邢磊，斯坦福大學(xué)終身教授，斯坦福大學(xué)醫(yī)學(xué)物理部主任，從事醫(yī)學(xué)影像、腫瘤放射以及生物信息方面的研究超過20多年。同時(shí)，邢磊教授兼任斯坦福大學(xué)電子工程系、分子影像、生物信息專業(yè)以及Bio-X的兼職教授。在醫(yī)學(xué)影像和醫(yī)學(xué)物理方面發(fā)表論文數(shù)目近300篇，獲得多個(gè)NIH，國防部，NSF，ACS，及工業(yè)界 的重大科研項(xiàng)目，是谷歌學(xué)者獎(jiǎng)獲得者，AAPM 以及AMBIE的院士。

　　深度學(xué)習(xí)算法多數(shù)是通用型的，但需要研發(fā)針對具體應(yīng)用的算法以提高效率和準(zhǔn)確度

　　深度學(xué)習(xí)技術(shù)是否適合所有類別的醫(yī)學(xué)影像，是否有些更為合適，有些則更適合使用其他技術(shù)？

　　邢磊：深度學(xué)習(xí)只是機(jī)器學(xué)習(xí)的一種方法，但最近被“炒”的很火，因?yàn)樗膽?yīng)用比較廣泛且十分有效。 深度學(xué)習(xí)確實(shí)在很多醫(yī)學(xué)問題中會(huì)有很多應(yīng)用，只是目前有些比較成熟 （比如用深度學(xué)習(xí)來進(jìn)行二維圖像識別，處理和分割），有些正處于探索研究階段（比如用深度學(xué)習(xí)來幫助醫(yī)生閱讀解釋三維及四維影像）。 源于斯坦福計(jì)算機(jī)系的Sebastian Thrun教授實(shí)驗(yàn)室的有關(guān)利用深度學(xué)習(xí)進(jìn)行皮膚癌識別診斷的工作可能是大家比較熟悉的。

　　與此同時(shí)，算法也在改進(jìn)，隨著時(shí)間的漂移，大家會(huì)看到有各種創(chuàng)新來把算法簡化，形成一種比較通用的算法，當(dāng)然通用型的算法在解決某些具體的應(yīng)用時(shí)效率可能會(huì)沒那么高。

　　深度學(xué)習(xí)目前在醫(yī)學(xué)影像處理遇到什么困難？亟須攻克的學(xué)術(shù)難題是什么？

　　邢磊：深度學(xué)習(xí)應(yīng)用非常廣泛。在大數(shù)據(jù)方面中做研發(fā)的人很多。谷歌所提供的開源算法平臺大大地降低了進(jìn)入人工智能的門檻，很多人朝著這個(gè)研究方向里面涌，可能今后幾年大家會(huì)看到各類應(yīng)用像雪崩一樣襲來。

　　與此同時(shí)，面臨的困難當(dāng)然有很多。首先，計(jì)算量很大，目前的計(jì)算能力如果處理二維圖像的話沒什么大問題，但要進(jìn)行三維，甚至四維的圖像處理（時(shí)間加上空間），那么現(xiàn)代計(jì)算機(jī)的計(jì)算和存儲能力都成為了一個(gè)阻礙。

　　所以，未來會(huì)需要一些針對具體應(yīng)用的算法創(chuàng)新，來縮短計(jì)算時(shí)間，提高計(jì)算效率。

　　這些困難需要怎樣的突破的方向？

　　邢磊： 大家不能只專注于研發(fā)通用型的算法，針對細(xì)節(jié)及具體應(yīng)用的研究將有助于人工智能落地并造福于人類。

　　智能醫(yī)療決策尚處于原始階段

　　醫(yī)學(xué)影像與病例病史等資料的整合，從而做出綜合的智能分析決策，現(xiàn)在處于怎么樣的水平階段了？

　　邢磊：非常原始的階段。現(xiàn)在醫(yī)院對病人進(jìn)行系統(tǒng)的綜合的智能分析決策做得還非常不夠，比如今天一名病人的核磁結(jié)果來了，就分析一下，但實(shí)際上，這名病人也許在十年前也留下了相關(guān)的核磁、CT及病例病史等結(jié)果，這些歷史數(shù)據(jù)是否能夠整合呢？如有了全面的智能分析決策之后，效果會(huì)好的多。

　　當(dāng)然，這方面開始“想”的人很多，只是開始做的人很少。因?yàn)閷?shí)施起來有很大的難度，首先必須先有技術(shù)，醫(yī)生不可能自己寫程序，而且得有大量的臨床數(shù)據(jù)證明這樣的做法的有效性，大家才會(huì)接受。

　　對人工智能在醫(yī)療領(lǐng)域，以醫(yī)學(xué)影像領(lǐng)域來說，你的前景展望，未來愿景是怎樣的？

　　邢磊：我個(gè)人覺得是，將來每一個(gè)放射科的醫(yī)生，手機(jī)上或者電腦終端都會(huì)有一個(gè)智能分析決策的APP，也就是說，基本上所有的要經(jīng)過放射科（當(dāng)然也包括其它科室）的病人，同時(shí)也會(huì)經(jīng)過這個(gè)APP，尤其是疑難病癥，由人工智能來輔助分析決策。今天會(huì)上大家已經(jīng)看到，匯醫(yī)慧影已經(jīng)在打造這樣一個(gè)智能醫(yī)療影像平臺方面取得了驚人的進(jìn)展。

　　那么，最終計(jì)算機(jī)是否會(huì)取代放射科醫(yī)生呢？

　　近期來看是可能性不大的，因?yàn)檫@過程中還需要人來進(jìn)行質(zhì)量控制和最終決策。但是，技術(shù)確實(shí)會(huì)帶來巨大的幫助，除了提高效率之外，它可以提出提高質(zhì)量和精度， 促使很多醫(yī)生去想很多以前想不到的問題。俗話說，三個(gè)臭皮匠頂個(gè)諸葛亮。 人工智能是由三個(gè)諸葛亮打造而成的，應(yīng)該是一位超級醫(yī)生。）

　　中國AI醫(yī)療發(fā)展不遜色于國外

　　中國進(jìn)行AI醫(yī)療研究的條件和國際相比如何？

　　邢磊：總體來說，差別不大。硬件方面，國內(nèi)超算首屈一指，但講到高性能計(jì)算機(jī)，國內(nèi)可能沒有國外那么普及。從研究方面來講， 可以很明顯地看到國內(nèi)這個(gè)智能領(lǐng)域的熱度在上升 。

　　我曾經(jīng)提到過，數(shù)據(jù)不集中不規(guī)范是目前智能醫(yī)學(xué)發(fā)展的最大障礙之一，國內(nèi)在這一方面還有很多優(yōu)勢的 ，畢竟政府可以很高效地進(jìn)行協(xié)調(diào)、協(xié)商，鼓勵(lì)來解決這個(gè)問題，可能要比國外更高效。

　　當(dāng)前以人類水平作為機(jī)器學(xué)習(xí)的標(biāo)準(zhǔn)尚是合理

　　一般來說衡量AI醫(yī)學(xué)影像的水平，會(huì)拿它與人類的識別能力作比較以作為標(biāo)準(zhǔn)，您覺得這是否合理？

　　邢磊：合理也不合理。合理的方面是，在研發(fā)的初期，行業(yè)沒有更好的標(biāo)準(zhǔn)，不單單是人工智能技術(shù)，以往影像科學(xué)的發(fā)展，都經(jīng)常用專家的水平來作為判斷的標(biāo)準(zhǔn)，比如說醫(yī)學(xué)圖像的分割，計(jì)算機(jī)輔助的乳腺癌診斷， 等等。

　　那么，將來是否能夠以機(jī)器學(xué)習(xí)出來的并驗(yàn)證后的（超級醫(yī)生的）結(jié)果作為標(biāo)準(zhǔn)呢？

　　邢磊：這是一個(gè)值得探索的問題，但最終我認(rèn)為還是最終要由臨床醫(yī)生的參與。

　　總的來說，一個(gè)新的方法在拿出來應(yīng)用時(shí)，總得要有一個(gè)benchmark， 之后所做的創(chuàng)新改進(jìn)，也都要尋找新的benchmark。

　　主攻自動(dòng)化醫(yī)療決策研究

　　您現(xiàn)在主要進(jìn)行的研究是哪方面？您最感興趣的課題是什么？

　　邢磊：我的實(shí)驗(yàn)室研究范圍很廣，從基礎(chǔ)的影像設(shè)備，分子影像，圖像重建和處理，影像和基因組學(xué)，治療計(jì)劃，到臨床數(shù)據(jù)采集分析。這些研究中很多項(xiàng)目都涉及到機(jī)器學(xué)習(xí)和人工智能的應(yīng)用。 可以說未來人工智能將是醫(yī)學(xué)研究和臨床應(yīng)用中必備的組成成份。 我們最近在機(jī)器學(xué)習(xí)和人工智能應(yīng)用方面所做的研究包括， 用深度學(xué)習(xí)來做圖像分割和處理 ， 用機(jī)器學(xué)習(xí)來把臨床上要用技術(shù)員和醫(yī)生來做的工作自動(dòng)化，用人工智能來讓來幫醫(yī)生做臨床決策，以及用人工智能來實(shí)現(xiàn)對一些有局限情形下采集的數(shù)據(jù)進(jìn)行處理和圖像重建。

　　舉個(gè)簡單的例子，在實(shí)施放療的過程中，醫(yī)生需要制定治療計(jì)劃，治療計(jì)劃是一個(gè)技術(shù)機(jī)優(yōu)化的過程，這個(gè)過程中涉及很多決策，用人工智能來做這項(xiàng)工作會(huì)非常地有效，原來數(shù)小時(shí)甚至數(shù)天才能做完的工作，計(jì)算機(jī)十幾分鐘就能完成，而且質(zhì)量能夠有保證。所以說，人工智能在提高效率和質(zhì)量都會(huì)有巨大的幫助。

　　那可不可以請邢教授講一講，大數(shù)據(jù)人工智能里面有哪些學(xué)術(shù)流派，包括算法，是我們不知道的，而你看到的，或者正在研究的？

　　邢磊：實(shí)際上大數(shù)據(jù)還有人工智能也不是一個(gè)新的概念。人工智能在50年代就已經(jīng)提出來，當(dāng)時(shí)以斯坦福大學(xué)計(jì)算機(jī)系的John McCarthy 為代表的科學(xué)家已清楚地認(rèn)識到了“人工智能”的重要性。 也許是由于很多歷史的原因， 人工智能有三個(gè)比較大的所謂學(xué)派：

　　第一個(gè)是符號主義。早期AI運(yùn)算多使用用符號操作系統(tǒng)。符號主義主要是從心理學(xué)的角度來看人工智能問題，它相信人的認(rèn)知可以通過符號表達(dá)出來，從而進(jìn)行AI計(jì)算?，F(xiàn)在這個(gè)方法仍然很活躍， 最近深度學(xué)習(xí)的成功給符號主義注入了新的活力 。

　　第二是進(jìn)化主義， 這個(gè)AI理論主要基于控制論和感知－動(dòng)作型系統(tǒng)。進(jìn)化論主義也在用計(jì)算機(jī)模擬人的認(rèn)知過程中起了不可磨滅的作用。

　　第三是仿生學(xué)派。最近被媒體炒得最熱的神經(jīng)網(wǎng)絡(luò) （neuro-network）就是這個(gè)學(xué)派?；诖竽X是由神經(jīng)元和連接神經(jīng)元的網(wǎng)絡(luò)這樣一個(gè)基本模型，通過學(xué)習(xí)來訓(xùn)練 neuro-network 似乎是非常直觀的方法。但從80年代到90年代， 神經(jīng)網(wǎng)絡(luò)的研究起色并不十分顯著，主要是計(jì)算機(jī)的計(jì)算速度和存儲跟不上。因?yàn)橛?jì)算量太大，不用說深度學(xué)習(xí)，就是一般的單層網(wǎng)絡(luò)也較難處理。

　　人工智能的學(xué)習(xí)有三個(gè)主要的部分：數(shù)據(jù)、模型、算法。

　　數(shù)據(jù)方面，除了需要大量的高質(zhì)量數(shù)據(jù)以外，數(shù)據(jù)的標(biāo)準(zhǔn)化也至關(guān)重要。在斯坦福大學(xué)的生物醫(yī)學(xué)信息專業(yè)，其中一個(gè)很大的實(shí)驗(yàn)室就是致力于怎樣把術(shù)語標(biāo)準(zhǔn)化。把所有的醫(yī)學(xué)，工業(yè)和商業(yè)術(shù)語用標(biāo)準(zhǔn)語言表達(dá)出來實(shí)際上是一項(xiàng)很浩大的工程。

　　模型方面，最值得一天的恐怕要是深度增強(qiáng)學(xué)習(xí)（Deep Reinforcement Learning），reinforcement learning已存在已久，是從一些運(yùn)籌學(xué)（operation research）的方法衍生發(fā)展而來。深度增強(qiáng)學(xué)習(xí)特別適合于解決一些人工智能里有關(guān)機(jī)器和環(huán)境相互作用的問題。

　　算法方面， 進(jìn)展可以說是更加迅勐，新的算法層出不窮。

　　總的來講，學(xué)習(xí)的算法和要解決的具體問題有很大的關(guān)系。算法本身的優(yōu)化無論對計(jì)算效率和精度都有很大的影響。很多細(xì)節(jié)可以在算法中體現(xiàn)出來。比如如何處理學(xué)習(xí)和觀測過程中的各種不確定性，如何把解決高維所帶來的大計(jì)算量問題，如何將各種先驗(yàn)知識量化并包括在學(xué)習(xí)的過程中，等等。基于機(jī)器學(xué)習(xí)的醫(yī)學(xué)影像技術(shù)及算法， 比如核磁共振和CT的圖像重建，已經(jīng)開始考慮上面所提到的諸多因素。 ?在這兒我舉個(gè)例子。大家知道病人做CT時(shí)是要接受放射性的。做一個(gè)CT，一般要接受 1-3 cGy 的劑量。 低劑量的CT能不能行？幾年前，大家試圖用所謂的壓縮感知技術(shù)來實(shí)現(xiàn)低劑量CT。用機(jī)器學(xué)習(xí)可以把這個(gè)問題解決的更徹底完善，因?yàn)橐郧暗慕?jīng)驗(yàn)數(shù)據(jù)都可以很容易地包括在重建的過程中。這樣一來我們就不用采集那么多X光投影數(shù)據(jù)啦，實(shí)現(xiàn)減少劑量而不影響成像質(zhì)量。機(jī)器學(xué)習(xí)和人工智能在醫(yī)學(xué)中的應(yīng)用前景是十分廣泛的 。在今后的幾年里我們將會(huì)看到很多革命性的突破。