為了推進數據整合和信息共享、發展以數據為基礎的醫療健康服務體系，11月28日至29日，“2015中國醫療健康大數據峰會”在北京召開，此次會議圍繞“開放、變革、發展”的主題，邀請主管部門、科研機構、醫療機構、優秀企業、市場研究機構等領導與專家、高層及800余位行業精英參與，深入探討科學推進醫療健康大數據的應用和價值挖掘、推動醫療健康大數據依法有序開放、醫療健康大數據互聯互通、數據標準與安全等醫療健康大數據相關熱點議題，為我國醫療健康的數據的發展提供前瞻的思想與觀點，為研究制定促進健康醫療大數據應用的政策和戰略獻計獻策。

在28日下午舉辦的醫療健康大數據應用與創新論壇上，NIVDIA行業業務拓展總監何猶卿作了題為《深度學習助力智慧醫療》的精彩演講，以下為演講實錄：

我分享這個熱門的話題，包括從互聯網行業，包括很多企業，包括智慧城市，都在強調人工智能。今天我們講人工智能核心的實驗方法，就是深度學習。

首先，什么是深度學習，什么是深度，什么是網絡。概念非常容易理解，我們人從出生以后，我們有大腦，大腦在接受外界的知識，在學習。只不過我們學習的曲線得多少年，大學畢業得20多歲，這樣的一個過程。今天我們教計算機也是這樣的過程，我們用兩個東西，一是神經網絡，來模擬人的大腦。用不同的數據樣本模擬外界對大那的刺激，教會他學習的樣本。訓練機器認知一些事物，達到機器像人的大腦一樣做一些智能化的工作。做語音識別、自然語言的理解、姿態、情感，包括行為推理等等。

用這樣的一套方法，或者說一套機制，來幫助機器達到人工智能目標，這套方法全世界用得最多的就是深度學習的方法。深度學習為什么能引爆人工智能的革命。

右邊的圖，原來在教會機器去認知很多目標的時候，讓它去識別語音，或識別圖片，我們用很多的聲學模型、像素模型，我們不斷讓機器達到識別目標的結果。一直以來，它的準確度上不去，準確度最高達到70%幾。真正深度神經網絡和深度學習的方法引入進來以后，把人工智能準確度推向一個非常高的臺階。突破80%，后來在2014、2015年又突破90%等等。一個智能化的應用要達到90%幾，這樣就接近于人們使用的習慣，也就是說這個產業可以得到普及的機會。

深度學習歸納了五個特點，一是準確度提高了。二是它對樣本的質量要求不是說那么敏感，比如說識別一張圖片，這張照片拍得好不好對它來說沒有太多的關系，因為我有太多的照片樣本，可以幫他實現協定。三是天性適合做運行計算。四是端對端的處理，我們需要了解中間的過程，只需要有一個輸入，它給我一個結果。用生物學習的方法來訓練他的深度網絡的模型，通過這個模型進行不同應用的變化。五是易于處理不同任務。我有一個訓練好的模型以后，可以用這個模型完成不同的任務。

深度學習在各個行業中有很多的實踐，包括以圖搜圖，目標識別，包括語音這類，還包括汽車自動駕駛，還包括今天的重點，在醫療健康這個領域，怎么樣用深度學生的方法幫助我們做醫療的輔助。

為什么它成為一個熱點，生物神經網絡不是新的話題，十多年前，二十多年前就有人做。用深度學習達到很好的方法，必須具備三個條件，一是得有足夠的數據教會機器怎么樣學習。二是得有一個非常正確的方法，有一個非常好的模型，神經網絡來幫助機器能夠得到正確的學習方法。三是有足夠的計算能力，以前GPU計算沒有大規模普及，今天是很好的機會。三個特點加起來，包括在企業和各個領域，用深度學習的方法學人工智能，成為一個非常熱門的熱點。

為了幫助識別率德國非常高的提升，要給他幾千萬的樣本，或上億的樣本。類似這樣大量的數據，必須得要求我們從技術手段上支持兩件事。一是數據必須得做運行計算，如果說做得太大，以后的種類太多，我得達到模型并行的目標做。做到一定結算是需要大規模人工智能應用的時候，會采用模型并行應用來做。

NVIDIA提供的GPU技術是重要的基石，第一臺谷歌大腦用1000臺GPU服務器做。2012年四暖的一些教學用12個GPU板卡，總共是三臺GPU服務器，里模擬做這樣的神經網絡的訓練，取得了同樣的效果。無論從投資的成本，包括從供電，包括從管理性等等，GPU對網絡學習得到了質的飛躍。神經網絡有幾個天然的特性，比如說并行計算，需要舉證計算的能力、高的數據帶寬等方面，這恰恰是GPU的特長。今天不管是全世界，中國，還是北美，他們做神經網絡的訓練基本上都是用GPU幫助解決。

NVIDIA除了提供GPU處理器，我們還提供完整學習的平臺。片子中綠顏色的都是提供的，第二行的工作。生物學習又要有數據基礎、又要有數學基礎，非常困難。NVIDIA做的一個軟件套件，本身大家降低深度學了困難度。從數據處理，包括深度神經網絡的配置，修煉過程的進展，包括每一層結果的可視化都提供了非常重要的方便。把時候全世界流行的神經網絡，都配置在里面，大家都可以選用。另外是把生物學習的框架都集成在里面。大家希望從事生物學習開發的工作，基本上用這樣的工具，經過兩天的培訓，基本上就能上路了，把困難度大大降低。

針對不同開遠的框架還做了加速，前面四個是做圖片的，最后LALDI是做語音的。經歷了這樣的時間段，從2015年開始，國內深度學習的熱潮都開始起來了。今天整個互聯網領域當中，比如說BAT，百度、阿里和騰訊，類似這樣的公司，從他們深度學習領域的開發，包括部署應用的層面看，不比北美的一些公司弱，基本上在同一個起跑線。也有一些科研機構，包括中科院，包括大學，也包括專門醫療的科研機構。他們也在嘗試用生物學習的方法，幫助他們做一些醫療影像，或醫療知識領域這樣的嘗試，這樣的研究。

每一個圖片右下角，哪些單位，和哪些大學，他們在做什么，進行研究。比如說檢測乳腺癌細胞的有絲分裂，新藥研發中的分子活動預測，新藥的毒性分析，基因突變引起的疾病防治，都用深度學習的方法進行嘗試。

這是美國加州的一個社區健康中心，用了深度學習的方法，美國加州這樣的地方，比如說他們也有少數民族，或者說沒有醫保的，類似于這樣的患者。而且從整體醫療水平的分布，也不見得是均衡的。有的地方可能很發達、有的地方可能稍微弱一些。尤其是沒有醫保的人，一般不敢進到大醫院，除非是說他有錢當然沒問題。在這個層面上，糖尿病引起視網膜的病變，引發人眼睛變瞎的病例，在美國也是非常高的。社區醫院用了非常簡單的辦法，和伯克利大學聯合做，也是基于那個框架做了一個方法。在社區健康中心中配備這樣的視網膜的拍照和檢測的設備，他們用深度學習的方法，用了大量的樣本訓練了模型。這個模型出來以后達到足夠的度，就把模型進行了移植，可以移植到筆記本上，非常像嵌入式的應用。人們只要去了拍攝視網膜的系統，進行一些拍照，這樣機器一般說就可以給他做一個分析。比如說他有沒有這樣的病變，做這樣的一個分析。整個的一套東西從事實起來，確實成本非常低。他用了一臺服務器，用了大量的數據，模型成熟以后部署在PC機上，就是一個筆記本電腦。這個筆記本電腦配合到視網膜的拍攝工具，就能夠幫助病人看他有沒有類似的病變。目前的設備中心在加州都進行了普及，給13萬人在提供服務。

伯克利幫他做模型訓練的時候，他要看我找多少樣本，教會這個機器學習，達到一定的準確性，提供給用戶來用。它可以直觀地觀測你的選擇進展，比如說我們拿不同的樣本教機器的時候，他們會告訴目前的模型會達到多少個準確率，會做這樣的分析。你還可以看得到每一層的，他訓練的一個結果。

國內我們引入一些合作伙伴的片子，這是阿爾茨海默AD的診斷，這是趙地（音）教授，保證和天壇醫院研究的一些東西。要把大腦的CT，或磁核的數據，來做成樣本數據。我們交給了深度神經網絡的模型，把這些數據不斷送給他。這樣的圖片是這樣的病癥，那樣的圖片是那樣的病癥，我就教給他。就把模型參數的調整，要形成一個模型，要么放在云端用，要么放在機器人做嵌入式應用。我們拿到這樣的影像，就這些影像作為輸入，輸入進去以后，這個模型基于規則就會給一個結果。這個結果就告訴我，這是正常的，還是不正常的，還是有懷疑的病理。

深度學習不僅僅是從醫療影像，還有關聯性的因素，比如說血壓、體溫、體重，都可以把關聯性因素結合起來，對一個病人做綜合的分析。這樣的方法，一是對我們的醫療做一些輔助，另外是幫助有些非常細微、非常小的特征，可能大夫一忙看不到，他也可以幫我們看整個的病理的情況，給醫療做輔助性的提示。

這是中科院和曙光公司做的，把胰島素圖片做清晰的紋理分析。原來我們要準備這樣多的胰島素的圖片，公共是230萬張，大概600多G，通過查檢做一些迭代計算，形成紋理，如果用單像GPU來做需要4.7年。去年他們用深度學習的方式，用GPU幫助他做處理，最后用紅色部的部分完成識別，就兩天就把模型數據訓練好了。

我們講細胞事件的檢測，通常我們要觀察一些細胞，加一些銀粉，就開始大量在顯微鏡上拍照片，照片一是不同的位置要拍照片，另外是不同的時間段，還要拍一些照片，在照片上發現一些有標識的現象。如果以前通過人工來做一些識別，來去找到這樣的現象，有拿100×100，10000張圖片來說，人工耗時需要35天。有一些很細微的變化，很容易是被肉眼遺漏的。

今天通過深度學習的模式，先對數據做標識，去訓練一個模型。以后我用中間的樣本，這個模型按我識別出來的變化，只是幾分鐘的事情，非常快，代替了過去我們通過肉眼做識別的工作。做細胞的分析，要做細胞的邊界。包括卷進模型，包括多層感知模型做，這個對整體的工作提升速度會非常快。通過一些樣本達到非常高的準確率，兩個不同的模型有不同的時間段，紅顏色單獨來描述。我用非常多的樣本訓練好這個模型，用GPU的平臺做需要兩天的時間就能完成。

今天上午也有老師在問，如果我們做一些嘗試有沒有辦法。今天我們的合作伙伴也跟我們一起來了，上海城函（音）電子科技，大家搭建了支持深度學習的云服務。不像阿里云那么大的平臺，是側重于醫療影像這樣的平臺。目前包括和中科院，包括一些醫院也做了一些，包括定位腫瘤邊界，包括手術后的風險評估，一些重要的健康檢測，這樣的一些工作。未來各位可以試試，它的平臺也可以幫助大家提供便利。我提交，他幫我反饋結果，可以去驗證。如果不夠，可以提供更多的樣本幫助模型做更好的識別。

深度學習未來在各個領域中有什么樣的機會，有什么樣的前景，為什么今天那么火熱。這是麥肯錫發布的，全世界有12個技術，這顛覆性的技術。生活，包括對科技的發展影響非常大，它做了一個排序。我摘出來幾個，一是知識工作自動化，里面包含什么樣的技術，可以用到什么樣的關鍵應用，在圖表中都有描述。

下一代的BAT一定從這樣的技術中，和從事這樣的工作技術開發的公司中來誕生。第二是先進機器人，或一般的機械手，把邏輯都設置好的機器人，是先進的機器人。比如說一個汽車可以做自動駕駛這樣的工作，這個工作核心的東西也是基于深度學習做的。簡單的一個導航，一個影像，一個雷達信號，不足以完成汽車自動駕駛。趕上斷路施工，豎個牌子，GPS可不知道。汽車得讀懂這個牌子，人家臨時斷路施工讓我繞行，就不要等了。還有和開越野車一樣，開車碰到臺階都躲了也不行，可能得循環到月球上。你得做一個判斷，我的車能不能過去，過得去就過，過不去再圍繞。

不管是這個行業從事保險，還是從事電信服務，還是從事獵頭服務，金融服務等等，都在不同層面地用智能化的一些機器，來幫從事更多的生產工作。

NVIDIA公司是積極的推進者，也是整個技術核心的技術提供者。后續希望大家可以繼續和課題和我進行探討。

標簽：醫療大數據、智慧醫療、遠程醫療、健康大數據、移動醫療