百度张少霆：AI医疗应用场景广阔 落地任重道远

在获得这之后，下一步怎么做？获得了分割之后，我们希望从中获得知识，这个是病理图象的分析，基本上被认为癌症诊断的标准，是把活体抽出来之后放在显微镜上分析细胞的形态。数字病理非常大，可能几十万乘几十万的超大图片，有非常多的细胞需要分析，目前有极大的分析量，交给人来做并不现实，能交给机器人是更合适。之前提到的分割算法，把细胞分割出来，然后把机器学习方法，再去库里找到图象给医生看，帮助医生看所有图片来做诊断，因为数据库里一些图片是被医生诊断过了有标注，带标注的可以一起给医生帮助他做诊断。有了想法之后我就带了几个学生一起做，分割已经有了，接下来是怎么样从数据库当中找到和当前图象长得更像的图片。当时我们调研了视觉的进展，当时试了谷歌的图象搜索技术，这张图片是旧金山的一家中餐馆照片，把他传到谷歌图象搜索出来就是这么一个结果，能够找到原始图片，因为这个数据库已经被谷歌检索了，但是除了一模一样的图片之外，相似图片主要是一些建筑图片，他们都是建筑，找得挺好的，没有找一些动物或者人，但是没有一张是具体的参观图片，因为很多图片搜索是做泛泛检查，不能够找到跟他一模一样的文件。这是当时我们的一个研究成果，当时我们跟诺基亚那边的数据，是三百万张的城市接到图片，打勾的是同一个建筑，虽然是不同角度不同光亮度拍的，但是我们可以从百万量级的图片里实时找到这就是一个建筑。当时的文章是在UNC实验室做的，但是署名就出现了脸书、谷歌、百度，可能是大家换工作换得太勤快了，等到文章发表大家去了新的单位。我们当时获得了好的性能，在这个领域是比较前沿的结果，我就想能不能把这个算法直接用来做医学影像，事实上还是不行。因为在病理图象上区分是细胞区分，比建筑物区别还要小，在这个问题上我们放了教科书上的图片，左边是正常细胞，右边是癌症细胞，中间的是过渡期的不同等级，区分最左边和最右边一点都不难，最关键的是分析中间的等级，能够准确区分等级非常重要，但是不同等级区分区别非常小，用之前提到的方法还是不足以解决这个问题，这里放了一张图片，放大之后就是需要把细胞都找出来，本身就是很难的工作，因为细胞很多很像，叠加在一起，不管做分割还是图象，一看过就知道这是非常难的难题。

这么一个细胞的级别分析需求，如果没有人工智能怎么办？这就是一个对比，左边是美国的医生写的诊断报告，我在一年前胃不舒服，在医院做过胃部活检，拿了三页报告，读了一个小时。右边是中国的一个报告，基本上就几个参数指标，医生没有时间，没有办法做非常细致的，哪怕是在美国，能写这么长报告也不可能一个细胞一个细胞看，所以人工智能可以起到特别大的作用。当时我跟学生一起做了一套系统，去尝试解决这个问题。我们首先获得了很多训练样本，然后把上面的细胞全部分割出来，就是之前已经积累好的开发算法，把这些细胞，这里是50万个细胞，大概几百个病人，把这些细胞放在数据库里，把它压缩为非常小的二进制编码，表达每个细胞，这样我们只需要很小的存储空间。新进来一张图片，我们不知道这是什么癌症等级，我们把每个细胞都分出来，每个细胞图片全都送到之前已经有的数据库里进行匹配，跟每个细胞都进行匹配，看哪个细胞跟他最像，通过最像的细胞对它进行分类，最后整个形象的癌症到底是哪一类哪一个等级，就根据每个细胞的结果获得。这个工作给我们带来不少学术界的奖项，真正在细胞层面上进行了分析，而且整个过程是实时的。这是我们当时做检索出来的结果，第一面是输入的图片，后面这些是检索出来的相关图片，这是乳腺癌的例子，前两行是比较严重的疾病，后两行是没有关系的，不需要进行手术之类的治疗。应该说准确度很高，并且有极大的容忍性。

刚才我分享的主要是过去十来年间我在高校读博士期间，做助理教授做的工作，这些东西有没有可能达到落地效果？答案是远远不够，还有很长距离，这也是为什么我选择在这个时间离开学校，到工业界，因为百度有最强的技术和很好的资源，可以真正把这个东西从学校推动到落地，之前学校最大的优势是创新，所以我们有机会去试不同的方法，获得不同的经验，但是等到创新已经有的时候，下一步就需要实施，实施需要数据的收集，工程的实现，才能把这个事情敲定落实，接下来我们会在这个方向，大概招15到20人左右，注重在技术，希望把这个东西做到落地级别，跟西门子之类的厂商合作，获得比较好的效果，非常感谢。

（编辑：应用网_丽江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!