員會(huì)，上海市衛(wèi)生健康委員會(huì)、徐匯區(qū)人民政府、中國(guó)信通院和互聯(lián)網(wǎng)醫(yī)療健康產(chǎn)業(yè)聯(lián)盟的共同組織下，由中國(guó)信通院華東分院負(fù)責(zé)具體會(huì)議落地執(zhí)行。

這其中，悉尼大學(xué)工程學(xué)院計(jì)算機(jī)系陶大程博士在包括計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)及相關(guān)應(yīng)用方面的研究獲得了不少讓你側(cè)目的學(xué)術(shù)成就。因此，他在2018年當(dāng)選澳大利亞科學(xué)院院士。

在剛剛公布的2019年NeurIPS論文入選完整名單中，陶大程博士共有8篇論文入選，全球排名第六。盡管對(duì)AI有著長(zhǎng)期的看好，陶大程博士對(duì)于當(dāng)下AI的現(xiàn)實(shí)依然有著清醒的認(rèn)識(shí)，并在峰會(huì)上做了《恰AI少年》的演講。

作為這個(gè)行業(yè)的觀察者，動(dòng)脈網(wǎng)也有幸對(duì)陶大程博士進(jìn)行了專訪。全球頂尖AI專家是如何看待AI和醫(yī)療的呢？

醫(yī)生和AI，誰(shuí)更需要誰(shuí)？

1956年8月，在位于美國(guó)漢諾斯鎮(zhèn)的達(dá)特茅斯學(xué)院中，約翰·麥卡錫（John McCarthy）、馬文·閔斯基（Marvin Minsky）、克勞德·香農(nóng)（Claude Shannon）、艾倫·紐厄爾（Allen Newell）和赫伯特·西蒙（Herbert Simon）等科學(xué)家討論了有關(guān)用機(jī)器來模仿人類學(xué)習(xí)以及其他方面的智能。這場(chǎng)為期兩個(gè)月的會(huì)議雖然沒有達(dá)成普遍的共識(shí)，但至少為他們所討論的內(nèi)容起了一個(gè)名字，即AI（Artificial Intelligence，人工智能）。

從那開始至今，AI的發(fā)展幾經(jīng)起落，如今已經(jīng)進(jìn)入了第三次人工智能的發(fā)展高潮——隨著大數(shù)據(jù)和超級(jí)計(jì)算的支持，深度學(xué)習(xí)成為現(xiàn)實(shí)并逐漸成熟。

如今，AI在醫(yī)療領(lǐng)域已經(jīng)可以起到各種各樣的作用，主要體現(xiàn)在四個(gè)方面。首當(dāng)其沖的便是目前應(yīng)用最為廣泛、成熟的機(jī)器視覺技術(shù)，比如，肺結(jié)節(jié)CT和眼底篩查。這些AI輔助診斷手段的加入，大大提升了醫(yī)生的閱片速度和病征識(shí)別率，協(xié)助醫(yī)生解決了患者相當(dāng)多的問題。

自然語(yǔ)言處理技術(shù)也隨著深度學(xué)習(xí)的發(fā)展開始逐漸成熟起來，由此衍生出對(duì)電子病例的分析。通過語(yǔ)音識(shí)別系統(tǒng)，幫助醫(yī)生快速進(jìn)行語(yǔ)音病例的錄入，并讓病人的病例變得更加結(jié)構(gòu)化，為后續(xù)診療做出很多幫助。同樣依托語(yǔ)音識(shí)別技術(shù)，同病人進(jìn)行交互的輔助導(dǎo)診機(jī)器人也可以對(duì)病人的疾病風(fēng)險(xiǎn)進(jìn)行評(píng)估。醫(yī)院可以減輕負(fù)擔(dān)，門診壓力得以減緩，醫(yī)生也可以盡早找到那些最需要進(jìn)行診斷的病人，幫助病人減輕一些經(jīng)濟(jì)上的負(fù)擔(dān)。

增強(qiáng)學(xué)習(xí)則被廣泛應(yīng)用到機(jī)器人中。如今的手術(shù)機(jī)器人不僅可以縫合傷口，也可以進(jìn)行微創(chuàng)手術(shù)。在以往，醫(yī)生隨著年紀(jì)的增長(zhǎng)或者傷病的原因會(huì)出現(xiàn)手抖，導(dǎo)致無(wú)法勝任手術(shù)。通過引入手術(shù)機(jī)器人，配合醫(yī)生豐富的經(jīng)驗(yàn)，能夠讓這部分醫(yī)生揚(yáng)長(zhǎng)避短，延長(zhǎng)職業(yè)壽命。

最后，則是利用AI進(jìn)行數(shù)據(jù)挖掘。包括新藥研發(fā)和未來的精準(zhǔn)醫(yī)療，都需要用到數(shù)據(jù)挖掘的相關(guān)技術(shù)。

AI在近年的發(fā)展速度如此之快，以至于一些樂觀主義者開始暢想，在未來的某個(gè)時(shí)候，AI將會(huì)取代醫(yī)生的場(chǎng)景。不過，在陶大程博士看來，AI取代醫(yī)生、或者說普通人在可預(yù)見的未來還很困難。

人類可以很容易地理解現(xiàn)實(shí)場(chǎng)景，認(rèn)出場(chǎng)景中的人和各種物體。但是，同樣的任務(wù)對(duì)于AI來說卻充滿挑戰(zhàn)。為了幫助AI理解圖像和視頻，需要有非常高效的表征學(xué)習(xí)算法來有效地表達(dá)圖像視頻中的像素。目前的表征學(xué)習(xí)已經(jīng)可以從原始數(shù)據(jù)中學(xué)到更精確的特征；同時(shí)，去除或者盡可能減弱數(shù)據(jù)中的冗余信息和噪聲。

借助先進(jìn)的表征學(xué)習(xí)，AI的確已經(jīng)能夠在識(shí)別、檢測(cè)和分割等特定的視覺識(shí)別任務(wù)中、特定的數(shù)據(jù)庫(kù)上達(dá)到甚至超越人類的表現(xiàn)。但在不少其他方面，比如簡(jiǎn)單加減法運(yùn)算和圖像中物體關(guān)系的理解等方面，AI還不如十來歲的孩童。“人工智能的目標(biāo)是模擬人的智能。距離這樣的期望，我們還有相當(dāng)?shù)木嚯x，還要繼續(xù)努力�！碧沾蟪滩┦窟@么認(rèn)為。

醫(yī)療數(shù)據(jù)通常具有多個(gè)模態(tài)，需要采集病人各種各樣的指標(biāo)，包括年齡、性別、尿樣、血樣、CT和X光片等等。這樣的多模態(tài)數(shù)據(jù)可以幫助醫(yī)生對(duì)病人進(jìn)行完整的畫像。如同盲人摸象一樣，單一數(shù)據(jù)并不能對(duì)病癥做出判斷，只有將不同模態(tài)的數(shù)據(jù)組合起來才能看到事物的全貌。只要有足夠多模態(tài)的數(shù)據(jù)，理論上可以重構(gòu)上帝視角，因此對(duì)病人的畫像建模就會(huì)變得更加準(zhǔn)確。

目前AI在醫(yī)療應(yīng)用中最常見的莫過于肺結(jié)節(jié)識(shí)別，這一模型實(shí)際上是由AI企業(yè)利用可以獲取的數(shù)據(jù)訓(xùn)練而來。當(dāng)將其部署到實(shí)際應(yīng)用中時(shí)，醫(yī)院發(fā)現(xiàn)企業(yè)訓(xùn)練的模型識(shí)別準(zhǔn)確率并不高。這主要是因?yàn)锳I企業(yè)的用于訓(xùn)練模型的數(shù)據(jù)和醫(yī)院的數(shù)據(jù)，在分布上存在差異。

解決這一問題的關(guān)鍵在于獲取大量的、同一分布的、精確標(biāo)注的數(shù)據(jù)，來訓(xùn)練精確的AI模型。舉個(gè)例子，即使我們訓(xùn)練一個(gè)自然圖像的高精度物體檢測(cè)模型，也需要使用百萬(wàn)級(jí)別的數(shù)據(jù)庫(kù)、千萬(wàn)級(jí)別的標(biāo)簽。對(duì)于醫(yī)學(xué)圖像，數(shù)據(jù)的標(biāo)注是需要由經(jīng)過專業(yè)訓(xùn)練且經(jīng)驗(yàn)豐富的醫(yī)生才能實(shí)施，普通人并不能完成這個(gè)任務(wù)�？上攵�知，把AI應(yīng)用于醫(yī)療是非常有挑戰(zhàn)的。因此，醫(yī)療AI公司同時(shí)要考慮如何設(shè)計(jì)高效的數(shù)據(jù)標(biāo)注工具，減輕醫(yī)生標(biāo)注數(shù)據(jù)的工作量。

那么，假設(shè)有足夠的高質(zhì)量數(shù)據(jù)來學(xué)習(xí)，AI在未來有沒有可能從專精一兩種疾病向更多病種去進(jìn)化呢？陶大程博士認(rèn)為這是非常富有挑戰(zhàn)的。經(jīng)過嚴(yán)格培養(yǎng)的醫(yī)生專精于某種疾病，很難涉足其他不同的病種。

特定的AI算法也只是為單一任務(wù)服務(wù)，要想進(jìn)行多任務(wù)學(xué)習(xí)并不容易——盡管研究人員一直在為此努力。如何有效地組織不同類型的、但是相關(guān)的任務(wù)是多任務(wù)學(xué)習(xí)的一個(gè)難題。

把沒有關(guān)聯(lián)的任務(wù)、甚至目標(biāo)本身矛盾的任務(wù)放在一起來訓(xùn)練多任務(wù)模型甚至?xí)�降低學(xué)習(xí)到的模型的精度。

與此同時(shí)，醫(yī)學(xué)影像還存在同病異影或者同影異病的問題。要解決這個(gè)問題仍然需要醫(yī)生來進(jìn)行深刻的分析。醫(yī)生對(duì)不同類型疾病之間關(guān)聯(lián)（一種疾病會(huì)導(dǎo)致另外一種疾病）的理解能力是目前的AI所難以具備的。

與此同時(shí)，并非所有疾病都能有足夠的標(biāo)注數(shù)據(jù)。常見疾病容易獲得足夠的標(biāo)注數(shù)據(jù)，罕見病則完全沒有足夠的數(shù)據(jù)訓(xùn)練模型。如果再將罕見病本身在醫(yī)學(xué)上就沒有完全一致的標(biāo)準(zhǔn)這個(gè)因素考慮進(jìn)去，問題就變得更加復(fù)雜了。

陶大程博士認(rèn)為，AI是數(shù)據(jù)驅(qū)動(dòng)的，通過醫(yī)生的高質(zhì)量數(shù)據(jù)標(biāo)注才是最終實(shí)現(xiàn)醫(yī)療輔助診斷的基礎(chǔ)。