对话斯坦福教授邢磊：AI医疗研究如何突破瓶颈？

（原标题：对话斯坦福教授邢磊：AI医疗研究如何突破瓶颈？）

雷锋网AI掘金志报道，3月25日，由智能医疗影像平台初创企业汇医慧影举办的“医疗人工智能前沿峰会”在北京举办。雷锋网现场了解，会议现场云集了飞利浦、西门子，以及斯坦福大学、清华大学等智慧医疗学界、业界专家，共同讨论人工智能化影像技术的发展预见和人工智能技术落地的未来医疗场景想象。

本次会议上，雷锋网AI掘金志与斯坦福大学医学物理部主任、终身教授邢磊进行了对话，谈及AI医疗研究的现状和未来。

邢磊，斯坦福大学终身教授，斯坦福大学医学物理部主任，从事医学影像、肿瘤放射以及生物信息方面的研究超过20多年。同时，邢磊教授兼任斯坦福大学电子工程系、分子影像、生物信息专业以及Bio-X的兼职教授。在医学影像和医学物理方面发表论文数目近300篇，获得多个NIH，国防部，NSF，ACS，及工业界 的重大科研项目，是 谷歌学者奖获得者，AAPM以及AMBIE的院士。

深度学习算法多数是通用型的，但需要研发针对具体应用的算法以提高效率和准确度

深度学习技术是否适合所有类别的医学影像，是否有些更为合适，有些则更适合使用其他技术？

邢磊：深度学习只是机器学习的一种方法，但最近被“炒”的很火，因为它的应用比较广泛且十分有效。 深度学习确实在很多医学问题中会有很多应用，只是目前有些比较成熟 （比如用深度学习来进行二维图像识别，处理和分割），有些正处于探索研究阶段（比如用深度学习来帮助医生阅读解释三维及四维影像）。源于斯坦福计算机系的Sebastian Thrun教授实验室的有关利用深度学习进行皮肤癌识别诊断的工作可能是大家比较熟悉的。

与此同时，算法也在改进，随着时间的漂移，大家会有各种创新来把算法简化，形成一种比较通用的算法，当然通用型的算法在解决某些具体的应用时效率可能会没那么高。

深度学习目前在医学影像处理遇到什么困难？亟须攻克的学术难题是什么？

邢磊：深度学习应用非常广泛。在大数据方面中做研发的人很多。谷歌所提供的开源算法平台大大地降低了进入人工智能的门槛，很多人朝着这个研究方向里面涌，可能今后几年大家会看到各类应用像雪崩一样袭来。

与此同时，面临的困难当然有很多。首先，计算量很大，目前的计算能力如果处理二维图像的话没什么大问题，但要进行三维，甚至四维的图像处理（时间加上空间），那么现代计算机的计算和存储能力都成为了一个阻碍。

所以，未来会需要一些针对具体应用的算法创新，来缩短计算时间，提高计算效率。

这些困难需要怎样的突破的方向？

邢磊：大家不能只专注于研发通用型的算法，针对细节及具体应用的研究将有助于人工智能落地并造福于人类。

智能医疗决策尚处于原始阶段

医学影像与病例病史等资料的整合，从而做出综合的智能分析决策，现在处于怎么样的水平阶段了？

邢磊：非常原始的阶段。现在医院对病人进行系统的综合的智能分析决策做得还非常不够，比如今天一名病人的核磁结果来了，就分析一下，但实际上，这名病人也许在十年前也留下了相关的核磁、CT及病例病史等结果，这些历史数据是否能够整合呢？如有了全面的智能分析决策之后，效果会好的多。

当然，这方面开始“想”的人很多，只是开始做的人很少。因为实施起来有很大的难度，首先必须先有技术，医生不可能自己写程序，而且得有大量的临床数据证明这样的做法的有效性，大家才会接受。

对人工智能在医疗领域，以医学影像领域来说，你的前景展望，未来愿景是怎样的？

邢磊：我个人觉得是，将来每一个放射科的医生，手机上或者电脑终端都会有一个智能分析决策的APP，也就是说，基本上所有的要经过放射科（当然也包括其它科室）的病人，同时也会经过这个APP，尤其是疑难病症，由人工智能来辅助分析决策。今天会上大家已经看到，汇医慧影已经在打造这样一个智能医疗影像平台方面取得了惊人的进展。

那么，最终计算机是否会取代放射科医生呢？近期来看是可能性不大的，因为这过程中还需要人来进行质量控制和最终决策。但是，技术确实会带来巨大的帮助，除了提高效率之外，它可以提出提高质量和精度， 促使很多医生去想很多以前想不到的问题。

俗话说，三个臭皮匠顶个诸葛亮。人工智能是由三个诸葛亮打造而成的，应该是一位超级医生呵：）

中国AI医疗发展不逊色于国外

中国进行AI医疗研究的条件和国际相比如何？

邢磊：总体来说，差别不大。硬件方面，国内超算首屈一指，但讲到高性能计算机，国内可能没有国外那么普及。从研究方面来讲， 可以很明显地看到国内这个智能领域的热度在上升 。

我曾经提到过，数据不集中不规范是目前智能医学发展的最大障碍之一，国内在这一方面还有很多优势的 ，毕竟政府可以很高效地进行协调、协商，鼓励来解决这个问题，可能要比国外更高效。

当前以人类水平作为机器学习的标准尚是合理

一般来说衡量AI医学影像的水平，会拿它与人类的识别能力作比较以作为标准，您觉得这是否合理？

邢磊：合理也不合理。合理的方面是，在研发的初期，行业没有更好的标准，不单单是人工智能技术，以往影像科学的发展，都经常用专家的水平来作为判断的标准，比如说医学图像的分割，计算机辅助的乳腺癌诊断， 等等。

那么，将来是否能够以机器学习出来的并验证后的（超级医生的）结果作为标准呢？这是一个值得探索的问题，但最终我认为还是最终要由临床医生的参与。

总的来说，一个新的方法在拿出来应用时，总得要有一个benchmark， 之后所做的创新改进，也都要寻找新的benchmark。

主攻自动化医疗决策研究

您现在主要进行的研究是哪方面？您最感兴趣的课题是什么？

邢磊：我的实验室研究范围很广，从基础的影像设备，分子影像，图像重建和处理，影像和基因组学，治疗计划，到临床数据采集分析。这些研究中很多项目都涉及到机器学习和人工智能的应用。可以说未来人工智能将是医学研究和临床应用中必备的组成成份。

我们最近在机器学习和人工智能应用方面所做的研究包括， 用深度学习来做图像分割和处理，用机器学习来把临床上要用技术员和医生来做的工作自动化，用人工智能来让来帮医生做临床决策，以及用人工智能来实现对一些有局限情形下采集的数据进行处理和图像重建。

举个简单的例子，在实施放疗的过程中，医生需要制定治疗计划，治疗计划是一个技术机优化的过程，这个过程中涉及很多决策，用人工智能来做这项工作会非常地有效，原来数小时甚至数天才能做完的工作，计算机十几分钟就能完成，而且质量能够有保证。所以说，人工智能在提高效率和质量都会有巨大的帮助。

那可不可以请邢教授讲一讲，大数据人工智能里面有哪些学术流派，包括算法，是我们不知道的，而你看到的，或者正在研究的？

邢磊：实际上大数据还有人工智能也不是一个新的概念。人工智能在50年代就已经提出来，当时以斯坦福大学计算机系的John McCarthy 为代表的科学家已清楚地认识到了“人工智能”的重要性。 也许是由于很多历史的原因， 人工智能有三个比较大的所谓学派：

第一个是符号主义。早期AI运算多使用用符号操作系统。符号主义主要是从心理学的角度来看人工智能问题，它相信人的认知可以通过符号表达出来，从而进行AI计算。现在这个方法仍然很活跃， 最近深度学习的成功给符号主义注入了新的活力 。

第二是进化主义， 这个AI理论主要基于控制论和感知－动作型系统。进化论主义也在用计算机模拟人的认知过程中起了不可磨灭的作用。

第三是仿生学派。最近被媒体炒得最热的神经网络（neuro-network）就是这个学派。基于大脑是由神经元和连接神经元的网络这样一个基本模型，通过学习来训练 neuro-network 似乎是非常直观的方法。但从80年代到90年代， 神经网络的研究起色并不十分显著，主要是计算机的计算速度和存储跟不上。因为计算量太大，不用说深度学习，就是一般的单层网络也较难处理。

人工智能的学习有三个主要的部分：数据、模型、算法。

在数据方面，除了需要大量的高质量数据以外，数据的标准化也至关重要。在斯坦福大学的生物医学信息专业，其中一个很大的实验室就是致力于怎样把术语标准化。把所有的医学，工业和商业术语用标准语言表达出来实际上是一项很浩大的工程。

模型方面，最值得一天的恐怕要是深度增强学习（Deep Reinforcement Learning），reinforcement learning已存在已久，是从一些运筹学（operation research）的方法衍生发展而来。深度增强学习特别适合于解决一些人工智能里有关机器和环境相互作用的问题。

在算法方面， 进展可以说是更加迅猛，新的算法层出不穷。总的来将，学习的算法和要解决的具体问题有很大的关系。算法本身的优化无论对计算效率和精度都有很大的影响。很多细节可以在算法中体现出来。

比如，如何处理学习和观测过程中的各种不确定性，如何把解决高维所带来的大计算量问题，如何将各种先验知识量化并包括在学习的过程中，等等。基于机器学习的医学影像技术及算法， 比如核磁共振和CT的图像重建，已经开始考虑上面所提到的诸多因素。

在这儿我举个例子。大家知道病人做CT时是要接受放射性的，做一个CT，一般要接受1-3 cGy 的剂量。 低剂量的CT能不能行？几年前，大家试图用所谓的压缩感知技术来实现低剂量CT。用机器学习可以把这个问题解决的更彻底完善，因为以前的经验数据都可以很容易地包括在重建的过程中。这样一来我们就不用采集那么多X光投影数据啦，实现减少剂量而不影响成像质量。机器学习和人工智能在医学中的应用前景是十分广泛的 。在今后的几年里我们将会看到很多革命性的突破。（温晓桦）