獨家 | 對話斯坦福教授邢磊：AI醫療研究的現狀和未來

雷鋒網AI掘金志報道，3月25日，由智能醫療影像平台初創企業匯醫慧影舉辦的「醫療人工智慧前沿峰會」在北京舉辦。雷鋒網現場了解，會議現場雲集了飛利浦、西門子，以及斯坦福大學、清華大學等智慧醫療學界、業界專家，共同討論人工智慧化影像技術的發展預見和人工智慧技術落地的未來醫療場景想像。

本次會議上，雷鋒網AI掘金志與斯坦福大學醫學物理部主任、終身教授邢磊進行了對話，談及AI醫療研究的現狀和未來。

邢磊，斯坦福大學終身教授，斯坦福大學醫學物理部主任，從事醫學影像、腫瘤放射以及生物信息方面的研究超過20多年。同時，邢磊教授兼任斯坦福大學電子工程系、分子影像、生物信息專業以及Bio-X的兼職教授。在醫學影像和醫學物理方面發表論文數目近300篇，獲得多個NIH，國防部，NSF，ACS，及工業界 的重大科研項目，是 谷歌學者獎獲得者，AAPM以及AMBIE的院士。

深度學習技術是否適合所有類別的醫學影像，是否有些更為合適，有些則更適合使用其他技術？

邢磊：深度學習只是機器學習的一種方法，但最近被「炒」的很火，因為它的應用比較廣泛且十分有效。 深度學習確實在很多醫學問題中會有很多應用，只是目前有些比較成熟 （比如用深度學習來進行二維圖像識別，處理和分割），有些正處於探索研究階段（比如用深度學習來幫助醫生閱讀解釋三維及四維影像）。源於斯坦福計算機系的Sebastian Thrun教授實驗室的有關利用深度學習進行皮膚癌識別診斷的工作可能是大家比較熟悉的。

與此同時，演算法也在改進，隨著時間的漂移，大家會有各種創新來把演算法簡化，形成一種比較通用的演算法，當然通用型的演算法在解決某些具體的應用時效率可能會沒那麼高。

深度學習目前在醫學影像處理遇到什麼困難？亟須攻克的學術難題是什麼？

邢磊：深度學習應用非常廣泛。在大數據方面中做研發的人很多。谷歌所提供的開源演算法平台大大地降低了進入人工智慧的門檻，很多人朝著這個研究方向裡面涌，可能今後幾年大家會看到各類應用像雪崩一樣襲來。

與此同時，面臨的困難當然有很多。首先，計算量很大，目前的計算能力如果處理二維圖像的話沒什麼大問題，但要進行三維，甚至四維的圖像處理（時間加上空間），那麼現代計算機的計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用的演算法創新，來縮短計算時間，提高計算效率。

這些困難需要怎樣的突破的方向？

邢磊：大家不能只專註於研發通用型的演算法，針對細節及具體應用的研究將有助於人工智慧落地並造福於人類。

醫學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，現在處於怎麼樣的水平階段了？

邢磊：非常原始的階段。現在醫院對病人進行系統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果來了，就分析一下，但實際上，這名病人也許在十年前也留下了相關的核磁、CT及病例病史等結果，這些歷史數據是否能夠整合呢？如有了全面的智能分析決策之後，效果會好的多。

當然，這方面開始「想」的人很多，只是開始做的人很少。因為實施起來有很大的難度，首先必須先有技術，醫生不可能自己寫程序，而且得有大量的臨床數據證明這樣的做法的有效性，大家才會接受。

對人工智慧在醫療領域，以醫學影像領域來說，你的前景展望，未來願景是怎樣的？

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

那麼，最終計算機是否會取代放射科醫生呢？近期來看是可能性不大的，因為這過程中還需要人來進行質量控制和最終決策。但是，技術確實會帶來巨大的幫助，除了提高效率之外，它可以提出提高質量和精度， 促使很多醫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。人工智慧是由三個諸葛亮打造而成的，應該是一位超級醫生呵：）

中國進行AI醫療研究的條件和國際相比如何？

邢磊：總體來說，差別不大。硬體方面，國內超算首屈一指，但講到高性能計算機，國內可能沒有國外那麼普及。從研究方面來講， 可以很明顯地看到國內這個智能領域的熱度在上升 。

我曾經提到過，數據不集中不規範是目前智能醫學發展的最大障礙之一，國內在這一方面還有很多優勢的 ，畢竟政府可以很高效地進行協調、協商，鼓勵來解決這個問題，可能要比國外更高效。

一般來說衡量AI醫學影像的水平，會拿它與人類的識別能力作比較以作為標準，您覺得這是否合理？

邢磊：合理也不合理。合理的方面是，在研發的初期，行業沒有更好的標準，不單單是人工智慧技術，以往影像科學的發展，都經常用專家的水平來作為判斷的標準，比如說醫學圖像的分割，計算機輔助的乳腺癌診斷， 等等。

那麼，將來是否能夠以機器學習出來的並驗證後的（超級醫生的）結果作為標準呢？這是一個值得探索的問題，但最終我認為還是最終要由臨床醫生的參與。

總的來說，一個新的方法在拿出來應用時，總得要有一個benchmark， 之後所做的創新改進，也都要尋找新的benchmark。

您現在主要進行的研究是哪方面？您最感興趣的課題是什麼？

邢磊：我的實驗室研究範圍很廣，從基礎的影像設備，分子影像，圖像重建和處理，影像和基因組學，治療計劃，到臨床數據採集分析。這些研究中很多項目都涉及到機器學習和人工智慧的應用。可以說未來人工智慧將是醫學研究和臨床應用中必備的組成成份。

我們最近在機器學習和人工智慧應用方面所做的研究包括， 用深度學習來做圖像分割和處理，用機器學習來把臨床上要用技術員和醫生來做的工作自動化，用人工智慧來讓來幫醫生做臨床決策，以及用人工智慧來實現對一些有局限情形下採集的數據進行處理和圖像重建。

舉個簡單的例子，在實施放療的過程中，醫生需要制定治療計劃，治療計劃是一個技術機優化的過程，這個過程中涉及很多決策，用人工智慧來做這項工作會非常地有效，原來數小時甚至數天才能做完的工作，計算機十幾分鐘就能完成，而且質量能夠有保證。所以說，人工智慧在提高效率和質量都會有巨大的幫助。

那可不可以請邢教授講一講，大數據人工智慧裡面有哪些學術流派，包括演算法，是我們不知道的，而你看到的，或者正在研究的？

邢磊：實際上大數據還有人工智慧也不是一個新的概念。人工智慧在50年代就已經提出來，當時以斯坦福大學計算機系的John McCarthy 為代表的科學家已清楚地認識到了「人工智慧」的重要性。 也許是由於很多歷史的原因， 人工智慧有三個比較大的所謂學派：

• 第一個是符號主義。早期AI運算多使用用符號操作系統。符號主義主要是從心理學的角度來看人工智慧問題，它相信人的認知可以通過符號表達出來，從而進行AI計算。現在這個方法仍然很活躍， 最近深度學習的成功給符號主義注入了新的活力 。

• 第二是進化主義， 這個AI理論主要基於控制論和感知－動作型系統。進化論主義也在用計算機模擬人的認知過程中起了不可磨滅的作用。

• 第三是仿生學派。最近被媒體炒得最熱的神經網路（neuro-network）就是這個學派。基於大腦是由神經元和連接神經元的網路這樣一個基本模型，通過學習來訓練 neuro-network 似乎是非常直觀的方法。但從80年代到90年代， 神經網路的研究起色並不十分顯著，主要是計算機的計算速度和存儲跟不上。因為計算量太大，不用說深度學習，就是一般的單層網路也較難處理。

人工智慧的學習有三個主要的部分：數據、模型、演算法。

• 在數據方面，除了需要大量的高質量數據以外，數據的標準化也至關重要。在斯坦福大學的生物醫學信息專業，其中一個很大的實驗室就是致力於怎樣把術語標準化。把所有的醫學，工業和商業術語用標準語言表達出來實際上是一項很浩大的工程。

• 模型方面，最值得一天的恐怕要是深度增強學習（Deep Reinforcement Learning），reinforcement learning已存在已久，是從一些運籌學（operation research）的方法衍生髮展而來。深度增強學習特別適合於解決一些人工智慧里有關機器和環境相互作用的問題。

在演算法方面， 進展可以說是更加迅猛，新的演算法層出不窮。總的來將，學習的演算法和要解決的具體問題有很大的關係。演算法本身的優化無論對計算效率和精度都有很大的影響。很多細節可以在演算法中體現出來。

比如，如何處理學習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算量問題，如何將各種先驗知識量化並包括在學習的過程中，等等。基於機器學習的醫學影像技術及演算法， 比如核磁共振和CT的圖像重建，已經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 1-3 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來實現低劑量CT。用機器學習可以把這個問題解決的更徹底完善，因為以前的經驗數據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採集那麼多X光投影數據啦，實現減少劑量而不影響成像質量。機器學習和人工智慧在醫學中的應用前景是十分廣泛的 。在今後的幾年裡我們將會看到很多革命性的突破。