近日，雷鋒網(wǎng)AI掘金志邀請了北京大學(xué)王立威教授，為大家深入講解了《AI醫(yī)學(xué)影像的現(xiàn)狀、機遇與挑戰(zhàn)》。
王立威教授作為首位獲得AI's 10 to Watch獎的亞洲學(xué)者，同時也是LUNA和天池AI醫(yī)療大賽冠軍隊導(dǎo)師，從人工智能研究者的角度出發(fā)，為500多位資深醫(yī)療人工智能人士做了120分鐘的深度分享和學(xué)員互動問答。
王立威教授指出，只滿足把自己定位于一個人工智能研究者來看待醫(yī)學(xué)影像問題，將圖像識別技術(shù)單純地嫁接到醫(yī)學(xué)影像原有的系統(tǒng)上，即便數(shù)字結(jié)果看起來不錯，但距離“好用的產(chǎn)品”依舊非常遙遠。
嘉賓介紹：
王立威：北京大學(xué)信息科學(xué)技術(shù)學(xué)院教授
王立威教授在機器學(xué)習(xí)領(lǐng)域發(fā)表論文100余篇，2011年入選人工智能重要國際獎項AI's 10 to Watch，是亞洲首位獲得該獎項的學(xué)者。2012年獲得首屆國家自然科學(xué)基金優(yōu)秀青年基金;擔(dān)任國際人工智能權(quán)威會議NIPS，IJCAI領(lǐng)域主席;中國計算機學(xué)會人工智能與模式識別專委會常委。
課程內(nèi)容：
我為什么選擇醫(yī)學(xué)影像這條路
重新審視AI這個工具：我眼中的人工智能與機器學(xué)習(xí)
當(dāng)前AI醫(yī)學(xué)影像技術(shù)的真實現(xiàn)狀
實戰(zhàn)案例詳解：人工智能肺結(jié)節(jié)檢測與良惡性診斷
經(jīng)驗分享：錯誤、彎路、失敗、技巧、解決方法
致AI醫(yī)學(xué)影像領(lǐng)域的工作者：我們應(yīng)具備哪些素質(zhì)與技術(shù)
未來AI醫(yī)學(xué)影像的機遇與突破點
為什么選擇醫(yī)學(xué)影像這條路?
王立威教授談到，有三個領(lǐng)域會與深度學(xué)習(xí)進行緊密的結(jié)合，并希望能夠選擇其中一個方面來進行深入研究：一個是無人駕駛;一個是金融領(lǐng)域;再一個則是醫(yī)學(xué)領(lǐng)域。
他認(rèn)為，無人駕駛在計算機視覺的識別技術(shù)已經(jīng)趨于成熟，具備可以與機器學(xué)習(xí)進行深入結(jié)合的條件，但作為一個與汽車實體緊密相關(guān)的應(yīng)用方向，在高校內(nèi)做研究的空間相對受限;此外，駕駛作為一種動態(tài)活動，相對于靜態(tài)圖像識別的難度與復(fù)雜性要高得多。
而金融領(lǐng)域盡管積累了非常多高質(zhì)量的封閉數(shù)據(jù)，但它屬于噪聲非常大的信號，受突發(fā)政策、人為操作的影響較大，并非總是嚴(yán)格遵循客觀規(guī)律。
AI技術(shù)不是金融交易中的核心技術(shù)，交易的安全是重中之重。如果只考慮交易頻次問題，交易又分為低頻和高頻，“如果是低頻交易，我不認(rèn)為AI 有太大的用武之地，因為AI 需要大數(shù)據(jù)、低頻交易數(shù)據(jù)量太小，如果要讓AI技術(shù)發(fā)揮技術(shù)，一定是在高頻領(lǐng)域。但是現(xiàn)階段的一個問題是，高頻領(lǐng)域有很多分析的工作還是是需要人來做，例如提煉對交易產(chǎn)生影響的因素或者策略。所以綜合上述的幾個因素，我最后選擇了從醫(yī)學(xué)影像入手。”
在這個應(yīng)用研究的三岔路口上，王立威教授最終選擇了醫(yī)學(xué)影像領(lǐng)域。
“醫(yī)學(xué)影像是未來幾年之內(nèi)人工智能影響最深遠的領(lǐng)域。”
一方面，醫(yī)學(xué)影像屬于靜態(tài)圖像識別，相對于視頻的處理技術(shù)要更加成熟;另一方面，依托北京大學(xué)的一系列附屬醫(yī)院，不論是從數(shù)據(jù)的獲取或是系統(tǒng)的測試落地上，王立威教授所在的北京大學(xué)研究團隊都有著得天獨厚的優(yōu)勢。
王教授表示，如果開發(fā)者要執(zhí)行的任務(wù)處于非常封閉的環(huán)境，和人的常識沒有什么關(guān)系，這樣的任務(wù)非常適合機器來做，但是如果這項任務(wù)和常識掛鉤，例如對自然語言的理解，對于機器而言難度非常大。“醫(yī)學(xué)影像相對而言是具有一定封閉性的問題。”
當(dāng)前AI醫(yī)學(xué)影像技術(shù)的真實現(xiàn)狀
當(dāng)然，不是說醫(yī)學(xué)影像具有一定的封閉性，AI就能夠在醫(yī)學(xué)領(lǐng)域暢行無阻。王立威教授列舉了兩個AI對醫(yī)學(xué)影像產(chǎn)生重大影像的案例——斯坦福團隊在皮膚癌檢測以及Google的DeepMind的糖網(wǎng)篩查。
王教授的觀點是：
1、醫(yī)學(xué)影像處理病種的數(shù)量非常龐大，上述兩個團隊的例子解決的都是單病種問題。醫(yī)學(xué)影像上一共可以分為兩千多個的病種。“解決一個單病種已經(jīng)不是簡單的事情，斯坦福的團隊已經(jīng)和頂級的醫(yī)學(xué)專家研究數(shù)年才得到目前的成果，要囊括兩千多個病種更是難上加難。此外，病種與病種之間的差異度也很大，所以，AI 醫(yī)學(xué)影像需要頂級醫(yī)學(xué)專家和頂級機器學(xué)習(xí)學(xué)者通力合作才有可能成功。”
2、成像設(shè)備的差異會產(chǎn)生多種類型的圖像。CT、MRI、X光、超聲、內(nèi)窺鏡、病理切片這些圖像缺乏一定的標(biāo)準(zhǔn)。“現(xiàn)在我們只是在一些病種上進行單點突破，整個醫(yī)學(xué)影像仍任重道遠。”
