10月25日，在加州山景城舉辦的ACMMM 2017大會進入正會第二天。在會上，HTC Healthcare 總裁張智威（Edward Y． Chang）博士進行了題為《DeepQ: Advancing Healthcare Through AI and VR》的演講。在演講中，張智威博士介紹了AI與VR等技術在醫療行業的應用，以及HTC在這一領域的一些研究。

關于張智威博士：張智威博士于1999年獲得斯坦福大學電機工程博士學位，與Google創始人Larry Page和Sergey Brin系出同門，均出自于同一個實驗室Stanford InfoLab（雷鋒網按：在 InfoLab校友名單 中可查到）。在98年Google剛創立的時候，Larry和Sergey曾一再邀請張智威加入，而張智威畢業后選擇了學術道路受聘UC Santa Babara分校，2006年加入Google擔任Google（谷歌）中國研究院院長，負責搜索 、社區、移動和 Big Data 研發。

演講內容雷鋒網整理如下：

AI等創新技術推動醫療行業顛覆性創新

醫療領域的進展往往受到三個因素的影響：成本、品質和普及的程度。這三個因素相互影響：如果降低成本，品質也會降低；如果提高品質，可能會造成成本的提升和普及率的降低。

無論是發達國家還是非洲等發展中國家都存在著這三方面不同程度的醫療問題。而AI、移動設備和移動傳感器等技術的進展，有望為醫療行業帶來顛覆性的創新，這也是HTC在進行探索的方向。

盡管如此，在技術上還是面臨著很大的挑戰。

例如我們都知道，AlphaGo雖然能在圍棋比賽中戰勝世界冠軍，但如果拿AlphaGo下棋和用AI診斷病人病情來比較，會有以下不同：

• AlphaGo的每一步動作是離散的和可窮舉的，而病情檢測系統包含無數連續的屬性；
  

• AlphaGo的輸出結果是二進制的1和0（贏和輸），而病情檢測系統輸出結果可能是800多種疾病中的某一種；

• AlphaGo可以通過探索學習（自我對弈），而病情檢測系統無法獲得這樣的數據。

在利用AI進行醫療診斷方面，HTC健康事業部（DeepQ）的解決方案是：先與醫生進行合作，采用漸進的機器學習方法，讓主Agent去選擇部件Agent去探查病人的病狀。

上圖即為HTC的疾病檢測儀，包含一個手機和各種傳感器，并借助AI技術，能診斷中耳炎、黑色素瘤、尿肝病、肺炎、高血壓等15種疾病。

在遷移學習上的嘗試

以檢測中耳炎為例，我們需要對圖像進行分析，把正常的圖像和中耳炎的圖像喂給深度神經網絡。但問題是在醫療領域往往沒有那么多的數據，我們通過臺灣的醫院收集到了收集到1000個患者的數據，對于機器學習依然很少。

而另一個問題是，深度學習網絡能達到75%準確率，而專家診斷的準確率在85%以上。我們在請教醫生后準確率上升到80.11%，但這依然不夠。怎么辦呢？我們開始嘗試用ImageNet的數據做遷移學習（Transfer Learning），但這可能也有問題，因為ImageNet上的分類都是貓貓狗狗之類的，并沒有疾病方面的分類圖像。

（通過遷移學習，準確率從80.11上升到了90.96%）

但我們發現，通過CNN模型，可以將原圖片和編碼和還原處理后的圖片進行比對。向神經網絡輸入一張圖片，神經網絡會將其進行編碼和識別，然后激活相應的神經元得出識別的結果。例如有的中耳炎圖片識別出來所激活的神經元是紅色的甲蟲，或者是海螺、拿鐵咖啡等。這雖然沒有識別出中耳炎，但識別出甲蟲或者咖啡，這可能說明患者存在病變現象。通過建立這樣的對應關系，可以將很多與中耳炎不相關的數據拿來進行訓練，最后我們的準確率達到了90.96%。

另一個例子是，要診斷心率不齊必須看心電圖，但由于FDA的限制，我們無法獲取有效的數據。目前這方面能用的數據集只有兩個，加起來只有300來個病歷的數據，因此我們也在考慮，能否用語音方面的學習的成果遷移到心電圖來（雷鋒網 (公眾號：雷鋒網) 按：二者都是對波形進行分析學習）。目前我們還沒有得到突破性的結果，但這應該是一個思路。

其他研究

我們在做的一個研究是，如何用最少的問題盡可能了解病人的病情，然后幫助醫生更準確判斷癥狀。這當中就是詢問的問題的蘇亮和診斷準確度的一個均衡，我們目前可以對100多種常見疾病50%的準確率，平均詢問的問題為7.62個。

AI可以幫助我們實現更精準的醫療，而這需要收集更多的特征數據。下面這張圖里列出了醫療數據可能的情況，這些數據可能是結構化、半結構化或者非結構化的，可能來自于醫院、保險公司、社交媒體等。

我們在醫療大數據挖掘方面做了很多的工作。基于大數據，每個人的治療方法、用量都會不一樣。

精準醫療的另一個研究方向是精準手術。我們通過與VR設備結合，可以幫助醫生更好了解患者諸如腫瘤位置、神經元分布等信息，幫助醫生更好地進行決策。在如心、腦、脊椎等及精密手術中，VR/AR與AI或者與如達芬奇手術機器人的結合都有著很大的機會。

（例如在這個例子中，粉紅色部分為腫瘤，如果從右上方進行手術，則可能會切掉藍色部分的神經元）

在HTC DeepQ AI平臺上，我們有三板斧：對數據的挖掘主要使用頻繁項目集挖掘以及譜聚類，分類與回歸中主要使用LDA、支持向量機和深度學習，以及遷移學習。

以上介紹的只是DeepQ平臺的冰山一角。智能醫療中蘊含著更多未發現的機會，等待我們去進一步挖掘。

。