雷鋒網按：2018 全球人工智能與機器人峰會（CCF-GAIR）在深圳召開，峰會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦，得到了寶安區(qū)政府的大力指導，是國內人工智能和機器人學術界、工業(yè)界及投資界三大領域的頂級交流盛會，旨在打造國內人工智能領域最具實力的跨界交流合作平臺。

CCF-GAIR 2018 延續(xù)前兩屆的“頂尖”陣容，提供1個主會場和11個專場（仿生機器人，機器人行業(yè)應用，計算機視覺，智能安全，金融科技，智能駕駛，NLP，AI+，AI芯片，IoT，投資人）的豐富平臺，意欲給三界參會者從產學研多個維度，呈現出更富前瞻性與落地性相結合的會議內容與現場體驗。

大會第二天的計算機視覺專場分為視頻監(jiān)控和醫(yī)療影像兩個半場，匯集了兩個領域的眾多大咖。下午的醫(yī)療影像半場，微軟亞洲研究院副院長張益肇博士發(fā)表了題為“弱監(jiān)督學習在醫(yī)學影像中的探索”的精彩演講。

張益肇博士援引一篇報道表示，2000年左右出生的人，超過一半壽命將超過100歲。這將加劇人口老齡化，增加醫(yī)療支出。如果沒有新的技術提高醫(yī)療效率、降低醫(yī)療成本，社會將難以承受。

過去兩年大火的人工智能技術起到了一定的幫助。但訓練人工智能模型需要標注大量的數據，能夠標注醫(yī)療影像數據的專家又非常稀缺，時間成本也很高。為此微軟亞洲研究院嘗試用弱監(jiān)督學習的方法，提高可被使用的數據量，取得了不錯的成效。

張院長表示，微軟亞洲研究院希望推動人工智能的普及化，但這一過程還需要與各方伙伴合作。他希望合作伙伴一要有豐富的數據資源，二要有足夠的耐心和誠意。因為用人工智能解決醫(yī)療問題在技術上可行，但真正落地到醫(yī)院卻是一個漫長的過程。

以下是張益肇院長的全部精彩演講內容，雷鋒網做了不改變原意的整理與編輯：

感謝主辦方提供機會，讓我介紹微軟在醫(yī)學影像領域的探索。

我今天的演講分為三部分：首先，介紹機器學習和人工智能在醫(yī)療領域的機會；其次，介紹我們過去使用的一個算法——弱監(jiān)督學習，以及它為什么在醫(yī)學影像領域特別有效；最后，介紹微軟在醫(yī)學影像領域的實踐案例，包括北京、印度和劍橋的同事做的一些案例。

希望今天能通過很短的時間給大家一個印象，讓大家了解微軟對醫(yī)療的看法，以及人工智能在醫(yī)療方面的應用。

人工智能在醫(yī)療領域的機遇

首先分享一個好消息。粗略統(tǒng)計，今天臺下聽眾本人是90后或孩子是90后的人占到了70-80%。我做醫(yī)學研究的時候曾看到這樣一篇報道說，按照醫(yī)學的發(fā)展速度，2000年左右出生的人，超過一半壽命將超過100歲。這將是一個非常了不起的成就，我非常期待。看到這個好消息，我非常振奮也很好奇，就去查閱了這篇文章背后的學術論文。

我看到一篇2009年在英國《柳葉刀》雜志上發(fā)表的論文，它標題寫的是“未來的挑戰(zhàn)”。假如未來超過一半的人壽命超過100歲，對社會醫(yī)療系統(tǒng)將是非常大的挑戰(zhàn)?，F在人口老齡化已經非常嚴重，通常來說，人的年紀越大醫(yī)療成本就越高。假如超過一半人活過100歲，而我們又沒有更好的醫(yī)療方法，將給社會帶來很大的成本。我們剛開始做醫(yī)療研究時，美國每年大約有14%的GDP耗費在醫(yī)療上，現在這一占比已經上升到了18%，越來越高了。按這個趨勢發(fā)展下去，社會將無法承受。我們相信，解決這個問題一定要靠技術。如果沒有新的技術，就無法給大家提供好的醫(yī)療條件，讓大家健康快樂地活到100歲。

我舉一個醫(yī)療領域的例子——病理切片的解讀，這在中國是一個特別大的挑戰(zhàn)。中國每10萬人口中只有不到兩位病理醫(yī)生，美國每10萬人中有超過50位病理醫(yī)生，日本每10萬人中也有超過10位病理醫(yī)生。也就是說，中國的病理醫(yī)生非常缺乏。我們再看病理醫(yī)生要做哪些工作：假如一個人不幸患了肺腫瘤，病理醫(yī)生要把他的切片切成二三十片，然后仔細觀察其中哪一類是病變的，是什么樣的病變，A、B、C類型病變的百分比各是多少。這個工作很耗時間，另外，訓練這樣的專業(yè)人才也很困難。假如我們可以用電腦輔助醫(yī)生做這些工作，是不是可以讓他們更加高效？

弱監(jiān)督學習

所以我們提出了機器學習，這就帶出了我的下一個話題——弱監(jiān)督學習。為什么要提弱監(jiān)督學習？面對一個病理切片，我們通常有三個目標——分類、切割或聚類。病理圖片通常很大，一張病理圖片可以達到5萬X5萬像素，甚至更大。訓練模型有三種方法：一是沒有標簽的訓練，這對病理圖片來說很難；二是弱標簽訓練，即利用相對簡單的標簽學習；三是帶詳細標簽的訓練，比如剛才提到的肺腫瘤的例子，你需要標注每一個腫瘤組織的情況。

下面給大家展示兩張圖片，看看人類是如何學習的。

我給幾位醫(yī)生看過這兩張圖片，他們很快就發(fā)現了其中的差別：上面這張圖片中有兩種魚，除了橘色的小丑魚，還有一種黑白相間的魚；下面這樣圖片則只有小丑魚。使用弱監(jiān)督學習的時候，只要告訴系統(tǒng)這兩張圖片有差別，不需要說明差別在哪，讓他自己學習就好了。這樣一來，標注的工作就少了很多。

回到病理切片的例子，下面這張圖片中既有癌細胞又有正常細胞：上面的是癌細胞，下面的是正常細胞。就像前面講的，我們只需要提供這兩類圖片，無需勾畫所有癌細胞和正常細胞的邊界，系統(tǒng)就能學習。這樣的好處在于：中國的病理醫(yī)生很缺乏，讓他們標這些圖像的邊界是非常大的工作量而且也很難。現在只需要標出有沒有癌細胞，就相對容易多了。弱監(jiān)督學習的優(yōu)勢就在于在減少標注工作量的情況下，更充分、有效地利用數據。

這種弱監(jiān)督學習的方法我們從2012年就開始使用了，當時還沒有深度學習。下面介紹一項新的研究成果——把弱監(jiān)督學習和深度學習結合在一起。大家如果感興趣，可以查閱我們去年11月發(fā)表的論文。

這個方法的基本概念是訓練兩個分類器，上面是正常細胞，下面是有癌細胞。我們希望自動訓練分類器，讓它在像素級別告訴我們一個細胞到底是癌細胞還是正常細胞。我們統(tǒng)計出圖片中的細胞有癌還是無癌后，再把它放到下圖中的訓練方程式里。

下面是一張比較完整的架構圖，我們不僅分了好幾層，還用到了Area Constraints。

如果光用剛才講的分類的方法，不管一張圖片中有10%的面積是癌細胞，還是60%的面積是癌細胞，它訓練的評價模式是一樣的。所以它傾向于把越來越多的細胞當成癌細胞。我們想，能不能繼續(xù)減少標注量，同時還能得到更好的效果？于是我們加入了Area Constraints。醫(yī)生只需要估計里面到底有10%、20%還是30%的面積是癌細胞就可以了，而不用標出癌細胞在哪，這又減輕了工作量。我們讓兩位醫(yī)生標注，如果標注結果不統(tǒng)一，再請第三位醫(yī)生來看哪個標注結果是正確的。

下圖中的數據庫是我們微軟亞洲研究院和浙大合作的，用一些大腸癌的圖片訓練，訓練數據約有600張，測試數據有兩百張左右。

我們用這個方法實驗，來看一下結果。下圖中紅色標注的是弱監(jiān)督學習的結果，它的指標與人工判別的情況差不多，跟大量標注訓練的結果也差不多。我們希望通過這種方法，用更多數據來訓練——原來只有一兩百張，現在可以用幾千張——同時大幅降低數據標注的成本。

下圖也展示了我們的成果：第二列是醫(yī)生標注的結果，最右邊一列是我們系統(tǒng)標出來的結果?？梢园l(fā)現，只要有癌細胞的地方，系統(tǒng)基本都找出來了。這是我們2012年還沒有用深度學習時達到的效果，這五年里又取得了很多進步。

下圖中我們改變了訓練的數據量，從20%-100%，數據越多，效果就越好。

下圖是我們加入Area Constraints前后的對比。加入Area Constraints之前，系統(tǒng)把大部分細胞當成了癌細胞，加入之后它把所有正常細胞和癌細胞進行了區(qū)分。

簡單總結一下：我們希望通過端到端的深度學習方法培育這個系統(tǒng)，幫助在標簽有限的情況下，進行醫(yī)學影像的處理、分類和切割。這種方法除了前面提到的大腸癌，在很多其他領域也可以用到，比如肺癌、宮頸癌等。因為它們面對的是同樣的問題，有很多數據需要標注。如果能減少標注時間，就能利用更多的數據。

合作案例

除此以外，我們微軟亞洲研究院在別的領域也做了一些研究，比如我們和比爾蓋茨基金會合作的瘧疾方面的應用。瘧疾現在仍是全球的一個大問題，每年有七八十萬人——相當于每天有近2000人死于瘧疾。大家或許感覺不到，因為瘧疾主要發(fā)生在欠發(fā)達地區(qū)。

比爾蓋茨基金會和一家廠商合作，開發(fā)了一款很小的設備，它可以自動掃描玻璃膜片，在窮鄉(xiāng)僻壤幫助診斷瘧疾。醫(yī)務人員只需要抽血做膜片就可以了，不必從膜片中找紅血球和瘧疾細菌侵入的樣本。這個系統(tǒng)可以自動掃描出有多少紅血球被瘧疾細菌侵入了，統(tǒng)計瘧疾細菌侵入的密度，密度越高表示病情越嚴重。長期治療中，我們可以用這種方法觀察密度的變化。如果膜片有很多層，系統(tǒng)還可以自動對焦，看哪個是最準的。

下面列舉了一些案例。圖中紅色部分是被瘧疾侵入的細胞，用肉眼很難看出來。每天要看這么多膜片，統(tǒng)計被入侵紅血球的數量，是一項非常繁瑣的工作。這項工作需要專家來做，但在非洲和拉丁美洲的偏遠農村，根本不可能找到這方面的專家。所以我們希望通過這種方法，讓電腦自動完成這些工作。

再看一個腦腫瘤病理切片分析的例子，腦腫瘤病理切片分析也是一項龐大的工作。一個腫瘤被切除后，需要知道切片中的腫瘤屬于哪一類，這決定了你的預后處理方式，是觀察、化療，還是放射性治療。病理醫(yī)生需要看切片然后給出建議，這中間存在著兩大挑戰(zhàn)——分類和切割。

一般病理圖片非常大，2014年已經有了深度學習系統(tǒng)，我們當時決定，不管分類還是切割都用深度學習的方法來做。深度學習不需要涉及特征，而是通過機器學習的方法學習特征。我們用到的是遷移學習的方法，也就是說，特征不是在病理切片等醫(yī)學影像上訓練，而是在ImageNet上訓練出來的。雖然如此，這個神經網絡還是可以抽取病理圖像的信息，把它送入分類器并分析出來。

下圖是我們2014年用這種方法獲得的結果，不管在分類還是切割上都排名第一。當時深度學習剛剛出來，我們在這個課題第一次使用了深度學習，而后面幾名都沒用，可見當時深度學習的效果。

作為一家平臺公司，微軟需要跟不同領域的專家和企業(yè)合作，才能更大程度地發(fā)揮人工智能等前沿技術的價值。

下圖介紹了我們和英國劍橋醫(yī)院的醫(yī)生合作的一個關于圖像分割的項目。假如一個腦腫瘤患者要做放射性治療，第一步要把腫瘤分割出來，甚至還要標出一些正常部位，比如管視覺或聽覺的部位。通過這種方法讓放射性治療更精準，避免誤傷其他細胞。

我曾經問做放射性治療的醫(yī)生，做這件事情要花多長時間。他回答說，這件工作挺復雜的，可能需要30分鐘左右。我又問，如果病人是你的母親，你會花多長時間。他回答說，這種情況可能要花三個小時。大家都是人，為什么會有這種差別？這表明，很多情況下醫(yī)生無法花那么長時間細致地做這件事。所以，我們希望利用人工智能和機器學習，幫助醫(yī)生更高效地完成工作。

再看一個微軟與印度合作的案例。我們和印度一家做眼底設備的企業(yè)合作，檢測視網膜上的糖網病變，做早期篩查，評估病變的嚴重程度。目前全世界有超過20個國家在使用這家企業(yè)的設備，治愈了超過20萬名病患。美國FDA不久前剛剛批準了這類應用。我相信國內也有很多合作伙伴在做這類事情。我的看法是，這種技術多多益善。

我們還和印度另一家機構合作，分析病人是不是有近視，會不會轉化成嚴重近視，以及是否會出現視網膜脫落等。這家機構有很多小孩子在不同年紀拍攝的眼底照片。我們基于這些照片進行機器學習，用算法檢測他的眼部疾病是否會繼續(xù)惡化。

除了醫(yī)學影像之外，還有沒有別的利用人工智能改善醫(yī)療的機會？我這里也有一些案例。

美國每年有38000人死于交通事故，很多交通意外是由人為因素導致的，所以大家對自動駕駛充滿熱情。如果我們能用自動駕駛減少這些人為因素，即使只減少一半，在美國每年也能挽救近2萬人的生命，是對社會的巨大貢獻。

美國約翰霍普金斯的一個團隊做過調查，美國醫(yī)院里每年有近26萬人因為醫(yī)療意外（包括交叉感染、意外跌倒等）死亡，是除心腦血管疾病和癌癥之外的第三大死因，致死人數是車禍的近6倍。如果我們能用技術減少這種錯誤，對社會也是巨大的貢獻。

這方面我們也有一些案例。比如，微軟跟巴西一家醫(yī)院合作，通過視頻分析病人在病床上的行為。如果病人在床上，但是安全柵欄沒拉起來，系統(tǒng)就會發(fā)出警報，提醒護士查看。這里又要提到弱監(jiān)督學習，因為視頻的數據量非常大，如果每一幀都要標注，工作量十分龐大。采用弱監(jiān)督學習的方法，只要看到病人有沒有下床就可以了，不用每一幀都標注。

未來，在醫(yī)院的復雜環(huán)境中，可以通過計算機視覺判斷更多情況，比如一個剛剛做完手術的病人是否走得太遠了，需不需要人去接他等。通過這種方法可以減少醫(yī)療意外。

最后快速總結一下：有人開玩笑說，所謂的人工智能是靠大量人工實現少量的智能，比如做圖片識別，需要先找大量人對圖像進行標注。醫(yī)療影像的標注需要專業(yè)知識，甚至需要幾位專家商量后才能決定怎么標，很難找到這么多標注人員，標注成本也很高。

所以我們希望通過弱監(jiān)督學習的方法提高可被使用的數據量，充分發(fā)揮機器學習的能力，構建更復雜和精確的模型。

我案例中提到的很多場景，從病理切片到視頻分解，都可以采用類似的模式來減少數據標注工作。關于這些案例，我們網站上有詳細介紹，歡迎大家訪問瀏覽。

未來希望能與各地的不同企業(yè)和單位合作，在醫(yī)療領域充分發(fā)揮人工智能的價值，讓大家可以健康活到100歲。謝謝！

以下是問答環(huán)節(jié)的精彩內容：

提問：您剛才提到用AI攝像頭監(jiān)控病房，目前應該只是做行為觀測，有沒有更深入一點的，比如分析病人的心跳、呼吸或睜眼等情況？

張益肇：這個想法很好，需要我們跟合作伙伴一起實現。你剛才提到的眨眼識別，我們研究院做了一些表情分析的研究。針對心理疾病患者，可以通過表情的變化進行分析和監(jiān)測。

提問：微軟在醫(yī)療領域有沒有用人工智能處理CT或者三維數據？

張益肇：有。我剛才提到英國同事做的腫瘤和健康組織的分割就是三維的。另外，我們在北京也在做肺結節(jié)識別的研究，也是三維的。今天時間有限所以沒有介紹。

提問：微軟研究院主要做基礎科研，這些技術能不能對外合作？

張益肇：可以。我們希望把人工智能普及化，如果有好的伙伴，我們很愿意合作。我們對合作伙伴的要求是，要有數據資源和合理的期望值。因為產品在技術上是可行的，但真正在醫(yī)院落地是一個漫長的過程。我們希望合作伙伴有真誠的意愿和足夠的耐心。

提問：您剛剛介紹的案例大部分是在高端私人醫(yī)院或大型公立三甲醫(yī)院。對于民營綜合性醫(yī)院或社區(qū)醫(yī)院來說，醫(yī)療人工智能對它們有價值嗎？

張益肇：有。我剛才提到印度的案例，用設備檢測糖尿病的發(fā)展情況。在基層和醫(yī)生資源不夠的地方，這種人工智能發(fā)揮的作用更大。我剛才提到的瘧疾的例子也是如此。

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。