0
| 本文作者： 岑大師 | 2017-10-26 08:29 |
10月25日，在加州山景城舉辦的ACMMM 2017大會進入正會第二天。在會上，HTC Healthcare 總裁張智威（Edward Y． Chang）博士進行了題為《DeepQ: Advancing Healthcare Through AI and VR》的演講。在演講中，張智威博士介紹了AI與VR等技術在醫(yī)療行業(yè)的應用，以及HTC在這一領域的一些研究。
關于張智威博士：張智威博士于1999年獲得斯坦福大學電機工程博士學位，與Google創(chuàng)始人Larry Page和Sergey Brin系出同門，均出自于同一個實驗室Stanford InfoLab（雷鋒網按：在InfoLab校友名單中可查到）。在98年Google剛創(chuàng)立的時候，Larry和Sergey曾一再邀請張智威加入，而張智威畢業(yè)后選擇了學術道路受聘UC Santa Babara分校，2006年加入Google，隨后擔任Google中國研究院院長，負責搜索 、社區(qū)、移動和 Big Data 研發(fā)。
演講內容雷鋒網整理如下：
醫(yī)療領域的進展往往受到三個因素的影響：成本、品質和普及的程度。這三個因素相互影響：如果降低成本，品質也會降低；如果提高品質，可能會造成成本的提升和普及率的降低。
無論是發(fā)達國家還是非洲等發(fā)展中國家都存在著這三方面不同程度的醫(yī)療問題。而AI、移動設備和移動傳感器等技術的進展，有望為醫(yī)療行業(yè)帶來顛覆性的創(chuàng)新，這也是HTC在進行探索的方向。
盡管如此，在技術上還是面臨著很大的挑戰(zhàn)。
例如我們都知道，AlphaGo雖然能在圍棋比賽中戰(zhàn)勝世界冠軍，但如果拿AlphaGo下棋和用AI診斷病人病情來比較，會有以下不同：
AlphaGo的每一步動作是離散的和可窮舉的，而病情檢測系統(tǒng)包含無數(shù)連續(xù)的屬性；
AlphaGo的輸出結果是二進制的1和0（贏和輸），而病情檢測系統(tǒng)輸出結果可能是800多種疾病中的某一種；
AlphaGo可以通過探索學習（自我對弈），而病情檢測系統(tǒng)無法獲得這樣的數(shù)據。
在利用AI進行醫(yī)療診斷方面，HTC健康事業(yè)部（DeepQ）的解決方案是：先與醫(yī)生進行合作，采用漸進的機器學習方法，讓主Agent去選擇部件Agent去探查病人的病狀。
上圖即為HTC的疾病檢測儀，包含一個手機和各種傳感器，并借助AI技術，能診斷中耳炎、黑色素瘤、尿肝病、肺炎、高血壓等15種疾病。
以檢測中耳炎為例，我們需要對圖像進行分析，把正常的圖像和中耳炎的圖像喂給深度神經網絡。但問題是在醫(yī)療領域往往沒有那么多的數(shù)據，我們通過臺灣的醫(yī)院收集到了收集到1000個患者的數(shù)據，對于機器學習依然很少。
而另一個問題是，深度學習網絡能達到75%準確率，而專家診斷的準確率在85%以上。我們在請教醫(yī)生后準確率上升到80.11%，但這依然不夠。怎么辦呢？我們開始嘗試用ImageNet的數(shù)據做遷移學習（Transfer Learning），但這可能也有問題，因為ImageNet上的分類都是貓貓狗狗之類的，并沒有疾病方面的分類圖像。
（通過遷移學習，準確率從80.11%上升到了90.96%）
但我們發(fā)現(xiàn)，通過CNN模型，可以將原圖片和編碼和還原處理后的圖片進行比對。向神經網絡輸入一張圖片，神經網絡會將其進行編碼和識別，然后激活相應的神經元得出識別的結果。例如有的中耳炎圖片識別出來所激活的神經元是紅色的甲蟲，或者是海螺、拿鐵咖啡等。這雖然沒有識別出中耳炎，但識別出甲蟲或者咖啡，這可能說明患者存在病變現(xiàn)象。通過建立這樣的對應關系，可以將很多與中耳炎不相關的數(shù)據拿來進行訓練，最后我們的準確率達到了90.96%。
另一個例子是，要診斷心率不齊必須看心電圖，但由于FDA的限制，我們無法獲取有效的數(shù)據。目前這方面能用的數(shù)據集只有兩個，加起來只有300來個病歷的數(shù)據，因此我們也在考慮，能否用語音方面的學習的成果遷移到心電圖來（雷鋒網按：二者都是對波形進行分析學習）。目前我們還沒有得到突破性的結果，但這應該是一個思路。
我們在做的一個研究是，如何用最少的問題盡可能了解病人的病情，然后幫助醫(yī)生更準確判斷癥狀。這當中就是詢問的問題的數(shù)量和診斷準確度的一個均衡，我們目前可以對100多種常見疾病50%的準確率，平均詢問的問題為7.62個。
AI可以幫助我們實現(xiàn)更精準的醫(yī)療，而這需要收集更多的特征數(shù)據。下面這張圖里列出了醫(yī)療數(shù)據可能的情況，這些數(shù)據可能是結構化、半結構化或者非結構化的，可能來自于醫(yī)院、保險公司、社交媒體等。
我們在醫(yī)療大數(shù)據挖掘方面做了很多的工作?；诖髷?shù)據，每個人的治療方法、用量都會不一樣。
精準醫(yī)療的另一個研究方向是精準手術。我們通過與VR設備結合，可以幫助醫(yī)生更好了解患者諸如腫瘤位置、神經元分布等信息，幫助醫(yī)生更好地進行決策。在如心、腦、脊椎等及精密手術中，VR/AR與AI或者與如達芬奇手術機器人的結合都有著很大的機會。
（例如在這個例子中，粉紅色部分為腫瘤，如果從右上方進行手術，則可能會切掉藍色部分的神經元）
在HTC DeepQ AI平臺上，我們有三板斧：對數(shù)據的挖掘主要使用頻繁項目集挖掘以及譜聚類，分類與回歸中主要使用LDA、支持向量機和深度學習，以及遷移學習。
以上介紹的只是DeepQ平臺的冰山一角。智能醫(yī)療中蘊含著更多未發(fā)現(xiàn)的機會，等待我們去進一步挖掘。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
