雖是老生常談，但人工智能終究繞不開算法、算力、數(shù)據(jù)三要素。這些要素環(huán)環(huán)相扣，緊緊握住了人工智能技術(shù)的命脈。而醫(yī)療場景的人工智能產(chǎn)品越來越豐富，毫無疑問也離不開這三個要素的快速發(fā)展。為了再度探索醫(yī)療人工智能技術(shù)發(fā)展及產(chǎn)業(yè)未來趨勢，在前不久舉行的全球人工智能和機器人峰會（CCF－GAIR 2020）上，包括南京大學(xué)計算機系主任周志華、華西醫(yī)院副院長龔啟勇、騰訊天衍實驗室主任鄭冶楓、平安集團首席醫(yī)療科學(xué)家謝國彤、聯(lián)影智能聯(lián)席CEO沈定剛在內(nèi)的醫(yī)療人工智能頂級專家，對這個三元問題又提出了新的理解。

神經(jīng)放射科的新需求

華西醫(yī)院副院長龔啟勇同時也是一名放射科醫(yī)生，他認為，要解決人類神經(jīng)類疾病，AI的介入必不可少。

在龔啟勇對于精神分裂癥患者的腦MR影像研究之中，他發(fā)現(xiàn)疾病的發(fā)展會帶動患者腦部結(jié)構(gòu)發(fā)生變化，患者多個腦區(qū)會因此便膨脹或縮小。如果能夠通過影像的方式量化這一類變化，醫(yī)生就有可能對患者的精神分裂、抑郁癥、強迫癥等神經(jīng)疾病進行詳細分類。

他在峰會上提到過去的一項研究成果：“一位醫(yī)生曾發(fā)現(xiàn)她的患者在犯強迫癥時，某一特定腦區(qū)的電波會變得異常活躍，因此她嘗試用電極對該區(qū)域進行刺激。而后，患者的病癥有了明顯的改觀。”

遺憾的是，該結(jié)果在后續(xù)的大量實驗中并沒有表現(xiàn)出絕對的效果，對此，龔啟勇認為：“由于人腦的結(jié)構(gòu)非常復(fù)雜，想要通過二維的影像準確判斷腦部病變位置非常困難，我們無法判斷醫(yī)生在操作時是否準確的刺激了標記區(qū)域，因此，我們需要AI技術(shù)對腦部進行快速準確的建模，輔助定位�！�

“如果我們能夠通過AI準確或許患者腦部信息及病變情況，后續(xù)的治療研究或許也將因此受益�！�

小樣本學(xué)習(xí)或能滿足AI新需求

龔啟勇院長的研究似乎預(yù)示著AI確實能夠在輔助神經(jīng)放射學(xué)的發(fā)展，推動神經(jīng)類疾病診斷、治療的進行。但在實際之中，這里存在的數(shù)據(jù)缺乏問題無疑是擋住研究進展的大山。

通常而言，受制于高昂的費用，疑似精神病病患在檢查時并不會直接進行MR診斷，通過患者的實際表現(xiàn)與部分精心設(shè)計的量表，醫(yī)生可以很快完成患者的初診，進而直接選擇通用的治療方案。這導(dǎo)致精神病患腦MR影像難以收集。

龔啟勇院長也提出了多中心協(xié)同的臨床研究以解決數(shù)據(jù)問題，通過聯(lián)合多家醫(yī)院精心標注的腦部數(shù)據(jù)，樣本量的確能夠獲得擴充，但仍難以達到AI訓(xùn)練所期望的大數(shù)據(jù)。

這時，一些新的方法應(yīng)運而生。

小樣本學(xué)習(xí)是推動深度學(xué)習(xí)發(fā)展的新方向，也是現(xiàn)階段騰訊天衍實驗室研究的重點方向之一，騰訊天衍實驗室主任鄭冶楓在會上介紹了兩個小樣本學(xué)習(xí)算法，用于將來解決醫(yī)療影像數(shù)據(jù)量不足的問題。

第一個方法是遷移學(xué)習(xí)，即將某個任務(wù)（源域）上訓(xùn)練好的模型遷移到另一個任務(wù)（目標域）。通過這種方式，我們能夠通過源域上的大量數(shù)據(jù)輔助目標域的小樣本數(shù)據(jù)進行學(xué)習(xí)，具體表現(xiàn)為“預(yù)訓(xùn)練＋微調(diào)”的模式。

鄭冶楓以一個有趣的例子對遷移學(xué)習(xí)的原理進行了表述：“假設(shè)你想做一個‘識別老虎’的計算機視覺項目，但你卻沒辦法經(jīng)常接觸它，觀察它。不過，若你能夠養(yǎng)一只橘貓，便能在與它的朝夕相處中，捕捉它進食、玩耍、休憩等過程中的一些特征，進而用于老虎的識別�！�

第二個方法是無監(jiān)督域自適應(yīng)學(xué)習(xí)，用以解決域偏移問題。在這個方向上，騰訊天衍實驗室提出了新型無監(jiān)督域自適應(yīng)（UDA）的方法，來緩和域偏移所導(dǎo)致的性能下降，該方法僅僅需要源域的數(shù)據(jù)、標注以及目標域的部分圖像，無需新的標注，即可實現(xiàn)兩個領(lǐng)域的自適應(yīng)。

算力重塑人工智能

不過，僅是對算法進行調(diào)整，能夠解決醫(yī)療人工智能中的問題嗎？其實，算法本身也有優(yōu)化的空間。

南京大學(xué)計算機系主任周志華以當前最大人工智能模型“GPT3”為例，談到了當前機器學(xué)習(xí)中的暴力美學(xué)。這個模型用到了45TB訓(xùn)練數(shù)據(jù)，1750億參數(shù)模型參數(shù)，整個模型大小700GB�；�于這個模型，很多困難的自然語言處理問題都取得大幅度進展。

如此來看，模型、數(shù)據(jù)的擴張確實能夠有效改善模型的質(zhì)量，但對于醫(yī)學(xué)人工智能影像而言，同樣會面對數(shù)據(jù)的問題。

假設(shè)醫(yī)生能夠標注足夠多的影像，誰來負擔(dān)高昂的運算費用呢？GPT3一次運算所耗費的算力大概價值1300萬美元，即便是模型中存在BUG，也沒人愿意對其修改，再耗費巨資跑上一遍。

對于這一問題，周志華與鄭冶楓給出了不同的解題思路。

周志華在演講中表示：“這樣的模型能夠解決很多問題，帶來很大的性能提升。但是如此高昂的成本，也給我們從事人工智能研究的人帶來了新的挑戰(zhàn)，特別值得讓學(xué)術(shù)界從事人工智能研究的學(xué)者思考一個問題：昂貴的成本必須換來效益回報，模型性能提升，在工業(yè)界能提升經(jīng)濟效益，有時哪怕性能提升一兩個點，帶來的回報可能足以彌補投入。但學(xué)術(shù)界如果花這么大成本，怎么能帶來足夠的回報？”

“把對‘ 性能’的追求交給工業(yè)界，學(xué)術(shù)界不必過多地關(guān)注“性能”，因為模型性能提高那么幾個點，對于學(xué)術(shù)界并沒有多大的意義，僅僅是發(fā)表幾篇論文的話，對不起這么巨大的投入。那么學(xué)術(shù)界做什么呢？回到本源，做學(xué)術(shù)界該做的工作：探路、思考未來”。

與之相反，鄭冶楓在接受采訪時告訴動脈網(wǎng)：“1％的效率提升對于企業(yè)而言意義不大，而學(xué)術(shù)界應(yīng)該精益求精，追求更完美的結(jié)果�！�

誰是更好的路徑？現(xiàn)在下定論還太早，但從AI的發(fā)展來看，工業(yè)與學(xué)業(yè)的合作，或許才是當下最有可能的發(fā)展方向。

三元問題引入“知識”新要素

從人工智能誕生至今已經(jīng)近70年歷史，研究者仍未跳出三要素的影響范圍，但隨著技術(shù)逐漸成熟，要追求下一代的人工智能，周志華認為必須引入“知識”這一要素。

如何將“機器學(xué)習(xí)“與“邏輯推理”結(jié)合，是人工智能領(lǐng)域的“圣杯問題”，以往的努力有的是“重推理”，有的是“重學(xué)習(xí)”，偏重任何一側(cè)都不能充分發(fā)揮AI的力量。周志華提出了“反繹學(xué)習(xí)”，希望在一個框架下讓機器學(xué)習(xí)和邏輯推理二者能更均衡更充分地發(fā)揮效用。

“從現(xiàn)在來看，‘機器學(xué)習(xí)’與‘邏輯推理’結(jié)合方式主要有兩類，第一類，我們可以看到它是把機器學(xué)習(xí)往邏輯推理中引，但是后面主體還是通過推理來解決問題，所以我們稱它是推理重而學(xué)習(xí)輕。第二種做法基本上是反過來，它把邏輯推理的技術(shù)往機器學(xué)習(xí)里面引，但是后期主要的問題是靠機器學(xué)習(xí)來解決，所以我們稱它是學(xué)習(xí)重而推理輕�？偸且活^重一頭輕，這就意味著有一頭的技術(shù)沒有充分發(fā)揮威力�！倍�“反繹學(xué)習(xí)”則是兩者的融合。

對于周志華的觀點，鄭冶楓也表示非常認同，但他也提出了其中實現(xiàn)的困難：“在人工智能的初期，我們便嘗試將先驗知識融入AI算法模型。但由于不同的知識在融入的過程中必須遵循不同的方式，而沒有一種通法。此外，當時我們的模型跑起來并不如大量數(shù)據(jù)支持的黑箱模型有效，這其實有點打擊人。不過，如今時代已經(jīng)不同，知識的加入或許能夠徹底改變當前的人工智能�！�

AI大有可為

無論是算法、算力、數(shù)據(jù)，還是可能加入的知識，一切都將服務(wù)于醫(yī)生，服務(wù)于具體的場景，只有場景是AI的試金石。

對此，在平安集團首席醫(yī)療科學(xué)家謝國彤看來，AI的發(fā)展必須要借助生態(tài)的力量，醫(yī)療科技的付費是企業(yè)、醫(yī)保、患者三方的角逐。

他在采訪中這樣談到：“衛(wèi)健委很信任我們，因為我們有保險生態(tài)，其激勵便是讓患者健康、長壽，以控制保險風(fēng)險。因此，我們與衛(wèi)健委的利益是一致的”

另外，他也表示：“其實影像只是醫(yī)療體系中很小的一個科室，AI在領(lǐng)域之中的應(yīng)用非常有效，是大勢所趨。即使有同行者在前行路上倒下，這也很正常。錯誤的經(jīng)驗也是經(jīng)驗，一切積累，將幫助我們走得更遠�！�

作者：趙泓維