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(jìn)入正會第二天。在會上，HTC Healthcare 總裁張智威（Edward Y． Chang）博士進(jìn)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(shù)在醫(yī)療行業(yè)的應(yīng)用，以及HTC在這一領(lǐng)域的一些研究。
關(guān)于張智威博士：張智威博士于1999年獲得斯坦福大學(xué)電機(jī)工程博士學(xué)位，與Google創(chuàng)始人Larry Page和Sergey Brin系出同門，均出自于同一個實(shí)驗(yàn)室Stanford InfoLab（雷鋒網(wǎng)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(xué)術(shù)道路受聘UC Santa Babara分校，2006年加入Google，隨后擔(dān)任Google中國研究院院長，負(fù)責(zé)搜索 、社區(qū)、移動和 Big Data 研發(fā)。
演講內(nèi)容雷鋒網(wǎng)整理如下：
醫(yī)療領(lǐng)域的進(jìn)展往往受到三個因素的影響：成本、品質(zhì)和普及的程度。這三個因素相互影響：如果降低成本，品質(zhì)也會降低；如果提高品質(zhì)，可能會造成成本的提升和普及率的降低。
無論是發(fā)達(dá)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(shè)備和移動傳感器等技術(shù)的進(jìn)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(jìn)行探索的方向。
盡管如此，在技術(shù)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(jié)果是二進(jìn)制的1和0（贏和輸），而病情檢測系統(tǒng)輸出結(jié)果可能是800多種疾病中的某一種；
AlphaGo可以通過探索學(xué)習(xí)（自我對弈），而病情檢測系統(tǒng)無法獲得這樣的數(shù)據(jù)。
在利用AI進(jìn)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(jìn)行合作，采用漸進(jìn)的機(jī)器學(xué)習(xí)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(jī)和各種傳感器，并借助AI技術(shù)，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(jìn)行分析，把正常的圖像和中耳炎的圖像喂給深度神經(jīng)網(wǎng)絡(luò)。但問題是在醫(yī)療領(lǐng)域往往沒有那么多的數(shù)據(jù)，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(jù)，對于機(jī)器學(xué)習(xí)依然很少。
而另一個問題是，深度學(xué)習(xí)網(wǎng)絡(luò)能達(dá)到75%準(zhǔn)確率，而專家診斷的準(zhǔn)確率在85%以上。我們在請教醫(yī)生后準(zhǔn)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(jù)做遷移學(xué)習(xí)（Transfer Learning），但這可能也有問題，因?yàn)镮mageNet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(xué)習(xí)，準(zhǔn)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(jìn)行比對。向神經(jīng)網(wǎng)絡(luò)輸入一張圖片，神經(jīng)網(wǎng)絡(luò)會將其進(jìn)行編碼和識別，然后激活相應(yīng)的神經(jīng)元得出識別的結(jié)果。例如有的中耳炎圖片識別出來所激活的神經(jīng)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(yīng)關(guān)系，可以將很多與中耳炎不相關(guān)的數(shù)據(jù)拿來進(jìn)行訓(xùn)練，最后我們的準(zhǔn)確率達(dá)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(jù)。目前這方面能用的數(shù)據(jù)集只有兩個，加起來只有300來個病歷的數(shù)據(jù)，因此我們也在考慮，能否用語音方面的學(xué)習(xí)的成果遷移到心電圖來（雷鋒網(wǎng)按：二者都是對波形進(jìn)行分析學(xué)習(xí)）。目前我們還沒有得到突破性的結(jié)果，但這應(yīng)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(zhǔn)確判斷癥狀。這當(dāng)中就是詢問的問題的數(shù)量和診斷準(zhǔn)確度的一個均衡，我們目前可以對100多種常見疾病50%的準(zhǔn)確率，平均詢問的問題為7.62個。
AI可以幫助我們實(shí)現(xiàn)更精準(zhǔn)的醫(yī)療，而這需要收集更多的特征數(shù)據(jù)。下面這張圖里列出了醫(yī)療數(shù)據(jù)可能的情況，這些數(shù)據(jù)可能是結(jié)構(gòu)化、半結(jié)構(gòu)化或者非結(jié)構(gòu)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(jù)挖掘方面做了很多的工作。基于大數(shù)據(jù)，每個人的治療方法、用量都會不一樣。
精準(zhǔn)醫(yī)療的另一個研究方向是精準(zhǔn)手術(shù)。我們通過與VR設(shè)備結(jié)合，可以幫助醫(yī)生更好了解患者諸如腫瘤位置、神經(jīng)元分布等信息，幫助醫(yī)生更好地進(jìn)行決策。在如心、腦、脊椎等及精密手術(shù)中，VR/AR與AI或者與如達(dá)芬奇手術(shù)機(jī)器人的結(jié)合都有著很大的機(jī)會。
（例如在這個例子中，粉紅色部分為腫瘤，如果從右上方進(jìn)行手術(shù)，則可能會切掉藍(lán)色部分的神經(jīng)元）
在HTC DeepQ AI平臺上，我們有三板斧：對數(shù)據(jù)的挖掘主要使用頻繁項(xiàng)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(jī)和深度學(xué)習(xí)，以及遷移學(xué)習(xí)。
以上介紹的只是DeepQ平臺的冰山一角。智能醫(yī)療中蘊(yùn)含著更多未發(fā)現(xiàn)的機(jī)會，等待我們?nèi)ミM(jìn)一步挖掘。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
