2012 年以来,不论是深度网络层数的不断拓展,还是系统在数据集上的优异表现,都让学术界对机器学习有了新的认识。彼时的王立威教授,已经在机器学习领域做了大量的研究,并凭借突出的表现在2011年成为首位入选 AI's 10 to Watch 的亚洲学者。
但王立威教授认为,这一切只是个开始。“机器学习在近年来取得了显著的突破与发展,除了理论的研究外,更重要的是,学者们需要看清技术对生活产生的重大影响。”王立威教授身处人工智能浪潮的前沿,自然也希望能在机器学习的应用领域有所作为。他认为有三个领域会与深度学习进行紧密的结合,并希望能够选择其中一个方面来进行深入研究:一个是无人驾驶;一个是金融领域;再一个则是医疗领域。王立威教授对机器学习在医学影像领域的应用也颇有研究。一方面,医学影像属于静态图像识别,相对于视频的处理技术要更加成熟;另一方面,依托北京大学的一系列附属医院,不论是从数据的获取或是系统的测试落地上,王立威教授所在的北京大学研究团队都有着得天独厚的优势。
王教授表示,如果开发者要执行的任务处于非常封闭的环境,和人的常识没有什么关系,这样的任务非常适合机器来做,但是如果这项任务和常识挂钩,例如对自然语言的理解,对于机器而言难度非常大。“医学影像相对而言是具有一定封闭性的问题。”
当然,不是说医学影像具有一定的封闭性,AI就能够在医学领域畅行无阻。王立威教授列举了两个AI对医学影像产生重大影像的案例——斯坦福团队在皮肤癌检测以及Google的DeepMind的糖网筛查。
王教授的观点是:
第一,医学影像处理病种的数量非常庞大,上述两个团队的例子解决的都是单病种问题。医学影像上一共可以分为两千多个的病种。“解决一个单病种已经不是简单的事情,斯坦福的团队已经和顶级的医学专家研究数年才得到目前的成果,要囊括两千多个病种更是难上加难。此外,病种与病种之间的差异度也很大,所以,AI 医学影像需要顶级医学专家和顶级机器学习学者通力合作才有可能成功。”
第二,成像设备的差异会产生多种类型的图像。CT、MRI、X光、超声、内窥镜、病理切片这些图像缺乏一定的标准。“现在我们只是在一些病种上进行单点突破,整个医学影像仍任重道远。”