虽是老生常谈，但人工智能终究绕不开算法、算力、数据三要素。这些要素环环相扣，紧紧握住了人工智能技术的命脉。而医疗场景的人工智能产品越来越丰富，毫无疑问也离不开这三个要素的快速发展。
为了再度探索医疗人工智能技术发展及产业未来趋势，在前不久举行的全球人工智能和机器人峰会（CCF-GAIR 2020）上，包括南京大学计算机系主任周志华、华西医院副院长龚启勇、腾讯天衍实验室主任郑冶枫、平安集团首席医疗科学家谢国彤、联影智能联席CEO沈定刚在内的医疗人工智能顶级专家，对这个三元问题又提出了新的理解。
神经放射科的新需求
华西医院副院长龚启勇同时也是一名放射科医生，他认为，要解决人类神经类疾病，AI的介入必不可少。
在龚启勇对于精神分裂症患者的脑MR影像研究之中，他发现疾病的发展会带动患者脑部结构发生变化，患者多个脑区会因此便膨胀或缩小。如果能够通过影像的方式量化这一类变化，医生就有可能对患者的精神分裂、抑郁症、强迫症等神经疾病进行详细分类。
他在峰会上提到过去的一项研究成果：“一位医生曾发现她的患者在犯强迫症时，某一特定脑区的电波会变得异常活跃，因此她尝试用电极对该区域进行刺激。而后，患者的病症有了明显的改观。”
遗憾的是，该结果在后续的大量实验中并没有表现出绝对的效果，对此，龚启勇认为：“由于人脑的结构非常复杂，想要通过二维的影像准确判断脑部病变位置非常困难，我们无法判断医生在操作时是否准确的刺激了标记区域，因此，我们需要AI技术对脑部进行快速准确的建模，辅助定位。”
“如果我们能够通过AI准确或许患者脑部信息及病变情况，后续的治疗研究或许也将因此受益。”
小样本学习或能满足AI新需求
龚启勇院长的研究似乎预示着AI确实能够在辅助神经放射学的发展，推动神经类疾病诊断、治疗的进行。但在实际之中，这里存在的数据缺乏问题无疑是挡住研究进展的大山。
通常而言，受制于高昂的费用，疑似精神病病患在检查时并不会直接进行MR诊断，通过患者的实际表现与部分精心设计的量表，医生可以很快完成患者的初诊，进而直接选择通用的治疗方案。这导致精神病患脑MR影像难以收集。
龚启勇院长也提出了多中心协同的临床研究以解决数据问题，通过联合多家医院精心标注的脑部数据，样本量的确能够获得扩充，但仍难以达到AI训练所期望的大数据。
这时，一些新的方法应运而生。
小样本学习是推动深度学习发展的新方向，也是现阶段腾讯天衍实验室研究的重点方向之一，腾讯天衍实验室主任郑冶枫在会上介绍了两个小样本学习算法，用于将来解决医疗影像数据量不足的问题。
第一个方法是迁移学习，即将某个任务（源域）上训练好的模型迁移到另一个任务（目标域）。通过这种方式，我们能够通过源域上的大量数据辅助目标域的小样本数据进行学习，具体表现为“预训练+微调”的模式。
郑冶枫以一个有趣的例子对迁移学习的原理进行了表述：“假设你想做一个‘识别老虎’的计算机视觉项目，但你却没办法经常接触它，观察它。不过，若你能够养一只橘猫，便能在与它的朝夕相处中，捕捉它进食、玩耍、休憩等过程中的一些特征，进而用于老虎的识别。”
第二个方法是无监督域自适应学习，用以解决域偏移问题。在这个方向上，腾讯天衍实验室提出了新型无监督域自适应（UDA）的方法，来缓和域偏移所导致的性能下降，该方法仅仅需要源域的数据、标注以及目标域的部分图像，无需新的标注，即可实现两个领域的自适应。
算力重塑人工智能
不过，仅是对算法进行调整，能够解决医疗人工智能中的问题吗？其实，算法本身也有优化的空间。
南京大学计算机系主任周志华以当前最大人工智能模型“GPT3”为例，谈到了当前机器学习中的暴力美学。这个模型用到了45TB训练数据，1750亿参数模型参数，整个模型大小700GB。基于这个模型，很多困难的自然语言处理问题都取得大幅度进展。
如此来看，模型、数据的扩张确实能够有效改善模型的质量，但对于医学人工智能影像而言，同样会面对数据的问题。
假设医生能够标注足够多的影像，谁来负担高昂的运算费用呢？GPT3一次运算所耗费的算力大概价值1300万美元，即便是模型中存在BUG，也没人愿意对其修改，再耗费巨资跑上一遍。
对于这一问题，周志华与郑冶枫给出了不同的解题思路。
周志华在演讲中表示：“这样的模型能够解决很多问题，带来很大的性能提升。但是如此高昂的成本，也给我们从事人工智能研究的人带来了新的挑战，特别值得让学术界从事人工智能研究的学者思考一个问题：昂贵的成本必须换来效益回报，模型性能提升，在工业界能提升经济效益，有时哪怕性能提升一两个点，带来的回报可能足以弥补投入。但学术界如果花这么大成本，怎么能带来足够的回报？”
“把对‘ 性能’的追求交给工业界，学术界不必过多地关注“性能”，因为模型性能提高那么几个点，对于学术界并没有多大的意义，仅仅是发表几篇论文的话，对不起这么巨大的投入。那么学术界做什么呢？回到本源，做学术界该做的工作：探路、思考未来”。
与之相反，郑冶枫在接受采访时告诉动脉网：“1%的效率提升对于企业而言意义不大，而学术界应该精益求精，追求更完美的结果。”
谁是更好的路径？现在下定论还太早，但从AI的发展来看，工业与学业的合作，或许才是当下最有可能的发展方向。
三元问题引入“知识”新要素
从人工智能诞生至今已经近70年历史，研究者仍未跳出三要素的影响范围，但随着技术逐渐成熟，要追求下一代的人工智能，周志华认为必须引入“知识”这一要素。
如何将“机器学习“与“逻辑推理”结合，是人工智能领域的“圣杯问题”，以往的努力有的是“重推理”，有的是“重学习”，偏重任何一侧都不能充分发挥AI的力量。周志华提出了“反绎学习”，希望在一个框架下让机器学习和逻辑推理二者能更均衡更充分地发挥效用。
“从现在来看，‘机器学习’与‘逻辑推理’结合方式主要有两类，第一类，我们可以看到它是把机器学习往逻辑推理中引，但是后面主体还是通过推理来解决问题，所以我们称它是推理重而学习轻。第二种做法基本上是反过来，它把逻辑推理的技术往机器学习里面引，但是后期主要的问题是靠机器学习来解决，所以我们称它是学习重而推理轻。总是一头重一头轻，这就意味着有一头的技术没有充分发挥威力。”而“反绎学习”则是两者的融合。
对于周志华的观点，郑冶枫也表示非常认同，但他也提出了其中实现的困难：“在人工智能的初期，我们便尝试将先验知识融入AI算法模型。但由于不同的知识在融入的过程中必须遵循不同的方式，而没有一种通法。此外，当时我们的模型跑起来并不如大量数据支持的黑箱模型有效，这其实有点打击人。不过，如今时代已经不同，知识的加入或许能够彻底改变当前的人工智能。”
AI大有可为
无论是算法、算力、数据，还是可能加入的知识，一切都将服务于医生，服务于具体的场景，只有场景是AI的试金石。
对此，在平安集团首席医疗科学家谢国彤看来，AI的发展必须要借助生态的力量，医疗科技的付费是企业、医保、患者三方的角逐。
他在采访中这样谈到：“卫健委很信任我们，因为我们有保险生态，其激励便是让患者健康、长寿，以控制保险风险。因此，我们与卫健委的利益是一致的”
另外，他也表示：“其实影像只是医疗体系中很小的一个科室，AI在领域之中的应用非常有效，是大势所趋。即使有同行者在前行路上倒下，这也很正常。错误的经验也是经验，一切积累，将帮助我们走得更远。
