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。

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。”

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。

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。

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 。”

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。