0
“作為一個(gè)研究人工智能二十多年，同時(shí)在醫(yī)學(xué)影像處理方向耕耘八年的過來人。我認(rèn)為現(xiàn)階段醫(yī)療人工智存在的一大挑戰(zhàn)是，從業(yè)者們既沒捋順流程，也沒想清模式。單純覺得我有AI技術(shù)，有幾家合作醫(yī)院，就能大干一場。現(xiàn)在風(fēng)口的確很火，很多基金也愿意投錢。但醫(yī)療與其他行業(yè)不同，它是一個(gè)文火慢燉的過程，不見得那么容易。”
在與微軟亞洲研究院副院長張益肇博士對話的一個(gè)多小時(shí)里，他不斷在強(qiáng)調(diào)人工智能在醫(yī)療領(lǐng)域的長期價(jià)值，但也有存在一些短期的擔(dān)憂。
張益肇博士現(xiàn)任微軟亞洲研究院副院長，負(fù)責(zé)技術(shù)戰(zhàn)略部。他于1999年7月加盟微軟亞洲研究院，從事語音方面的研究工作，曾任微軟亞洲工程院副院長，是2003年工程院的創(chuàng)建者之一。
微軟之前，張益肇博士是全球最大語音識別公司Nuance Communications研究部創(chuàng)始人之一。張博士畢業(yè)于麻省理工學(xué)院，獲電氣工程和計(jì)算機(jī)科學(xué)學(xué)士、碩士和博士學(xué)位。
以下是雷鋒網(wǎng)與張益肇博士的談話內(nèi)容：
雷鋒網(wǎng)：您怎么看待今年醫(yī)學(xué)影像+AI大熱的現(xiàn)象？
當(dāng)然是好事。
我經(jīng)常談一個(gè)觀點(diǎn)，人類如果想要健健康康活到100歲，技術(shù)，將扮演著非常重要的角色。近幾年我也看到不少計(jì)算機(jī)界精英投入大量人力財(cái)力到醫(yī)療領(lǐng)域，如此大規(guī)模的醫(yī)工交叉大潮讓人非常激動人心。
這里我也不得不提醒大家，在醫(yī)療領(lǐng)域，無論是創(chuàng)業(yè)者也好，投資人也罷，必須要有愿意長期投入和投資的心態(tài)，切勿焦躁，保持平常心。
我個(gè)人研究人工智能二十幾年，其中八年時(shí)間在專攻醫(yī)療，我不覺得這個(gè)領(lǐng)域很容易出成果。
醫(yī)學(xué)技術(shù)的落地，不僅要千辛萬苦找對場景，還要說服政策制定者、監(jiān)管部門、醫(yī)院采購者、科室主任、臨床醫(yī)生、病人等無數(shù)當(dāng)事人證明技術(shù)的有效性、安全性和可行性。最后，你還要明白你的產(chǎn)品誰來買單。
現(xiàn)階段行業(yè)存在的一個(gè)挑戰(zhàn)在于，很多時(shí)候，大家這三大關(guān)都沒有想清楚。單純覺得我有AI技術(shù)，找到一些合作對象，就能大干一場了。
現(xiàn)在醫(yī)療+AI的確很火，很多創(chuàng)投也愿意投這個(gè)錢。但從長久來看，不見得那么容易，也沒那么快，大家一定要沉下心多調(diào)研、多思考、多學(xué)習(xí)。
美國很多新藥研發(fā)公司可以獲得大量的融資，有些甚至不盈利也能夠上市。大家期待它所研發(fā)的新藥品最終能通過FDA，并且在藥效達(dá)到預(yù)期后，公司市值能夠上漲5倍、10倍甚至更多。當(dāng)然，面臨一文不值的風(fēng)險(xiǎn)也非常巨大。
大家在投資時(shí)明知道風(fēng)險(xiǎn)很大，明知短時(shí)間內(nèi)賬面并不可觀，但仍舊愿意投資、愿意長期等待，因?yàn)樗麄兡軌蛘嬲斫怙L(fēng)險(xiǎn)。
國內(nèi)醫(yī)療人工智能大潮中，我最擔(dān)心的是國內(nèi)醫(yī)療人工智能創(chuàng)業(yè)者和投資者并沒有真正理解風(fēng)險(xiǎn)，就開始投入大量資源在其中，這很可怕。
雷鋒網(wǎng)：微軟目前在醫(yī)療AI方向有哪些研究？
微軟其實(shí)在醫(yī)療領(lǐng)域投入很多，在世界各地的研究院里有不少同事在做相關(guān)方面的工作。
醫(yī)學(xué)影像處理這塊，微軟亞洲研究院和微軟劍橋研究院都有在做。不過微軟亞洲研究院聚焦在病理切片，英國劍橋研究院專攻CT。
我們微軟亞洲研究院近幾年開始鉆研腦腫瘤病理切片的識別和判斷，通過細(xì)胞的形態(tài)、大小、結(jié)構(gòu)等，去輔助分析和判斷病人所處的癌癥階段。近兩年在該領(lǐng)域我們基于“神經(jīng)網(wǎng)絡(luò)＋深度學(xué)習(xí)”的模式取得了兩大突破：
首先，實(shí)現(xiàn)了對大尺寸病理切片的圖片處理。通常圖片的尺寸為224*224像素，但腦腫瘤病理切片的尺寸卻達(dá)到了20萬*20萬、甚至40萬*40萬像素。對于大尺寸病理切片影像的識別系統(tǒng)，我們沒有沿用業(yè)內(nèi)常用的數(shù)字醫(yī)學(xué)圖像數(shù)據(jù)庫，反而在ImageNet的基礎(chǔ)之上利用盡可能多的圖片，通過自己搭建的神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法不斷進(jìn)行大量訓(xùn)練而成，最終實(shí)現(xiàn)了對大尺寸病理切片的圖片處理。
對大尺寸病理切片圖片通過神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)算法進(jìn)行處理的流程
其次，在解決了細(xì)胞層面的圖像識別之后，又實(shí)現(xiàn)了對病變腺體的識別。
對病變腺體的識別，主要是基于醫(yī)學(xué)角度三個(gè)可以衡量癌細(xì)胞擴(kuò)散程度和預(yù)后能力的指標(biāo)：細(xì)胞的分化能力，腺體的狀況和有絲分裂水平。我們針對這三個(gè)角度，通過多渠道（Multi-Channel）的數(shù)據(jù)采集和分析，希望在未來幫助醫(yī)生實(shí)現(xiàn)對病人術(shù)后、康復(fù)水平乃至復(fù)發(fā)的可能性做出預(yù)估和判斷。
腺體圖像經(jīng)過計(jì)算機(jī)處理后被抽象成不同的結(jié)構(gòu)，以便于計(jì)算機(jī)進(jìn)一步識別與判斷
不同種類的惡性腫瘤切片經(jīng)過算法處理后進(jìn)行分類
該研究結(jié)果也可以擴(kuò)展至其他疾病的二維醫(yī)學(xué)影像的識別和判斷，例如我們正在研究的腸癌等。此外，我們還在研究肝腫瘤患者的CT三維影像。
除了醫(yī)學(xué)圖像外，我們在醫(yī)學(xué)文獻(xiàn)的處理和理解上也有所研究。
全球平均每年有將近50多萬篇醫(yī)學(xué)研究文獻(xiàn)發(fā)表，這種情況下，醫(yī)生在查詢所需文獻(xiàn)時(shí)，不可能覆蓋到位。
我們微軟亞洲研究院具體是如何解決這一問題的呢？比如醫(yī)生在尋找遺傳基因的研究與哪幾篇文章相關(guān)，我們會通過算法自動對相關(guān)文獻(xiàn)進(jìn)行關(guān)聯(lián)。另外也在做不少與醫(yī)學(xué)相關(guān)的自然語言處理，比如不同病人想要問相關(guān)的醫(yī)療問題，可能有很多不同的方法來表達(dá)。而在話語里又有像阿莫西林等藥物在不同醫(yī)院里有幾十種、上百種叫法。
我們的工作就是用AI技術(shù)讓這些話語和詞匯的不同表達(dá)，轉(zhuǎn)換為機(jī)器可以理解的統(tǒng)一信號。最終以AI系統(tǒng)的形態(tài)解答各種醫(yī)學(xué)問題。
雷鋒網(wǎng)：團(tuán)隊(duì)研究醫(yī)學(xué)影像處理這8年間，相比于過去有哪些大的進(jìn)步？
深度學(xué)習(xí)算是一個(gè)比較大的跨越，坦白講，2013、2014年前后，深度學(xué)習(xí)開始被應(yīng)用到醫(yī)學(xué)影像分析當(dāng)中。按照傳統(tǒng)方式，很多醫(yī)學(xué)影像分析題目要做特征提取，這個(gè)特征甚至可能是細(xì)胞，過程較為復(fù)雜。
而深度學(xué)習(xí)可以自己學(xué)習(xí)并提取特征，節(jié)省了很多設(shè)計(jì)特征的時(shí)間。
其次就是遷移學(xué)習(xí)，我們在ImageNet上訓(xùn)練出一個(gè)深度學(xué)習(xí)模型，以它作為基礎(chǔ)做醫(yī)學(xué)影像分析，雖然ImageNet上的圖像為自然圖片，但從中訓(xùn)練出來的特征提取能力，對醫(yī)學(xué)影像也相當(dāng)有用。
雷鋒網(wǎng)：這個(gè)過程中您發(fā)現(xiàn)了哪些新的思路，并走過哪些彎路？
2012年我們團(tuán)隊(duì)開始用弱監(jiān)督學(xué)習(xí)來更好地使用數(shù)據(jù)，這是一個(gè)對我們意義很大的方向。
大家也都知道醫(yī)生的時(shí)間非常寶貴，如果你沒辦法盡量節(jié)省他們的精力與時(shí)間，相比而言，你獲得數(shù)據(jù)的能力會更弱。用更優(yōu)秀的算法去填部分?jǐn)?shù)據(jù)的坑，這是一個(gè)很好的思路，而不是單純想著從醫(yī)院拿更多數(shù)據(jù)。
弱監(jiān)督學(xué)習(xí)在醫(yī)學(xué)影像中的應(yīng)用會是一個(gè)好的開始，也是一個(gè)值得長期投入的方向。
找到好的場景，再找到好的數(shù)據(jù)庫，其實(shí)比大家想的要耗時(shí)。很多時(shí)候，找到一個(gè)優(yōu)質(zhì)數(shù)據(jù)庫外，還要找到一個(gè)既懂技術(shù)，又能幫忙做標(biāo)注的醫(yī)生。
對于我們走過的彎路，更多是認(rèn)知和思維上的彎路吧：過早覺得我們已較好地解決了醫(yī)學(xué)問題。
包括我們在內(nèi)的很多公司用Kaggel數(shù)據(jù)做基礎(chǔ)訓(xùn)練，但這種研究僅是長期研究的起步，而且這個(gè)起步往往并不見得特別有用，所以大家應(yīng)理性看待從Kaggle中訓(xùn)練出的結(jié)果。
在醫(yī)療+AI方向，大家不要迷信短時(shí)間內(nèi)得到的數(shù)字結(jié)果，一定要做好長期投入的準(zhǔn)備。
語音識別從1960年代就開始萌芽，直到1970也還是所謂的非連續(xù)性語音識別，離絕大部分使用場景很遠(yuǎn)。盡管語音識別在今天已經(jīng)解決得很好，但在復(fù)雜環(huán)境和語境下的識別率仍舊不是特別理想。
人工智能在醫(yī)學(xué)中的應(yīng)用亦是如此。
雷鋒網(wǎng)：像您剛提到的深度學(xué)習(xí)和遷移學(xué)習(xí)讓醫(yī)療人工智能大跨步發(fā)展，但這兩者的不可解釋性使得很多醫(yī)學(xué)問題無法詢證，這個(gè)難題目前微軟亞洲研究院有沒有一個(gè)標(biāo)準(zhǔn)對其進(jìn)行參考？
深度學(xué)習(xí)的可解釋性確實(shí)是一個(gè)很熱的題目。
算法可解釋性通常可以用看邊界和顏色特征來判斷正負(fù)，偏統(tǒng)計(jì)學(xué)方法，但也很難說出具體原因。
其實(shí)很多醫(yī)學(xué)任務(wù)也是靠統(tǒng)計(jì)來做。之前有醫(yī)生提到說，假如一個(gè)腫瘤小于5厘米和大于5厘米該各應(yīng)怎么判斷。大家提到“5厘米”這個(gè)單位也憑經(jīng)驗(yàn)去描述，為什么是5，而不是5.1或4.9。
我的意思是，醫(yī)學(xué)本身很多判斷是依照經(jīng)驗(yàn)來做，這些經(jīng)驗(yàn)里，也存在一些無法解釋的因素，因此不能完全否定“不可解釋性”。
很多AI功能尤其像靠深度學(xué)習(xí)訓(xùn)練出來的系統(tǒng)，除了給你一個(gè)明確的判斷外，還會生成百分比形式的“程度值”做參考，這個(gè)程度值體現(xiàn)機(jī)器對判斷的“自信”與否。
現(xiàn)階段我們希望只做輔助醫(yī)生的工具，最后的結(jié)論還是需要醫(yī)生自己判斷。
任何系統(tǒng)都多多少少會產(chǎn)生一定的誤差和偏差，哪怕簡單的血壓儀也可能存在偏差，所以最終還需讓醫(yī)生把所有信號整合起來判斷機(jī)器給出的結(jié)果是否合理。
雷鋒網(wǎng)：也確實(shí)因?yàn)樯疃葘W(xué)習(xí)存在的弊病，最近Hinton提出要“拋棄”反向傳播，您怎么看待這件事的？
反向傳播也有幾十年的歷史了，這期間陸續(xù)有人提出不同的想法、不同的算法。
人的學(xué)習(xí)能力很強(qiáng)，無需很多數(shù)據(jù)，往往通過一兩個(gè)樣本就能學(xué)習(xí)、分類，但現(xiàn)在機(jī)器沒有辦法靠少量不同樣本進(jìn)行驅(qū)動。
所以人工智能在算法層面可提升的空間很大，所以要有新的學(xué)習(xí)方法來做，尤其像可供使用數(shù)據(jù)量較小的醫(yī)療領(lǐng)域。
雷鋒網(wǎng)：相比于醫(yī)學(xué)影像處理，語音電子病歷錄入服務(wù)各方面的條件更為成熟，Nuance和訊飛都已在醫(yī)院落地，微軟亞洲研究院目前有沒有切入這個(gè)方向？
推出這類產(chǎn)品，需要做的事情就比較專比較細(xì)了。
我加入微軟之前在Nuance Communications做語音識別，你提到的語音電子病歷錄入是Nuance的主要業(yè)務(wù)之一。
但國內(nèi)很多人可能有所不知，Nuance的業(yè)務(wù)里，語音轉(zhuǎn)錄系統(tǒng)只是一方面，另一方面Nuance還需雇人把機(jī)器轉(zhuǎn)好的文字，進(jìn)行人工整理。所以Nuance提供的是一整套服務(wù)，而非單一的語音識別這一環(huán)節(jié)的產(chǎn)品。與此同時(shí)，Nuance針對不同場景、不同科室做不同的產(chǎn)品優(yōu)化和服務(wù)。
所以如果做這類產(chǎn)品，研究之外的任務(wù)和工作相對來說會比較多。
雷鋒網(wǎng)：您此前一直研究語音，是什么原因致使您開始做跨度很大的醫(yī)學(xué)影像？
從研究角度講，無論是語音還是影像，兩者之間有很多相通點(diǎn)，都是基于機(jī)器學(xué)習(xí)作為發(fā)動機(jī)，數(shù)據(jù)作為汽油來建模、判斷。
當(dāng)然了，醫(yī)學(xué)影像也確實(shí)有很多專業(yè)知識需要學(xué)習(xí)，更具挑戰(zhàn)性，同時(shí)也更有意思。因?yàn)槟阈枰芏嗖煌I(lǐng)域的人一起學(xué)習(xí)，這個(gè)過程非常有意思。
另一方面，那時(shí)候我母親得了癌癥，我當(dāng)時(shí)心想醫(yī)學(xué)如果借助計(jì)算機(jī)技術(shù)一定會找到更多新的方法和新的應(yīng)用場景。作為普通民眾，我覺得這對身邊人，對社會非常有意義。作為研究人員，這個(gè)研究方向會非常有前景。
雷鋒網(wǎng)：微軟亞洲研究院的醫(yī)學(xué)影像數(shù)據(jù)來自哪些地方？與哪些機(jī)構(gòu)有合作？
主要還是來自于公開數(shù)據(jù)集，首先這類公開數(shù)據(jù)標(biāo)注經(jīng)過很多人審核。其次，你要發(fā)表結(jié)果的話，同一類數(shù)據(jù)集上大家才有可比性。
在某些特定領(lǐng)域，我們與浙江大學(xué)前副校長來茂德團(tuán)隊(duì)合作探索病理切片分析，來校長在大腸癌方向有著很多積淀。大腸之外也有研究肺癌等國內(nèi)常見的幾個(gè)方向。除此之外，生活習(xí)慣和飲食健康也所有探究。
雷鋒網(wǎng)：提到肺癌等國內(nèi)常見的方向，上次我跟訊飛陶曉東博士交流時(shí)，他講到其實(shí)目前選擇做眼底、肺結(jié)節(jié)這類常見的、公開數(shù)據(jù)較多的領(lǐng)域，可以反映出大家創(chuàng)新力不足的現(xiàn)狀。微軟亞洲研究院在布局常見的方向之外，還在探索哪些挑戰(zhàn)性特別大的方向？
我們現(xiàn)在做病理切片的一大原因，就是因?yàn)椴±砬衅治鰳O具挑戰(zhàn)性。
首先病理切片單個(gè)數(shù)據(jù)很大，一張圖最大可達(dá)40萬×40萬像素，面對這么大的數(shù)據(jù)該怎么分析？要怎么才能把這個(gè)系統(tǒng)應(yīng)用得很好？這是很有趣的問題。
如此大的圖像，單是傳輸就已是一項(xiàng)很大的挑戰(zhàn)，在此基礎(chǔ)上還進(jìn)行分析，計(jì)算量會非常巨大。
好在微軟亞洲研究院也有很多同事是系統(tǒng)方面的專家，研究高速運(yùn)算，基于此，我們可以通過整合研究院不同團(tuán)隊(duì)的專長來做這件事。
雷鋒網(wǎng)：這個(gè)過程當(dāng)中微軟亞洲研究院各個(gè)技術(shù)部門之間如何打配合？
各部門之間的合作其實(shí)蠻多。
2015年我們視覺計(jì)算組發(fā)明的ResNet大家都很熟悉了，它就是一個(gè)特別好的圖像特征提取方法，有了它之后，我們就在考慮如何用ResNet提取醫(yī)學(xué)影像特征。
微軟亞洲研究院已經(jīng)在做一些通過看一張圖然后對它進(jìn)行標(biāo)注的技術(shù)，當(dāng)機(jī)器可以給一張圖自動標(biāo)注的話，這就表明機(jī)器在一定程度上理解這張圖，不僅知道里面有哪些物體，同時(shí)也知道里面物體及場景之間的關(guān)系。
這屬于更高層次的理解。
回到肺結(jié)節(jié)上，通常情況我們只是去判斷某塊小區(qū)域是不是肺結(jié)節(jié)。其實(shí)有時(shí)候通過分析肺本身以及人體的構(gòu)造，也可以得出其他有用信息，而這些肺結(jié)節(jié)之外的信息，往往對診斷起到非常重要的作用。
目前大部分系統(tǒng)并沒有有效利用到這些“其他”信息，但影像科醫(yī)生與機(jī)器不同，他們在讀片時(shí)，肯定會對這些信息有宏觀的認(rèn)知。所以我也經(jīng)常在講，人工看一張圖片時(shí)，他不會只看一小部分，而是會形成一個(gè)整體的認(rèn)知去判斷。
所以，無論是一張普通海景照片中船和海的關(guān)系，還是醫(yī)學(xué)影像中肺結(jié)節(jié)和其他組織信息的關(guān)聯(lián)度，很多方面是相通的。我們希望把對常規(guī)圖像的認(rèn)知和理解，遷移到醫(yī)學(xué)影像中，這是一項(xiàng)非常重要的工作。
雷鋒網(wǎng)：如果還要判斷其他組織信息，那么在對眾多非目標(biāo)對象的分割上，是否有產(chǎn)生更多更復(fù)雜的新問題？
確實(shí)如此，我再舉個(gè)例子，正常人的心臟在左邊，因此做內(nèi)臟分割時(shí)，會有這樣的預(yù)知。但是也不排除少數(shù)人心臟長在右邊的可能性，類似這種情況容易讓機(jī)器產(chǎn)生誤判和混淆，因此需要有更高層面的的知識理解。
但總體而言，現(xiàn)在在做的機(jī)器學(xué)習(xí)研究，無論是檢測、識別還是分割也罷，很多地方都是相通的。
雷鋒網(wǎng)：除了影像和語音語義之外，微軟還有哪些醫(yī)療人工智能方面的研究？
我們在大數(shù)據(jù)處理上探索也非常多。
負(fù)責(zé)管理微軟全球研究院的Eric Horvitz，他既是醫(yī)學(xué)博士，也是哲學(xué)博士。Eric Horvitz做了很多非常有趣的研究，通過用戶在互聯(lián)網(wǎng)上的搜索詞，來判斷你是否有一些疾病和癥狀。
雷鋒網(wǎng)：那么這個(gè)研究的最終形態(tài)是以一個(gè)什么樣的終端功能或者服務(wù)去呈現(xiàn)？
我們有一項(xiàng)服務(wù)叫微軟Health，就是用一些功能，來提供insight，這些insight一方面給用戶看，一方面提供給醫(yī)生參考。
比如通過系統(tǒng)收集到很多人的血糖、血壓甚至睡眠和運(yùn)動量數(shù)據(jù)后，存儲起來進(jìn)行長期的追蹤和分析。基于此，把這些信息全部整合起來后更好地幫助醫(yī)生、幫助用戶自身。
我們也與美國匹斯堡大學(xué)醫(yī)學(xué)中心UPMC合作，探討用AI挖掘有效健康信息。
一方面我們在做很多基礎(chǔ)研究，另外一方面，微軟也希望尋找更多合作伙伴，探討可以著陸的場景。
雷鋒網(wǎng)：“長期”大概是多久？
取決于場景本身。
我們與蓋茨基金會的合作中，在非洲用機(jī)器來判斷一個(gè)人是否有得瘧疾，同時(shí)得出病癥的嚴(yán)重程度。
在國內(nèi)大家談機(jī)器與醫(yī)生的對比，但非洲這些地方連醫(yī)院醫(yī)生都沒有，相對來講，有一個(gè)工具給病人診斷，已經(jīng)是一個(gè)很大的醫(yī)療進(jìn)步。
這個(gè)例子，我相信在未來短期三五年之內(nèi)，會有著很大的幫助，現(xiàn)在有些產(chǎn)品已經(jīng)在一些相對落后的國家試用。
但在比較發(fā)展的國家，醫(yī)生已經(jīng)有比較成熟、習(xí)慣的工作方式，供應(yīng)商的系統(tǒng)要進(jìn)入到醫(yī)院，需要想清楚整個(gè)環(huán)節(jié)才有辦法幫助到醫(yī)生。因?yàn)槎喾N客觀因素，會致使過渡時(shí)間更長。
當(dāng)然了，如果找好場景的話，最快兩三年之內(nèi)就可以安全著陸。
雷鋒網(wǎng)：您覺得哪幾個(gè)場景前景相比而言會比較明朗？
目前市場上很多企業(yè)在做診斷，其實(shí)我覺得可以往前探一步：做好分割。
一個(gè)醫(yī)生在做放射性療法之前，要先把不同放射性療法所影響到的這些不同區(qū)域標(biāo)出來，并進(jìn)行分割。分割工作的人力和時(shí)間成本很高，如果現(xiàn)在有一個(gè)工具能夠自動進(jìn)行分割，再讓醫(yī)生去確認(rèn)，需求會比較大。
當(dāng)一個(gè)系統(tǒng)先對影像做標(biāo)注，醫(yī)生去看的時(shí)候已經(jīng)有90%完成地很好，沒做好的地方醫(yī)生再去修改，最后一關(guān)由醫(yī)生來把守，這種輔助工具醫(yī)生也很樂意接受。
雷鋒網(wǎng)：談?wù)勎磥砦④涐t(yī)療人工智能的展望？
我們希望能從人一出生開始便了解你的整個(gè)健康情況，通過收集身體信息，實(shí)時(shí)分析你生活和機(jī)體哪些地方需要改進(jìn)，如飲食、睡眠、運(yùn)動、病痛等等。
我覺得在未來應(yīng)該會演進(jìn)為這種形式，每個(gè)人都有一個(gè)專門屬于他的醫(yī)療人工智能健康助理。
雷鋒網(wǎng)：產(chǎn)品形態(tài)是2C的形式嗎？
這個(gè)倒不見得是2C，更多是2B2C模式，產(chǎn)品在面向終端用戶時(shí)也要有醫(yī)生的參與。像美國就有很多家庭醫(yī)生，可通過家庭醫(yī)生把系統(tǒng)推向病人。
雷鋒網(wǎng)：哪些新的人工智能技術(shù)將會對醫(yī)療行業(yè)帶來巨大變革？
其實(shí)“如何把不同的信息在不同層次進(jìn)行整合”這一認(rèn)知層面的課題，整個(gè)行業(yè)仍舊存在很多不足，現(xiàn)階段單是把知識結(jié)構(gòu)化就是一項(xiàng)很復(fù)雜的任務(wù)。如果解決了上述問題則對技術(shù)體系和行業(yè)的推動力將非常大。
我們先以機(jī)器翻譯為例，大部分機(jī)器翻譯還是單句單句翻，但一段段翻跟一句句翻就很不一樣了，它涉及到“理解”。再以圖像識別為例，機(jī)器識別出圖像中有藍(lán)色的天空和藍(lán)色的海和帆船，但如果突然出現(xiàn)圖像中的天空為紅色，而它過去的訓(xùn)練集中沒有對紅色天空進(jìn)行標(biāo)注，那機(jī)器能懂得紅色的天空代表是晚霞嗎？
因此我們要讓機(jī)器建立起一個(gè)對故事、對世界、對環(huán)境的認(rèn)知能力。
這里的難點(diǎn)在于，它有很多很多參數(shù)的變化，你不可能讓機(jī)器學(xué)習(xí)把整個(gè)世界的種種元素挨個(gè)看一遍才能理解。而是應(yīng)該創(chuàng)建一種新的方法，把不同地方學(xué)到的知識給整合起來，從而解釋出圖像看起來是合理的。
醫(yī)學(xué)影像的解釋同樣如此，醫(yī)生在看MRI影像時(shí)，基于經(jīng)驗(yàn)判斷某個(gè)人是女性，但有一些地方卻不像女性（如變性人等）。這時(shí)候要有更高層的知識能力、知識架構(gòu)，也就是用Mental Mode去解釋去理解，這會是一個(gè)很大的挑戰(zhàn)，同時(shí)也是一個(gè)很大的機(jī)會。
雷鋒網(wǎng)：當(dāng)前很多像醫(yī)院等傳統(tǒng)機(jī)構(gòu)對AI處于觀望狀態(tài)，市場還需教育。企業(yè)應(yīng)該如何讓各行各業(yè)的人更快了解人工智能？
為什么互聯(lián)網(wǎng)興起后能迅速影響到各行各業(yè)？因?yàn)槟菚r(shí)候大家即便不懂互聯(lián)網(wǎng)，但至少有瀏覽器產(chǎn)品供我們使用，雖然有別于可觸摸的實(shí)體物品，但我們可以看到互聯(lián)網(wǎng)產(chǎn)品的界面，也可在上面進(jìn)行操作和交互，這才使得人們對互聯(lián)網(wǎng)的認(rèn)知建立的如此之快。
人工智能普及進(jìn)度慢，一大原因就是沒有一些典型的終端產(chǎn)品讓大家直接感受。要想教育一個(gè)市場，最好的方式就是讓他們?nèi)ンw驗(yàn)AI的能力。
雷鋒網(wǎng)：您在微軟亞洲研究院任職18年，談?wù)勥@里留住您最大的一個(gè)原因是什么？
在這18年里，我最大感觸是微軟亞洲研究院為很多優(yōu)秀的研究員創(chuàng)建了能夠長期鉆研細(xì)分領(lǐng)域課題的極佳環(huán)境。在微軟亞洲研究院這樣的基礎(chǔ)研究機(jī)構(gòu)里，好比在MIT、斯坦福，我們在長時(shí)間探索各式各樣的有趣題目。
近兩年量子計(jì)算很火，但很多人所有不知，我們研究院從十幾年前便開始做量子計(jì)算了。除此之外，也有美國的同事在探索用DNA來存儲信息，人體中一個(gè)DNA大概有4GB內(nèi)存，你想想，一個(gè)細(xì)胞大小的體積便能存儲4GB的內(nèi)容，密度遠(yuǎn)高于我們用的SD卡。
像這種看得很遠(yuǎn)的方向，只有在研究院才有機(jī)會去接觸，這對任何一位研究者都極具吸引力。
蓋茨早在26年前便建立微軟研究院，并且在同期啟動三大研究組：自然語言處理組、語音組、計(jì)算機(jī)視覺組。
這些研究在當(dāng)時(shí)來看，離落地非常遙遠(yuǎn)。
但微軟今天能夠站在人工智能最頂端，不是因?yàn)槲覀凅w量多大，也不是我們?nèi)瞬艍蚨啵谟谘芯吭汉蜔釔垩芯康倪@一批批人早已為此準(zhǔn)備26年之久。
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。
專題
本專題其他文章
