撰文 | 邸利會
責編 | 李曉明
知識份子為更好的智趣生活 ID：The-Intellectual
●●●
作為一名視網膜醫生， 給病人看片子是張康日常工作的一部分。 不過，
黃斑變性和糖尿病視網膜病變是兩種常見的眼病， 如不及時就診治療可導致永久失明。 而診斷依賴于一項叫做光學斷層掃描（optical coherence tomography， OCT）的技術。 用該技術得到的片子具有一定的圖像模式， 而不少圖像模式識別的問題已被深度學習所解決。
在2月22日最新一期的《細胞》雜誌封面上， 報導了來自廣州婦女兒童醫療中心和加州大學聖地牙哥分校（UCSD）的張康教授與合作者用10萬張光學斷層掃描圖片訓練了一個卷積神經網路（Convolutional neural network）模型，
為了顯示該系統在其它常見病， 其它片型（如X光片）上的能力， 研究者還把它用到診斷兒童肺炎上。
未來是否會產生一個AI“全能”醫生， 在各個方面達到甚至超越專科醫生， 這對未來疾病的篩查和診斷會產生怎樣的影響？本刊為此專訪了該研究的通訊作者張康教授。
https://v.qq.com/iframe/player.html?vid=k1334uhts5l&width=670&height=376.875&auto=0
《知識份子》：張教授為什麼會做這樣一項研究？
張 康：我在美國行醫二十多年了，
另外， 在美國的邊遠地區存在醫療資源不均衡分配的現象， 中國， 非洲， 拉丁美洲更是如此。 很多患者因為沒有及時診斷， 本來可以治的眼病造成了不可逆的失明， 這是一個很大的遺憾。 這幾年， 雖然人工智慧在其他領域快速發展， 但在醫療方面的應用需要看准方向進行突破。 作為一線醫生， 我們最清楚最急需解決的問題。 因此好的AI團隊需要有醫生或醫學背景的人參加，
《知識份子》：文章中引用了美國的資料， 中國這兩種眼病的情況是怎樣的？
張 康：非常大， 因為中國的人口基數大。 黃斑變性患者估計有三四百萬， 糖尿病視網膜病變就更大了， 我估計這兩個加起來， 大概會有幾千萬人。 這兩個是非常大數量的致盲的病。 由於人口老齡化和全球糖尿病的上升， 這些疾病的流行率可能會隨著時間的推移而進一步增加。
《知識份子》：這項研究是不是也有人工智慧的專家參與？
張 康：從醫生的角度， 必須有很專業的人工智慧， 影像處理的研究人員參與才行。 說老實話， 這次我們將深度學習成功應用到眼病篩查， 肺炎診斷上， 就是因為穀歌搭建了一個很好的底層技術平臺， 我們等於是站在巨人的肩膀上，寫了幾個有關醫學圖像新的程式，把眼科和胸科診斷做到了世界前沿。從整個人工智慧在醫學上應用看，必不可少的是演算法和平臺，中國需要像穀歌一樣花大力氣去開發。人工智慧的硬體還不是我們的特長，但從發展趨勢上，需要有實力的人工智慧團隊來做這個事情。
我們團隊是一個綜合性的團隊，有很好的電腦人工智慧的專家，結合加州大學的超算中心，再加上高通的基礎研究人員，所以我們很快走到了前面。此外，我們的醫學背景也能讓我們及時找到醫學上很迫切需要解決的問題。
《知識份子》：這個平臺用到了一種叫做遷移學習（transfer learning）的技術——當一個領域缺乏資料時，該技術能利用相似領域的資料來學習？
張 康：我們的文章和以前AI應用到醫學上的研究有兩點不同：第一，我們用了遷移學習的技術，能舉一反三學習新知識，這就像小孩已經學習了很多東西，有了一個基礎，再繼續學習專業的東西就比較容易了。對本項研究來說，學習了眼科的技術，再學習X射線的胸片的能力就會有很大提高。第二，遷移學習是提示AI專注學習一個東西，不需要考慮其他，這就可以把訓練需要的資料量減少很多。
《知識份子》：10萬張的訓練圖片看起來已經很多，但文章說，如果從零開始建立深度學習網路的話，需要的圖片是百萬級。
張 康：是的。標記大量高品質的圖片實在是太難了，我一直在想好的解決辦法。ImageNet已經有幾千萬張的各種日常生活中的照片，先在此處學習完後，可以讓AI系統有一個一般的概念，然後再把它引入到醫學圖像的識別。基於這樣原理的學習叫遷移學習，也是沒辦法的辦法。因為開始的話，不可能有很多高品質的資料；標記100萬的圖片，要太多時間和成本，不現實，但用遷移學習的話，就能用10%的資料（10萬）在較短時間內，也達到準確的目標。
即使是標注10萬張的圖片，也是一個蠻大的工作量，而且需要有醫學背景的專業人員去做，我們團隊的醫學生，研究生，住院醫生，包括我自己和我的同行資深專科主任醫師都做出了貢獻，花了近半年時間。廣州婦女兒童中心也有一個AI團隊，我們有很緊密的合作，把遷移學習放到小兒肺炎的診斷平臺上。整個研究做了2年多。
《知識份子》：研究組後來用了5000多張X光片用於肺炎的模型訓練，那是不是訓練下一個病的模型就會用更少量的圖片？
張 康：是的。但這也要看圖片複雜程度和有多少個特徵。如果特徵很複雜的話，片子太少不會達到很好的效果。肺炎的研究，這次能模擬出這麼好的結果，我們也是很驚奇的。因為我覺得肺炎比眼病更加複雜，這也說明了遷移學習在相對小樣本上的突出作用。
《知識份子》：AI用在醫療領域，在資料獲取上是不是一個很大的挑戰？
張 康：是的。能拿到非常好的資料的話，才能知道什麼地方演算法上有什麼問題，通過AI反復計算來達到好的效果。中國醫院有大量病人的資料，但是如果沒有經過純化，沒有高品質標注過，這樣的資料直接輸入電腦是沒有好結果的。所以，我們有一個很大的團隊一直在很努力把資料做好，這也是我們成功的一個重要原因。肺炎的片子來自廣州婦女兒童中心；眼科片子來源於不同地方，有美國的，有中國合作單位的，如同仁眼科中心，上海第一人民醫院。
另外，此前AI的文章，一般只是做一個診斷，我們的AI有很大的進步，不僅診斷，而且可以做轉診意見，告訴醫生和病人，是不是必須馬上去看病，比如是不是急性細菌性肺炎，是不是有黃斑變性和黃斑水腫，並能夠建議病人需要做什麼治療。
《知識份子》：可否具體說一下？
張 康：黃斑變性和黃斑水腫現在最主要的治療方式是通過注射一個叫做抗VEGF（血管內皮生長因數）的藥物。這樣的治療現在的評判標準就是要用光學斷層掃描，以前都是要靠視網膜醫生盯著圖片來看，現在交給人工智慧，並能很快的完成這個任務（30秒鐘），然後給出一個需不需要治療，需不需要轉診的建議，而且給出的這個建議和我們訓練有素的視網膜醫生給出的建議沒有區別。
《知識份子》：美國和中國情形還不一樣，美國先是家庭醫生，驗光師，眼科醫生，到視網膜專家，中國大家直接就看專科眼科醫生，用這套平臺的話，怎麼整合到中國的醫療系統當中，提高診斷的效率？
張 康：這是一個很好的問題。在邊遠地區，如雲貴川甘等，很多農村和貧窮地區是缺乏醫療資源的，如果能把機器和演算法直接放到那些地方的話，就可以大大提高篩查的效率。
另外，很多病人一點小病就往大醫院跑，所以現在大醫院人滿為患，醫生日常看病負荷太高。我們中國的糖尿病病人實在太多了，視網膜病變又是最常見的糖尿病併發症。我們有幾百萬，甚至上千萬的糖尿病視網膜病變病人，都面臨著失明的危險。都需要看醫生檢查，這麼大的人流怎麼辦？如果把AI機器放到大醫院裡，它能夠幫助醫生先篩一遍。 因為95%以上的病不是非常嚴重的疾病，不需要手術，只需要觀察。如果AI給出一個診斷的話，對轉診分流能起到一個巨大的減壓作用，讓醫院和醫生騰出現有的寶貴時間和資源用於最嚴重、最需要的患者。
《知識份子》：那還是需要去醫院拍一個片子？
張 康：不需要，目前拍OCT片子很快，2分鐘就能拍好，而且現在已經有自動拍片的機器了，不需要人工，所以這都不是太大問題；耽擱的時間主要還是在人工閱讀片子，做出診斷這一塊。從這個意義上說，這項技術對疾病的防治和治療會帶來深遠的影響。
《知識份子》：深度學習技術儘管強大，但在實際應用中也伴隨著隱憂，其中一個便是缺乏解釋性，像其它應用領域一樣（比如自動駕駛），人們有時會很關心系統為何正確，又為何出錯。這是否會影響到這個平臺的使用？
張 康：這是有一個讓人類信任AI的過程。現在大家對AI還有一定顧慮，就像無人駕駛車，大家怕萬一出什麼交通事故。通常AI是一個黑箱。這就是為什麼我們在我們的演算法里加了一個遮擋實驗（occlusion testing）來解釋為什麼AI做出此決定，以增加醫生和病人對AI系統的理解，揭示系統憑什麼證據做出某個診斷， 增強對AI的信任。我覺得現在AI是一個醫生的輔助手段，不能代替醫生，但確實能夠幫助醫生減輕很多負擔。
《知識份子》：能否具體解釋一下遮擋實驗？
張 康：就是把圖像分成500塊，一塊一塊的遮擋，觀察遮擋哪一部分後診斷就不準確了，以此知道哪個地方對診斷是很重要的，那個地方通常就是病灶所在。
《知識份子》：下一步的計畫會做什麼？
張 康：第一個，我們想繼續用更大資料規模做。遷移學習儘管已經達到了很高的準確性，但還不是100%，我們希望讓系統通過更多的學習，擁有更豐富的經驗，判斷更準確；第二，我們想加更多的眼疾，讓系統變成一個全能的AI醫生，更好的輔助眼科醫生的診斷治療；第三，目前我們在美國和拉丁美洲國家地區進行小規模臨床應用，我們希望做好了以後，可以應用到中國的邊遠地區起到篩查的作用，或在繁忙的三甲醫院能幫助做一些轉診分流，輔助我們的醫生。
《知識份子》：全能的AI醫生，可以做無所不能的診斷？
張 康：從理論上講，可以訓練一個全能的AI醫生。我不敢說無所不能，但針對常見病，肯定是有明顯的優勢。因為一個即使是很聰明，很努力，精力旺盛的年輕醫生，他的記憶力和工作時間也是有限的，而電腦是無限制的。
《知識份子》：這種情況下，醫生的作用體現在哪裡？
張 康：人工智慧和醫生的關係是相輔相成的，我並不覺得它會取代醫生。因為行醫有很多其它因素在裡面，不僅是讀片子。人工智慧在醫療行業裡面能走多遠，還是一個未知數，如果用好的話，能減輕醫生負擔，協助我們為患者作優質服務。
另外，病人不是機器，人和人是有情感的，醫生除了給病人診斷治療外，還需要從精神上安撫病人。我們作為醫生不能百病都治好，但一定可以給病人精神的安慰，我覺得這一點AI要取代醫生，還有很遠的距離。
《知識份子》：有什麼我沒問到，你想補充的？
張 康：我覺得人工智慧是一個新興的領域，特別是在我們中國這個患者很多，醫療資源很少的情況下，有特別重要的地位和價值。
因為這個領域一直是由幾個大的IT公司壟斷的，如果形成對資料和技術的封鎖，也許對AI在醫療行業的順利發展應用造成限制，我們很高興作為一個醫學學術單位，能佔領這個重要高地，同時把資料和演算法開放給大家，讓同行能使用這個平臺和資料，推動這個領域繼續快速發展。
參考文獻
Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning，DOI: https://doi.org/10.1016/j.cell.2018.02.010 |
製版編輯： 飲水食糧｜
本頁刊發內容未經書面許可禁止轉載及使用
公眾號、報刊等轉載請聯繫授權
copyright@zhishifenzi.com
知識份子為更好的智趣生活 ID：The-Intellectual
我們等於是站在巨人的肩膀上，寫了幾個有關醫學圖像新的程式，把眼科和胸科診斷做到了世界前沿。從整個人工智慧在醫學上應用看，必不可少的是演算法和平臺，中國需要像穀歌一樣花大力氣去開發。人工智慧的硬體還不是我們的特長，但從發展趨勢上，需要有實力的人工智慧團隊來做這個事情。我們團隊是一個綜合性的團隊，有很好的電腦人工智慧的專家，結合加州大學的超算中心，再加上高通的基礎研究人員，所以我們很快走到了前面。此外，我們的醫學背景也能讓我們及時找到醫學上很迫切需要解決的問題。
《知識份子》：這個平臺用到了一種叫做遷移學習（transfer learning）的技術——當一個領域缺乏資料時，該技術能利用相似領域的資料來學習？
張 康：我們的文章和以前AI應用到醫學上的研究有兩點不同：第一，我們用了遷移學習的技術，能舉一反三學習新知識，這就像小孩已經學習了很多東西，有了一個基礎，再繼續學習專業的東西就比較容易了。對本項研究來說，學習了眼科的技術，再學習X射線的胸片的能力就會有很大提高。第二，遷移學習是提示AI專注學習一個東西，不需要考慮其他，這就可以把訓練需要的資料量減少很多。
《知識份子》：10萬張的訓練圖片看起來已經很多，但文章說，如果從零開始建立深度學習網路的話，需要的圖片是百萬級。
張 康：是的。標記大量高品質的圖片實在是太難了，我一直在想好的解決辦法。ImageNet已經有幾千萬張的各種日常生活中的照片，先在此處學習完後，可以讓AI系統有一個一般的概念，然後再把它引入到醫學圖像的識別。基於這樣原理的學習叫遷移學習，也是沒辦法的辦法。因為開始的話，不可能有很多高品質的資料；標記100萬的圖片，要太多時間和成本，不現實，但用遷移學習的話，就能用10%的資料（10萬）在較短時間內，也達到準確的目標。
即使是標注10萬張的圖片，也是一個蠻大的工作量，而且需要有醫學背景的專業人員去做，我們團隊的醫學生，研究生，住院醫生，包括我自己和我的同行資深專科主任醫師都做出了貢獻，花了近半年時間。廣州婦女兒童中心也有一個AI團隊，我們有很緊密的合作，把遷移學習放到小兒肺炎的診斷平臺上。整個研究做了2年多。
《知識份子》：研究組後來用了5000多張X光片用於肺炎的模型訓練，那是不是訓練下一個病的模型就會用更少量的圖片？
張 康：是的。但這也要看圖片複雜程度和有多少個特徵。如果特徵很複雜的話，片子太少不會達到很好的效果。肺炎的研究，這次能模擬出這麼好的結果，我們也是很驚奇的。因為我覺得肺炎比眼病更加複雜，這也說明了遷移學習在相對小樣本上的突出作用。
《知識份子》：AI用在醫療領域，在資料獲取上是不是一個很大的挑戰？
張 康：是的。能拿到非常好的資料的話，才能知道什麼地方演算法上有什麼問題，通過AI反復計算來達到好的效果。中國醫院有大量病人的資料，但是如果沒有經過純化，沒有高品質標注過，這樣的資料直接輸入電腦是沒有好結果的。所以，我們有一個很大的團隊一直在很努力把資料做好，這也是我們成功的一個重要原因。肺炎的片子來自廣州婦女兒童中心；眼科片子來源於不同地方，有美國的，有中國合作單位的，如同仁眼科中心，上海第一人民醫院。
另外，此前AI的文章，一般只是做一個診斷，我們的AI有很大的進步，不僅診斷，而且可以做轉診意見，告訴醫生和病人，是不是必須馬上去看病，比如是不是急性細菌性肺炎，是不是有黃斑變性和黃斑水腫，並能夠建議病人需要做什麼治療。
《知識份子》：可否具體說一下？
張 康：黃斑變性和黃斑水腫現在最主要的治療方式是通過注射一個叫做抗VEGF（血管內皮生長因數）的藥物。這樣的治療現在的評判標準就是要用光學斷層掃描，以前都是要靠視網膜醫生盯著圖片來看，現在交給人工智慧，並能很快的完成這個任務（30秒鐘），然後給出一個需不需要治療，需不需要轉診的建議，而且給出的這個建議和我們訓練有素的視網膜醫生給出的建議沒有區別。
《知識份子》：美國和中國情形還不一樣，美國先是家庭醫生，驗光師，眼科醫生，到視網膜專家，中國大家直接就看專科眼科醫生，用這套平臺的話，怎麼整合到中國的醫療系統當中，提高診斷的效率？
張 康：這是一個很好的問題。在邊遠地區，如雲貴川甘等，很多農村和貧窮地區是缺乏醫療資源的，如果能把機器和演算法直接放到那些地方的話，就可以大大提高篩查的效率。
另外，很多病人一點小病就往大醫院跑，所以現在大醫院人滿為患，醫生日常看病負荷太高。我們中國的糖尿病病人實在太多了，視網膜病變又是最常見的糖尿病併發症。我們有幾百萬，甚至上千萬的糖尿病視網膜病變病人，都面臨著失明的危險。都需要看醫生檢查，這麼大的人流怎麼辦？如果把AI機器放到大醫院裡，它能夠幫助醫生先篩一遍。 因為95%以上的病不是非常嚴重的疾病，不需要手術，只需要觀察。如果AI給出一個診斷的話，對轉診分流能起到一個巨大的減壓作用，讓醫院和醫生騰出現有的寶貴時間和資源用於最嚴重、最需要的患者。
《知識份子》：那還是需要去醫院拍一個片子？
張 康：不需要，目前拍OCT片子很快，2分鐘就能拍好，而且現在已經有自動拍片的機器了，不需要人工，所以這都不是太大問題；耽擱的時間主要還是在人工閱讀片子，做出診斷這一塊。從這個意義上說，這項技術對疾病的防治和治療會帶來深遠的影響。
《知識份子》：深度學習技術儘管強大，但在實際應用中也伴隨著隱憂，其中一個便是缺乏解釋性，像其它應用領域一樣（比如自動駕駛），人們有時會很關心系統為何正確，又為何出錯。這是否會影響到這個平臺的使用？
張 康：這是有一個讓人類信任AI的過程。現在大家對AI還有一定顧慮，就像無人駕駛車，大家怕萬一出什麼交通事故。通常AI是一個黑箱。這就是為什麼我們在我們的演算法里加了一個遮擋實驗（occlusion testing）來解釋為什麼AI做出此決定，以增加醫生和病人對AI系統的理解，揭示系統憑什麼證據做出某個診斷， 增強對AI的信任。我覺得現在AI是一個醫生的輔助手段，不能代替醫生，但確實能夠幫助醫生減輕很多負擔。
《知識份子》：能否具體解釋一下遮擋實驗？
張 康：就是把圖像分成500塊，一塊一塊的遮擋，觀察遮擋哪一部分後診斷就不準確了，以此知道哪個地方對診斷是很重要的，那個地方通常就是病灶所在。
《知識份子》：下一步的計畫會做什麼？
張 康：第一個，我們想繼續用更大資料規模做。遷移學習儘管已經達到了很高的準確性，但還不是100%，我們希望讓系統通過更多的學習，擁有更豐富的經驗，判斷更準確；第二，我們想加更多的眼疾，讓系統變成一個全能的AI醫生，更好的輔助眼科醫生的診斷治療；第三，目前我們在美國和拉丁美洲國家地區進行小規模臨床應用，我們希望做好了以後，可以應用到中國的邊遠地區起到篩查的作用，或在繁忙的三甲醫院能幫助做一些轉診分流，輔助我們的醫生。
《知識份子》：全能的AI醫生，可以做無所不能的診斷？
張 康：從理論上講，可以訓練一個全能的AI醫生。我不敢說無所不能，但針對常見病，肯定是有明顯的優勢。因為一個即使是很聰明，很努力，精力旺盛的年輕醫生，他的記憶力和工作時間也是有限的，而電腦是無限制的。
《知識份子》：這種情況下，醫生的作用體現在哪裡？
張 康：人工智慧和醫生的關係是相輔相成的，我並不覺得它會取代醫生。因為行醫有很多其它因素在裡面，不僅是讀片子。人工智慧在醫療行業裡面能走多遠，還是一個未知數，如果用好的話，能減輕醫生負擔，協助我們為患者作優質服務。
另外，病人不是機器，人和人是有情感的，醫生除了給病人診斷治療外，還需要從精神上安撫病人。我們作為醫生不能百病都治好，但一定可以給病人精神的安慰，我覺得這一點AI要取代醫生，還有很遠的距離。
《知識份子》：有什麼我沒問到，你想補充的？
張 康：我覺得人工智慧是一個新興的領域，特別是在我們中國這個患者很多，醫療資源很少的情況下，有特別重要的地位和價值。
因為這個領域一直是由幾個大的IT公司壟斷的，如果形成對資料和技術的封鎖，也許對AI在醫療行業的順利發展應用造成限制，我們很高興作為一個醫學學術單位，能佔領這個重要高地，同時把資料和演算法開放給大家，讓同行能使用這個平臺和資料，推動這個領域繼續快速發展。
參考文獻
Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning，DOI: https://doi.org/10.1016/j.cell.2018.02.010 |
製版編輯： 飲水食糧｜
本頁刊發內容未經書面許可禁止轉載及使用
公眾號、報刊等轉載請聯繫授權
copyright@zhishifenzi.com
知識份子為更好的智趣生活 ID：The-Intellectual