近日,雷鋒網AI掘金志邀請了北京大學王立威教授,為大家深入講解了《AI醫學影像的現狀、機遇與挑戰》。
王立威教授作為首位獲得AI's 10 to Watch獎的亞洲學者,同時也是LUNA和天池AI醫療大賽冠軍隊導師,從人工智能研究者的角度出發,為500多位資深醫療人工智能人士做了120分鐘的深度分享和學員互動問答。
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學影像問題,將圖像識別技術單純地嫁接到醫學影像原有的系統上,即便數字結果看起來不錯,但距離“好用的產品”依舊非常遙遠。
嘉賓介紹:
王立威:北京大學信息科學技術學院教授
王立威教授在機器學習領域發表論文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者。2012年獲得首屆國家自然科學基金優秀青年基金;擔任國際人工智能權威會議NIPS,IJCAI領域主席;中國計算機學會人工智能與模式識別專委會常委。
課程內容:
我為什么選擇醫學影像這條路
重新審視AI這個工具:我眼中的人工智能與機器學習
當前AI醫學影像技術的真實現狀
實戰案例詳解:人工智能肺結節檢測與良惡性診斷
經驗分享:錯誤、彎路、失敗、技巧、解決方法
致AI醫學影像領域的工作者:我們應具備哪些素質與技術
未來AI醫學影像的機遇與突破點
為什么選擇醫學影像這條路?
王立威教授談到,有三個領域會與深度學習進行緊密的結合,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;一個是金融領域;再一個則是醫學領域。
他認為,無人駕駛在計算機視覺的識別技術已經趨于成熟,具備可以與機器學習進行深入結合的條件,但作為一個與汽車實體緊密相關的應用方向,在高校內做研究的空間相對受限;此外,駕駛作為一種動態活動,相對于靜態圖像識別的難度與復雜性要高得多。
而金融領域盡管積累了非常多高質量的封閉數據,但它屬于噪聲非常大的信號,受突發政策、人為操作的影響較大,并非總是嚴格遵循客觀規律。
AI技術不是金融交易中的核心技術,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,我不認為AI 有太大的用武之地,因為AI 需要大數據、低頻交易數據量太小,如果要讓AI技術發揮技術,一定是在高頻領域。但是現階段的一個問題是,高頻領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,我最后選擇了從醫學影像入手。”
在這個應用研究的三岔路口上,王立威教授最終選擇了醫學影像領域。
“醫學影像是未來幾年之內人工智能影響最深遠的領域。”
一方面,醫學影像屬于靜態圖像識別,相對于視頻的處理技術要更加成熟;另一方面,依托北京大學的一系列附屬醫院,不論是從數據的獲取或是系統的測試落地上,王立威教授所在的北京大學研究團隊都有著得天獨厚的優勢。
王教授表示,如果開發者要執行的任務處于非常封閉的環境,和人的常識沒有什么關系,這樣的任務非常適合機器來做,但是如果這項任務和常識掛鉤,例如對自然語言的理解,對于機器而言難度非常大。“醫學影像相對而言是具有一定封閉性的問題。”
當前AI醫學影像技術的真實現狀
當然,不是說醫學影像具有一定的封閉性,AI就能夠在醫學領域暢行無阻。王立威教授列舉了兩個AI對醫學影像產生重大影像的案例——斯坦福團隊在皮膚癌檢測以及Google的DeepMind的糖網篩查。
王教授的觀點是:
1、醫學影像處理病種的數量非常龐大,上述兩個團隊的例子解決的都是單病種問題。醫學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不是簡單的事情,斯坦福的團隊已經和頂級的醫學專家研究數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 醫學影像需要頂級醫學專家和頂級機器學習學者通力合作才有可能成功。”
2、成像設備的差異會產生多種類型的圖像。CT、MRI、X光、超聲、內窺鏡、病理切片這些圖像缺乏一定的標準。“現在我們只是在一些病種上進行單點突破,整個醫學影像仍任重道遠。”