图为哈佛医学院影像学教授Georges El Fakhri发表主题演讲

人民网北京11月7日电 京东方全球创新伙伴大会·2018 （BOE IPC·2018）在北京盛大开幕，全球相关领域专家学者、企业高管齐聚北京，共同探讨物联网细分领域应用、技术及未来趋势。哈佛医学院影像学教授Georges El Fakhri发表主题演讲。

以下为演讲实录：

非常感谢各位，非常感谢各位主办方邀请我来这里做演讲，本次演讲给各位谈一下，关于我们在医疗行业人工智能的应用。刚才谈到的是很宏观的科技，接下来进入微观的领域。对于疾病的诊疗和AI如何应用的？我们中心隶属于哈佛医学院，接下来我给大家谈一下在整个医疗技术方面的基本理论，我们看一些例子在使用时，以及在身体内部如何进行演变的。

对于某一些特定物质，在衰变过程中释放出正电子，一个正电子在遇到电子后将出现湮灭现象，不同组织会有不同的特征，利用这个原理可以分析病人身体中出现什么样的变化。

首先，我们看一下正电子的成像原理，照片中是戈登布朗博士，他在利用PET原型机进行脑神经外科检测。通常情况下左边右边能不能看出来是左边还是右边，是复发性患者肿瘤的扫描，以前很难诊断。现在有了新技术诊断比较容易了，我可以来用一些造影剂，加上PET仪，很快能够发现究竟哪一端的扫描图是属于复发患者的扫描图。

PET主要的使命是改善患者的诊断，今天会议中主持人反反复复谈到医疗领域的进展，如何能够通过预防的方式，来预防疾病，并且出现疾病时进行很好的诊治。

下面主要的成果是影像学上面，可以在这个过程中逐步看到人类演进的历程，从最简单的单细胞生物到老鼠，到哺乳动物等，每年做不同临床的试验。

现在的医疗成像手段无法同时满足高分率以及高敏感性，例如，PET能够很敏感的对癌症患者进行诊断，但是图像分辨率并不满意。经常出现无法看清楚病灶具体位置，所以需要做好几次的扫描。

在这样的情况下，量仍然不够，比如说在100万的细胞扫描，现在科技仍然达不到。现在所需要做的也许在真正患病之前十年八年，在科技上能进行很好的进展做更好的扫描技术，本来是可以让他更好的发现癌症。

我给大家所展示一下这个CT过程为什么这么重要？现在主要的困难如何能拿出个更好的解决方案，事实上它是基于人工智能的。目前所面临的最大困难是，没有很好最佳的CT来代替，在这个过程中流程不可持续和稳定，它会产生很多错误。

随着近些年来人工智能技术的发展，我们可以根据医疗大数据，以及深度学习算法，以弥补技术上的不足。

这个过程非常长，30年前就已经开始觉得影像可以做到这一切，当时科技根本达不到这一步，你们也许觉得我们很疯狂。

为了解决，在右边可以看到图像，从一些案例来看，人类要评估它的风险和失败率。在这里警告大家，确实通过人工智能可以做很多工作，同时要注意它很多风险。如何减少它的差错？从白色15%到0%的差错率，为什么现在有这样数码机会呢？在过去17年里面，机器学习和深度学习里面论文被引用，最开始没有这种论文应用。大家可以看到现在每年都有对同比论文引证的激增（音），它可以追溯到1943年、1957年、1997年，那个时候一直都有机器学习工作。直到阿尔法狗2016年时，看到第一次大的公众反响。为什么现在有这样的机会呢？特别是在医疗领域，这个是我工作的领域（放射造影），可以看到有四个原因：现在有很多的软件，软件效率以及工作能力大幅度上升。现在硬件层面，几年前耗费巨大，现在硬件购买的耗费大大降低了。在医疗领域里数据收集一直是个难点，基本在开发人工智能时有赖于数据的可及。还有开放性，今天看到算法，明天在互联网上公开的做法，现在有很多的算法共享，以前并不是这样子的。

在过去几年里，我们变成一个非常大的领域。特别是放射学、眼科学。在过去30年里面取得了非常大的进展，特别是通过人工智能和深度学习。看一下深度学习和医疗领域有什么结合点：

1、特征点提取；必须要有低度特征进行高水平概念，之后会向大家讲一下，对同一个患者会有上百张的片子，要对他进行非线性模型提取；

2、抽象化；在这里面通过一系列的概念，在数据中得来的概念，打造概念等级。提供基本的真相，对于学到的概念进行监督。这个过程中可能会出现一些差错，这些差错也都是在深度学习下一步迭代过程中融合吸入进去了，当然是非常具有挑战新的。像跟温度、压力等有关的所有特点时，在进行感知时，希望能够有一个统一的感知。我们在谈到影像时，对于放射学来讲，每个人都必须注意到细微的变化。

比如说有个人得脑瘤或者是癌症，他在治疗过程中会有什么样的反应，必须要对这种显象予以确认，并且进行学习。通过不同的方式，把基本的想法从大到小，像从影像来讲，通过形状和质地，最后进行到对物体的判断，这也是一个机会，我们觉得数字医疗确实存在着这样机会。

现在软组织肉瘤方面做了很多工作，软组织肉瘤确实需要很多治疗，一般病人需要一年恢复期。原因是这样的软组织肉瘤可能在大腿根很有入侵性，就要确认出软组织肉瘤到底在哪里？治疗过程也是有创的。问题是说可不可以让软组织肉瘤变小，让病人更好的恢复。因为这个过程是非常痛苦，所以大量病人依赖于这种治疗。这些病人即使是他们不愿意进行外科手术的话，也需要做化疗，我们要告诉他复发的可能性多少，这是我们要回答的问题，想办法把它解决。

医生会告诉你，在彩色区域，我们觉得有软组织肉瘤的地点。我们治疗的区域是这么小还是这么大，我们可能说不会采取任何的风险，彩色区域有多大治多大。

再看这张图片（如PPT），在下面实际把一大块组织拿出来之后，深褐色是软组织肉瘤的大小，软组织肉瘤就是在影像中展示出来的。治疗之后也可以追踪这些患者，可以看到有一些信号在上面出现了。里面有一些大腿根部的亮色，这是复发的癌症还是更简单的信息，如果只是无关的信息，不用做任何的工作，如果是复发的癌症还需要再进行治疗。当然这里面有成本，不光是金钱还有恢复的成本。

告诉他们比如说右边正常的大腿，和左边患病的大腿做个比较。可以做这样的对比，所以病人就不用再做任何不必要的治疗。为什么是个机会呢？我可以用三分钟向大家展示下。

我们做了四周的工作，可以说工程人员、医疗人员、软件开发人员、BHD们所做的工作，会有可能成为病人数字病理的造影，在病人身上拿出一小块组织来，一点一点拿出多块组织，在显微镜下都可以把结果进行数码化，做数字的病理学造影。

像心脏造影也可以诊断心脏类疾病。多年以前，当心脏出现一些问题出现时，需要测量人体的心电信号，其原理是利用生物膜的电势差反映心脏健康程度，打个比方，正常人体的表面可以想象成电池，患者可以想象成生病的电池，通过这样的检测来看是不是心脏有一些异常的情况。我给大家看一下心率不齐，实际上发生的事情是这样的扫描图，看上去是正常的。实际说通过PET的检测，发现这里面是异常的。上面是一个正常人，下面是出现异常情况的患者。

在过去25年里面，医疗世界以前都是基于实证，必须在基于临床试验基础上，基于科学证据基础上做出的判断，采取相应治疗措施。可以看到中间重合地方很小，对于一个患者来讲，如果不想做外科手术，有的时候不做外科手术对于你来讲更有利。但是现在的认知水平很有限，如果对于医学有不完全了解，我们知道它是一门艺术不是门科学，而且基于医疗的条件，还需要花大量时间，才能针对病人做出诊疗方案，它是个性化的，并不适合于大量人群推开解决方案。

如果有数字的医疗，能够有效的解决这些弊端，能把所有对于个性化的治疗包含进去。同时，又能够给病人提供更多的价值，满足他的偏好。在不同体验中得到的数据，能使每个病人得到完美的体验，尽管这个数据是来自于所有病人的经验。

机器学习在这里有三个部分：

1、有监督学习；可以进行相应诊断，大部分做的日常工作都在这一块。

2、无监督学习；无监督学习实际上是更难的，这种自主的学习主要基于大数据，对数据结构有很大的依赖性。

3、强化学习；通过人工智能不断的深入，在不同场景里面，大家也不会担心人们会失去工作。所有AI系统的培训，都是在现实当中实时发生的，而且是在实践中摸索的。希望在这里，每个患者能够得到这样的治疗。

分享让更多人看到