0
| 本文作者： 張馳 | 2017-06-20 17:17 | 專題：GAIR 2017 |
雷鋒網按：由中國計算機學會（CCF）主辦、雷鋒網與香港中文大學（深圳）全程承辦的AI盛會——「全球人工智能與機器人峰會」（CCF-GAIR），將于7.7-7.9日在深圳召開。CCF-GAIR為國內外學術、業界專家提供一個廣闊交流的平臺，既在宏觀上把握全球人工智能趨勢脈搏，也深入探討人工智能在每一個垂直領域的應用實踐細節。
延續上一次大會的頂級嘉賓陣容，本次 CCF-GAIR 2017 將會迎來更多人工智能和機器人行業重磅專家。在未來的一段日子里，雷鋒網將陸續放出嘉賓介紹。今天要介紹的是未來醫療專場的大會嘉賓——哈爾濱工業大學計算機科學與技術學院教授關毅。
關教授的主要研究領域包括：智能化信息檢索、健康信息學、網絡挖掘、自然語言處理及認知語言學。他主持、參與并完成了多項國家自然科學基金、國家863、國際合作等項目，在國內外期刊和會議上發表學術論文60余篇。
在2013年，關教授和團隊與北京一家醫保公司合作，在中文電子病歷的病因實體與實體關系抽取方面做了的不少工作。自此往后，他逐漸感覺到，醫療健康肯定是自然語言處理的下一個熱點，而且“是自然語言處理唯一可能做出人人都有需求的軟件的一個領域”，所以選擇將它作為團隊的主攻方向。選擇這一領域的另一個原因，則是關教授妻子的一家人都是醫生。
隨著國內醫療信息化的普及，中文電子病歷的規模也與日俱增。它是有高可信度的醫療大數據，也是有臨床決策支持的重要診療證據，從其中獲取的醫療知識有很高的價值。
關教授及團隊在醫療方面的研究用一句話概括就是：互聯網時代面向醫療健康的自然語言處理技術，從醫療大數據、中文電子病歷中挖掘知識，然后進行預測和推理相關的研究。而他們的核心研究成果之一，是醫療知識網絡（Medical Knowledge Network，MKN），或者用更為外界熟悉的詞來說，就是醫療大腦。
所謂醫療大腦，就是計算機對醫生疾病推斷過程的模擬，雷鋒網在往期硬創公開課中也對這一概述有過詳細介紹。它是個比較籠統的稱呼，各家的定義及作用也不盡相同。簡單來說，它是一種知識庫以及基于此的邏輯推理和計算。它可以泛指醫療從業人員智慧的總和，可以獨立提供用藥輔助、分診導診、健康咨詢，也可以高質量地輔助醫療從業人員完成某項工作。
關教授告訴雷鋒網，在做智能診療研究時，首先要選擇基準模型，能將邏輯規則和概率能結合起來進行快速推理。經過調研，他們找到了馬爾科夫邏輯網（Markov logic network），一種可以進行不確定推理的概率邏輯。
雖然這一模型比較合適，但它也有其缺點。關教授表示，它只能針對二值變量，不能表示數值型的值，而數值型的體征數據在醫療領域中大量存在，這讓模型不能完全適用。為此他們做了理論創新，采用物理學中的能量函數表示勢函數，使馬爾科夫模型能表示數量型的知識。這個改進版的模型，就是最終的醫療知識網絡。
回顧MKN開發的過程，關教授提到，將技術應用于醫療領域的難度比自己設想的要難得多。“我最大的體會是，要和醫療部門的專業人士緊密合作才能有所收獲。我之所以進展順利，也是因為確實有這個條件，方做出了有價值的工作。”
現在的機器學習方法以監督學習為主，這就需要大量人工標注的語料，而其中又必須有專業醫生參與，把他們的知識固化成資源，供計算機模型來用。
如今，智能診斷這個方向越來越熱。在工業界，如百度、IBM、阿里這樣的大公司，以及康夫子等初創公司，均在打造屬于自己的醫療大腦。
關教授認為，對于智能診斷來說現在知識的量化（指數量）還遠遠不夠，而且從電子病歷提取了很多經驗知識，還要與常識相結合。
“這本身是一個多知識源融合的問題，就像人需要廣泛涉獵醫療知識一樣，機器也是如此。知識的積累在量上要達到一定規模，才能產生預期的智能效果。現在大家都是在爬坡的階段，不會是一蹴而就，而是相對比較漫長的過程。”
而其中面臨的挑戰，除了時間，還有技術上的。關教授告訴雷鋒網，知識的抽取、知識的表示、醫療知識的推理、新知識的學習，這些都是目前學術研究的熱點，也是他們正在攻克的領域。其它需要探索的方向還有，基于最大間隔的知識權重訓練方法，知識的自動擴展，以及在線學習的新方法等等。
對于另一個熱門技術——深度學習，能不能用它進行推理，也是學術和醫療應用中在研究的領域。
“深度學習能不能進行推理還有很多不確定。能不能通過知識的向量化，用張量表示知識，用遞歸神經網絡來表示知識，并在這一基礎上進行深度學習相關的推理？”
關教授告訴雷鋒網，深度學習在特定疾病的診療上有突破，但他們的努力方面是試圖構造一個醫療專業大腦，這方面他們做了很多工作。
以上有關人工智能如何服務醫療知識的挖掘與應用的內容，關教授會在CCF-GAIR的演講中有所涉及，他會從自己的研究出發，為我們揭示如何開發一個真正的醫療大腦。如果你想近距離了解關教授的研究成果，歡迎購票參會。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
