那么DUCG能否用于醫(yī)療診斷呢?

　　張勤團隊首先與醫(yī)學專家合作，針對各類疾病建立DUCG醫(yī)學知識庫(并不是機器從數據里面自動學出知識，而是醫(yī)生用圖形語言在機器中表達自己的知識，并由機器自動合成知識庫。)張勤認為，宏觀世界(微米以上尺度)萬物皆因果，例如上呼吸道感染可能導致咳嗽、頭痛等，這就是具有不確定性的因果知識。他們用103張因果子圖合成一個知識庫，包含各種風險因素、病史、癥狀、體征、影像學檢查和實驗室檢查、以及各種邏輯組合和無條件或有條件因果關系及不確定性參數，與DUCG推理機相結合，進行疾病診斷。

　　他們這套系統(tǒng)跟某醫(yī)院合作診斷某類疾病，樣本集中有近4000個病例，涉及27種病，按照每種病不超過10個病例隨機抽出203個病例進行測試，最后結果正確率99.01%，只有兩個病例因記錄不完整而不正確。張勤的團隊還做過眩暈疾病的DUCG診斷，也達到了遠高于國際同行的正確率。目前正在開展暈厥和胸痛疾病的智能診斷知識庫開發(fā)。

　　張勤團隊正在進一步開發(fā)這套系統(tǒng)使之不僅能幫助醫(yī)生診斷，而且能啟發(fā)醫(yī)生知道下一步做什么檢查最有價值，而不是盲目檢查，增加醫(yī)保和病人的負擔。這套系統(tǒng)還可用于醫(yī)院分診，也就是根據病人自述和分診師了解到的信息計算并排序選擇優(yōu)先就診的科室或可能需要的會診科室。

　　張勤還表示，重要的是智能診斷系統(tǒng)不僅能告訴病人或醫(yī)生是什么病，還要告訴為什么是這個病，因為做決策并承擔責任的是醫(yī)生，不是智能系統(tǒng)，至少在目前的情況下是如此。最后他認為，醫(yī)療數據并不是只要多就好，數據質量高才行。

　　下一個挑戰(zhàn)：誰能成就醫(yī)學界的ImageNet?

　　醫(yī)療AI的技術遠不止深度學習、機器學習、動態(tài)不確定圖等，此外醫(yī)療AI中也面臨著很多挑戰(zhàn)。

　　全維度數據：基因 + 蛋白 + 病理+ 影像 + 臨床 + 隨訪

　　對于普通的圖像研究者，ImageNet提供了1000萬張意義上的圖片供訓練。但是醫(yī)學數據非常大，對于醫(yī)學影像診斷的模型，目前并沒有一個權威的公開數據集。根據斯坦福邢磊博士所說，數據庫也是有一些，但是并不全，并不足夠大。比如乳腺癌有數據集算比較多的，但是沒有大到幾十萬個病例。研究人員有時候需要自己采集數據，很多時候可能就只有用幾百個數據來訓練模型。

　　邢磊博士也提出，很難確定多大的數據是大數據，畢竟數據量并不是越大越好，有時候可能有限的病人數據就足夠了，這與具體情況和問題及數據的質量有關。

　　但是如果有一個權威大數據集，對研究者來說絕對是一件好事。但是這是一種階梯式發(fā)展的，無法一蹴而就。跟ImageNet不同，一個權威巨型的醫(yī)學數據集可能最先在中國實現(xiàn)而不是外國。因為政府參與力度可以較大。一般的講，病人數據及數據的使用涉及病人隱私及權利。雖然大家都知道這個數據集對病人、醫(yī)院，已及整個人類社會都有利，但是這件事情需要政府層面的政策和統(tǒng)籌協(xié)調。

　　邢磊教授樂觀的表示，這件事情是遲早會解決，且中國的優(yōu)勢可能更大。

　　那么正如張勤提到的需要對2萬多種疾病診斷，如果每一個都做人工智能，也是一個很大的工程，應該怎么解決?

　　邢磊博士表示，將來需要一個醫(yī)學界的平臺，就像谷歌的Tensorflow，但是比Tensorflow更上層，專注于影像。疾病雖然多，但是還是有許多共同之處，并不是每一個AI模型都需從頭做起。人們甚至可以考慮把目前已做不了醫(yī)學影像的Tensorflow添加影像處理的功能，再將這種平臺開放，然后再細化到具體的各個病種。這當然還是要依靠醫(yī)學界不同領域的同仁來共同努力和貢獻。

　　兩大趨勢兩大不平衡，竟讓中國成為醫(yī)療AI最佳落地點

　　英特爾醫(yī)療李亞東介紹了全球的兩大趨勢成為醫(yī)療AI 的巨大驅動力：

　　1. 人口老齡化，特別是中國，中國2020年將達到20%65歲以上老齡化人口。55歲以上的人群占用的醫(yī)療資源在50%以上。在這樣的人口老齡化的背景對人工智能的需求急劇上升。怎么樣解決這樣一個急需增長的需求的挑戰(zhàn)?

　　2. 慢性病的挑戰(zhàn)接踵而至。中國是慢性病問題最嚴重的一個區(qū)域，中國的患病人口在全球毫無疑問是領先的。

　　可以說，這兩大趨勢使得中國或成為醫(yī)療AI最大市場。

　　兩大不平衡：

　　第一是醫(yī)療資源供需嚴重不平衡。不僅僅在中國，在美國也嚴重不足，美國去年缺30幾萬護士，十幾萬醫(yī)生。中國醫(yī)患關系緊張，工作壓力大，醫(yī)學院畢業(yè)生在三年之內50%以上轉行做其他行業(yè)。好醫(yī)生尤其稀缺，中國的三甲醫(yī)院人滿為患。怎么樣解決這些問題?

　　第二是地域醫(yī)療資源不平衡。2013年三甲醫(yī)院占衛(wèi)計委醫(yī)療總數的0.1%，但是大量的病人是在基層，而極少數的三甲醫(yī)院門庭若市，醫(yī)生連上廁所的時間都沒有。大城市的三甲醫(yī)院跟鄉(xiāng)村或小城市醫(yī)療實力天壤之別，即使有的地方醫(yī)院設備很先進，但是醫(yī)務人員軟實力欠缺，拿著好設備看病看不準。對于三四線城市甚至偏遠山區(qū)的人，怎么讓他們也能享受到較高質量的醫(yī)療服務?

　　總之，在老齡化和慢性病的大環(huán)境下，醫(yī)療資源(人、物)供應短缺，特別是中國醫(yī)療資源供需嚴重不平衡，地域資源差距巨大，人工智能可能是解決這些問題的突破口。

　　未來：醫(yī)療AI解放了誰?

　　《人類簡史》的作者在書中預言，大數據和人工智能的發(fā)展成熟，會讓6成的人類失去工作。目前，醫(yī)療中一些領域AI已經達到人類水平了，是否會引起大批醫(yī)療工作者的失業(yè)?這些醫(yī)療工作者如何適應這一變革?

　　邢磊博士表示，這是一個漸進的過程，并不會突然發(fā)生，可能需要10年、15年。對于可能被取代的人，焦慮無法避免，每一次技術革命都會有類似的焦慮。這是一個適應過程，時間拉得越長，適應過程來的會越簡單 。目前，大部分醫(yī)療的工作還是勞動密集型，工作量很大，知識訓練要求很高，這些以后會有很大的改善。

　　但是，AI不會也不可能代替醫(yī)生，即使機器在某方面比人強，但計算機畢竟是計算機，它的“思維”是人類訓練出來的，無論是廣度和深度都將是有限的。還是有特例，最后還是需要人做決定。 邢磊博士說：“我希望還是由人來做決定，是在機器輔助下的人的決定，而不是機器讓我吃什么藥，打什么針，這不人性化?！彼J為機器與人的合作更好，機器沒有創(chuàng)新，但是人會有創(chuàng)新。機械式的非精準醫(yī)療會漸漸消失，這是大趨勢，但是把所有醫(yī)療工作完全交給機器是不太可能的，至少還有很漫長的路要走。

　　最后借用自稱“人工智能人文學派支持者”張秀梅的話結束： “醫(yī)生是醫(yī)者仁心，不管人工智能技術再怎么發(fā)展，好醫(yī)生永遠都是不可替代的。資本和技術本身是沒有屬性的，可善可惡。但是到了醫(yī)療健康的產業(yè)資本的時候，我們要正確的三觀，要把所做的事情引向治病救人的善念?！?/p>

　　“我們不是考慮AI是否取代醫(yī)生，我們應該考慮的是怎么讓AI真正幫助到人?！毕蛎恳粋€醫(yī)療行業(yè)用AI改善醫(yī)療服務的人致敬!