0
7 月 7 日，由中國計算機協會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦的第二屆 CCF-GAIR 全球人工智能與機器人峰會，在深圳如期開幕。在大會第三天的醫療人工智能專場，哈爾濱工業大學計算機科學與技術學院教授關毅，帶來了開場報告：《怎樣構造醫生的大腦》。
關老師從事自然語言處理（NLP）研究逾 20 多年，自認是符號主義的粉絲。目前帶領一支約 30 人的團隊，從事互聯網時代面向醫療健康的 NLP 技術研發。關老師做過輸入法、智能化信息檢索，現在全面轉向醫療健康信息學。他認為，NLP 下一個最重要的應用領域會是醫療健康，因為“只有在醫療健康領域，才能做出人人都需要的軟件”。
本場報告的副標題是“用認知科學洞見上帝的新機”，關老師對此如此解釋：
”‘上帝’，它是指我們生活的物質世界，我們看不見的精神世界的假想的創造者。它創造人類精神世界的時候，一定有些重復使用的簡單原則。如果我們能洞見這些原則，我們就可以像他那樣，把人類的大腦保存在我們的硬盤里，讓人類的大腦像軟件一樣運行在我們的服務器上。“
講座一開頭，關老師提出了頗有勸誡意味的“三段論”：
應把創新建立在扎實的理論基礎上；
理論基礎是認知科學；
應從認知科學的新發現、新理論中尋求創新的源泉。
尤剛教授
“這張圖顯示的是我的岳父，是皮膚科專家尤剛教授，我很喜歡和他聊天，剛開始別有用心，后來我確實喜歡和他聊天，因為他知識淵博。再后來，我覺得我的后半生所能做的所有事情中最有意義的一件事就是把老人的大腦保存在我的硬盤里。”
過去的工作
制定了中文電子病例語言處理加工規范和語料庫，中文電子病例實體與實體關系加工規范和語料庫，心血管疾病風險因子加工規范和語料庫，開發了相關標準工具。
即將開展的工作
把中文病例實體與實體關系標注語料庫由 992 份擴充到五千份。在上面開展信息抽取的工作，從中文電子病例中抽取出醫療實體與實體關系，包括疾病、癥狀、檢查、診療等類別的實體，以及它們之間多種語義關系。另外還要抽取心血管疾病風險因子。
馬爾科夫邏輯
所有工作都是基于有監督機器學習的方法。我們要尋找一種謂詞邏輯和概率結合起來快速推理的模型，這些模型要具備這三個基本條件：1.剛才我說的特點。2.堅實的理論基礎。3.要有對新知識的學習能力，因為我們要構造有終身學習能力的機器人。在現有的種種模型中，我們選擇了馬爾科夫邏輯作為我們的基礎課題。
針對馬爾科夫邏輯網，它存在一個不足——無法表示數量型知識，我們做出一定理論改進，使它能夠表示體征中大量存在的數量型知識，從而將馬爾科夫邏輯網改進為醫療知識網絡的新模型。
醫療知識獲取方面，我們需要獲取更加復雜的知識，將二元實體關系抽取擴充到多對多的實體關系抽取
醫療知識表示方面，我們現有的知識表示方法存在兩點不足：1. 知識表示的能力有限，僅僅是一階謂詞邏輯；2. 不夠抽象化，無法直接參與數值運算。對此，我們打算引入知識之間的關聯性，開展基于張量的知識向量化以及基于遞歸神經網絡的知識向量化兩方面的探索。
醫療知識推理方面，探索復雜知識在概念模型基礎上的推理，前者更多凸現知識關聯性的知識。深度神經網絡通常被人們認為是分類模型，我們要探討它是否幫助我們完成推理任務。
醫療知識學習是在現有的知識網絡的基礎上，生成新知識，并且判定新生成知識的可信度這兩個子任務。
“認知科學領域一定也存在像牛頓定律那樣簡單的基礎性模型，我們要把人工智能、自然語言處理的探索建立在認知科學的新發現、新原理的基礎上。”雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
