在4月7日、8日為期兩天的倫敦RE?WORK深度學(xué)習(xí)醫(yī)療峰會之前，RE?WORK提前組織了兩場對話討論深度學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用。

在4月7日、8日為期兩天的倫敦RE•WORK深度學(xué)習(xí)醫(yī)療峰會之前，RE•WORK提前組織了兩場對話討論深度學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用。數(shù)家醫(yī)療領(lǐng)域的深度學(xué)習(xí)創(chuàng)業(yè)公司CE0、醫(yī)療專家等就深度學(xué)習(xí)在醫(yī)療領(lǐng)域應(yīng)用的機遇與挑戰(zhàn)展開討論，并對5年后深度學(xué)習(xí)對醫(yī)療領(lǐng)域的變革做出大膽的預(yù)測。

人們說未來 5 年里人工智能和深度學(xué)習(xí)在醫(yī)療健康和醫(yī)學(xué)方面的應(yīng)用將增長 10 倍，從學(xué)習(xí)在豐富的醫(yī)學(xué)數(shù)據(jù)中識別復(fù)雜模式的算法，到為個性化醫(yī)療提供對現(xiàn)實世界證據(jù)的分析，再到發(fā)現(xiàn)與 DNA 結(jié)合的蛋白質(zhì)的序列特異性和怎樣用其協(xié)助基因組診斷。

作為我們正在進(jìn)行的發(fā)言人問答系列的一部分，我們詢問了深度學(xué)習(xí)和醫(yī)療健康專家，讓他們預(yù)測這一領(lǐng)域未來 5 年的狀況、人工智能整合所涉及到的風(fēng)險、哪些領(lǐng)域?qū)⒈活嵏驳鹊取?/p>

專家介紹：

Diogo Moitinho de Almeida 是一位數(shù)據(jù)科學(xué)家、軟件工程師和黑客。2014 年他以高級數(shù)據(jù)科學(xué)家的身份加入了 Enlitic，他在這里為醫(yī)療診斷開發(fā)深度學(xué)習(xí)算法。

Sobia Hamid 擁有劍橋大學(xué)的表觀遺傳學(xué)博士學(xué)位，也是非營利性社區(qū) Data Insights Cambridge 的創(chuàng)始人，該社區(qū)擁有超過 800 位數(shù)據(jù)科學(xué)從業(yè)者。

Olexandr Isayev 是北卡羅來納大學(xué)教堂山分校 Eshelman 藥學(xué)院的一位研究科學(xué)家，他的主要研究工作是使用分子建模和機器學(xué)習(xí)理解化學(xué)數(shù)據(jù)。

Vinay Kumar 是一位納米技術(shù)研究者，也是 Arya.ai 的創(chuàng)始人和 CEO。Arya.ai 是一個人工智能開發(fā)者平臺，具有用于語言、視覺、文本、語音、對話和推理的深度學(xué)習(xí)工具。

Michael Nova 是 Pathway Genomics 的首席創(chuàng)新官及聯(lián)合創(chuàng)始人，同時也是Pathway 和 IBM 合作的沃森深度機器學(xué)習(xí)和人工智能移動應(yīng)用 Panorama/OME 的發(fā)明者。

Naveen Rao 是 Nervana Systems 的聯(lián)合創(chuàng)始人和 CEO。他既是一位計算機架構(gòu)師，也是一位神經(jīng)科學(xué)家。他創(chuàng)立的 Nervana 的目標(biāo)是利用生物學(xué)的靈感并將計算帶向新的方向。

問：醫(yī)療健康的哪些領(lǐng)域被人工智能顛覆的潛力最大？

Sobia：人工智能在醫(yī)療健康市場的早期應(yīng)用和需求表明，人工智能在改變醫(yī)療健康方面有很大的潛力，而且我相信我們能在未來 3 年內(nèi)看到其所帶來的顯著影響。其中最具潛力的關(guān)鍵領(lǐng)域是自動化智能醫(yī)療診斷、治療建議和醫(yī)療管理。新的人工智能技術(shù)已經(jīng)在開始幫助提高醫(yī)療實踐的效率、準(zhǔn)確度和成本效益了，并最終將幫助我們向解決有挑戰(zhàn)性的常見癥狀、慢性疾病和罕見疾病更近一步。

Diogo：醫(yī)學(xué)本質(zhì)上是一個數(shù)據(jù)問題，所以整個醫(yī)療領(lǐng)域都會被顛覆。很多專家評論說深度學(xué)習(xí)缺少一個殺手級應(yīng)用，我們現(xiàn)在所得到的不過是一個更好的圖像搜索，而我認(rèn)為醫(yī)學(xué)將會成為人工智能的殺手級應(yīng)用。診斷、治療規(guī)劃和人口健康是尤其讓人興奮的領(lǐng)域，因為這將最大化其潛在的全球影響。

Vinay：我相信人工智能的采用將會具有三個關(guān)鍵階段——自動化、協(xié)助、管理。從組織和運營的角度看，任何自動化都是很容易的。在醫(yī)療健康方面，「初級衛(wèi)生保?。≒rimary Health Care，譯者注：指社區(qū)內(nèi)的個人和家庭能夠普遍獲得的基本衛(wèi)生保?。故堑谝粋€階段，這個階段具有可以增加價值的巨大機遇。一個基于人工智能的解決方案將會減少醫(yī)生或其他醫(yī)療保健專業(yè)人員的負(fù)擔(dān)。當(dāng)然，影響最大是在缺乏醫(yī)生甚至沒有醫(yī)生的領(lǐng)域！更普遍地，任何醫(yī)生都可以從同行或?qū)＜业牡诙庖娭蝎@益。使用機器作為「數(shù)字助理」，醫(yī)生可以在多重復(fù)雜的情形中得到快速的意見。多功能機器人可以提供更先進(jìn)的協(xié)助形式，——例如，一個能從 CT 掃描中提取信息和在文本知識源（如能給醫(yī)生帶來很大幫助的研究論文和以前的報告等）中搜索解決方案的機器人。這些多功能機器人不僅能改變「初級衛(wèi)生保健」，也能改變大部分診前輔助和診后輔助。

Michael：人工智能將會帶來更好的診斷和個性化醫(yī)療建議。使用人工智能的自動化健康掃描能為地球上最貧窮和最富裕的人帶來同樣的最好的診斷。

Olexandr：隨著機器學(xué)習(xí)被應(yīng)用在了日益涌現(xiàn)的大型醫(yī)療數(shù)據(jù)上，醫(yī)療健康領(lǐng)域內(nèi)出現(xiàn)了巨大的創(chuàng)新潛力。整個系統(tǒng)都可能被大幅改變。這里給出的只是我想到的幾個方面:

1. 醫(yī)療診斷

2. 處方藥和藥物預(yù)訂

3. 智能病人監(jiān)控和警報

4. 精密醫(yī)學(xué)

5. 普遍可用的高品質(zhì)藥

6. 由機器人完成的自動手術(shù)

問：在醫(yī)療健康和醫(yī)學(xué)中應(yīng)用深度學(xué)習(xí)方法所涉及到的主要風(fēng)險是什么？

Sobia：醫(yī)療實踐中的自動化元素意味著醫(yī)生將漸漸遠(yuǎn)離傳統(tǒng)的面對面醫(yī)患交互。這應(yīng)該能夠提升醫(yī)生花在病人上的時間的質(zhì)量，包括更多的花在解釋、溝通和臨床決策上的時間。醫(yī)療診斷的自動化需要準(zhǔn)確，并且避免報告不被已證明的研究支持的偶然發(fā)現(xiàn)。否則如果在沒有人類輸入將這些發(fā)現(xiàn)放入到背景中時，信息和推薦被錯誤地解讀，那么醫(yī)療人工智能提供的速度和方便就有給生活方式、健康和生育選擇帶來負(fù)面影響的風(fēng)險。準(zhǔn)確性和可靠性也至關(guān)重要。對醫(yī)療人工智能技術(shù)進(jìn)行嚴(yán)格測試以證明它們傳說中的好處是很重要的。與準(zhǔn)確性和可靠性同樣重要的還有確保數(shù)據(jù)的安全和保護(hù)消費者的個人信息。

Diogo：醫(yī)療將面臨的一個巨大的問題是，有人試圖從最近的人工智能炒作中牟利，他們構(gòu)建起了不切實際的期望，而這會同時摧毀醫(yī)療健康行業(yè)的決策者和患者雙方的信任。我們正處在一次人工智能革命的邊緣，而我們作為一個行業(yè)需要采取負(fù)責(zé)任的行動，因為當(dāng)下的炒作行為可能會導(dǎo)致一個矯枉過正的監(jiān)管環(huán)境，而過于嚴(yán)厲的監(jiān)管將阻止人們獲得最好的醫(yī)療。

Vinay：深度學(xué)習(xí)已被證明能在許多情況中工作，但我們對這些學(xué)習(xí)層中所發(fā)生的事情知之甚少。主要的未知是——我們不知道這些神經(jīng)網(wǎng)絡(luò)之內(nèi)發(fā)生著什么。在封閉測試中，我們知道這些網(wǎng)絡(luò)的輸出。而在開放測試中，這些未知結(jié)論可能會創(chuàng)造出許多其它我們未曾預(yù)料到的結(jié)論。但是，這些風(fēng)險可以通過創(chuàng)建一個能夠過濾這些可能性的通用測試來緩解，這和人類被測試的方式是一樣的。理論上，教育系統(tǒng)產(chǎn)生的任何人類專家都無法正確回答所有問題。準(zhǔn)確程度這只是相對的——這就好比，「與班上的其他學(xué)生相比，你有多優(yōu)秀」這個問題，這并不意味著你要能回答教授的每一個問題或正確答滿每一份試卷。所以這個「風(fēng)險」和相信一位人類專家并沒多少不同。最好的人類專家也絕對不是完美的。

Michael：由人工智能提供的醫(yī)療建議必須精確而且準(zhǔn)確。因為文化、監(jiān)管和成本上的問題，美國醫(yī)學(xué)的數(shù)字化一直很慢。

Olexandr：我最大的擔(dān)憂和人工智能無關(guān)。我不覺得深度學(xué)習(xí)或其它任何數(shù)據(jù)驅(qū)動的技術(shù)的廣泛使用有危險。但是，最大風(fēng)險涉及到用戶的隱私和它們的數(shù)據(jù)。隨著深度學(xué)習(xí)在現(xiàn)實生活中的應(yīng)用越來越廣，越來越多的人將有機會獲得電子健康記錄（EHR）和電子病歷（EMR）。醫(yī)院和保險公司將全面數(shù)字化它們的紙質(zhì)檔案。我們作為一個領(lǐng)域，必須努力保護(hù)這些數(shù)據(jù)、保護(hù)病人的隱私和維護(hù)他們的信任。其它風(fēng)險則是道德和法律方面的。和自動駕駛汽車一樣，英國和美國的法律系統(tǒng)還未適應(yīng)人工智能。如果病人被人工智能誤診了會怎樣？是誰的責(zé)任？該怎么辦？所有這些問題必須得到解決。

問：在深度學(xué)習(xí)領(lǐng)域，未來五年我們有望看到怎樣的進(jìn)展？

Diogo：我相信我們有望見到工作得足夠好的空間注意（spatial attention,譯者注：指關(guān)注視覺環(huán)境中特定刺激物的能力），這種空間注意將被視為所有最先進(jìn)的視覺模型的先決條件。這將極大減少計算需求并讓更高維問題的分析成為可能，這在醫(yī)學(xué)方面是相當(dāng)重要的。今天，深度學(xué)習(xí)模型只在機器學(xué)習(xí)問題的一個子集中得到了使用。隨著我們優(yōu)化深度模型的能力的提升，以及將「淺度」算法中最好的部分整合起來以用作深度算法中的可區(qū)分組件，我相信這個子集將會顯著地擴增。最后，成功的深度學(xué)習(xí)應(yīng)用對數(shù)據(jù)的需求將會極大地下降：它們所需的標(biāo)記數(shù)據(jù)將會更少，它們將能高效地利用嘈雜的和不完整的數(shù)據(jù)，而且它們還能將來自多種方式的數(shù)據(jù)結(jié)合到一起以找出其中的模式——我們知道這個模式應(yīng)該是存在的，但目前我們還無法找到它。

Naveen：「近來深度學(xué)習(xí)技術(shù)中的進(jìn)步將幫助我們解決許多世界上最復(fù)雜的問題?！笵FJ 的合伙人 Steve Jurvetson 說，「通過開發(fā)使用起來更快、更容易和更便宜的深度學(xué)習(xí)解決方案，Nervana 正在將深度學(xué)習(xí)大眾化并助力醫(yī)療診斷、圖像和語音識別、基因組學(xué)、農(nóng)業(yè)、金融和最終所有行業(yè)的進(jìn)步?！?/p>

將深度學(xué)習(xí)應(yīng)用擴展到我們生活的所有方面將在未來 5 年內(nèi)發(fā)生。我們獲取醫(yī)療保健、商店和農(nóng)產(chǎn)品服務(wù)的方式、我們與他人交互的方式都將被學(xué)習(xí)機器重新塑造。深度學(xué)習(xí)將讓我們可以更好和更高效地使用資源和推動服務(wù)成本的下降。此外，隨著網(wǎng)站和設(shè)備適應(yīng)我們的個性化偏好，我們使用機器的體驗也將變得個性化。

在研究方面，無監(jiān)督學(xué)習(xí)將會在未來 5 年內(nèi)大力發(fā)展。世界上所有數(shù)據(jù)中的大約 90% 都是未被標(biāo)記的數(shù)據(jù)，這意味著，關(guān)于這些數(shù)據(jù)的含義或者從這些數(shù)據(jù)能得到什么推論，不存在任何既有的描述（圖像、聲音、GPS 追蹤數(shù)據(jù)、運動數(shù)據(jù)等等）。無監(jiān)督學(xué)習(xí)是下一個用于尋找數(shù)據(jù)中有用推論的大前沿。

Vinay：今天我們可以看到很多功能單一的神經(jīng)網(wǎng)絡(luò)，但展望未來，我們將看到越來越多的多功能神經(jīng)網(wǎng)絡(luò)，它們能執(zhí)行多種任務(wù)并且可以記住執(zhí)行復(fù)雜任務(wù)所需的決策流（decision flow）。這將改變多功能機器人的范圍和規(guī)模，并將讓我們可以見證大規(guī)模生產(chǎn)機器人的時代的到來。

Michael：應(yīng)該有望見到遠(yuǎn)遠(yuǎn)更深度的模型、能夠使用比今天的模型遠(yuǎn)遠(yuǎn)更少的訓(xùn)練案例學(xué)習(xí)的模型，以及無監(jiān)督學(xué)習(xí)的重大進(jìn)展。我們應(yīng)該有望見到甚至更精確和更有用的語音和視覺識別系統(tǒng)。當(dāng)數(shù)據(jù)中包含更多的結(jié)構(gòu)時，深度學(xué)習(xí)方法有望被應(yīng)用在越來越多地多模態(tài)問題上。深度學(xué)習(xí)算法將變得非常高效，以至于可被用在便宜的移動設(shè)備上，甚至不需要額外的硬件支持或過高的內(nèi)存占用。

Olexandr：在五年內(nèi)，我們病人就將看到深度學(xué)習(xí)在實際應(yīng)用中的革命。將研究中的成功轉(zhuǎn)化到臨床實踐上需要一定的時間。

1. 深度學(xué)習(xí)將會徹底改變診斷的醫(yī)療服務(wù)。醫(yī)生將被診斷數(shù)據(jù)淹沒：核磁共振、CT、X 光、活檢等等。卷積神經(jīng)網(wǎng)絡(luò)（CNN）將非常有效地處理由這些圖像和立體（3D）數(shù)據(jù)構(gòu)成的財富。CNN 將自動分析和分割圖像，找到可疑的疾病并在適當(dāng)?shù)闹眯哦壬咸峁┛陀^的結(jié)果。

2. 計算機和人工智能系統(tǒng)將防止許多醫(yī)療錯誤。我們?nèi)祟悤稿e。醫(yī)生們的工作時間很長，還面臨壓力和其它現(xiàn)實生活的挑戰(zhàn)。人工智能助手可以幫助做正確的決定和防止?jié)撛诘腻e誤。

3. 數(shù)字藥師。這種人工智能系統(tǒng)可以從病人那里獲取處方并立即配藥或建議一種通用非專利藥。

4. 便宜的人工智能系統(tǒng)將為全球數(shù)億人提供全民醫(yī)療，尤其是在非洲和拉丁美洲的貧窮國家。

總的來說，我看到了非常聰明的協(xié)助醫(yī)生的人工智能助手的出現(xiàn)，（想象一下，對醫(yī)生們來說，這就像《鋼鐵俠》電影中的忠誠管家J.A.R.V.I.S.一樣）。它們將成為交互式實時專家顧問；醫(yī)生將直接使用自然語言與它們進(jìn)行交談。

問：深度學(xué)習(xí)中的哪些領(lǐng)域最讓你興奮？

Sobia：用于醫(yī)療成像的深度學(xué)習(xí)技術(shù)在提高分辨率、分析的廣度和速度以及診斷上帶來了非常了不起的進(jìn)步。在計算生物學(xué)研究方面也有一些深奧的進(jìn)步，比如深度神經(jīng)網(wǎng)絡(luò)在預(yù)測蛋白質(zhì)結(jié)構(gòu)上的應(yīng)用。臨床試驗數(shù)據(jù)上深度學(xué)習(xí)方法的應(yīng)用也在藥物開發(fā)和更廣泛的治療干預(yù)上顯示出了巨大的潛力。

Diogo：對我來說，所有的深度學(xué)習(xí)都真正讓人感到興奮，但其軟件方面最讓我覺得興奮，因為它確實讓一切都變得更好了?，F(xiàn)有的工具還遠(yuǎn)不夠完美，但即使是這樣，它們得到的巨量結(jié)果也在這一領(lǐng)域給它帶來了聲譽。我相信這僅僅是一個開始，而在不久的將來，我們將打造能讓我們現(xiàn)在已經(jīng)做出的一切相形見絀的軟件，并開發(fā)出讓我們現(xiàn)在所使用的工具就像是來自深度學(xué)習(xí)的石器時代一樣的新工具。

Naveen：我個人認(rèn)為醫(yī)療健康是一個重要的發(fā)展領(lǐng)域。醫(yī)療的成本正坐著火箭瘋漲，而機器學(xué)習(xí)可以在降低醫(yī)療價格的同時還提高醫(yī)療的質(zhì)量。使用機器協(xié)助診斷意味著可以將同樣高水平的醫(yī)療能力帶給更多的人。

Vinay：「人工智能系統(tǒng)創(chuàng)建」過程是最讓人興奮的部分。到目前為止，我們已經(jīng)見過人類建造機器并在實現(xiàn)過程中通過規(guī)則（代碼）引導(dǎo)它們。這種人類干預(yù)是人工智能實際應(yīng)用的瓶頸。盡管每個人都希望使用人工智能，但不是每個人都能開發(fā)可靠的系統(tǒng)。但是如果將這種專業(yè)知識教給機器，然后一臺機器就可以開始開發(fā)另一臺機器了。這些有經(jīng)驗的人工智能系統(tǒng)可以隨著時間和經(jīng)驗的增加變得更好，并最終能夠打造出完全可靠的人工智能系統(tǒng)。我將其看作是我們這個時代的一次巨變。數(shù)字機器人的大規(guī)模生產(chǎn)會給我們的世界帶來巨大的變革。

Michael：更深度的建模，加上無監(jiān)督學(xué)習(xí)的進(jìn)步，這種無監(jiān)督學(xué)習(xí)能處理包含了所有「生物組學(xué)信息數(shù)據(jù)集（omics information datasets）」的非結(jié)構(gòu)化數(shù)據(jù)。

Olexandr：深度學(xué)習(xí)領(lǐng)域目前所有的進(jìn)步都主要來自 3 個領(lǐng)域：圖像、語音和文本識別?？吹缴疃葘W(xué)習(xí)在基因組學(xué)、生物信息學(xué)、系統(tǒng)生物學(xué)等領(lǐng)域出現(xiàn)，我真的非常興奮。我希望這些領(lǐng)域可以使用并推動創(chuàng)新。我期望看到接下來會出現(xiàn)哪些新的架構(gòu)和算法。

最后，記得關(guān)注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！