人工智能技術的發展，給垂直產業帶來巨大變革，以醫療、無人車、安防、金融等垂直行業的變化最受到關注，多位知名投資人都強調現在真正能落地的就是AI在垂直行業的應用，可謂“不垂直，不快樂”。但是AI雖火，人的價值中存在批判性思維：醫療AI最有前途的技術是否是深度學習?是什么樣的技術要診斷22542個ICD10疾病?誰能成就醫學界的ImageNet?

　　新智元于3月25日參加智慧未來·醫療人工智能峰會，活動由匯醫慧影、英特爾醫療等聯合主辦。其中匯醫慧影成立于2015年，其創始人柴象飛兩年前從斯坦福大學回到國內，那時候他覺得春雨醫生做的非常好，讓他看到了醫療影像在商業模式上的巨大創新。因此他和郭娜一起創立了匯醫慧影，致力于發掘醫療影像數據價值，以最前沿的云計算、大數據和人工智能技術，打造智能醫學影像平臺和腫瘤放療平臺。在這一過程中，英特爾醫療提供了很多支持，匯醫慧影也成為了英特爾聯合實驗室的一員。

　　參與本次醫療AI峰會的嘉賓有英特爾醫療與生命科學部亞太區總經理李亞東，匯醫慧影創始人柴象飛和郭娜，藍馳創投合伙人陳維廣，斯坦福大學放療科終身教授邢磊，跨入到醫療界的國際核能院院士張勤，萬方數據股份有限公司副總經理張秀梅，鄭大五附院黨委書記王新軍和某著名設備商代表。本文綜合了會場演講、論壇和新智元對斯坦福醫療AI專家邢磊的專訪內容，讓我們破除迷信，跟隨AI技術大牛和醫療行業大拿一起揭開中國醫療AI之現狀。

　　強化深度學習：醫療AI最有前途的技術?

　　自從2012年深度學習技術被引入到圖像識別數據集ImageNet(做為測試標準)，其識別率近年屢創新高，并且在某些領域如圖像分類等方面達到人類水平。深度學習技術加上醫療影像領域累積多年的數據，給這一領域帶來了令人驚喜的突破。

　　新智元曾經報道過斯坦福的研究人員發布在Nature上的研究，CNN做皮膚癌診斷，與21位皮膚科醫生對比測試，結果系統的精確度與人類醫生相當(“至少”91%)。還有JAMA上發布的利用CNN對糖尿病視網膜病變的診斷，結果表明，其算法的性能與眼科醫生的性能一致。

　　CNN在醫學上的應用可謂在頂級刊物上連放大招，那么深度學習技術是醫學影像領域效果最好的技術嗎?

　　斯坦福大學邢磊教授告訴新智元：深度學習及強化深度學習，代表目前新潮的技術，它們能解決很多以前不能解決的問題，把醫療AI推向新的高潮。

　　深度學習

　　強化深度學習在2016年初AlphaGo對戰李世乭中大放異彩。AlphaGo學習棋譜到了一定程度，就可在和對手及自己對弈的大量棋局中，使用強化學習來進一步改善它，這可以說是它不斷超越自己，最終戰勝人類冠軍的關鍵所在。作為一種有效的機器學習方法，強化學習主要研究在特定情境或環境下的操作方式，使得獎勵信號最大化。同樣在醫療AI的決策過程中，一個程序操作會常會影響其接收到的數據，不同的操作中程序會接受到不同的輸入信息。強化學習可找出決策或操作的最優方案，以獲得最大的獎勵。

　　乳腺鉬靶腫塊判讀

　　邢磊博士介紹，其實在深度學習之前，大約在90年代，就已有很多人做計算機輔助診斷(CAD)。之前神經網絡做不深，現在有了新型計算機和深度學習之后，可以實現很深的網絡。但是就以皮膚癌的診斷為例，目前在臨床上還沒有真正意義上的大規模的應用。基于深度學習的診斷尚處于研發階段。但以現在的研發速度來看，這些新技術離臨床應用已經并不十分遙遠了。

　　腦出血區域自動標記

　　另外，深度學習并不是在所有場景下都需要。這跟具體遇到的問題有關，有時候一般的機器學習技術已經夠用。新的算法可以說是層出不窮，日新月異。把不同的算法結合起來也是AI的領域常用的方法。

　　動態不確定因果圖：診斷各種疾病

　　人工智能不止是深度學習，也不止是大數據，張勤教授深以為然。他通過多年研究，提出了一套動態不確定因果圖DUCG(DynamicUncertain Causality Graph)理論，用于因果知識的圖形表達和推理。DUCG克服了貝葉斯網絡的簡潔表達和推理模型只適用于單賦值情況，不適用于多賦值和邏輯循環等情況的問題。

　　張勤教授創立動態不確定因果圖的本意是為了解決核電站的在線故障診斷，因為核電故障數據極少，診斷要求高(要診斷從未出現過的故障)，必須充分利用領域專家知識才行。核電站有數千甚至數萬個實時動態信號，故障發展迅速，要求DUCG能夠在秒級對眾多信號(其中可能存在虛假信號)進行動態推理，高效準確地診斷故障，為提升核電站的安全性和經濟效益提供智能技術支持。他的團隊迄今已取得上百起故障診斷實驗100%的成功率，無一失手。現已用于核電站和衛星系統的故障監測和診斷。