<mark id="oztn4"></mark>
0
| 本文作者： 李雨晨 | 2019-07-08 18:44 | 專題：CCF-GAIR 2019 |
7月12日-14日，由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦，深圳市人工智能與機器人研究院協辦的全球人工智能與機器人峰會（CCF-GAIR） 將在深圳盛大開幕。
這已經是CCF-GAIR舉辦的第四個年頭。
值得一提的是，去年的【計算機視覺專場】專注于安防與醫療兩個熱門領域，收獲了超高人氣。CCF-GAIR 2019峰會期間，雷鋒網將開設單獨的AI醫療專場，延續去年的高水準，為觀眾提供最新的技術認知和商業方法論。
為此，我們對CCF-GAIR 2018峰會上大咖的精彩觀點進行精心摘錄，幫助讀者進行一次回顧與溫習。
田捷教授是中國科學院自動化所研究員、分子影像重點實驗室主任。
田捷教授認為，未來的影像中心就像飛機駕駛艙一樣，是各種各樣信息的綜合體；而未來的醫生則相當于飛行員，要處理各種各樣的信息。
醫學角色的多樣化，也對醫生提出了更多的要求。他說到，未來的影像科醫生，不僅僅要會看片子，還要從影像大數據中挖掘大量的潛在知識，學會利用人工智能技術，站在科技潮流的前端，不是懼怕新興的人工智能技術，而是利用它，使用它，成為新時代下的影像信息學專家。
在演講中，他提到了影像組學的特征提取。在特征選擇上，計算機選擇的特征和人眼識別的特征形成了互補關系。如果能用計算機提取高維特征，包括毛刺、分葉等信息，再融合年齡、性別、家族史等信息，肯定是1+N>N，就能實現人機交互、計算機和人協同工作，從而使得醫學更為精準。
他表示，選擇特征的時候切記要多多益善，特別是把這些高維特征提取得越多越好。還有一個非常重要的點，為什么現在影像組學、人工智能熱？就是這些高維特征含有基因蛋白這些微觀信息，在這些宏觀的影像上的體現，只不過過去人眼提取不了，但現在計算機提取這些信息來進行系統加工，使得預測更加精準。
提取特征之后，還有一項非常重要的工作是降維。田捷教授列舉了四類主要特征降維方法：稀疏選擇、空間映射、神經網絡、遞歸排除。
田捷教授說，自己經常會跑到美國臨床腫瘤學會、美國腫瘤學會的會議上，要到臨床醫生那里，讓他們“折磨”，找出他們能接受的臨床效果和臨床意義，這時候模型才真正起作用，“我們老在計算機視覺會議上談我的方法和參數好，我覺得意義不大，當然能寫文章，只是把紙變成錢。”
沈定剛教授是美國北卡羅來納大學教堂山分校終生教授、杰出教授，IEEE會士、AIMBE會士以及IAPR會士。
沈定剛教授率領著一個學術能力強大的團隊，實力在智能醫療領域處于國際引領水平。去年，他的團隊有20篇論文被醫學影像AI的頂級會議MICCAI錄取，其中12篇被大會提前錄用。論文的研究方向主要是：圖像成像、圖像配準、老年癡呆癥和兒童自閉癥的診斷。
從成像方面入手，沈教授研究了如何利用AI技術，實現低成本、快速和高質量的成像，以此發表了4篇MICCAI論文。“一方面是應用AI技術，將質量較差的影像變成質量更好的影像；第二個方面是在具體應用過程中，將病人采集過程中丟失的圖像補回來；第三個方面就是快速成像，因為有些模態圖像掃描慢、噪聲很大，AI技術可以將需要幾分鐘掃完的圖像在幾十秒內完成，這將很好提升患者體驗。”
在圖像配準方面，沈教授的團隊研究通過無監督深度學習方法來進行圖像配準。在做醫學圖像分析時，經常要將同一患者幾幅圖像放在一起分析，從而得到該患者多方面綜合信息，提高醫學診斷和治療的水平。對幾幅不同的圖像作定量分析，首先要解決的就是幾幅圖像的嚴格對齊問題。他坦言，圖像配準實現起來難度也很大，遠遠超過圖像的分割、診斷。
此外，圍繞關于老年癡呆癥診斷、兒童腦發育和自閉癥診斷的成果，沈教授都已經進行了分享。
沈定剛教授認為，“大家都在講人工智能，幫助醫生診斷，這樣的人工智能（Artificial Intelligence AI）其實是輔助智能（Assisted Intelligence AI）。”
他對AI的應用提出了很多中肯的建議。他說，所謂的AI或者深度學習，只是解決問題的一種方法，方法必須為解決問題服務。他也時常告誡自己的學生：這個行業里的研究者，不能光知道深度學習，很多幾十年累積起來的經典方法都必須要懂。因為一個方法不可能解決所有的問題，每種方法總有它的局限性。同時，在思路上應該是通過問題找方法，而不是用方法來找問題。
2017年10月，沈教授擔任了聯影智能聯席CEO。他表示，人工智能技術如果只應用在后面的診斷，而不跟影像設備結合起來，總體效果不一定好。創業者要做的是全鏈條、全棧式的影像人工智能，也就是用人工智能優化從成像到影像的篩選，再到后面的跟蹤、診斷、治療和預后這樣一個完整的流程，從而達到最佳診斷效果。
張益肇是微軟亞洲研究院副院長。27年前蓋茨建立微軟研究院，其目的之一就是希望讓計算機能聽、會看、能理解人類，推動計算機領域內所有分支技術的發展，包括計算機視覺、機器學習、語音識別等技術的落地，并以此為微軟未來發展提供思路和方向。
作為微軟亞洲研究院建立時的第一批人員，張益肇博士早些年從MIT畢業，1999年加入該研究院，從主管研究員一直到副院長。
張益肇分享了一個數據：假如未來超過一半的人壽命超過100歲，對社會醫療系統將是非常大的挑戰。現在人口老齡化已經非常嚴重，通常來說，人的年紀越大醫療成本就越高。假如超過一半人活過100歲，而我們又沒有更好的醫療方法，將給社會帶來很大的成本。
而解決這個問題就一定要靠技術。如果沒有新的技術，就無法給大家提供好的醫療條件，讓大家健康快樂地活到100歲。
以病理切片的解讀為例。張益肇表示，中國每10萬人口中只有不到兩位病理醫生，美國每10萬人中有超過50位病理醫生，日本每10萬人中也有超過10位病理醫生。也就是說，中國的病理醫生非常缺乏。我們再看病理醫生要做哪些工作：假如一個人不幸患了肺腫瘤，病理醫生要把他的切片切成二三十片，然后仔細觀察其中哪一類是病變的，是什么樣的病變，A、B、C類型病變的百分比各是多少。這個工作很耗時間，另外，訓練這樣的專業人才也很困難。
人工智能是緩解這類問題的一個重要手段。但是，訓練人工智能模型需要標注大量的數據，能夠標注醫療影像數據的專家又非常稀缺，時間成本也很高。為此微軟亞洲研究院嘗試用弱監督學習的方法，提高可被使用的數據量。
面對一個病理切片，通常有三個目標——分類、切割或聚類。病理圖片通常很大，一張病理圖片可以達到5萬X5萬像素，甚至更大。他分享了三種訓練模型的方法：一是沒有標簽的訓練，這對病理圖片來說很難；二是弱標簽訓練，即利用相對簡單的標簽學習；三是帶詳細標簽的訓練。
張益肇表示，希望通過弱監督學習的方法提高可被使用的數據量，充分發揮機器學習的能力，構建更復雜和精確的模型。
飛利浦在AI方面的投入相當大，據飛利浦中國副總裁王熙介紹，飛利浦一年大概有250多個項目是和大數據、人工智能在醫療影像方面的研究相關。同時他也表示，科研型項目的的核心也是為了開發出技術，最終做出產品。
王熙表示，飛利浦AI方面的應用會遇到了很多難點，而飛利浦不是簡單地利用相關技術處理醫療的圖像，而是真正深刻地理解臨床的應用場景，怎么跟臨床的路徑（治療、診斷）進行深刻的結合。沒有交叉學科知識的互動，很難有真正深刻的理解。
除此之外，CT、核磁，還有一些可穿戴設備產生各種多模態的數據，怎么利用這些額外增加的數據，通過多模態的方式帶來更精準的治療或者診斷，這是相當復雜的一件事。
還有一些非結構化的數據，現在對于腫瘤患者的治療，一方面它的信息分散在不同的科室，有核磁、CT、病理分析等，如何把這些數據有效地整合到一起，并且展示給醫生最核心、最相關的數據，甚至還有一個時間軸的概念。因為在不同的時間軸上，這些病變本身都是不一樣的，這一系列非結構化的數據經過了收集、處理，其中包括了一些大數據的分析，也包括了一些其它應用技術的拓展，怎么能夠把它真正地結合臨床，是相當有難度的。
王熙解釋了飛利浦在醫療的數據化轉型思路：首先是通過數據的驅動，讓數據更有價值。另外，通過深度的學習，消除醫生的盲點，篩選與分析同步進行，提高醫學影像分析與診斷的效率和準確率，讓他們進一步專注在需要關注的點上。飛利浦在全球的核心研究院都會在這些領域做一些深入的探討，比如說自然語言的處理、深度學習和大數據分析。
他還提到了四維模型。王熙認為，現在光講3D在很多應用場景里面還是不夠的，飛利浦也有一個平臺，針對CT、MRI、內窺鏡、IGT等多模態的圖像，都有相應的三維甚至四維的處理。臨床數據能帶來很多好處，提升效率，適應實際的環境等等，但是都需要扎根于真正臨床的環境當中。
溫故而知新。以上，只是四位技術與商業大咖的觀點掠影。
今年7月14日下午，雷鋒網AI掘金志仍將把目光聚焦在AI醫療，匯集最具代表性的理論、技術派大牛與頂級商業化領袖，為觀眾提供極具價值的AI醫療前沿方法與觀點。
目前，以下嘉賓已確認出席，演講議題不日揭曉。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
