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(huì)之前，RE?WORK提前組織了兩場(chǎng)對(duì)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(huì)之前，RE•WORK提前組織了兩場(chǎng)對(duì)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(jī)遇與挑戰(zhàn)展開討論，并對(duì)5年后深度學(xué)習(xí)對(duì)醫(yī)療領(lǐng)域的變革做出大膽的預(yù)測(cè)。

人們說(shuō)未來(lái) 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(zhǎng) 10 倍，從學(xué)習(xí)在豐富的醫(yī)學(xué)數(shù)據(jù)中識(shí)別復(fù)雜模式的算法，到為個(gè)性化醫(yī)療提供對(duì)現(xiàn)實(shí)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(wèn)答系列的一部分，我們?cè)儐?wèn)了深度學(xué)習(xí)和醫(yī)療健康專家，讓他們預(yù)測(cè)這一領(lǐng)域未來(lái) 5 年的狀況、人工智能整合所涉及到的風(fēng)險(xiǎn)、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(jí)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(yíng)利性社區(qū) Data Insights Cambridge 的創(chuàng)始人，該社區(qū)擁有超過(guò) 800 位數(shù)據(jù)科學(xué)從業(yè)者。

Olexandr Isayev 是北卡羅來(lái)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(jī)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(gè)人工智能開發(fā)者平臺(tái)，具有用于語(yǔ)言、視覺、文本、語(yǔ)音、對(duì)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(shí)也是Pathway 和 IBM 合作的沃森深度機(jī)器學(xué)習(xí)和人工智能移動(dòng)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(jì)算機(jī)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(jì)算帶向新的方向。

問(wèn)：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(chǎng)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(lái) 3 年內(nèi)看到其所帶來(lái)的顯著影響。其中最具潛力的關(guān)鍵領(lǐng)域是自動(dòng)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(shí)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(gè)數(shù)據(jù)問(wèn)題，所以整個(gè)醫(yī)療領(lǐng)域都會(huì)被顛覆。很多專家評(píng)論說(shuō)深度學(xué)習(xí)缺少一個(gè)殺手級(jí)應(yīng)用，我們現(xiàn)在所得到的不過(guò)是一個(gè)更好的圖像搜索，而我認(rèn)為醫(yī)學(xué)將會(huì)成為人工智能的殺手級(jí)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?yàn)檫@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(huì)具有三個(gè)關(guān)鍵階段——自動(dòng)化、協(xié)助、管理。從組織和運(yùn)營(yíng)的角度看，任何自動(dòng)化都是很容易的。在醫(yī)療健康方面，「初級(jí)衛(wèi)生保健（Primary Health Care，譯者注：指社區(qū)內(nèi)的個(gè)人和家庭能夠普遍獲得的基本衛(wèi)生保健）」是第一個(gè)階段，這個(gè)階段具有可以增加價(jià)值的巨大機(jī)遇。一個(gè)基于人工智能的解決方案將會(huì)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(jī)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(jī)器人可以提供更先進(jìn)的協(xié)助形式，——例如，一個(gè)能從 CT 掃描中提取信息和在文本知識(shí)源（如能給醫(yī)生帶來(lái)很大幫助的研究論文和以前的報(bào)告等）中搜索解決方案的機(jī)器人。這些多功能機(jī)器人不僅能改變「初級(jí)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(huì)帶來(lái)更好的診斷和個(gè)性化醫(yī)療建議。使用人工智能的自動(dòng)化健康掃描能為地球上最貧窮和最富裕的人帶來(lái)同樣的最好的診斷。

Olexandr：隨著機(jī)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(gè)系統(tǒng)都可能被大幅改變。這里給出的只是我想到的幾個(gè)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(bào)

4. 精密醫(yī)學(xué)

5. 普遍可用的高品質(zhì)藥

6. 由機(jī)器人完成的自動(dòng)手術(shù)

問(wèn)：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(xiǎn)是什么？

Sobia：醫(yī)療實(shí)踐中的自動(dòng)化元素意味著醫(yī)生將漸漸遠(yuǎn)離傳統(tǒng)的面對(duì)面醫(yī)患交互。這應(yīng)該能夠提升醫(yī)生花在病人上的時(shí)間的質(zhì)量，包括更多的花在解釋、溝通和臨床決策上的時(shí)間。醫(yī)療診斷的自動(dòng)化需要準(zhǔn)確，并且避免報(bào)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(shí)，信息和推薦被錯(cuò)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(lái)負(fù)面影響的風(fēng)險(xiǎn)。準(zhǔn)確性和可靠性也至關(guān)重要。對(duì)醫(yī)療人工智能技術(shù)進(jìn)行嚴(yán)格測(cè)試以證明它們傳說(shuō)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(fèi)者的個(gè)人信息。

Diogo：醫(yī)療將面臨的一個(gè)巨大的問(wèn)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(shí)際的期望，而這會(huì)同時(shí)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(gè)行業(yè)需要采取負(fù)責(zé)任的行動(dòng)，因?yàn)楫?dāng)下的炒作行為可能會(huì)導(dǎo)致一個(gè)矯枉過(guò)正的監(jiān)管環(huán)境，而過(guò)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(duì)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(cè)試中，我們知道這些網(wǎng)絡(luò)的輸出。而在開放測(cè)試中，這些未知結(jié)論可能會(huì)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(xiǎn)可以通過(guò)創(chuàng)建一個(gè)能夠過(guò)濾這些可能性的通用測(cè)試來(lái)緩解，這和人類被測(cè)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(wú)法正確回答所有問(wèn)題。準(zhǔn)確程度這只是相對(duì)的——這就好比，「與班上的其他學(xué)生相比，你有多優(yōu)秀」這個(gè)問(wèn)題，這并不意味著你要能回答教授的每一個(gè)問(wèn)題或正確答滿每一份試卷。所以這個(gè)「風(fēng)險(xiǎn)」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(duì)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?yàn)槲幕⒈O(jiān)管和成本上的問(wèn)題，美國(guó)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(wú)關(guān)。我不覺得深度學(xué)習(xí)或其它任何數(shù)據(jù)驅(qū)動(dòng)的技術(shù)的廣泛使用有危險(xiǎn)。但是，最大風(fēng)險(xiǎn)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(shí)生活中的應(yīng)用越來(lái)越廣，越來(lái)越多的人將有機(jī)會(huì)獲得電子健康記錄（EHR）和電子病歷（EMR）。醫(yī)院和保險(xiǎn)公司將全面數(shù)字化它們的紙質(zhì)檔案。我們作為一個(gè)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(xiǎn)則是道德和法律方面的。和自動(dòng)駕駛汽車一樣，英國(guó)和美國(guó)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(huì)怎樣？是誰(shuí)的責(zé)任？該怎么辦？所有這些問(wèn)題必須得到解決。

問(wèn)：在深度學(xué)習(xí)領(lǐng)域，未來(lái)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(jì)算需求并讓更高維問(wèn)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(jī)器學(xué)習(xí)問(wèn)題的一個(gè)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(lái)以用作深度算法中的可區(qū)分組件，我相信這個(gè)子集將會(huì)顯著地?cái)U(kuò)增。最后，成功的深度學(xué)習(xí)應(yīng)用對(duì)數(shù)據(jù)的需求將會(huì)極大地下降：它們所需的標(biāo)記數(shù)據(jù)將會(huì)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(lái)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(gè)模式應(yīng)該是存在的，但目前我們還無(wú)法找到它。

Naveen：「近來(lái)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(wèn)題?！笵FJ 的合伙人 Steve Jurvetson 說(shuō)，「通過(guò)開發(fā)使用起來(lái)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(yǔ)音識(shí)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(kuò)展到我們生活的所有方面將在未來(lái) 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(jī)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(dòng)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(gè)性化偏好，我們使用機(jī)器的體驗(yàn)也將變得個(gè)性化。

在研究方面，無(wú)監(jiān)督學(xué)習(xí)將會(huì)在未來(lái) 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(yùn)動(dòng)數(shù)據(jù)等等）。無(wú)監(jiān)督學(xué)習(xí)是下一個(gè)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(lái)，我們將看到越來(lái)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(jī)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(jī)器人的時(shí)代的到來(lái)。

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(wú)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(yǔ)音和視覺識(shí)別系統(tǒng)。當(dāng)數(shù)據(jù)中包含更多的結(jié)構(gòu)時(shí)，深度學(xué)習(xí)方法有望被應(yīng)用在越來(lái)越多地多模態(tài)問(wèn)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(dòng)設(shè)備上，甚至不需要額外的硬件支持或過(guò)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(shí)際應(yīng)用中的革命。將研究中的成功轉(zhuǎn)化到臨床實(shí)踐上需要一定的時(shí)間。

1. 深度學(xué)習(xí)將會(huì)徹底改變?cè)\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(cái)富。CNN 將自動(dòng)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(jì)算機(jī)和人工智能系統(tǒng)將防止許多醫(yī)療錯(cuò)誤。我們?nèi)祟悤?huì)犯錯(cuò)。醫(yī)生們的工作時(shí)間很長(zhǎng)，還面臨壓力和其它現(xiàn)實(shí)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(cuò)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(guó)家。

總的來(lái)說(shuō)，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(duì)醫(yī)生們來(lái)說(shuō)，這就像《鋼鐵俠》電影中的忠誠(chéng)管家J.A.R.V.I.S.一樣）。它們將成為交互式實(shí)時(shí)專家顧問(wèn)；醫(yī)生將直接使用自然語(yǔ)言與它們進(jìn)行交談。

問(wèn)：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(lái)了非常了不起的進(jìn)步。在計(jì)算生物學(xué)研究方面也有一些深?yuàn)W的進(jìn)步，比如深度神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)上的應(yīng)用。臨床試驗(yàn)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(duì)我來(lái)說(shuō)，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?yàn)樗_實(shí)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(lái)了聲譽(yù)。我相信這僅僅是一個(gè)開始，而在不久的將來(lái)，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(lái)自深度學(xué)習(xí)的石器時(shí)代一樣的新工具。

Naveen：我個(gè)人認(rèn)為醫(yī)療健康是一個(gè)重要的發(fā)展領(lǐng)域。醫(yī)療的成本正坐著火箭瘋漲，而機(jī)器學(xué)習(xí)可以在降低醫(yī)療價(jià)格的同時(shí)還提高醫(yī)療的質(zhì)量。使用機(jī)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(guò)程是最讓人興奮的部分。到目前為止，我們已經(jīng)見過(guò)人類建造機(jī)器并在實(shí)現(xiàn)過(guò)程中通過(guò)規(guī)則（代碼）引導(dǎo)它們。這種人類干預(yù)是人工智能實(shí)際應(yīng)用的瓶頸。盡管每個(gè)人都希望使用人工智能，但不是每個(gè)人都能開發(fā)可靠的系統(tǒng)。但是如果將這種專業(yè)知識(shí)教給機(jī)器，然后一臺(tái)機(jī)器就可以開始開發(fā)另一臺(tái)機(jī)器了。這些有經(jīng)驗(yàn)的人工智能系統(tǒng)可以隨著時(shí)間和經(jīng)驗(yàn)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(gè)時(shí)代的一次巨變。數(shù)字機(jī)器人的大規(guī)模生產(chǎn)會(huì)給我們的世界帶來(lái)巨大的變革。

Michael：更深度的建模，加上無(wú)監(jiān)督學(xué)習(xí)的進(jìn)步，這種無(wú)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(lái)自 3 個(gè)領(lǐng)域：圖像、語(yǔ)音和文本識(shí)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(dòng)創(chuàng)新。我期望看到接下來(lái)會(huì)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(hào)：鎂客網(wǎng)（im2maker），更多干貨在等你！