你以為人工智慧只會下下棋？現在 AI 還能診斷乳腺癌呢！

Abu 在 GoogleI/O 的亮相

剛落幕不久的2017 GoogleI/O 大會上，一名今年只有17歲的學生被官方強勢推薦，成為了大會的網紅。Abu Qadar，生於戰火紛飛的阿富汗，長於科技創新的芝加哥，現在上高三，但已經是一家人工智慧醫療公司 Glialab（使用 AI 來幫助醫生診斷乳腺癌的項目） 的創始人之一，兼任CTO。

我們Walker老師和Abu的合影。

乳腺癌——女性的健康公敵

為何是乳腺癌？因為乳腺癌是女性中發病率最高的一種癌症（男性也會得乳腺癌）。以全球而言，乳腺癌在女性癌症佔了25%，在2012年，有168萬的乳腺癌個案，及52萬人因乳腺癌死亡。著名歌手姚貝娜，林妹妹陳曉旭，都是因為乳癌病魔香消玉殞......

象徵乳腺癌防治的粉紅絲帶

晚期的乳癌，致死率幾乎百分百，而且毀人形骸（割除乳房），簡直是痛苦不堪，對人是身心的摧殘。如果診斷得當，早期的乳腺癌，絕大多數都是可以徹底治癒的，而且還能保住乳房。而極早期的乳腺癌甚至可能通過一個手術就能根治，連化療都不需要，所以儘早診斷至關重要。

乳房是女性的驕傲，很多時候，患有乳腺癌的女性不得不割除乳房，這也是乳腺癌治療的一個尖銳難題。圖片：佐佐木希，優衣庫胸衣廣告。

但目前在中國，通過現有醫療技術，乳腺癌檢出率約50%，特別是早期腫瘤檢出率低，僅為30%左右。目前常用的診斷乳腺癌的方式為影像學技術，包括X光、B超、核磁共振、CT、PET-CT，其中X光、CT和PET-CT都存在放射性副作用，且核磁共振、CT、PET-CT的價格較高，再者，所有影像學方法都依賴於醫生的經驗，檢出率差強人意。

傳統的影像技術，很難精準地診斷出早起乳癌。

所以 Abu 和他的團隊在做的項目，就顯得十分重要，如果這項技術能在不久進入臨床應用，納入醫療保障中，進行全球推廣，那肯定會造福很多女性（也包括男同胞），同時也極大的拓寬了 AI 在其他維度的運用。來聽聽 Abu 是怎麼理解這個項目的吧。

能說說你的公司Glialab 嗎？

Glialab是一家人工智慧公司，利用深度學習的圖像技術在醫療領域建立工具，來幫助病理學醫生，放射線醫生在治療時做出更好的決策。工具包括藥物發現程序，探測醫學圖像中的異常現象。這個是我和我的團隊現在正在攻克的問題，即構建系統和演算法來從CT掃描，MRI影片中發現腫瘤或其他疾病。甚至更近一步告訴放射線醫生程序所認為的診斷結果。這是一個很廣的範圍，但我們會一直使用人工智慧，深度學習方法來解決問題。

你們現在有特別專註某種疾病嗎？還是所有疾病？

我們現在專註在乳腺癌，這是我們最主要是演算法應用，同時我們還會研究某些區域可能會和多種疾病有關，例如腦癌，帕金森症。我們正在考慮擴展我們的範圍，但目前我們專註於乳腺癌和腦部腫瘤研究。

你可不可以簡單介紹一下為什麼深度學習的演算法相比於傳統演算法在乳腺癌的檢測上更有優勢？

深度學習的圖像演算法在發現高維空間中的某些特徵這個任務上，有非常好的表現。任何兩個病人都是不同的，但他們的病例在某些高維空間中是類似的。我們就是要用深度學習的演算法，來把這些高維空間中的類似性找出來。這樣的任務如果用條件語句來逐個判斷，會非常的冗長繁瑣，而且效果很差，用深度學習來發現這些規律就非常的合適。

現在演算法到什麼階段了呢，在醫療系統上推廣應用了嗎？

我們在上個月的時候完成了很多原型演算法。目前，我們能夠達到96%的準確率來區分不用的癌症腫瘤圖像。我們已經建立好了系統，現在正在改進演算法讓他們更準確，更快速。在醫療行業，最重要的一點是安全。我們的產品和生命息息相關，所以產品的準確率，安全性都是我們非常注重的。同時，我們正在和製藥行業溝通製作新的藥品來在他們的產品中應用我們的科技。

你認為人工智慧，深度學習對整個醫療行業會有大的變革嗎？如果會有的話，會是什麼樣的變革？

我認為人工智慧，深度學習會改變醫療行業與數據，與病人的互動。目前在醫療領域，我們可以看到的問題是，很多相對比較貧困國家有很多未受過教育的人群，這些國家的人平均壽命很低。這很大程度上是因為這些國家的對醫療的重視程度還很低。有了人工智慧，深度學習的技術，我們可以把這些技術帶到第三世界的國家。我們可以利用美國這裡的成千上萬的數據來幫助這些國家，例如阿富汗，薩摩亞（南太平洋島國）等等國家和地區。有了人工智慧，我們想延長這些國家人民的平均壽命，帶來更多的成功故事，最後實現全球範圍的醫療的民主化。

你提到過，你深度學習的技能是自學的，能不能分享一些學習的過程？

我最開始去學習別人做過的各種項目，使用各種各樣的框架，讓自己對整個深度學習有一個高層面的理解。有很多很多的Github開源項目可供學習，搞懂他們要做什麼，他們是怎麼做的。當我漸漸的明白了最表面的，代碼怎麼寫，模型怎麼建立，我開始決定走得更深。

我選擇了我最感興趣的幾個庫，例如當時我選擇了 H2O 和 Caffe。去學習那些庫裡面層是如何定義的。同時我開始學習很多在線課程，例如Stanford有Andrew Ng的深度學習課程。在那個時候，我發現我對代碼的理解比較好，但是對於代碼下面的演算法只有比較基礎的理解。要真的搞懂這些演算法，我需要理解裡面的數學。因此我開始進入下一階段，學習更多更難的深度學習相關的在線課程，並同時開始學習相關的數學課程來搞懂這些演算法。完成了這些以後，我有了一個比較好數學功底，我知道矩陣乘法是怎麼做的，我知道向後傳播是怎麼做的等等。

再下一階段，就是要一直緊跟最新的動態。我每天早上，現在也是如此，會選3到4篇期刊論文然後在一整天，或者一整個周末中將這些論文讀完。今天早上，我讀了一篇Deepmind的論文討論訓練一個神經網路來處理兩個問題，非常棒。我最喜歡的網站有YC孵化器的 Hacker News, Reddit的深度學習板塊也有很多很多的深度學習的論文。同時，跟進在領域中自己喜歡的人，例如Andrej Karpathy， 例如Fei Fei Li等人。關注他們最新的研究成果也很有幫助！

你在學習的過程中克服了哪些障礙？

說到障礙，最大的障礙是剛開始的時候，有太多太多的信息我看不懂。因為很多的資源都需要非常深的數學功底，但在那個時候我並沒有。我漸漸意識到我可以從代碼開始一點點建立模型，但並不需要了解很多數學。這給我了我很多信心，也讓我打下了紮實的基礎。有了這些對代碼的理解，我可以把一個個數學公式轉化為文字描述，這也對我之後的數學學習帶來了很大的幫助。

在那個時候並沒有太多的內容來幫助初學者，但是現在已經有很多很多的內容在Youtube上，致力於用簡單的方式來講述複雜的問題。當然，可以肯定的是，你最後還是需要非常紮實的數學知識來真正理解機器學習。

從代碼開始建立基礎，然後慢慢的去理解數學，最後一直一直緊跟最新動態，這就是我的學習過程。

你剛才提到當年你在學習這些內容的時候，針對初學者的課程還不多。如果那個時候就有 Udacity 的深度學習課程，你會去學嗎？

當然當然。那個時候並沒有課程專門針對初學者來將難懂的演算法和數學以簡單的方式呈現出來，現在很高興Udacity為所有人提供了這些內容，真的是太幸運了。如果那個時候有Udacity的課，我想我一定會去上的。

我注意到Udacity的課程中，老師可以把非常非常複雜的演算法變成十分簡單易懂的一個個概念把它們串起來。更有趣的是，他們可以設計出非常有針對性的項目，來應用剛剛學習到的這些簡單概念去做非常複雜的事情。 因此在完成這些項目的過程中，你也同時在更深層次得學習這些概念。這種直觀性的學習方法學習內容，無論是在以前，還是現在都對我有很大的幫助。我絕對會大力推薦給周圍的同事和同學。

你有提到說你有推薦周圍的朋友去上我們的深度學習納米學位，無人駕駛納米學位課程？

事實上我周圍的一些同事和朋友在學習了深度學習納米學位，無人駕駛納米學位課程後，他們對於深度學習的有著相當深的理解。他們可以把所學的知識直接應用到醫療領域的圖像處理中也完全沒有問題。我覺得無人駕駛課程，深度學習課程對於任何想要接觸人工智慧領域的人來說都是相當值得的。

Udacity 致力於對教育做出改革，讓更多的人能夠接觸到人工智慧領域，你覺得這樣的教育方式在未來會成為主流嗎？高中，大學，自學，通過在線課程學習這些教育模式你如何對比？

在科技領域，其實沒人關心你的學歷。人們真正在意的其實是你的經歷。你做過什麼，如何做的。所以我覺得這種以自身興趣為動力的學習方式是最棒的。學習自己想要學的，並做出東西來。還是那句話，沒人關心你的學歷是哪個學校的，只是關心你能不能勝任這份工作。這些不同的在線課程可以讓學生有比較基本的代碼理解，或者比較深入的數學理解。

另一個方面是，很多其他領域的人，例如設計，例如醫療，他們在完成了這些在線課程，開源項目之後，就可以將深度學習應用到他們自己的領域之中，在他們自己的領域中有所作為。這樣人工智慧就可以漸漸進入到每個領域。現在人工智慧雖然很火，但其實在更高層面上看，它依然只是影響了一小部分，還有深度學習還有更多更多的潛力值得去開發。正是通過在線教育的方式，通過開源的項目，我們才可以把AI逐漸帶向世界上每個人，然後讓他們運用AI來改變自己的社區。

最後一個問題，在深度學習之外，你又還在自學其他什麼？

深度學習是一個非常廣的範圍。我現在最想做的是如何利用深度學習建立一個腦電腦交互系統，建立一個工具可以和自己的大腦，別人的大腦進行來回交互。現在我學習的很多知識也都和這個領域有關。腦內的神經科學，生物中的大腦，在不同狀態下，大腦產生的信號和波形。同時我也在看一些增強現實，虛擬現實相關的一些內容，問自己一下最前沿的問題，例如任何人之間究竟可以如何交流。5～10年以後，可能我們會覺得屏幕太過時了，我們可能和周圍的環境有更近更精密的交互了。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！