人工智能与医学(1):基于大数据的智能医学知识学习

作者:枫叶松木木

本人年轻时爱下围棋,记得上中学、大学时常跟好朋友们手谈。后来,越来越忙了,一是没有时间了,二是手谈的朋友们也很少相聚了,就很少下围棋了。于是,有点空闲就找来一款围棋软件对上一局。说实在的,我的棋力不太强,肯定算不上职业棋手,但找来的围棋软件,不管是设置成业余还是专业,或是初级、中级、还是高级,慢慢地都逐个被俺打败了。这几款围棋算法都应算得上是一些水平不等的人工智能(AI)技术,看来还不算高明。于是,我有点“孤独求败”。

我们来看看下面围棋AI高手的故事。

AlphaGo围棋

近期,国际顶尖期刊《自然》报道了Google研究团队开发的新围棋AI。AlphaGo研究成果的论文成为了1月28日的《自然》杂志的封面文章。这款名为“阿尔法围棋”(AlphaGo)的人工智能,在没有任何让子的情况下以5:0完胜欧洲冠军职业围棋二段樊麾。这是人类历史上,围棋AI第一次在公平比赛中战胜职业选手。在接下来3月份,AlphaGo 将和韩国九段棋手李世石在首尔大战,奖金是由Google提供的100万美金。李世石是最近10年中获得世界第一头衔最多的棋手。围棋是最后一个AI机器尚未战胜人类顶尖高手的棋类游戏。之前有人预测说,AI需要再花十几年才能战胜人类。所以这场比赛或许会见证历史,我们将拭目以待。李世石表示很荣幸自己将与电脑公平对弈:“无论结果如何,这都会是围棋史上极其意义的事件。” 他说,“我听说Google DeepMind的AI出人意料地强,而且正在变得更强,但我有自信这次至少能赢一局。”

2月22日,Google公开了AlphaGo与李世石之间的终极挑战的详细安排:AlphaGo与李世石一共将进行5场比赛,首场比赛于北京时间3月9日中午12点,在首尔四季酒店举行。3月10日、12日、13日、15日将分别举行剩下4场比赛。Google DeepMind首席执行官、联合创始人Demis Hassabis称:“围棋是深刻而复杂的游戏。为了击败一名职业棋手,我们不能只靠模仿,而是自主发现新的战略规则。因为方法是通用的,我们希望有一天可以将其运用于解决社会最棘手和最紧迫的问题上。不论我们在3月份能否赢李世石,这场比赛都一定能够激发世界各地对围棋的兴趣。”

好吧,我们将拭目以待!

话说Deep Learning

深度学习(Deep Learning)是目前人工智能领域中最热门的科目之一,它能完成笔迹识别,面部识别,自动驾驶汽车,自然语言处理,语音识别,分析生物信息数据等非常复杂的任务。AlphaGo 的核心算法是两种不同的深度神经网络:“策略网络”(policy network)和 “值网络”(value network)。它们的任务在于合作挑选出那些比较有前途的棋步,抛弃明显的差棋,从而将计算量控制在计算机可以完成的范围里,本质上和人类棋手所做的一样。其中,“值网络”负责减少搜索的深度:AI机器会一边推算一边判断局面,局面明显劣势的时候,就直接抛弃某些路线,不用一条道算到黑;而“策略网络”负责减少搜索的宽度:面对眼前的一盘棋,有些棋步是明显不该走的,比如不该随便送子给别人吃。将这些信息放入一个概率函数,AI机器就不用给每一步以同样的重视程度,而可以重点分析那些有前景的棋着。AlphaGo利用这两个工具来分析局面,判断每种下子策略的优劣,就像人类棋手会判断当前局面以及推断未来的局面一样。这样AlphaGo在分析了如未来20步的情况下,就能判断在哪里下子赢的概率会高。

研究者们用许多专业棋局训练AI机器,这种方法称为有监督学习(supervised learning)。然后让AI机器和自己对弈,这种方法称为增强学习(reinforcement learning),也是一种无监督学习(unsupervised learning),每次对弈都能让AI机器棋力精进。最后它就能战胜冠军啦!人类在下棋时有一个劣势,在长时间比赛后,他们会犯错,但机器不会。而且人类或许一年能玩1000局,但机器一天就能玩100万局。所以AlphaGo只要经过了足够的训练,就有可能击败所有的人类选手。届时,本人将有高手随时与我伴棋了,我将不再是“孤独求败”,而是“孤独求胜”了!

再说DeepMind

接下来,我们就再聊一聊李九段提到的DeepMind。

DeepMind是Google旗下的一家位于英国伦敦的公司,是前沿的人工智能企业,其将机器学习和系统神经科学的最先进技术结合起来,建立强大的通用学习算法。最初成果主要应用于模拟、电子商务、游戏开发等商业领域。DeepMind公司认为,受大脑启发的系统也能洞察人类智慧。该公司发表在Nature上的DeepMind算法之所以“多才多艺”,是因为它源于两种机器学习方法的结合, 第一种是深度学习,受人脑启发的一种结构,在实验的基础上,该结构中模拟神经元层间的联结得到加强。深度学习系统能够从大量的非结构数据中获取复杂信息。第二种算法是增强学习,这种决策系统的灵感源自动物大脑中的神经递质多巴胺奖励系统。该算法仅使用屏幕像素和游戏得分作为输入,为了在给定时间里,获取最大奖励,算法不断通过试错进行学习。在每种游戏上花费数小时后,系统掌握了一系列经典街机游戏的操作方式,包括赛车、拳击和Space Invaders等。

DeepMind公司的Hassabis认为,科学本身依然是人工智能研究的主要驱动力,因为建造更加智能的系统需要对人类智力有着更加深入的理解。许多计算神经科学家也对此表示赞同。Sprague,这位创造了自己版本的DeepMind算法的人,解释说在神经元连接的解剖学层面上,人工智能与神经科学在很大程度上不相关,然而,它可以为我们洞悉更高层次的计算原理带来灵感。他还说,人工智能使得机器人有能力通过与外界环境交互来解决问题。

人工智能医学专家

现在看来,按照人工智能的这种发展态势,人类最高级的智力游戏围棋终于有可能人类被机器战败!这也预示着机器学习进入了惊人的程度,机器人不再是我们一直认为的低幼智力,而可能成为智人,甚至成为超出常人的超智人!不要再绝对地认为机器人的智力超过人类是天方夜谭了,甚至美国科幻片智能机器人统治人类的情况,“一不小心”会变为现实!(真有点恐怖!)

人工智能的快速发展必然对未来的医学产生深远影响。例如,前面提到的基于大数据之上的深度学习和增强学习等技术完全可以用于更广泛的医学领域,发展成为人工智能医学专家。那人工智能到底是什么技术呢?

所谓人工智能就是开发出包含软硬件的机器人,模拟人类大脑的运行模式,来自动地、类人智能地处理某一类事务或人类的工作。人工智能的几个基本特点应该包括:自动识别和记忆信息、自动积累知识和经验、自动学习知识和方法、自动基于所有信息资源思考、分析和决策等。因此,人工智能医学专家应该能够向人类医学专家那样,自动识别和记忆患者的临床信息、自动积累医学知识和经验、自动学习诊疗知识和处理方法、自动基于所有医学和患者的信息资源思考、分析临床案例并给出最佳诊疗决策等。

人工智能在医学方面的研究已经有过一段历史,但大都没有真正地应用于临床实践,而且此类研究大多集中于“医学专家系统”。医学专家系统就是一个具有大量专门知识与经验的软件系统,它应用人工智能等技术,根据医学领域一个或多个人类专家提供的知识和经验进行推理和判断,模拟人类医学专家的决策过程,以解决那些需要专家决定的复杂问题。例如,最早应用于医疗诊断的专家系统是MYCIN-“传染性疾病鉴别诊断系统”, 该系统可以对血液传染病的诊断治疗方案提供咨询意见,专业鉴定结果表明,它对细菌血液病、脑膜炎方面的诊断和提供治疗方案的水平已超过了这方面的一般人类专家。中国中医界相似的研究从80年代起也开展得如火如荼,大约有一百多个以经验为主的中医专家系统相继研发。

医学专家系统可以解决的问题一般包括解释、预测、诊断、提供治疗方案等。更多的例子,如1982年,美国Pittsburgh大学Miller发表了著名的作为内科医生咨询的Internist-I内科计算机辅助诊断系统的研究成果,其知识库中包含了572种疾病,约4500种症状;1991年美国哈佛医学院Barnett等开发的DEXPLAIN,包含有2200种疾病和8000种症状。按照那时的设想,医学专家系统处理的问题是本领域的专家才能解决的复杂问题并得出和人类专家一样的结论。由于专家系统吸收了众多领域的大量的经验知识,因而在某些方面甚至可能超过人类专家。

但早期的这一类医学人工智能,由于各种技术和方法的局限,大多是基于医学知识库和基于规则的推理模型上的,还远达不到自动识别、自动积累、自动学习、自动思考等人类专家的能力。其中,较初级的医学人工智能是模拟单个医学专家的医学思想和诊疗模式,如某名老中医的辩证思维系统,它是个体专家的医学知识和临床经验的模拟,属于传统的经验医学范畴,必然有它的局限性。较高级的医学人工智能是模拟群体医学专家的共同医学思想和较公认、较权威的诊疗模式,例如八十年代最著名的两个系统,一个是犹他大学的ILIAD,其知识库是在大型医院条件下,由临床医生总结经验,再按贝叶斯模型条件做成的知识决策模型;另一个是匹兹堡大学的Quick Medical Reference (QMR),其知识库是依据大型电脑上医学专家系统的整理经验来处理的医学文献,用超文本连接方式构成的决策模型。两个系统的“专家经验”都上升为“系统知识”,两个系统都应该属于“知识决策系统”。这类 医学人工智能更接近于循证医学的范畴,所得到结论更容易获得循证医学理论的支撑,应该有更好一些的实际应用效果和更易于被病人所接受一些。

总而言之,这些传统的医学人工智能系统由于太初级,多少年来一直停留在实验室里和研究阶段,尚不能被广大医生和患者所信赖和接受。未来的医学人工智能,除了更大规模地存储、识别、积累来自更广泛的医学知识(医学大数据)外,还能够主动地学习临床诊疗方法。一方面通过有监督的深度学习掌握经验诊疗方法,另一方通过无监督的加强学习掌握更多的、更高级的医学专家的临床思维,使得人工智能医学专家更接近了人类智能。由于这些医学人工智能可以不断地学习了大量的人类医学专家的知识和经验,它更具有医学专家的代表性和可靠性,并有可能超出单个人类专家,技术更加成熟和更被人们所信任。当然,人工智能医学专家除了具备基于规则的推理能力外,还会有主动思考的能力,以及基于系统化的复杂算法的分析、决策和优化决策的能力,使得人工智能医学专家能够正真得到人类的信赖并正真应用于临床。另一方面,医学人工智能虽然很强大,但也不是万能的。因为,人类社会在发展,环境在变化,疾病也在发展变化,医学科学也必然在发展变化。因此,医学人工智能必然需要人类干预才能不断发展变化,尽管它可能创造性地工作,但它必定是某些有限条件下的智能产物,不可能处理所有无限变化的世界所发生的新问题。

即使这样,要实现上述的目标,现在看来还要走相当的路,但技术上必然要应用到医学大数据技术和更多的、更具创新性的数据挖掘技术、人工智能等技术。我们可以期待,新一代的人工智能医学专家迟早会到来的。届时,肯定会对传统的医学领域带来一些颠覆性的革新。革新的结果应该是医学更发达、更先进,人类社会会更加受益!

via:blog.sina

原文发布于微信公众号 - PPV课数据科学社区(ppvke123)

原文发表时间:2016-03-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

【MIT TR 深度】人工智能困境:机器何时才能理解语言

【新智元导读】随着人工智能系统变得越来越高端复杂,我们也愈发难以想象不通过语言,而使用其他方法与计算机沟通。不仅如此,能够简单地与人类交流会让人觉得计算机无比神...

38814
来自专栏新智元

王小川:AlphaGo的幕后与思考

导读:正如清华人一如既往的严谨、求实,“清醒而敏锐,冷静而深刻”是6月6日举行的“清华人工智能论坛”带给听众的普遍感受。张钹院士高屋建瓴,针对当下浮躁的“人工智...

3895
来自专栏华章科技

【斯坦福AI百年报告2017】重磅发布人工智能与机器学习全景式概览

“AI Index”(AI指数)是斯坦福大学AI百年研究的一个项目,它是一个开放的非营利性项目,旨在追踪人工智能的活动和进展。它的目的是促进以数据为基础的对AI...

942
来自专栏机器之心

业界 | 英伟达CES2018发布全球首个自动驾驶处理器Drive Xavier

3355
来自专栏大数据文摘

机器人的平权宣言:为什么我们非得被造成白色的?

大多数人应该和文摘菌一样,没看出什么异常。然而,来自新西兰坎特伯雷大学的Christoph Bartneck教授却指出:这样的结果大有问题——为什么机器人就一定...

692
来自专栏AI科技大本营的专栏

定义AI,麦卡锡、图灵、乔丹...我们听谁的?

【AI科技大本营导读】关于如何定义人工智能我们似乎从来没有达成一致。一种观点是,机器现在还没有理解、推理能力,距离真正的人工智能相去甚远,人们只是在炒作一个看上...

1183
来自专栏钱塘大数据

【精读】十分钟读完《智能时代》—吴军

“曾经,我们要学习如何操纵机器,掌握机器的语言,向机器靠拢;今天,机器在向人靠拢,试图理解人类、用我们的语言与我们对话。这就是“智能时代”,这个时代的基础是数据...

3859
来自专栏大数据文摘

阿尔法狗击败人类的背后:AI的发展仍存在哪些桎梏,我们又该如何应对?

1755
来自专栏AI科技评论

AI科技评论专访田渊栋:AlphaGo之后,研究智能围棋还有什么意义?

没有什么是永垂不朽的,没有什么会一直昌盛,所以我宁愿做点真正有意义的事情,来致敬这个风起云涌的人工智能时代。 -------题记 近日,田渊栋受地平线曾经在Fa...

2944
来自专栏CVer

聊聊找AI算法岗工作

首先,本文不是为了增加大家的焦虑感,而是站在一名学生的角度聊聊找AI算法岗位的那些事儿(不喜请喷)。

8410

扫码关注云+社区

领取腾讯云代金券