尋找真正的AI應用場景:認知醫療影像,走向精確診斷口”!

2016-03-31

無論是作為Google精心策劃的一場商業秀,亦或是人工智能真的攻陷了人類最后的堡壘,毫無疑問的是,AlphaGo和世界圍棋冠軍李世石的巔峰對決,已經成功吸引了全世界人的關注和熱議。如果你還沉浸在“人工智能會不會對人造成威脅”的討論和憂慮中,顯然,你還沒來得及了解人工智能,就被排山倒海而來的陣勢嚇到了。

 

害怕或擔憂?簡直弱爆了

 

人工智能(Artificial Intelligence,縮寫為AI),它不只出現在科幻電影中,負責演出給人類帶來各種麻煩的虛幻技術,像《終結者》里的天網防御系統那樣,在獲得自我意識后,企圖毀滅它認為對自己是威脅的全體人類。事實是,我們早就身處于一個充滿人工智能的世界,汽車上的ABS防抱死剎車系統,手機上的地圖軟件導航,購物網站上我們或許感興趣的產品推薦,社交APP上彈出可能認識的朋友提示,智能家居系統根據我們的日常習慣調節室內溫度,等等,這些應用屬于弱人工智能的體現,就是擅長于單個方面的人工智能,不可能制造出能真正地推理和解決問題的智能機器。之所以被我們常常忽略到,是因為它們已經悄無聲息的融入人們的生活領域,如“人工智能之父”John McCarthy常常抱怨的 “一旦一樣東西用人工智能實現了,人們就不再叫它人工智能了”。

對比弱人工智能,強人工智能的界定顯然讓人們更有興趣:有可能制造出真正能推理和解決問題的智能機器,并且被認為是有知覺的,有自我意識的?!熬哂鋅矸旱男睦砟芰?,能夠進行思考、計劃、解決問題、抽象思維、理解復雜理念、快速學習和從經驗中學習等操作?!鼻咳斯ぶ悄茉誚姓廡┎僮魘焙腿死嗤瞇撓κ?。想要比肩人類的大腦------這個我們所知的、宇宙之中最復雜的東西,人類自己尚且仍需努力,被人類創造的智能機器想做到,還要再等等。用計算機科學家Donald Knuth的說法,“人工智能已經在幾乎所有需要思考的領域超過了人類,但是在那些人類和其它動物不需要思考就能完成的事情上,還差得很遠?!?/p>

 

所以,與其為AlphaGo沾沾自喜,不如想得更遠些:弱人工智能到強人工智能,我們還能做些什么?

 

拿什么拯救你?我的人工智能

 

提到強人工智能,就不得不提到專家系統,不得不提到IBM投入數十年建立的認知計算。專家系統,可以看作是一類具有專門知識和經驗的計算機智能程序系統,一般采用人工智能中的知識表示和知識推理技術,去模擬那些通常由領域專家才能解決的復雜問題。認知計算,是指一種能夠規?;?、有目的推理、并與人類自然交互的系統,它們不需要事先精確地編程,而是從它們與人之間的交互和與環境之間的互動中學習和推理。這兩者,并不矛盾,而且也不是設想或空談。

 

AlphaGo的“思考”只能說是“被人的大腦啟發”,而并非和人類思考一模一樣。從弱人工智能向強人工智能進發,人類需要賦予機器自我學習的能力,讓計算機靠自己的能力去處理數據,而不需要被人為的編程。通過能自我學習的深度學習,它處理的數據會越來越多,學習能力會越來越強,洞察、思考、推理、模擬專業人士的經驗與行為間的關系,再經過專家的調節,它能在任何在可以純憑邏輯分析推算的問題上,超越人類能及的范圍。

 

那么,基于深度學習的人工智能將引發什么樣的變革?我們將看到一種類型完全不同的人工智能,它們能夠解決問題、拯救生命、產生巨大的商業和用戶價值。強化學習非常適合醫療領域,舉個例子,一種分析X光、MRIs和超聲波圖像的認知醫學圖像應用,它能處理醫學期刊、書本和文章的自然語言,它利用機器學習來矯正和增強理解力,它還可以開發深度知識表征和推理,有助于形成可能的診斷結果。

 

國內在做什么?別崇洋媚外

 

讓人工智能“真正”重回人們的視線,這場機器與人類的世紀之戰功不可沒。聲勢浩大的人工智能運動正在席卷全球,除了津津樂道的討論,每一個參與進來或即將參與進來的公司,都對人工智能充滿了無限的遐想。

 

這其中,有許多隱藏的先行者。

 

高居不下的漏診率、誤診率,是全世界各國醫生難以自醫的頑疾,在這其中,醫療影像診斷的誤診情況似乎看起來有些“功不可沒”。長久以來依靠專家的肉眼來分辨醫療影像,本質上也是一種認知。但是限于人腦的處理能力和精確性,并不能把這種認知高度精確化,自動化。不具備多年經驗積累的醫生,就更難實現專家水平。

 

那么,讓機器閱讀足夠量的影像數據,它是否就能學會“看”圖像?讓機器學習專家如何診斷,它是否就能“看懂”圖像?如果機器都做到了,它是否能輔助醫生做更精準的診斷?為了尋找這些問題的答案,一家中國的科技公司在2008年投身了這一場結果未知的戰爭,而且一戰就是8年。

 

基于對數據塑造人類未來的敏銳認識,這家公司采集了海量病例影像數據和中國正常人群組數據。通過高效率的人工智能學習,能夠更快速的找到數據的模式和相似性,幫助醫生發現最關鍵的信息。將機器深度學習能力和人類專家經驗有機結合起來,教會機器如何讀取影像背后的非結構化語言,從多個來源中去衡量信息和想法,學習專家如何處理影像、采集數據、比照參考,在海量數據庫中搜索、對比、推斷,并做出每個可能診斷結果的置信判斷。終于,八年磨一劍,想象中的“影像專家”系統在2016年問世。

 

就在剛剛過去的一周,這家科技公司的影像大數據處理平臺挽救了一位即將推向手術臺的病人,它成功定位出轉移灶的正確解剖學位置,糾正了肉眼判斷的錯誤,阻止了一場醫療事故的發生。

 

我們應該記住它的名字,雅森科技。

 

未來很放肆?請放馬過來

 

雅森科技擁有中國正常人群組影像數據庫,海量病歷數據庫以及周邊檢查數據,其機器學習平臺通過對診斷方法、圖譜概率、醫生經驗的學習,把醫療影像的認知提上全新的高度。除了通過擁有大數據+大計算來達到輔助醫生診斷之外,未來更是可以通過自動診斷、病情發展預測、藥物療效分析、個性化精準治療來全面實現診斷治療技術的提升。

 

相對于Alphago在圍棋上的勝利,人們應該更關心人工智能在人類生命健康之中的應用場景,畢竟,這遠比棋局的勝利更加意義深遠。