本文共 5579 字，大约阅读时间需要 18 分钟。
在4月7日、8日为期两天的伦敦RE•WORK深度学习医疗峰会之前，RE•WORK提前组织了两场对话讨论深度学习在医疗领域的应用。
在4月7日、8日为期两天的伦敦RE•WORK深度学习医疗峰会之前，RE•WORK提前组织了两场对话讨论深度学习在医疗领域的应用。数家医疗领域的深度学习创业公司CE0、医疗专家等就深度学习在医疗领域应用的机遇与挑战展开讨论，并对5年后深度学习对医疗领域的变革做出大胆的预测。
人们说未来 5 年里人工智能和深度学习在医疗健康和医学方面的应用将增长 10 倍，从学习在丰富的医学数据中识别复杂模式的算法，到为个性化医疗提供对现实世界证据的分析，再到发现与 DNA 结合的蛋白质的序列特异性和怎样用其协助基因组诊断。
作为我们正在进行的发言人问答系列的一部分，我们询问了深度学习和医疗健康专家，让他们预测这一领域未来 5 年的状况、人工智能整合所涉及到的风险、哪些领域将被颠覆等等。
专家介绍：
Diogo Moitinho de Almeida 是一位数据科学家、软件工程师和黑客。2014 年他以高级数据科学家的身份加入了 Enlitic，他在这里为医疗诊断开发深度学习算法。
Sobia Hamid 拥有剑桥大学的表观遗传学博士学位，也是非营利性社区 Data Insights Cambridge 的创始人，该社区拥有超过 800 位数据科学从业者。
Olexandr Isayev 是北卡罗来纳大学教堂山分校 Eshelman 药学院的一位研究科学家，他的主要研究工作是使用分子建模和机器学习理解化学数据。
Vinay Kumar 是一位纳米技术研究者，也是 Arya.ai 的创始人和 CEO。Arya.ai 是一个人工智能开发者平台，具有用于语言、视觉、文本、语音、对话和推理的深度学习工具。
Michael Nova 是 Pathway Genomics 的首席创新官及联合创始人，同时也是Pathway 和 IBM 合作的沃森深度机器学习和人工智能移动应用 Panorama/OME 的发明者。
Naveen Rao 是 Nervana Systems 的联合创始人和 CEO。他既是一位计算机架构师，也是一位神经科学家。他创立的 Nervana 的目标是利用生物学的灵感并将计算带向新的方向。
问：医疗健康的哪些领域被人工智能颠覆的潜力最大？
Sobia：人工智能在医疗健康市场的早期应用和需求表明，人工智能在改变医疗健康方面有很大的潜力，而且我相信我们能在未来 3 年内看到其所带来的显著影响。其中最具潜力的关键领域是自动化智能医疗诊断、治疗建议和医疗管理。新的人工智能技术已经在开始帮助提高医疗实践的效率、准确度和成本效益了，并最终将帮助我们向解决有挑战性的常见症状、慢性疾病和罕见疾病更近一步。
Diogo：医学本质上是一个数据问题，所以整个医疗领域都会被颠覆。很多专家评论说深度学习缺少一个杀手级应用，我们现在所得到的不过是一个更好的图像搜索，而我认为医学将会成为人工智能的杀手级应用。诊断、治疗规划和人口健康是尤其让人兴奋的领域，因为这将最大化其潜在的全球影响。
Vinay：我相信人工智能的采用将会具有三个关键阶段——自动化、协助、管理。从组织和运营的角度看，任何自动化都是很容易的。在医疗健康方面，「初级卫生保健（Primary Health Care，译者注：指社区内的个人和家庭能够普遍获得的基本卫生保健）」是第一个阶段，这个阶段具有可以增加价值的巨大机遇。一个基于人工智能的解决方案将会减少医生或其他医疗保健专业人员的负担。当然，影响最大是在缺乏医生甚至没有医生的领域！更普遍地，任何医生都可以从同行或专家的第二意见中获益。使用机器作为「数字助理」，医生可以在多重复杂的情形中得到快速的意见。多功能可以提供更先进的协助形式，——例如，一个能从 CT 扫描中提取信息和在文本知识源（如能给医生带来很大帮助的研究论文和以前的报告等）中搜索解决方案的机器人。这些多功能机器人不仅能改变「初级卫生保健」，也能改变大部分诊前辅助和诊后辅助。
Michael：将会带来更好的诊断和个性化医疗建议。使用人工智能的自动化健康扫描能为地球上最贫穷和最富裕的人带来同样的最好的诊断。
Olexandr：随着机器学习被应用在了日益涌现的大型医疗数据上，医疗健康领域内出现了巨大的创新潜力。整个系统都可能被大幅改变。这里给出的只是我想到的几个方面:
1. 医疗诊断
2. 处方药和药物预订
3. 智能病人监控和警报
4. 精密医学
5. 普遍可用的高品质药
6. 由机器人完成的自动手术
问：在医疗健康和医学中应用深度学习方法所涉及到的主要风险是什么？
Sobia：医疗实践中的自动化元素意味着医生将渐渐远离传统的面对面医患交互。这应该能够提升医生花在病人上的时间的质量，包括更多的花在解释、沟通和临床决策上的时间。医疗诊断的自动化需要准确，并且避免报告不被已证明的研究支持的偶然发现。否则如果在没有人类输入将这些发现放入到背景中时，信息和推荐被错误地解读，那么医疗人工智能提供的速度和方便就有给生活方式、健康和生育选择带来负面影响的风险。准确性和可靠性也至关重要。对医疗人工智能技术进行严格测试以证明它们传说中的好处是很重要的。与准确性和可靠性同样重要的还有确保数据的安全和保护消费者的个人信息。
Diogo：医疗将面临的一个巨大的问题是，有人试图从最近的人工智能炒作中牟利，他们构建起了不切实际的期望，而这会同时摧毁医疗健康行业的决策者和患者双方的信任。我们正处在一次人工智能革命的边缘，而我们作为一个行业需要采取负责任的行动，因为当下的炒作行为可能会导致一个矫枉过正的监管环境，而过于严厉的监管将阻止人们获得最好的医疗。
Vinay：深度学习已被证明能在许多情况中工作，但我们对这些学习层中所发生的事情知之甚少。主要的未知是——我们不知道这些神经网络之内发生着什么。在封闭测试中，我们知道这些网络的输出。而在开放测试中，这些未知结论可能会创造出许多其它我们未曾预料到的结论。但是，这些风险可以通过创建一个能够过滤这些可能性的通用测试来缓解，这和人类被测试的方式是一样的。理论上，教育系统产生的任何人类专家都无法正确回答所有问题。准确程度这只是相对的——这就好比，「与班上的其他学生相比，你有多优秀」这个问题，这并不意味着你要能回答教授的每一个问题或正确答满每一份试卷。所以这个「风险」和相信一位人类专家并没多少不同。最好的人类专家也绝对不是完美的。
Michael：由人工智能提供的医疗建议必须精确而且准确。因为文化、监管和成本上的问题，美国医学的数字化一直很慢。
Olexandr：我最大的担忧和人工智能无关。我不觉得深度学习或其它任何数据驱动的技术的广泛使用有危险。但是，最大风险涉及到用户的隐私和它们的数据。随着深度学习在现实生活中的应用越来越广，越来越多的人将有机会获得电子健康记录（EHR）和电子病历（EMR）。医院和保险公司将全面数字化它们的纸质档案。我们作为一个领域，必须努力保护这些数据、保护病人的隐私和维护他们的信任。其它风险则是道德和法律方面的。和自动驾驶汽车一样，英国和美国的法律系统还未适应人工智能。如果病人被人工智能误诊了会怎样？是谁的责任？该怎么办？所有这些问题必须得到解决。
问：在深度学习领域，未来五年我们有望看到怎样的进展？
Diogo：我相信我们有望见到工作得足够好的空间注意（spatial attention,译者注：指关注视觉环境中特定刺激物的能力），这种空间注意将被视为所有最先进的视觉模型的先决条件。这将极大减少计算需求并让更高维问题的分析成为可能，这在医学方面是相当重要的。今天，深度学习模型只在机器学习问题的一个子集中得到了使用。随着我们优化深度模型的能力的提升，以及将「浅度」算法中最好的部分整合起来以用作深度算法中的可区分组件，我相信这个子集将会显著地扩增。最后，成功的深度学习应用对数据的需求将会极大地下降：它们所需的标记数据将会更少，它们将能高效地利用嘈杂的和不完整的数据，而且它们还能将来自多种方式的数据结合到一起以找出其中的模式——我们知道这个模式应该是存在的，但目前我们还无法找到它。
Naveen：「近来深度学习技术中的进步将帮助我们解决许多世界上最复杂的问题。」DFJ 的合伙人 Steve Jurvetson 说，「通过开发使用起来更快、更容易和更便宜的深度学习解决方案，Nervana 正在将深度学习大众化并助力医疗诊断、图像和语音识别、基因组学、农业、金融和最终所有行业的进步。」
将深度学习应用扩展到我们生活的所有方面将在未来 5 年内发生。我们获取医疗保健、商店和农产品服务的方式、我们与他人交互的方式都将被学习机器重新塑造。深度学习将让我们可以更好和更高效地使用资源和推动服务成本的下降。此外，随着网站和设备适应我们的个性化偏好，我们使用机器的体验也将变得个性化。
在研究方面，无监督学习将会在未来 5 年内大力发展。世界上所有数据中的大约 90% 都是未被标记的数据，这意味着，关于这些数据的含义或者从这些数据能得到什么推论，不存在任何既有的描述（图像、声音、GPS 追踪数据、运动数据等等）。无监督学习是下一个用于寻找数据中有用推论的大前沿。
Vinay：今天我们可以看到很多功能单一的神经网络，但展望未来，我们将看到越来越多的多功能神经网络，它们能执行多种任务并且可以记住执行复杂任务所需的决策流（decision flow）。这将改变多功能机器人的范围和规模，并将让我们可以见证大规模生产机器人的时代的到来。
Michael：应该有望见到远远更深度的模型、能够使用比今天的模型远远更少的训练案例学习的模型，以及无监督学习的重大进展。我们应该有望见到甚至更精确和更有用的语音和视觉识别系统。当数据中包含更多的结构时，深度学习方法有望被应用在越来越多地多模态问题上。深度学习算法将变得非常高效，以至于可被用在便宜的移动设备上，甚至不需要额外的硬件支持或过高的内存占用。
Olexandr：在五年内，我们病人就将看到深度学习在实际应用中的革命。将研究中的成功转化到临床实践上需要一定的时间。
1. 深度学习将会彻底改变诊断的医疗服务。医生将被诊断数据淹没：核磁共振、CT、X 光、活检等等。卷积神经网络（CNN）将非常有效地处理由这些图像和立体（3D）数据构成的财富。CNN 将自动分析和分割图像，找到可疑的疾病并在适当的置信度上提供客观的结果。
2. 计算机和人工智能系统将防止许多医疗错误。我们人类会犯错。医生们的工作时间很长，还面临压力和其它现实生活的挑战。人工智能助手可以帮助做正确的决定和防止潜在的错误。
3. 数字药师。这种人工智能系统可以从病人那里获取处方并立即配药或建议一种通用非专利药。
4. 便宜的人工智能系统将为全球数亿人提供全民医疗，尤其是在非洲和拉丁美洲的贫穷国家。
总的来说，我看到了非常聪明的协助医生的人工智能助手的出现，（想象一下，对医生们来说，这就像《钢铁侠》电影中的忠诚管家J.A.R.V.I.S.一样）。它们将成为交互式实时专家顾问；医生将直接使用自然语言与它们进行交谈。
问：深度学习中的哪些领域最让你兴奋？
Sobia：用于医疗成像的深度学习技术在提高分辨率、分析的广度和速度以及诊断上带来了非常了不起的进步。在计算生物学研究方面也有一些深奥的进步，比如深度神经网络在预测蛋白质结构上的应用。临床试验数据上深度学习方法的应用也在药物开发和更广泛的治疗干预上显示出了巨大的潜力。
Diogo：对我来说，所有的深度学习都真正让人感到兴奋，但其软件方面最让我觉得兴奋，因为它确实让一切都变得更好了。现有的工具还远不够完美，但即使是这样，它们得到的巨量结果也在这一领域给它带来了声誉。我相信这仅仅是一个开始，而在不久的将来，我们将打造能让我们现在已经做出的一切相形见绌的软件，并开发出让我们现在所使用的工具就像是来自深度学习的石器时代一样的新工具。
Naveen：我个人认为医疗健康是一个重要的发展领域。医疗的成本正坐着火箭疯涨，而机器学习可以在降低医疗价格的同时还提高医疗的质量。使用机器协助诊断意味着可以将同样高水平的医疗能力带给更多的人。
Vinay：「人工智能系统创建」过程是最让人兴奋的部分。到目前为止，我们已经见过人类建造机器并在实现过程中通过规则（代码）引导它们。这种人类干预是人工智能实际应用的瓶颈。尽管每个人都希望使用人工智能，但不是每个人都能开发可靠的系统。但是如果将这种专业知识教给机器，然后一台机器就可以开始开发另一台机器了。这些有经验的人工智能系统可以随着时间和经验的增加变得更好，并最终能够打造出完全可靠的人工智能系统。我将其看作是我们这个时代的一次巨变。数字机器人的大规模生产会给我们的世界带来巨大的变革。
Michael：更深度的建模，加上无监督学习的进步，这种无监督学习能处理包含了所有「生物组学信息数据集（omics information datasets）」的非结构化数据。
Olexandr：深度学习领域目前所有的进步都主要来自 3 个领域：图像、语音和文本识别。看到深度学习在基因组学、生物信息学、系统生物学等领域出现，我真的非常兴奋。我希望这些领域可以使用并推动创新。我期望看到接下来会出现哪些新的架构和算法。
转载地址：http://tmwvx.baihongyu.com/