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么大問題，但要進行三維,，甚至四維的圖像處理（時間加上空間）,，那么現(xiàn)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(yīng)用的算法創(chuàng)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： 大家不能只專注于研發(fā)通用型的算法,，針對細節(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。現(xiàn)在醫(yī)院對病人進行系統(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(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展。

　　那么,，最終計算機是否會取代放射科醫(yī)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(zhì)量控制和最終決策,。但是,，技術(shù)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(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,，但講到高性能計算機，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,。

　　當前以人類水平作為機器學(xué)習(xí)的標準尚是合理

　　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(fā)的初期,，行業(yè)沒有更好的標準,，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準,，比如說醫(yī)學(xué)圖像的分割，計算機輔助的乳腺癌診斷,， 等等,。

　　那么，將來是否能夠以機器學(xué)習(xí)出來的并驗證后的（超級醫(yī)生的）結(jié)果作為標準呢,？

　　邢磊：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(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,，也都要尋找新的benchmark。

　　主攻自動化醫(yī)療決策研究

　　您現(xiàn)在主要進行的研究是哪方面,？您最感興趣的課題是什么,？

　　邢磊：我的實驗室研究范圍很廣，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)，治療計劃,，到臨床數(shù)據(jù)采集分析,。這些研究中很多項目都涉及到機器學(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現(xiàn)對一些有局限情形下采集的數(shù)據(jù)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(yī)生需要制定治療計劃，治療計劃是一個技術(shù)機優(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,，計算機十幾分鐘就能完成,，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,，當時以斯坦福大學(xué)計算機系的John McCarthy 為代表的科學(xué)家已清楚地認識到了“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，它相信人的認知可以通過符號表達出來,，從而進行AI計算?，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(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,。基于大腦是由神經(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(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)的標準化也至關(guān)重要,。在斯坦福大學(xué)的生物醫(yī)學(xué)信息專業(yè)，其中一個很大的實驗室就是致力于怎樣把術(shù)語標準化,。把所有的醫(yī)學(xué),，工業(yè)和商業(yè)術(shù)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(xué)習(xí)（Deep Reinforcement Learning）,，reinforcement learning已存在已久，是從一些運籌學(xué)（operation,，最值得一天的恐怕要是深度增強學(xué)習(xí)（Deep Reinforcement Learning）,，reinforcement learning已存在已久，是從一些運籌學(xué)（operation research）的方法衍生發(fā)展而來,。深度增強學(xué)習(xí)特別適合于解決一些人工智能里有關(guān)機器和環(huán)境相互作用的問題,。

　　算法方面， 進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)化無論對計算效率和精度都有很大的影響。很多細節(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算量問題,，如何將各種先驗知識量化并包括在學(xué)習(xí)的過程中，等等,?；跈C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 1-3 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)來實現(xiàn)低劑量CT。用機器學(xué)習(xí)可以把這個問題解決的更徹底完善,，因為以前的經(jīng)驗數(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，實現(xiàn)減少劑量而不影響成像質(zhì)量,。機器學(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。