人工智能在医疗领域有哪些重要意义
当你在社区医院注射疫苗时，顺便用几秒钟的时间拍了张眼底照片，几秒钟以内人工智能便可以告诉你是否有患上了白内障或者其他慢性病，甚至可以准确预测儿童何时会近视。这样如同科幻电影中的设备，如今却发生在现实当中。
在2018年CMEF中国国际医疗器械（春季）博览会上，小编采访到了医疗领域人工智能领军企业Airdoc公司市场部副总裁张京雷先生。共同探讨人工智能对于目前医疗行业的影响，以及对我们普通人生活带来哪些意义。
医疗科技逐渐走向成熟
目前，一个好的医疗服务价格非常昂贵。而据张京雷介绍，Airdoc的愿景便是希望能用人工智能优化医疗服务，以一种相对低廉的价格让广大患者更快速地享受到更优质的医疗服务，使更多人从中受益。
目前医疗科技行业在蓬勃发展，许多企业也都涉足到这个领域之中。就在上周，美国FDA给做眼底视网膜病变观察的公司IDx颁发了许可证，这从侧面证明了当前世界上的医疗科技技术已经相对成熟。
当今国内的医疗科技水平在很多方面都领先于国外，而这次美国FDA批准认证的技术只不过是国内医疗科技领域前两年的技术水平，当然这并不是说国外没有更新的技术，而是说明我国的医疗科技已经在很多方面已经达到了世界领先水准。
张京雷表示，这其中有深层次的原因，首先是中国具有人口优势，因此在数据收集上可以十分丰富和全面，而这一点在其他国家难以达到；其次，我们对于人工智能有着强烈的需求，比如在三线及三线以下城市医生与一线城市医生有着极大的差距，而人工智能在这方面能够极大的弥补这些差距，因此AI有着非常大的应用前景；最后，我们不光要有好的医院以及医疗团队，还有非常良好的投融资环境，才能给相关企业的发展创造更好的土壤。
人工智能将对医疗带来极大帮助
当谈到目前医疗科技领域有哪些具体进展时，张京雷表示，第一是技术的进步，比如在眼科、皮肤科、癌症早期病症的发现等已经有临床验证；第二则是政府部门的监管，预计在今年将会有几家医疗科技企业能够拿到CFDA 药监局的认证，这代表着国家对于国内医疗科技行业的认可。
张京雷认为，“人工智能技术将来的一个突破口是在院外，并且功能一定是筛查，通过人工智能技术把慢性病或者无症状的疾病及时找出，当然院外的模式还有很多需要继续探索的地方，包括技术本身、市场及商业模式等。”
目前Airdoc主要的产品是在通过眼底拍照的慢性病筛查，而这种方式也是当前最成熟并且可以很快应用到临床的技术。通过观察眼底上面血管及神经的变化，可以从中分析得出高血压、糖尿病及动脉硬化等慢性病的情况，也可以把这些数据收集起来在后台进行分析对比，能够更准确的进行慢性病的判断、辅助诊断和长期管理。
眼底数据为何成为研究的重点
至于为何选择以眼底作为技术的主要研究方向，张京雷表示，首先慢性病完全可以通过眼底进行直接的观察，这就可以通过筛查进行早期诊断，第二是慢性病的发病率高居不下，严重影像患者生活质量也给医保造成巨大财政负担。
还有就是技术上说眼底数据相对来说比较容易取得——眼底照相机可以在院外使用，大规模眼底筛查的成本可以控制在几元钱以内，并且在伦理上没有任何问题，只要是三周岁以上的儿童到老年人，所有人都可以接受眼底拍照。
最后在许多慢性病的筛查和早期诊断方面，通过眼底能够快速的察觉，比如许多致盲性眼底疾病，可能在很长时间没有任何明显症状。但是当症状出现的时候，基本上已经错过了最佳的治疗时机。通过拍摄眼底，可以根据血管的变化能够在早期就察觉出相关疾病，比如糖尿病在没有任何症状表露之前，通过观察到眼底血管的膨胀变形，较早的确诊，可以进行及时的治疗。
多模数据分析帮助准确判断病症
如何能够准确判断这些病症，这需要运用到多模数据分析（MRT），张京雷接着介绍道。举个例子，在心血管科，每个病人的病例中都有许多数据，这些数据数量甚至多达上百组，对于一般医生而言，只能通过个别组的数据来判断病人的病情，如心脑血管、心脏病等疾病，这些病症通过化验的指标只是简单的几组数据，但是通过人工智能算法，可以同时对几十组甚至上百组数据进行详细的分析揭示疾病的内在规律，找到更好的诊疗方法，这是人类自身的能力所达不到的。
并且当数据足够多时，也可以通过查找这些数据之间的关联，找到一些疾病与关键因素之间的关系。比如可以通过多模态分析可以判断病人的发病与饮食、生活习惯、基因等直接关联性有多少，这对于疾病的攻克与治疗有非常积极的意义。
并且多模数据分析可以把医院中繁多的纸质病历全部数字化、结构化，极大的节省了医生的时间及精力，可以让他们更专注于本职工作。
未来医疗人工智能的潜力应用
张京雷还表示，医疗人工智能目前在两个领域中的潜力比较大，并且他也相信未来会证明这一点。第一便是医疗影像分析，由于影像本身就是结构化的，比如眼底照片；再一个如CT或磁共振等，也是同样的道理，没有人为因素干扰，可以通过人工智能进行快速、准确的分析；其次是医疗大数据，可以把非结构化变成结构化的数据，通过分析大量的病历资料找出更好的治疗方案，更好地管理疾病，目前也有许多公司在进行相关的研究。
未来，Airdoc的技术开发会从眼底扩展到全眼科。张京雷表示，AI可以用于儿童近视的预防，通过人工智能可以帮助父母监测和预测小朋友近视的发展变化，将来这种预测可以精确到近视最可能在哪个星期发生。全眼科之后则是全身的人工智能，这也是未来医疗人工智能的方向。
目前对于数据的安全性也是一个讨论的重点，对于医疗科技行业来说就更是重中之重，因为获取的数据都是非常敏感的病患数据。对于数据的防护，张京雷表示，Airdoc所有上传的数据都是通过加密保护的，其次在上传与保存的过程中，这些数据都要严格脱敏，也就是数据与病人的个人信息完全分离，这也是整个医疗行业的惯例。
并且为了这些医疗数据的存储和使用，Airdoc参与了国家科技部监管之下的STI医疗眼科大数据平台。在政府的严格监管下，上面所有脱敏数据都是可以共享进行科研，对于今后的人工智能技术发展还有临床实践都有相当的积极意义。
人工智能将更好的辅助医疗诊断
最后说到人工智能将来的服务对象时，张京雷解释道，Airdoc主要面向的服务对象其实还是医生——人工智能主要的功能是辅助医生对于病症进行诊断，但无法代替医生做出诊断。举个例子，目前已知的皮肤病超过2,000种，这就需要大量相对独立的算法合作来分析相关病症；而且许多皮肤病外观基本一致，因此医生需要额外询问患者其他情况才能够确诊，这对目前的人工智能技术还是个挑战。
当然未来的人工智能技术可能通过深度学习实现更多的功能，但是目前而言还有许多制约因素，包括法律上的制约——比如当人工智能诊断失误的时候，谁来承担法律责任等。因此很长的一段时间来看，人工智能都将是医生的一个辅助工具，无法取代医生。
未来人工智能最大的作用是解决医生大量简单重复性的工作，提高医生的工作效率，让医生真正发挥他们的智慧和能力。人工智能与医疗这对搭档，将会颠覆今后的医疗环境，这值得我们所有人期待。
IEEE Fellow李世鹏 ：人工智能与机器人前沿研究之思考
作者 |维克多编辑|青暮
2021年12月9日，由粤港澳大湾区人工智能与机器人联合会、雷峰网合办的第六届全球人工智能与机器人大会（GAIR2021）在深圳正式启幕，140余位产学领袖、30位Fellow聚首，从AI技术、产品、行业、人文、组织等维度切入，以理性分析与感性洞察为轴，共同攀登人工智能与数字化的浪潮之巅。大会次日，思尔实验室主任、前深圳市人工智能与机器人研究院执行院长、国际欧亚科学院院士、IEEEFellow李世鹏在GAIR大会上做了《人工智能与机器人前沿研究之思考》的演讲。李世鹏博士，IEEEFellow，国际欧亚科学院院士。历任深圳市人工智能与机器人研究院首席科学家和执行院长、科大讯飞集团副总裁及讯飞研究院联席院长、微软亚洲研究院创始成员与副院长。李院士在多媒体、IoT及AI等领域颇具影响力。他拥有203项美国专利并发表了330多篇被引用了的论文（H指数：82）。被Guide2Research列为世界顶尖1000名计算机科学家之一。培养出四位MITTR35创新奖的获得者。是（科技部）新一代人工智能产业技术创新战略联盟发起人之一及联合秘书长。在演讲中，李世鹏介绍并展望了人工智能与机器人前沿研究方向，他指出：未来机器学习突破深度学习的数据瓶颈或许可以借助认知科学的方法得到突破，学习范式可从依靠“大数据”转变成依靠“大规则”；人机协作也要进化为人机“谐”作，只有将耦合、交互、增强、互补等目标纳入研究方向，才能实现人机的无缝连接。以下是演讲全文，AI科技评论做了不改变原意的整理：今天的演讲题目是《人工智能与机器人前沿研究之思考》，分为三个部分，先谈人工智能和机器人研究全景，然后聚焦研究方向，包括机器学习、运动智能、人机谐作、群体协作；最后进行总结。
人工智能相关研究的关键元素有三个：人、机器人/物联网以及AI。之所以将机器人和物联网归为一类，是因为这两者是物理世界和虚拟世界的接口。如果三个元素两两之间发生联系就会形成一个新的学科，例如机器人和AI相结合会产生智能体，AI和人类相结合会产生人机耦合以及增强智能，而机器人和人类相融合会形成增强机体。随着人工智能与机器人领域的发展，研究对象不再局限在单个智能体，而是越来越多地对多个智能体的协作进行研究，例如人类社会群体如何更好地相融合？如何设计出能够精妙协作的机器群体？总体而言，我认为重要的基本研究方向是：机器学习、运动智能、人机谐作、群体协作。
1聚焦方向之机器学习机器学习的发展离不开深度学习加持，它给行业带来许多研究成果，并赋能了语音识别、人脸识别、物体识别、自动驾驶等方面，推动人工智能产业高速发展。虽然成果颇丰，但成也萧何败也萧何。深度学习依赖于大数据，其瓶颈也在于大数据。例如国内的智能语音技术尽管处于行业领先，但仍依赖技术积累和数据积累。现在想要让深度学习发挥巨大威力，仍然需要大量数据的加持，如果想让深度学习从一个领域扩展到另一个领域，也少不了数据支撑。
如何突破？研究者已经探索了多条路径，其中一个解决方案是：扩展深度学习框架。例如优化深度学习算法、知识图谱+深度学习、专家系统+深度学习等等。另一条路径是因果推理，其目标是借助人类举一反三的能力，期望超越数据之间的相关性，进而探索数据之间的因果性，从而得到数据之间的逻辑推理。第三条路径是类脑计算，从生物学角度，探索人脑认知元素和机制，以仿真方法再现人类大脑。个人认为认知科学是突破深度学习框架的着力点。理由是人类认知过程有两点需要我们去进一步借鉴：生而知之、学而知之。生而知之是指部分认知能力与生俱来，新生儿的脑神经有很多先天的连接。它给我们的启示是：现在的大多深度学习算法，大部分都是从零开始训练，而没有充分或者高效利用先验知识或者已有模型。如何利用“现有知识”是深度学习的下一个热门方向。学而知之是指大部分认知能力是后天学习到的，尤其是早期学习。通过学习脑神经建立了更多的连接。孩子很多能力，包括感知、应对、语言、读写和理解，甚至分析问题和解决问题的思路和能力在很小时候已经基本定型；以后基本都是知识的积累。这意味着脑神经元很早的时候就连接定型成一个元模型，剩下的是只是利用这个元模型去解决具体领域的问题。这个与当前的大规模预训练模型有着惊人的相似之处。学而知之的另一层次是：人类学习过程依靠多源的、多传感的、多模态的、多角度的数据，例如视觉、听觉、嗅觉、触觉和语境等联合信息，而今天的深度学习依靠大都是一段语音、一张照片，因此，未来AI模型的输入数据可能不仅是单一的数据，而是多个信号源的融合。如何模仿人类学习的过程，这是认知科学对深度学习的另一个启示。再者，人类学习过程是一个从样本示例到原理归纳的过程，而不是仅停留在样本示例层面；目前深度学习却都是停留在样本层面。那么，未来是否能够构造类人的机器学习框架，无论输入什么样的数据，只要逻辑相通，都会收敛到一致的模型？突破深度学习的数据瓶颈，可以尝试构建规则的众包系统，让人类教机器学习过程，其目的不是输入数据，而是让机器学习规则。由于我们试图从日常的活动中学习规则，这种规则普通人都可以标注示教，这就打破了以前专家系统地需要“专家”的局限。这种从“大数据”过渡到“大规则”模型构建方式显然也更符合人类的认知。2聚焦方向之运动智能众所周知，在机器人领域，波士顿动力公司的产品最“像人”，如上动图，机器人跳舞丝毫看不出生硬的感觉。但受计算资源、能量、运动控制的限制，它只能运行几十分钟。其实，波士顿动力机器人的运行方式是基于电机驱动，存在很多缺点，例如刚性运动、自重比较大、反应速度和灵活性的矛盾以及耗能大。
对比人类和其他动物的运行方式，肌肉、骨骼、传感和神经的结合可以在低能耗情况下，实现灵活运行。这给研究者的启示是，机器人的运行系统应该像人一样满足：高效、灵活、精确、鲁棒、刚柔并济、轻量、自适应等指标。当前的运动智能可能在某一个维度表现优秀，但综合考量仍然有很多缺点。因此，运动智能的一个重要研究方向是：仿生。仿照动物的运动智能，例如运动控制采用逼近反馈式，运动过程视变化随时灵活调整。如果说机器人是靠“内力”驱动，而医疗微纳米机器人是“外力”研究方向的代表。例如依靠磁力，小机器人精确地将药物从一个管道运送到另一个管道。3聚焦方向之人机谐作在人机谐作层面，区别于协作，“谐作”代表人机协作中的耦合、交互、增强、互补、协作、和谐等意思。人机谐作的目标是：不需要告诉机器人类的意图，机器就能领会，从而达到人机的无缝连接。在达成人机谐作的过程中，重点研究人机自然交互、感知及增强。具体可能包括：生物特征检测和识别、人机接口、脑机接口、语音识别、动作识别、表情识别、语言理解、意图理解、体态感知、无隙增强，以及在扩展现实与远程现实的延伸等等。人机增强智能方面，今天的机器学习框架大都是基于大数据的深度学习框架，肯定会遇到机器智能处理不了的情景。这对于某些高风险领域，例如自动驾驶、金融等来说是致命的。针对这一问题，当前的解决方案是“人类接管”。这会涉及三个核心问题：核心问题1：机器智能如何感知自己处理不了一些情况，而主动要求人来接管？核心问题2：什么时候人类可以完全放手给机器自主完成任务？核心问题3：什么样的人机交互设计能充分发挥人和机器各自的长处，同时又无需非必要地麻烦对方？三个核心问题如果无法解决，会导致一些困境。例如，以自动驾驶为例，目前安全员并不是开了“自动”功能就一劳永逸，仍然需要时时监测路况与路线，一刻都不能分神。这其实增加了安全员的负担，因为在没有自动驾驶的时候，人类对自己的驾驶环境会有一定的预测，而机器驾驶的情况人类无法预测。人机增强机体也属于人机谐作的一个领域，能够帮助人类增强物理机体能力，完成一些人类自身体力完不成的事情。但机器可能过于复杂，需要人类培训后才能操作。人机增强机体的未来目标是实现人与机器和谐共处，操控起来如同人类的自己的器官一样自然。其中，涉及的核心研究课题包括：机器感知人的意图、人的姿态、理解人的自然语言命令、肢体语言等等，从而让机器以最适合人类接受、恰到好处的平滑方式帮助人解决问题。4聚焦方向之群体协作目前单智能体已经可以完成许多任务，但如何发挥每个智能体集合起来的威力？这涉及群体协作的研究方向。在仓储场景下，存在许多抓取分类的机器人，如果能够有效调度，那么必将大大提高工作效率。当前主流的调度方式是中心化的控制方式，但面对成千上万的规模的智能体，则需要非中心化的控制，允许智能体之间存在自主行为，在相互协作的同时，还能“做自己的事”。即单独的有智能可独立行动的智能体，通过协作而达到的更高效的群体/系统智能和行为。智能体群体协作目前涉及的规则包括，群体行为模型和激励机制、群体智能协同决策。这一方面，蚂蚁是我们的学习对象。另外，在自动驾驶方面，越来越多自主驾驶机器人出现，它们之间如何做到协同感知和协同控制也是当今热门话题。上述四个方面属于基础性的研究，任何一个领域出现了突破，那将对其领域以及下游应用而言都是革命性的突破，也将带来工业数智化原创技术的创新，会让我们在竞争中占领优势地位!雷峰网雷峰网(公众号：雷峰网)雷峰网原创文章，未经授权禁止转载。详情见转载须知。