RE·WORK 巔峰對話：深度學習將徹底改變醫療健康領域

在4月7日、8日為期兩天的倫敦RE?WORK深度學習醫療峰會之前，RE?WORK提前組織了兩場對話討論深度學習在醫療領域的應用。

在4月7日、8日為期兩天的倫敦RE•WORK深度學習醫療峰會之前，RE•WORK提前組織了兩場對話討論深度學習在醫療領域的應用。數家醫療領域的深度學習創業公司CE0、醫療專家等就深度學習在醫療領域應用的機遇與挑戰展開討論，并對5年后深度學習對醫療領域的變革做出大膽的預測。

人們說未來 5 年里人工智能和深度學習在醫療健康和醫學方面的應用將增長 10 倍，從學習在豐富的醫學數據中識別復雜模式的算法，到為個性化醫療提供對現實世界證據的分析，再到發現與 DNA 結合的蛋白質的序列特異性和怎樣用其協助基因組診斷。

作為我們正在進行的發言人問答系列的一部分，我們詢問了深度學習和醫療健康專家，讓他們預測這一領域未來 5 年的狀況、人工智能整合所涉及到的風險、哪些領域將被顛覆等等。

專家介紹：

Diogo Moitinho de Almeida 是一位數據科學家、軟件工程師和黑客。2014 年他以高級數據科學家的身份加入了 Enlitic，他在這里為醫療診斷開發深度學習算法。

Sobia Hamid 擁有劍橋大學的表觀遺傳學博士學位，也是非營利性社區 Data Insights Cambridge 的創始人，該社區擁有超過 800 位數據科學從業者。

Olexandr Isayev 是北卡羅來納大學教堂山分校 Eshelman 藥學院的一位研究科學家，他的主要研究工作是使用分子建模和機器學習理解化學數據。

Vinay Kumar 是一位納米技術研究者，也是 Arya.ai 的創始人和 CEO。Arya.ai 是一個人工智能開發者平臺，具有用于語言、視覺、文本、語音、對話和推理的深度學習工具。

Michael Nova 是 Pathway Genomics 的首席創新官及聯合創始人，同時也是Pathway 和 IBM 合作的沃森深度機器學習和人工智能移動應用 Panorama/OME 的發明者。

Naveen Rao 是 Nervana Systems 的聯合創始人和 CEO。他既是一位計算機架構師，也是一位神經科學家。他創立的 Nervana 的目標是利用生物學的靈感并將計算帶向新的方向。

問：醫療健康的哪些領域被人工智能顛覆的潛力最大？

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

Diogo：醫學本質上是一個數據問題，所以整個醫療領域都會被顛覆。很多專家評論說深度學習缺少一個殺手級應用，我們現在所得到的不過是一個更好的圖像搜索，而我認為醫學將會成為人工智能的殺手級應用。診斷、治療規劃和人口健康是尤其讓人興奮的領域，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鍵階段——自動化、協助、管理。從組織和運營的角度看，任何自動化都是很容易的。在醫療健康方面，「初級衛生保?。≒rimary Health Care，譯者注：指社區內的個人和家庭能夠普遍獲得的基本衛生保?。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生或其他醫療保健專業人員的負擔。當然，影響最大是在缺乏醫生甚至沒有醫生的領域！更普遍地，任何醫生都可以從同行或專家的第二意見中獲益。使用機器作為「數字助理」，醫生可以在多重復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的協助形式，——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：隨著機器學習被應用在了日益涌現的大型醫療數據上，醫療健康領域內出現了巨大的創新潛力。整個系統都可能被大幅改變。這里給出的只是我想到的幾個方面:

1. 醫療診斷

2. 處方藥和藥物預訂

3. 智能病人監控和警報

4. 精密醫學

5. 普遍可用的高品質藥

6. 由機器人完成的自動手術

問：在醫療健康和醫學中應用深度學習方法所涉及到的主要風險是什么？

Sobia：醫療實踐中的自動化元素意味著醫生將漸漸遠離傳統的面對面醫患交互。這應該能夠提升醫生花在病人上的時間的質量，包括更多的花在解釋、溝通和臨床決策上的時間。醫療診斷的自動化需要準確，并且避免報告不被已證明的研究支持的偶然發現。否則如果在沒有人類輸入將這些發現放入到背景中時，信息和推薦被錯誤地解讀，那么醫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面影響的風險。準確性和可靠性也至關重要。對醫療人工智能技術進行嚴格測試以證明它們傳說中的好處是很重要的。與準確性和可靠性同樣重要的還有確保數據的安全和保護消費者的個人信息。

Diogo：醫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，他們構建起了不切實際的期望，而這會同時摧毀醫療健康行業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需要采取負責任的行動，因為當下的炒作行為可能會導致一個矯枉過正的監管環境，而過于嚴厲的監管將阻止人們獲得最好的醫療。

Vinay：深度學習已被證明能在許多情況中工作，但我們對這些學習層中所發生的事情知之甚少。主要的未知是——我們不知道這些神經網絡之內發生著什么。在封閉測試中，我們知道這些網絡的輸出。而在開放測試中，這些未知結論可能會創造出許多其它我們未曾預料到的結論。但是，這些風險可以通過創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，教育系統產生的任何人類專家都無法正確回答所有問題。準確程度這只是相對的——這就好比，「與班上的其他學生相比，你有多優秀」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療建議必須精確而且準確。因為文化、監管和成本上的問題，美國醫學的數字化一直很慢。

Olexandr：我最大的擔憂和人工智能無關。我不覺得深度學習或其它任何數據驅動的技術的廣泛使用有危險。但是，最大風險涉及到用戶的隱私和它們的數據。隨著深度學習在現實生活中的應用越來越廣，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）。醫院和保險公司將全面數字化它們的紙質檔案。我們作為一個領域，必須努力保護這些數據、保護病人的隱私和維護他們的信任。其它風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還未適應人工智能。如果病人被人工智能誤診了會怎樣？是誰的責任？該怎么辦？所有這些問題必須得到解決。

問：在深度學習領域，未來五年我們有望看到怎樣的進展？

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：指關注視覺環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，這在醫學方面是相當重要的。今天，深度學習模型只在機器學習問題的一個子集中得到了使用。隨著我們優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，成功的深度學習應用對數據的需求將會極大地下降：它們所需的標記數據將會更少，它們將能高效地利用嘈雜的和不完整的數據，而且它們還能將來自多種方式的數據結合到一起以找出其中的模式——我們知道這個模式應該是存在的，但目前我們還無法找到它。

Naveen：「近來深度學習技術中的進步將幫助我們解決許多世界上最復雜的問題?！笵FJ 的合伙人 Steve Jurvetson 說，「通過開發使用起來更快、更容易和更便宜的深度學習解決方案，Nervana 正在將深度學習大眾化并助力醫療診斷、圖像和語音識別、基因組學、農業、金融和最終所有行業的進步?！?/p>

將深度學習應用擴展到我們生活的所有方面將在未來 5 年內發生。我們獲取醫療保健、商店和農產品服務的方式、我們與他人交互的方式都將被學習機器重新塑造。深度學習將讓我們可以更好和更高效地使用資源和推動服務成本的下降。此外，隨著網站和設備適應我們的個性化偏好，我們使用機器的體驗也將變得個性化。

在研究方面，無監督學習將會在未來 5 年內大力發展。世界上所有數據中的大約 90% 都是未被標記的數據，這意味著，關于這些數據的含義或者從這些數據能得到什么推論，不存在任何既有的描述（圖像、聲音、GPS 追蹤數據、運動數據等等）。無監督學習是下一個用于尋找數據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網絡，但展望未來，我們將看到越來越多的多功能神經網絡，它們能執行多種任務并且可以記住執行復雜任務所需的決策流（decision flow）。這將改變多功能機器人的范圍和規模，并將讓我們可以見證大規模生產機器人的時代的到來。

Michael：應該有望見到遠遠更深度的模型、能夠使用比今天的模型遠遠更少的訓練案例學習的模型，以及無監督學習的重大進展。我們應該有望見到甚至更精確和更有用的語音和視覺識別系統。當數據中包含更多的結構時，深度學習方法有望被應用在越來越多地多模態問題上。深度學習算法將變得非常高效，以至于可被用在便宜的移動設備上，甚至不需要額外的硬件支持或過高的內存占用。

Olexandr：在五年內，我們病人就將看到深度學習在實際應用中的革命。將研究中的成功轉化到臨床實踐上需要一定的時間。

1. 深度學習將會徹底改變診斷的醫療服務。醫生將被診斷數據淹沒：核磁共振、CT、X 光、活檢等等。卷積神經網絡（CNN）將非常有效地處理由這些圖像和立體（3D）數據構成的財富。CNN 將自動分析和分割圖像，找到可疑的疾病并在適當的置信度上提供客觀的結果。

2. 計算機和人工智能系統將防止許多醫療錯誤。我們人類會犯錯。醫生們的工作時間很長，還面臨壓力和其它現實生活的挑戰。人工智能助手可以幫助做正確的決定和防止潛在的錯誤。

3. 數字藥師。這種人工智能系統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將為全球數億人提供全民醫療，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助醫生的人工智能助手的出現，（想象一下，對醫生們來說，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；醫生將直接使用自然語言與它們進行交談。

問：深度學習中的哪些領域最讓你興奮？

Sobia：用于醫療成像的深度學習技術在提高分辨率、分析的廣度和速度以及診斷上帶來了非常了不起的進步。在計算生物學研究方面也有一些深奧的進步，比如深度神經網絡在預測蛋白質結構上的應用。臨床試驗數據上深度學習方法的應用也在藥物開發和更廣泛的治療干預上顯示出了巨大的潛力。

Diogo：對我來說，所有的深度學習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有的工具還遠不夠完美，但即使是這樣，它們得到的巨量結果也在這一領域給它帶來了聲譽。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在已經做出的一切相形見絀的軟件，并開發出讓我們現在所使用的工具就像是來自深度學習的石器時代一樣的新工具。

Naveen：我個人認為醫療健康是一個重要的發展領域。醫療的成本正坐著火箭瘋漲，而機器學習可以在降低醫療價格的同時還提高醫療的質量。使用機器協助診斷意味著可以將同樣高水平的醫療能力帶給更多的人。

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

Michael：更深度的建模，加上無監督學習的進步，這種無監督學習能處理包含了所有「生物組學信息數據集（omics information datasets）」的非結構化數據。

Olexandr：深度學習領域目前所有的進步都主要來自 3 個領域：圖像、語音和文本識別?？吹缴疃葘W習在基因組學、生物信息學、系統生物學等領域出現，我真的非常興奮。我希望這些領域可以使用并推動創新。我期望看到接下來會出現哪些新的架構和算法。

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！