【e醫療原創】不再「閃退」的人工智慧

」

導讀

自誕生起，人工智慧迄今已經有60年的發展歷史了，其間經歷了多次波折起伏。很多時候，它貌似就要在一些領域裡從人類手裡「分杯羹」，但卻突然「閃退」，半途而廢。

而這一次，很多人再次期待它最終能成功地走入人類的生活。許多人進行著人工智慧進入醫療領域的美好想象，希望它幫助解決優質醫療資源不足的問題。

它能夠做到嗎？

e醫療/魏東

核心技術驅動下的巨大進步

人工智慧有自身的技術底蘊。有三項基本技術被稱為人工智慧「火箭」的三個要素，正是因為近年來它們的飛速發展推動了人工智慧的快速進步。它們是：以深度學習為代表的機器學習技術，大數據技術，基於雲計算的計算集群。

雲知聲AI技術專家劉昇平認為，現在的人工智慧大多還只是一種弱的智能，只能處理一些特定場景和任務，但還不是一種通用智能，還無法對任何場景做出正確分析和反應。「Alpha Go」或「Master」也能下圍棋，而不會下象棋或搬磚，所以人工智慧尚處在一個「專有智能」階段。

近年來，人工智慧的基礎技術，尤其在感知和認知這兩個方面取得重大進展。所以它的火，絕不是虛火，而是建立在實實在在的技術進步基礎上的。

感知智能方面，在語音識別領域，深度學習的引入使語音識別的準確率大幅提高。自2010年微軟首次把深度學習技術應用於語音識別中去后，語音識別的準確率由70%提升至目前的96%。語音識別目前已經成為工業領域最成熟的感知智能技術。

圖像處理領域的技術進步與之類似。自2012年深度學習引入到圖像處理領域后，識別正確率由70%多提高到97%。這個紀錄在2016年由位於上海的公安部第三研究所創造，它已經超過了人類的識別能力。現在的技術已發展到給系統提供一張圖像，它還可以自動生成一段圖像的描述：如某個（些）具有什麼特徵的事物在另一個（些）具有什麼特徵的事物的哪個位置（如前後左右上中下）。理論上來說，如果這種技術被引到醫學影像處理方面，則可以生成一個醫學上的閱片報告。

人工智慧的語言翻譯上也取得了進展。谷歌的翻譯識別系統已經可以接近人類的水平了。自然語言沒有語音或圖像識別那樣簡單，它綜合反映著人類智能的水平。但是相對而言，這種技術還不成熟，體現在：（1）語言理解方面，只能支持對垂直領域的內容，而做不到對開放領域的任意交流；（2）在語言生成方面，可以寫詩作對，甚至寫聯考作文、新聞報告，但是寫出來的東西是機械死板的，且僅針特特定的垂直領域，創造性方面遠不能與人類相比。

在知識學習上，知識圖譜技術得到了應用。它的思想與大數據相類似，可以稱為「大知識」。即把知識放在網路層面，互相聯接起來，可以對機器提問，而它可以給出準確答案。目前這項技術也被引入到醫療領域，像中醫科學院開展了中醫藥領域本體研究，取得了很好的進展。可以預見，一旦這種技術把全世界的知識聯結起來，將會產生怎麼的威力！

判斷決策方面，從1997年的「深藍」到2011年的IBM WATSON，以至最新的「Alpha Go」，這三個人工智慧項目雖然都有戰勝人類的經歷，但是它們的技術展很快。運算能力完全是不同量級的，「深藍」只有1台大型機伺服器，IBM WATSON則有90台伺服器，而「Alpha Go」有多達近1920個CPU和280個GPU的集群。圍棋一直被認為是人工智慧領域中最難解決的問題，因為直覺力在其中佔有很大比重，導致計算機難以模擬。但是新技術則做到了只要給計算機足夠的數據，它可以模擬人的直覺。「Alpha Go」和「Master」已勝戰績證明它已達到何種程度！

不可忽視的局限與短板

雖然人工智慧取得很大進展，但是尚存一些問題，如果得不到解決，會影響它進一步的應用。這種制約由計算機的魯棒性決定。魯棒性是指控制系統在一定（如結構、大小）的參數攝動下，維持其它某些性能的特性。

1

識別錯誤

如一張表現小男孩拿著牙刷的圖片，人工智慧卻識別成一個人拿著棒球棒的信息。人工智慧的判斷依賴所輸入的數據和信息，而缺少像人那樣的生活經驗，是產生這種錯誤的原因。

2

犯錯而不被知道

機器犯錯是可怕的，但人不知道它何時犯錯是最可怕。所以人工智慧的「可信任」是最近研究的主題之一，要讓人工智慧給出方案的可靠性，而不是自作聰明。

3

不具可解釋性

它給出答案卻不能解釋，這讓人難以適從。因為目前大部分的機器學習模型不具有可解釋性或者只是大數據意義下的相關性，特別是深度學習，更是一個黑箱模型。，這一點非常重要，尤其對醫療行業來說，這樣才能令人信服。

4

對事先不知道的情況反應錯誤

2016年特斯拉汽車在美國發生的一個事故很能說明這個問題。當前面的一輛白色的超級長的大貨車拐彎時，一大片白色導使得令特斯拉雷達致盲，讓它做出了錯誤的判斷和決策，最終釀成撞車事故。特斯拉國內也發生了撞上清潔車輛的事故，可能是因為廠商事先沒有把的各種車輛和路況作為訓練語料，它不能無法正確應對。

因此，如果人工智慧在可靠性和魯棒性方面沒有完全解決好的話，那麼它的應用場景將會受限。

呼之欲出的與醫療深度融合

目前，人工智慧已經開始在很多領域攻城略地，醫療領域也自然成為它的進軍對象。目前的主要應用有：

（1）語音電子病歷，它是語音識別技術的一個實用性發展，可以醫生的口述內容迅速轉換成文字；

（2）臨床大數據分析，應用大數據挖掘與分析技術，挖掘積累的臨床數據的價值。

（3）影像輔助診斷，這種基於計算機圖像技術，讓機器可以閱片；

（4）患者健康助理，這是基於醫療知識的一個應用，為患者提供導診，預診，健康諮詢和健康教育等內容；

（5）臨床輔助診斷，根據患者的情況，給出診療建議。

從技術與產品成熟度維度來看，語音病例、臨床大數據分析、患者健康助理的應用比較成熟，而影像輔助診斷還需要一個更加成熟的過程，它們的市場接受度都很高。而臨床輔助系統，無論是從技術的成熟度，還是從市場接受度上看，都有待於提高。

明日關注

呼之欲出：人工智慧與醫療的深度結合

-end-

近期會議攻略

1

武漢的櫻花開了吧

2017年3月24日

2

每年春季CMEF上，這場盛會總能吸引最多的目光

2017年5月16日

©以上文章來源

e醫療原創文章，轉載請註明來源。