医疗AI：在不确定的未来，遇上对的AI

不完全统计，截至去年8月，国内医疗AI公司累计融资额超过180亿元人民币，得到融资创业公司共104家，形势趋好，风头正劲。

总体而言，医疗AI创业方向涉及辅助诊断、影像识别等领域。

图片来源自网络

人工智能如何取得惊人进步？

1、大数据的积累：在医学方面，随着电子病历和数字胶片的积累，至少以10万份为起点的研究可用、结构化病例保存并可直接用于模型训练；2、计算能力的提升：云端提供机器学习工具，从而进行与人工智能相关的超强度计算，GPU等一些计算能力的提升为处理大数据提供基础，缩短了训练模型所用的时间；3、大数据与计算力的结合，是研究人员可以快速得到并训练出可以应用在时间中的算法模型。著名的计算机博弈专家吴韧认为以上三方面原因促成了这一轮人工智能取得前所未有的进步，与以往不同，这次发展浪潮将是持续性的。

基于以上三方面，可以用以下几个问题来鉴别新时代的人工智能公司。1、公司数据从何而来，是否从医院获取高质量标注数据？ 2、公司算法模型从何而来？如果是自己训练的模型，那么训练软件是哪一款，计算能力有多强？3、自己训练的模型又与别人开源的模型有什么区别？

让我们看看最近AI在医疗诊断领域的应用：

诊断乳腺癌，30小时病理分析不如谷歌AI准确

为了解决病理诊断的瓶颈，谷歌和Verily的科学家们做了一个尝试。他们将单张病理切片的图像分割成了数万至数十万个128x128像素的小区域，每个小区域内可能含有数个肿瘤细胞。随后，他们提供了许多肿瘤组织与正常组织的病理切片，供人工智能学习。最终，这款人工智能掌握了一项像素级的技巧——它能分辨出单个小区域内被标注为“肿瘤”的像素，从而将整个小区域标注为“肿瘤区”，这能有效将肿瘤组织与健康组织区分开来。

学习完毕后，在实战中，科学家们邀请了一位病理学家，让他与人工智能进行一场比赛。这名病理学家花了30小时，仔细分析了130张切片，并给出了他的诊断结果。在随后基于灵敏度（找到了多少正确的肿瘤）和假阳性（将多少正常组织诊断为肿瘤）的评分中，这名病理学家的准确率为73.3%。人工智能交出的答卷是88.5%，完胜人类。

AI 诊断皮肤癌，准确度堪比专家

斯坦福大学的研究人员采用深度卷积神经网络，通过大量训练发展出模式识别的AI，使计算机学会分析图片并诊断疾病。训练计算机的数据库由129,450张皮肤病变图片和对应的文字描述组成，涵盖了2032种皮肤病。而诊断的“参考答案”则由皮肤病专家提供，他们依靠的是非侵入性图像分析和组织活检。之后计算机的“毕业考试”，研究者向受训的计算机和21名执业医师分别提供了一批训练数据集中没有出现过的皮肤病变图片，这些图片都由组织活检确定了对应的病症。诊断比赛的结果是计算机的准确率和人类医生差别不大。

微软在医疗AI方向的研究突破

微软亚洲研究院近几年开始钻研脑肿瘤病理切片的识别和判断，通过细胞的形态、大小、结构等辅助分析和判断病人所处的癌症阶段。近两年在该领域基于“神经网络＋深度学习”的模式取得了两大突破：

首先，实现了对大尺寸病理切片的图片处理。通常图片的尺寸为224*224像素，但脑肿瘤病理切片的尺寸达到了20万*20万、甚至40万*40万像素。对于大尺寸病理切片影像的识别系统，微软没有沿用业内常用的数字医学图像数据库，反而在ImageNet的基础之上利用尽可能多的图片，通过自己搭建的神经网络和深度学习算法不断进行大量训练而成，最终实现了对大尺寸病理切片的图片处理。

其次，在解决了细胞层面的图像识别之后，又实现了对病变腺体的识别。通过多渠道的数据采集和分析，希望在未来帮助医生实现对病人术后、康复水平乃至复发的可能性做出预估和判断。

该研究结果也可以扩展至其他疾病影像的识别和判断，例如正在研究的肠癌的二维医学、肝肿瘤患者的CT三维影像等。