作者：張易,，胡祥杰

【新智元導(dǎo)讀】南澳大學(xué)醫(yī)學(xué)專家 Luke Oakden-Rayner 發(fā)表了一系列博客文章，討論機(jī)器會(huì)不會(huì)在短時(shí)間內(nèi)取代人類醫(yī)生,，他總結(jié)出了醫(yī)療AI領(lǐng)域的 6 大特征,，同時(shí)列舉了他認(rèn)為深度學(xué)習(xí)在AI領(lǐng)域的兩大里程碑式的研究：谷歌發(fā)表在美國醫(yī)學(xué)會(huì)雜志（JAMA）關(guān)于糖尿病視網(wǎng)膜病變的研究和斯坦福大學(xué)的研究者在2017年發(fā)表在Nature雜志上的研究“達(dá)到皮膚病學(xué)家水平對(duì)皮膚癌的分類”。從產(chǎn)業(yè)層面看,，在普華永道剛剛發(fā)布的全球AI報(bào)告中,，也表明醫(yī)療是最容易受到 AI 影響的行業(yè)。智能醫(yī)療是否已達(dá)到“超越人類水平”的臨界點(diǎn),？獨(dú)立的AI診療中心何時(shí)出現(xiàn),？請(qǐng)來世界人工智能大會(huì)智能醫(yī)療論壇尋找答案。

南澳大學(xué)的放射科醫(yī)師,、醫(yī)學(xué)專家,，在阿德萊德大學(xué)與公共衛(wèi)生學(xué)院攻讀醫(yī)學(xué)博士學(xué)位的 Luke Oakden-Rayner從今年5月開始就在追逐醫(yī)療AI領(lǐng)域的發(fā)展，他寫了一系列的博客來介紹這一領(lǐng)域的最新進(jìn)展,，目前更新到第三篇,，其系列博客的名字就叫《人類醫(yī)學(xué)的終結(jié) - 醫(yī)學(xué)AI研究最前沿》（The End of Human Doctors – The Bleeding Edge of Medical AI Research）。

他這一系列博客的文章將主要討論：機(jī)器會(huì)不會(huì)在短時(shí)間內(nèi)取代人類醫(yī)生,。

他說,，這些文章將會(huì)深入到醫(yī)療自動(dòng)化的最前沿研究中,。此前許多關(guān)于醫(yī)療AI的文章中，我們簡單地假設(shè)深度學(xué)習(xí)可以將醫(yī)療的任務(wù)自動(dòng)化,，這么做是有意義的,，因?yàn)檫@樣我們就能獲得一大堆的概念和定義，但是,，在這篇文章中,，我們首先要對(duì)這一說法進(jìn)行一下論證。

接下來,，會(huì)討論醫(yī)療AI所面臨的阻礙,，此前許多討論都集中在外部的障礙，比如監(jiān)管和自動(dòng)化的普及率,。但是我們甚至都沒有觸碰到最本質(zhì)的問題——技術(shù)上的挑戰(zhàn),，它可能會(huì)減緩AI對(duì)醫(yī)生的替代。

在前面的三篇文章中,，他列舉了他認(rèn)為深度學(xué)習(xí)在AI領(lǐng)域的兩大里程碑式的研究,，分別標(biāo)志著這一領(lǐng)域所取得的第一和第二個(gè)大突破：谷歌發(fā)表在美國醫(yī)學(xué)會(huì)雜志（JAMA）關(guān)于糖尿病視網(wǎng)膜病變的研究和斯坦福大學(xué)的研究者在2017年發(fā)表在Nature雜志上的研究“達(dá)到皮膚病學(xué)家水平對(duì)皮膚癌的分類”。

此外,，他還介紹了一些“小的但是不容忽視的”研究,，比如“高分辨率乳腺癌篩查與多視角深卷積神經(jīng)網(wǎng)絡(luò)”和“檢測巨細(xì)胞病變圖像上的癌癥轉(zhuǎn)移”。

通過這些最前沿的研究,，他總結(jié)出了醫(yī)療AI領(lǐng)域的6 大特征（問題）：

1. 醫(yī)學(xué)影像提出了大多數(shù)其他圖像分析AI不必面對(duì)的特定問題,。其中之一就是“瓦力在哪里”的問題：圖像通常是海量的，但疾病的特征通常是小而微妙的,。

2. 在醫(yī)療任務(wù)中,，通過丟棄像素來壓縮圖像可能會(huì)損害性能，這意味著預(yù)訓(xùn)練不適用,。

3. 巨大的圖像帶來了技術(shù)上的挑戰(zhàn),，因?yàn)樯疃葘W(xué)習(xí)的硬件很難匹配其需求。

4. 解決這些挑戰(zhàn)的一個(gè)方法是通過基于補(bǔ)丁的訓(xùn)練,，但是這會(huì)成倍地增加數(shù)據(jù)集收集的時(shí)間和成本,。

5. 臨床人群的低發(fā)病率意味著我們通常需要龐大的數(shù)據(jù)集才能找到足夠的陽性病例。就算這些數(shù)據(jù)集本身已經(jīng)存在,，這也會(huì)大大增加成本,。

6. 醫(yī)學(xué)AI系統(tǒng)在某些特定方面比人類專家更靈活，即使水平達(dá)不到人類的層次,，但也可能是有用的,。

以下是Luke Oakden-Rayner的博客文章內(nèi)容，以第一人稱方式呈現(xiàn)：

第一部分，我們將會(huì)對(duì)一個(gè)研究進(jìn)行深度的解讀,，這絕對(duì)是一項(xiàng)最先進(jìn)（state of the art）的研究,。

首先，我想提醒大家,，從2012年開始,，深度學(xué)習(xí)才成為一種可應(yīng)用的方法被使用，所以,，我們?cè)卺t(yī)學(xué)中使用這一技術(shù)的時(shí)間還不超過5年,，并且，要知道,，醫(yī)療人員在技術(shù)上的反應(yīng)通常會(huì)慢半拍,。有了這些前提，我們會(huì)發(fā)現(xiàn)現(xiàn)在取得的很多結(jié)果都是令人難以置信的,，但是,，我們也必須承認(rèn)，這僅僅是開始,。

接下來,，我會(huì)對(duì)一些明顯代表作醫(yī)療領(lǐng)域自動(dòng)化取得突破的論文進(jìn)行解讀,，同時(shí)會(huì)補(bǔ)充一些有用的對(duì)話,。除了介紹論文，還會(huì)討論以下幾個(gè)關(guān)鍵要素：

• 任務(wù)：這是一個(gè)臨床的任務(wù)嗎,？如果這一工作被自動(dòng)化,，有多少醫(yī)療從業(yè)者會(huì)被顛覆？為什么這一任務(wù)會(huì)被選中,。

  
  

• 數(shù)據(jù)：數(shù)據(jù)是如何收集和處理的?它如何遵守醫(yī)學(xué)審查和監(jiān)管要求,？我們可以更廣泛地了解醫(yī)療AI的數(shù)據(jù)需求。

  
  

• 結(jié)果：它們與人類醫(yī)生相比能力如何,？它們究竟測試了什么,？我們還能收集更多的什么?

  
  

• 結(jié)論：這一研究的重要性在哪？可擴(kuò)展的地方在哪,？

第一個(gè)論文,。谷歌發(fā)表在美國醫(yī)學(xué)會(huì)雜志（JAMA）關(guān)于糖尿病視網(wǎng)膜病變的論文。（2016年12月）

任務(wù)：糖尿病性視網(wǎng)膜病變是致盲的主要成因之一,，主要由眼睛后部細(xì)小血管損傷引起,。這是通過觀察眼睛的背面，可以看到血管,。所以這是一個(gè)感知任務(wù),。他們訓(xùn)練了一個(gè)深度學(xué)習(xí)系統(tǒng)，執(zhí)行與糖尿病視網(wǎng)膜病變?cè)u(píng)估相關(guān)的幾項(xiàng)工作。文章標(biāo)題中所提到的結(jié)果是評(píng)估“可參考”的糖尿病性視網(wǎng)膜病變,，其正在檢測中度或更差的眼睛疾?。ㄔ摻M患者的治療方式與“不可參考”眼病患者的治療方式不同）。他們還評(píng)估了識(shí)別嚴(yán)重視網(wǎng)膜病變并檢測黃斑水腫的能力,。

數(shù)據(jù)：他們對(duì)13萬個(gè)視網(wǎng)膜照片進(jìn)行了訓(xùn)練,，每個(gè)級(jí)別由3到7名眼科醫(yī)生進(jìn)行評(píng)估，最終的標(biāo)簽以多數(shù)票決定,。圖像來自使用各種相機(jī)的4個(gè)位置（美國EyePACS和3家印度醫(yī)院）的康復(fù)臨床數(shù)據(jù)集,。

網(wǎng)絡(luò)模型：他們使用了Google Inception-v3深層神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練版本，這是目前使用最好的圖像分析系統(tǒng)之一,。預(yù)訓(xùn)練通常意味著他們已經(jīng)接受過訓(xùn)練的網(wǎng)絡(luò)來檢測非醫(yī)療物體（如貓和汽車的照片）,，然后進(jìn)一步對(duì)特定醫(yī)學(xué)圖像進(jìn)行了訓(xùn)練。這就是為什么網(wǎng)絡(luò)只能接受229 x 299像素的圖像,。

結(jié)果：這篇論文我認(rèn)為是醫(yī)學(xué)深度學(xué)習(xí)的第一個(gè)大突破,。他們的AI系統(tǒng)獲得了與單個(gè)眼科醫(yī)生相同水平的表現(xiàn)，在于眼科醫(yī)生的平均水平相比時(shí),，也不落下風(fēng),。

 圖：彩色的點(diǎn)是人類眼科醫(yī)生，黑線是谷歌的深度學(xué)習(xí)系統(tǒng),。

與人類以上相比,，他們的系統(tǒng)在檢測黃斑水腫上做到了相同的水平，但是在更嚴(yán)重視網(wǎng)膜病變絕對(duì)值（AUC值）上要差一些,。

第二篇具有代表性的突破性研究是斯坦福大學(xué)的研究者在2017年發(fā)表在Nature雜志上的研究“達(dá)到皮膚病學(xué)家水平對(duì)皮膚癌的分類”。

任務(wù)：皮膚科是主要專注于皮膚病變的醫(yī)學(xué)專業(yè),。他們處理皮膚癌（美國每年10,000人死于該?。┖推渌硇约膊〉哪[瘤，皮疹和皮膚表現(xiàn)等系統(tǒng)疾病,。作者訓(xùn)練了深度學(xué)習(xí)系統(tǒng),，用于執(zhí)行與皮膚科實(shí)踐相關(guān)的幾項(xiàng)工作。標(biāo)題的結(jié)果是對(duì)“需要活檢”病變的評(píng)估,，這是鑒定可能患有皮膚癌并需要進(jìn)一步處理的患者,。他們還評(píng)估了直接從圖像中識(shí)別癌癥的能力,，以及一項(xiàng)更復(fù)雜的任務(wù),，試圖診斷病變亞組。

數(shù)據(jù)：他們從18個(gè)不同的公共數(shù)據(jù)庫以及斯坦福醫(yī)院的私人數(shù)據(jù)中訓(xùn)練了13萬個(gè)皮膚損傷照片,。不幸的是,，這篇文章并沒有說清楚數(shù)據(jù)來源及如何構(gòu)建，所以我真的不知道訓(xùn)練標(biāo)簽是什么,。在論文中,，他們將數(shù)據(jù)描述為“皮膚科醫(yī)生標(biāo)注的”，但也提到了各種位置的活檢結(jié)果,。我想我們可以假設(shè),，這個(gè)數(shù)據(jù)的大部分是被單個(gè)皮膚科醫(yī)生標(biāo)記，沒有活檢結(jié)果,。

網(wǎng)絡(luò)模型：同第一個(gè)研究,。

結(jié)果：本研究是我認(rèn)為醫(yī)學(xué)深度學(xué)習(xí)的第二個(gè)重大突破。他們比大多數(shù)單個(gè)皮膚科醫(yī)生以及他們提供的比較的皮膚科醫(yī)生“平均”水平獲得了更好的表現(xiàn)。

最后，Luke Oakden-Rayner總結(jié)說,，我認(rèn)為這些研究是突破性的，事實(shí)也說明了這個(gè)問題,，兩個(gè)研究組似乎都在研究初次發(fā)表后六個(gè)月內(nèi)臨床測試了這些系統(tǒng),。谷歌的視網(wǎng)膜病變研究實(shí)際上已經(jīng)完成了初步的臨床試驗(yàn)，并正在印度推出系統(tǒng),，旨在解決受過訓(xùn)練的眼科醫(yī)生處理糖尿病眼病短缺的問題,。斯坦福大學(xué)皮膚科組正在建立一個(gè)智能手機(jī)應(yīng)用程序來檢測皮膚癌。

普華永道剛剛發(fā)布了名為“探索 AI 革命”的全球AI報(bào)告,，特別推出了“AI 影響指數(shù)”，對(duì)最容易受到 AI 影響的行業(yè)進(jìn)行了排名,。其中,，醫(yī)療和汽車并列第一位,。

AI影響評(píng)分從1-5（1是最低的影響，5最高）,，醫(yī)療和汽車都是3.7分,，并列第一：

而實(shí)際上，從 2011 年開始,，醫(yī)療領(lǐng)域一直高居 AI 行業(yè)應(yīng)用前列,。CB Insights 曾發(fā)布過 AI 應(yīng)用的“行業(yè)熱圖”，可以直觀地看出智能醫(yī)療的火熱程度,。

從全球范圍來看,，IDC 在其《全球半年度認(rèn)知/人工智能支出指南》中將醫(yī)療人工智能統(tǒng)列為2016年吸引最多投資的領(lǐng)域之一，并表示在未來五年內(nèi),，包括醫(yī)療人工智能 診斷和治療系統(tǒng)的使用案例將獲得最大的發(fā)展,。在五年期間，它預(yù)測醫(yī)療健康人工智能投資的年復(fù)合增長率為69.3%,。

國內(nèi),，根據(jù)億歐智庫的相關(guān)研究數(shù)據(jù)，截止至2017年8月15日,，國內(nèi)醫(yī)療人工智能公司累積融資額已超過 180 億人民幣,，融資公司共 104 家。

說回到普華永道的最新報(bào)告,。該報(bào)告以“基于數(shù)據(jù)的診斷支持”作為智能醫(yī)療的高潛力用例,，認(rèn)為“人工智能最初可能被作為人類醫(yī)生的輔助來采納，而不是替代人類醫(yī)生,。這將改善醫(yī)生的診斷,，但此過程也為 AI 學(xué)習(xí)提供了有價(jià)值的見解，讓其可以不斷學(xué)習(xí)和改進(jìn),。人類醫(yī)生和 AI 驅(qū)動(dòng)的診斷之間的這種持續(xù)的相互作用將提高系統(tǒng)的準(zhǔn)確性,，并且隨著時(shí)間的推移，人類將有足夠的信心完全授權(quán) AI 系統(tǒng)進(jìn)行自主操作,。”

實(shí)際上,，這一美好前景已展現(xiàn)出了些許萌芽。如依靠計(jì)算機(jī)視覺的智能醫(yī)療影像識(shí)別,，已經(jīng)隨著深度學(xué)習(xí)等技術(shù)的使用，來到了“超越人類水平”的臨界點(diǎn),。同時(shí),，2017 年 8 月，國家衛(wèi)計(jì)委在新聞發(fā)布會(huì)上也傳達(dá)出一個(gè)重要信息：將在已有的 5 類可獨(dú)立設(shè)置的醫(yī)療機(jī)構(gòu)上,，再增加 5 類獨(dú)立設(shè)置的醫(yī)療機(jī)構(gòu)類別（包括病理診斷中心,、康復(fù)醫(yī)療中心等等）,。隨著支持社會(huì)辦醫(yī)的政策落實(shí)，醫(yī)療的“牌照”價(jià)值正在下降,，未來很有可能出現(xiàn)獨(dú)立的 AI 診斷中心,，直接為患者提供診斷服務(wù),。

將于2017年11月8日在北京國家會(huì)議中心舉辦的AI WORLD 2017世界人工智能大會(huì)特設(shè)智能醫(yī)療論壇,，并邀請(qǐng)到來自谷歌,、卡內(nèi)基梅隆大學(xué)、康奈爾大學(xué)等多位相關(guān)領(lǐng)域的專家和創(chuàng)業(yè)者,，就“醫(yī)療 AI 在哪些方面已經(jīng)或即將超越人類醫(yī)生”,、“獨(dú)立的AI醫(yī)療系統(tǒng)何時(shí)能夠出現(xiàn)”等問題進(jìn)行展望、分享,。智能醫(yī)療的真實(shí)發(fā)展現(xiàn)狀如何,？技術(shù)瓶頸何在？未來最有潛力的應(yīng)用是哪些,？請(qǐng)來世界人工智能大會(huì)智能醫(yī)療論壇尋求答案,。

我們隆重為您介紹首批確認(rèn)的智能醫(yī)療論壇演講嘉賓，他們是：谷歌資深科學(xué)家韓玫,；美國卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)學(xué)院計(jì)算生物學(xué)副教授馬堅(jiān),；大數(shù)醫(yī)達(dá)創(chuàng)始人,、卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)學(xué)院暨機(jī)器人研究所博士鄧侃,；康奈爾大學(xué)威爾醫(yī)學(xué)院助理教授王飛,。

馬堅(jiān)

美國卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)學(xué)院計(jì)算生物學(xué)副教授

馬堅(jiān)， 2016 年1月起擔(dān)任卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)科學(xué)學(xué)院計(jì)算生物學(xué)副教授,，他也是CMU機(jī)器學(xué)習(xí)系的教授,。他曾就職于伊利諾伊大學(xué)香檳分校（助理教授（2009-2015），副教授（2015））,。他的小組研究一直專注于算法開發(fā),，以幫助更好了解人類基因組的基本功能和人類疾病如癌癥的分子機(jī)制。

演講主題：精準(zhǔn)基因組數(shù)據(jù)與智能醫(yī)療最新進(jìn)展

演講概要：互聯(lián)網(wǎng)下半場,，人工智能正在加速數(shù)據(jù)系統(tǒng)的閉合,。醫(yī)療和健康數(shù)據(jù)是其中最重要也是最難獲得和解析的一環(huán)。從可穿戴設(shè)備到IoT,，到醫(yī)學(xué)圖像,、醫(yī)療檔案和個(gè)人基因組信息，如何加速多模態(tài)高維數(shù)據(jù)的整合,，推動(dòng)產(chǎn)業(yè)發(fā)展,，同時(shí)又促進(jìn)個(gè)性化普惠醫(yī)療，提升民眾的健康管理,，需要學(xué)界和業(yè)界的創(chuàng)新性合作,。我從基因組數(shù)據(jù)的最新發(fā)展入手，介紹一下精準(zhǔn)基因組和智能醫(yī)療的進(jìn)展,，并探討與整個(gè)互聯(lián)網(wǎng)產(chǎn)業(yè)創(chuàng)新性結(jié)合的可能性,。

鄧侃

大數(shù)醫(yī)達(dá)創(chuàng)始人，美國卡內(nèi)基梅隆大學(xué)計(jì)算機(jī)學(xué)院暨機(jī)器人研究所博士

鄧侃,，上海交通大學(xué)本科及碩士,，美國卡內(nèi)基梅隆大學(xué)（CMU）計(jì)算機(jī)學(xué)院暨機(jī)器人研究所博士，專攻人工智能及數(shù)據(jù)挖掘,。歷任美國甲骨文公司（Oracle）主任系統(tǒng)架構(gòu)師,，美國泰為手機(jī)導(dǎo)航公司（Telenav）北京分公司總經(jīng)理，百度高級(jí)總監(jiān)并主管網(wǎng)頁搜索和知識(shí)圖譜,。

2015年,，鄧侃創(chuàng)建北京大數(shù)醫(yī)達(dá)科技有限公司，旨在將深度強(qiáng)化學(xué)習(xí)技術(shù)應(yīng)用于醫(yī)療健康領(lǐng)域,。大數(shù)醫(yī)達(dá)對(duì)幾億份三甲醫(yī)院病歷,，進(jìn)行結(jié)構(gòu)化解析，構(gòu)建海量訓(xùn)練數(shù)據(jù),，并結(jié)合臨床指南,，訓(xùn)練醫(yī)療深度強(qiáng)化學(xué)習(xí)模型。用于實(shí)現(xiàn)面向患者的醫(yī)療咨詢服務(wù),，面向基層醫(yī)生的臨床導(dǎo)航服務(wù),，以及面向醫(yī)院和醫(yī)療保險(xiǎn)的全流程精細(xì)化質(zhì)量控制和成本控制服務(wù)。

演講主題：多模態(tài)智能疾病診斷系統(tǒng)的四大技術(shù)難點(diǎn)

演講概要：北京大數(shù)醫(yī)達(dá)科技有限公司實(shí)現(xiàn)了多模態(tài)智能疾病診斷系統(tǒng),，該系統(tǒng)把 CNN,、RNN、Attention,、GAN,、RL、MCTR,、Knowledge Graph 等多種前沿技術(shù)融為一體,，構(gòu)建醫(yī)學(xué)智能診斷新體系。本演講重點(diǎn)介紹該系統(tǒng)以下 4 個(gè)方面的技術(shù)難點(diǎn),。

1. 把多模態(tài)數(shù)據(jù),，都轉(zhuǎn)換成以醫(yī)療知識(shí)圖譜為軸心的語義向量，在同一個(gè)參照系下進(jìn)行相互比較和交叉操作,；

2. 在知識(shí)圖譜為軸心的語義向量空間中,，融合多模態(tài)數(shù)據(jù)，并使用生成對(duì)抗模型提供可行又可靠的質(zhì)量評(píng)估方案,；

3. 用卷積神經(jīng)網(wǎng)絡(luò)技術(shù),，從病情描述中提煉病情特征，用聚焦機(jī)制,，從醫(yī)學(xué)知識(shí)圖譜中補(bǔ)充相應(yīng)病理邏輯,，優(yōu)化疾病的診斷與驗(yàn)證；

4. 用深度強(qiáng)化學(xué)習(xí)和蒙特卡洛搜索樹技術(shù),，給醫(yī)生推薦最佳后續(xù)化驗(yàn)和檢查項(xiàng)目,，補(bǔ)充病情描述，用最小的代價(jià),，找到診斷金指標(biāo),，提高診斷精度。

王飛

康奈爾大學(xué)威爾醫(yī)學(xué)院助理教授,，IBM沃森研究中心顧問

王飛,，博士，康奈爾大學(xué)威爾醫(yī)學(xué)院助理教授,，IBM沃森研究中心顧問,，法國液空集團(tuán)研究顧問。曾任職于康涅狄格大學(xué)以及IBM沃森研究中心,。他于2008年在清華大學(xué)自動(dòng)化系獲得博士學(xué)位,，其博士學(xué)位論文“圖上的半監(jiān)督學(xué)習(xí)算法研究”獲得了2011年全國優(yōu)秀博士論文獎(jiǎng)。主要研究方向包括數(shù)據(jù)挖掘,，機(jī)器學(xué)習(xí)技術(shù)在醫(yī)療信息學(xué)中的應(yīng)用,。王飛博士已經(jīng)在相關(guān)方向的頂級(jí)國際會(huì)議和雜志上發(fā)表了近190篇學(xué)術(shù)論文,，引用超過5000次，H指數(shù)39,。其（指導(dǎo)的學(xué)生）論文論文曾ICDM2016最佳論文提名,，ICDM2015最佳學(xué)生論文，ICHI 2016最佳論文獎(jiǎng),，ICDM 2010的最佳研究論文提名獎(jiǎng),，SDM 2015與2011最佳研究論文候選以及AMIA 2014轉(zhuǎn)化生物信息學(xué)峰會(huì)的Marco Romani最佳論文候選。王博士還是Michael Fox基金會(huì)主辦的帕金森病亞型發(fā)現(xiàn)數(shù)據(jù)競賽的冠軍獲得者,。王飛博士是2017年國際醫(yī)學(xué)信息學(xué)大會(huì)（MedInfo）的分領(lǐng)域主席（track chair）,，2015國際健康信息學(xué)大會(huì)（ICHI）的程序委員會(huì)主席。王博士同時(shí)還是AMIA知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘 (KDDM) 工作小組副主席,。任雜志Artificial Intelligence in Medicine的編委（Associate Editor）,，Journal of Health Informatics Research的編委，Smart Health的編委,，Data Mining and Knowledge Discovery的執(zhí)行編委（Action Editor）,，Pattern Recognition編委。已在美國申請(qǐng)相關(guān)專利40余項(xiàng),，授權(quán)15項(xiàng),。

演講主題：人工智能與智慧醫(yī)療——現(xiàn)狀、誤區(qū),、挑戰(zhàn)及發(fā)展方向

演講概要：人工智能正在改變著這個(gè)世界,。醫(yī)療健康，作為每個(gè)人生活中不可分割的一部分,，也正在被人工智能改變著,。全球的IT巨頭，例如Google, Microsoft, IBM,，以及國內(nèi)的IT巨頭BAT,，都在試圖用先進(jìn)的人工智能技術(shù)來提高醫(yī)療質(zhì)量，讓每個(gè)人變得更加健康,。本報(bào)告將對(duì)目前人工智能技術(shù)在醫(yī)療中應(yīng)用的現(xiàn)狀做以小結(jié),，指出這一領(lǐng)域的常見誤區(qū)及挑戰(zhàn)，進(jìn)而展望未來的發(fā)展方向,。

韓玫

谷歌資深科學(xué)家

韓玫,，谷歌資深科學(xué)家。她已發(fā)表超過30篇有關(guān)視頻分析,、視覺跟蹤,、物體檢測、幾何建模、圖像處理,、計(jì)算機(jī)視覺,、多媒體處理以及計(jì)算機(jī)圖形學(xué)的會(huì)議論文。擁有20多項(xiàng)美國專利,。加入谷歌之前,，韓玫曾是美國NEC實(shí)驗(yàn)室研究員,。韓玫本科,、碩士、博士畢業(yè)于清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè),，并于2001年獲得卡內(nèi)基梅隆大學(xué)機(jī)器人學(xué)博士學(xué)位,。曾擔(dān)任3DV 2016，CVPR 2017和ACM Multimedua 2017的會(huì)議組織主席,。