雷鋒網(wǎng)按：2018 全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR）在深圳召開，峰會(huì)由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）承辦，得到了寶安區(qū)政府的大力指導(dǎo)，是國(guó)內(nèi)人工智能和機(jī)器人學(xué)術(shù)界、工業(yè)界及投資界三大領(lǐng)域的頂級(jí)交流盛會(huì)，旨在打造國(guó)內(nèi)人工智能領(lǐng)域最具實(shí)力的跨界交流合作平臺(tái)。

CCF-GAIR 2018 延續(xù)前兩屆的“頂尖”陣容，提供1個(gè)主會(huì)場(chǎng)和11個(gè)專場(chǎng)（仿生機(jī)器人，機(jī)器人行業(yè)應(yīng)用，計(jì)算機(jī)視覺(jué)，智能安全，金融科技，智能駕駛，NLP，AI+，AI芯片，IoT，投資人）的豐富平臺(tái)，意欲給三界參會(huì)者從產(chǎn)學(xué)研多個(gè)維度，呈現(xiàn)出更富前瞻性與落地性相結(jié)合的會(huì)議內(nèi)容與現(xiàn)場(chǎng)體驗(yàn)。

大會(huì)第二天的計(jì)算機(jī)視覺(jué)專場(chǎng)分為視頻監(jiān)控和醫(yī)療影像兩個(gè)半場(chǎng)，匯集了兩個(gè)領(lǐng)域的眾多大咖。下午的醫(yī)療影像半場(chǎng)，微軟亞洲研究院副院長(zhǎng)張益肇博士發(fā)表了題為“弱監(jiān)督學(xué)習(xí)在醫(yī)學(xué)影像中的探索”的精彩演講。

張益肇博士援引一篇報(bào)道表示，2000年左右出生的人，超過(guò)一半壽命將超過(guò)100歲。這將加劇人口老齡化，增加醫(yī)療支出。如果沒(méi)有新的技術(shù)提高醫(yī)療效率、降低醫(yī)療成本，社會(huì)將難以承受。

過(guò)去兩年大火的人工智能技術(shù)起到了一定的幫助。但訓(xùn)練人工智能模型需要標(biāo)注大量的數(shù)據(jù)，能夠標(biāo)注醫(yī)療影像數(shù)據(jù)的專家又非常稀缺，時(shí)間成本也很高。為此微軟亞洲研究院嘗試用弱監(jiān)督學(xué)習(xí)的方法，提高可被使用的數(shù)據(jù)量，取得了不錯(cuò)的成效。

張?jiān)洪L(zhǎng)表示，微軟亞洲研究院希望推動(dòng)人工智能的普及化，但這一過(guò)程還需要與各方伙伴合作。他希望合作伙伴一要有豐富的數(shù)據(jù)資源，二要有足夠的耐心和誠(chéng)意。因?yàn)橛萌斯ぶ悄芙鉀Q醫(yī)療問(wèn)題在技術(shù)上可行，但真正落地到醫(yī)院卻是一個(gè)漫長(zhǎng)的過(guò)程。

以下是張益肇院長(zhǎng)的全部精彩演講內(nèi)容，雷鋒網(wǎng)做了不改變?cè)獾恼砼c編輯：

感謝主辦方提供機(jī)會(huì)，讓我介紹微軟在醫(yī)學(xué)影像領(lǐng)域的探索。

我今天的演講分為三部分：首先，介紹機(jī)器學(xué)習(xí)和人工智能在醫(yī)療領(lǐng)域的機(jī)會(huì)；其次，介紹我們過(guò)去使用的一個(gè)算法——弱監(jiān)督學(xué)習(xí)，以及它為什么在醫(yī)學(xué)影像領(lǐng)域特別有效；最后，介紹微軟在醫(yī)學(xué)影像領(lǐng)域的實(shí)踐案例，包括北京、印度和劍橋的同事做的一些案例。

希望今天能通過(guò)很短的時(shí)間給大家一個(gè)印象，讓大家了解微軟對(duì)醫(yī)療的看法，以及人工智能在醫(yī)療方面的應(yīng)用。

人工智能在醫(yī)療領(lǐng)域的機(jī)遇

首先分享一個(gè)好消息。粗略統(tǒng)計(jì)，今天臺(tái)下聽眾本人是90后或孩子是90后的人占到了70-80%。我做醫(yī)學(xué)研究的時(shí)候曾看到這樣一篇報(bào)道說(shuō)，按照醫(yī)學(xué)的發(fā)展速度，2000年左右出生的人，超過(guò)一半壽命將超過(guò)100歲。這將是一個(gè)非常了不起的成就，我非常期待?？吹竭@個(gè)好消息，我非常振奮也很好奇，就去查閱了這篇文章背后的學(xué)術(shù)論文。

我看到一篇2009年在英國(guó)《柳葉刀》雜志上發(fā)表的論文，它標(biāo)題寫的是“未來(lái)的挑戰(zhàn)”。假如未來(lái)超過(guò)一半的人壽命超過(guò)100歲，對(duì)社會(huì)醫(yī)療系統(tǒng)將是非常大的挑戰(zhàn)?，F(xiàn)在人口老齡化已經(jīng)非常嚴(yán)重，通常來(lái)說(shuō)，人的年紀(jì)越大醫(yī)療成本就越高。假如超過(guò)一半人活過(guò)100歲，而我們又沒(méi)有更好的醫(yī)療方法，將給社會(huì)帶來(lái)很大的成本。我們剛開始做醫(yī)療研究時(shí)，美國(guó)每年大約有14%的GDP耗費(fèi)在醫(yī)療上，現(xiàn)在這一占比已經(jīng)上升到了18%，越來(lái)越高了。按這個(gè)趨勢(shì)發(fā)展下去，社會(huì)將無(wú)法承受。我們相信，解決這個(gè)問(wèn)題一定要靠技術(shù)。如果沒(méi)有新的技術(shù)，就無(wú)法給大家提供好的醫(yī)療條件，讓大家健康快樂(lè)地活到100歲。

我舉一個(gè)醫(yī)療領(lǐng)域的例子——病理切片的解讀，這在中國(guó)是一個(gè)特別大的挑戰(zhàn)。中國(guó)每10萬(wàn)人口中只有不到兩位病理醫(yī)生，美國(guó)每10萬(wàn)人中有超過(guò)50位病理醫(yī)生，日本每10萬(wàn)人中也有超過(guò)10位病理醫(yī)生。也就是說(shuō)，中國(guó)的病理醫(yī)生非常缺乏。我們?cè)倏床±磲t(yī)生要做哪些工作：假如一個(gè)人不幸患了肺腫瘤，病理醫(yī)生要把他的切片切成二三十片，然后仔細(xì)觀察其中哪一類是病變的，是什么樣的病變，A、B、C類型病變的百分比各是多少。這個(gè)工作很耗時(shí)間，另外，訓(xùn)練這樣的專業(yè)人才也很困難。假如我們可以用電腦輔助醫(yī)生做這些工作，是不是可以讓他們更加高效？

弱監(jiān)督學(xué)習(xí)

所以我們提出了機(jī)器學(xué)習(xí)，這就帶出了我的下一個(gè)話題——弱監(jiān)督學(xué)習(xí)。為什么要提弱監(jiān)督學(xué)習(xí)？面對(duì)一個(gè)病理切片，我們通常有三個(gè)目標(biāo)——分類、切割或聚類。病理圖片通常很大，一張病理圖片可以達(dá)到5萬(wàn)X5萬(wàn)像素，甚至更大。訓(xùn)練模型有三種方法：一是沒(méi)有標(biāo)簽的訓(xùn)練，這對(duì)病理圖片來(lái)說(shuō)很難；二是弱標(biāo)簽訓(xùn)練，即利用相對(duì)簡(jiǎn)單的標(biāo)簽學(xué)習(xí)；三是帶詳細(xì)標(biāo)簽的訓(xùn)練，比如剛才提到的肺腫瘤的例子，你需要標(biāo)注每一個(gè)腫瘤組織的情況。

下面給大家展示兩張圖片，看看人類是如何學(xué)習(xí)的。

我給幾位醫(yī)生看過(guò)這兩張圖片，他們很快就發(fā)現(xiàn)了其中的差別：上面這張圖片中有兩種魚，除了橘色的小丑魚，還有一種黑白相間的魚；下面這樣圖片則只有小丑魚。使用弱監(jiān)督學(xué)習(xí)的時(shí)候，只要告訴系統(tǒng)這兩張圖片有差別，不需要說(shuō)明差別在哪，讓他自己學(xué)習(xí)就好了。這樣一來(lái)，標(biāo)注的工作就少了很多。

回到病理切片的例子，下面這張圖片中既有癌細(xì)胞又有正常細(xì)胞：上面的是癌細(xì)胞，下面的是正常細(xì)胞。就像前面講的，我們只需要提供這兩類圖片，無(wú)需勾畫所有癌細(xì)胞和正常細(xì)胞的邊界，系統(tǒng)就能學(xué)習(xí)。這樣的好處在于：中國(guó)的病理醫(yī)生很缺乏，讓他們標(biāo)這些圖像的邊界是非常大的工作量而且也很難?，F(xiàn)在只需要標(biāo)出有沒(méi)有癌細(xì)胞，就相對(duì)容易多了。弱監(jiān)督學(xué)習(xí)的優(yōu)勢(shì)就在于在減少標(biāo)注工作量的情況下，更充分、有效地利用數(shù)據(jù)。

這種弱監(jiān)督學(xué)習(xí)的方法我們從2012年就開始使用了，當(dāng)時(shí)還沒(méi)有深度學(xué)習(xí)。下面介紹一項(xiàng)新的研究成果——把弱監(jiān)督學(xué)習(xí)和深度學(xué)習(xí)結(jié)合在一起。大家如果感興趣，可以查閱我們?nèi)ツ?1月發(fā)表的論文。

這個(gè)方法的基本概念是訓(xùn)練兩個(gè)分類器，上面是正常細(xì)胞，下面是有癌細(xì)胞。我們希望自動(dòng)訓(xùn)練分類器，讓它在像素級(jí)別告訴我們一個(gè)細(xì)胞到底是癌細(xì)胞還是正常細(xì)胞。我們統(tǒng)計(jì)出圖片中的細(xì)胞有癌還是無(wú)癌后，再把它放到下圖中的訓(xùn)練方程式里。

下面是一張比較完整的架構(gòu)圖，我們不僅分了好幾層，還用到了Area Constraints。

如果光用剛才講的分類的方法，不管一張圖片中有10%的面積是癌細(xì)胞，還是60%的面積是癌細(xì)胞，它訓(xùn)練的評(píng)價(jià)模式是一樣的。所以它傾向于把越來(lái)越多的細(xì)胞當(dāng)成癌細(xì)胞。我們想，能不能繼續(xù)減少標(biāo)注量，同時(shí)還能得到更好的效果？于是我們加入了Area Constraints。醫(yī)生只需要估計(jì)里面到底有10%、20%還是30%的面積是癌細(xì)胞就可以了，而不用標(biāo)出癌細(xì)胞在哪，這又減輕了工作量。我們讓兩位醫(yī)生標(biāo)注，如果標(biāo)注結(jié)果不統(tǒng)一，再請(qǐng)第三位醫(yī)生來(lái)看哪個(gè)標(biāo)注結(jié)果是正確的。

下圖中的數(shù)據(jù)庫(kù)是我們微軟亞洲研究院和浙大合作的，用一些大腸癌的圖片訓(xùn)練，訓(xùn)練數(shù)據(jù)約有600張，測(cè)試數(shù)據(jù)有兩百?gòu)堊笥摇?/p>

我們用這個(gè)方法實(shí)驗(yàn)，來(lái)看一下結(jié)果。下圖中紅色標(biāo)注的是弱監(jiān)督學(xué)習(xí)的結(jié)果，它的指標(biāo)與人工判別的情況差不多，跟大量標(biāo)注訓(xùn)練的結(jié)果也差不多。我們希望通過(guò)這種方法，用更多數(shù)據(jù)來(lái)訓(xùn)練——原來(lái)只有一兩百?gòu)?，現(xiàn)在可以用幾千張——同時(shí)大幅降低數(shù)據(jù)標(biāo)注的成本。

下圖也展示了我們的成果：第二列是醫(yī)生標(biāo)注的結(jié)果，最右邊一列是我們系統(tǒng)標(biāo)出來(lái)的結(jié)果?？梢园l(fā)現(xiàn)，只要有癌細(xì)胞的地方，系統(tǒng)基本都找出來(lái)了。這是我們2012年還沒(méi)有用深度學(xué)習(xí)時(shí)達(dá)到的效果，這五年里又取得了很多進(jìn)步。

下圖中我們改變了訓(xùn)練的數(shù)據(jù)量，從20%-100%，數(shù)據(jù)越多，效果就越好。

下圖是我們加入Area Constraints前后的對(duì)比。加入Area Constraints之前，系統(tǒng)把大部分細(xì)胞當(dāng)成了癌細(xì)胞，加入之后它把所有正常細(xì)胞和癌細(xì)胞進(jìn)行了區(qū)分。

簡(jiǎn)單總結(jié)一下：我們希望通過(guò)端到端的深度學(xué)習(xí)方法培育這個(gè)系統(tǒng)，幫助在標(biāo)簽有限的情況下，進(jìn)行醫(yī)學(xué)影像的處理、分類和切割。這種方法除了前面提到的大腸癌，在很多其他領(lǐng)域也可以用到，比如肺癌、宮頸癌等。因?yàn)樗鼈兠鎸?duì)的是同樣的問(wèn)題，有很多數(shù)據(jù)需要標(biāo)注。如果能減少標(biāo)注時(shí)間，就能利用更多的數(shù)據(jù)。

合作案例

除此以外，我們微軟亞洲研究院在別的領(lǐng)域也做了一些研究，比如我們和比爾蓋茨基金會(huì)合作的瘧疾方面的應(yīng)用。瘧疾現(xiàn)在仍是全球的一個(gè)大問(wèn)題，每年有七八十萬(wàn)人——相當(dāng)于每天有近2000人死于瘧疾。大家或許感覺(jué)不到，因?yàn)榀懠仓饕l(fā)生在欠發(fā)達(dá)地區(qū)。

比爾蓋茨基金會(huì)和一家廠商合作，開發(fā)了一款很小的設(shè)備，它可以自動(dòng)掃描玻璃膜片，在窮鄉(xiāng)僻壤幫助診斷瘧疾。醫(yī)務(wù)人員只需要抽血做膜片就可以了，不必從膜片中找紅血球和瘧疾細(xì)菌侵入的樣本。這個(gè)系統(tǒng)可以自動(dòng)掃描出有多少紅血球被瘧疾細(xì)菌侵入了，統(tǒng)計(jì)瘧疾細(xì)菌侵入的密度，密度越高表示病情越嚴(yán)重。長(zhǎng)期治療中，我們可以用這種方法觀察密度的變化。如果膜片有很多層，系統(tǒng)還可以自動(dòng)對(duì)焦，看哪個(gè)是最準(zhǔn)的。

下面列舉了一些案例。圖中紅色部分是被瘧疾侵入的細(xì)胞，用肉眼很難看出來(lái)。每天要看這么多膜片，統(tǒng)計(jì)被入侵紅血球的數(shù)量，是一項(xiàng)非常繁瑣的工作。這項(xiàng)工作需要專家來(lái)做，但在非洲和拉丁美洲的偏遠(yuǎn)農(nóng)村，根本不可能找到這方面的專家。所以我們希望通過(guò)這種方法，讓電腦自動(dòng)完成這些工作。

再看一個(gè)腦腫瘤病理切片分析的例子，腦腫瘤病理切片分析也是一項(xiàng)龐大的工作。一個(gè)腫瘤被切除后，需要知道切片中的腫瘤屬于哪一類，這決定了你的預(yù)后處理方式，是觀察、化療，還是放射性治療。病理醫(yī)生需要看切片然后給出建議，這中間存在著兩大挑戰(zhàn)——分類和切割。

一般病理圖片非常大，2014年已經(jīng)有了深度學(xué)習(xí)系統(tǒng)，我們當(dāng)時(shí)決定，不管分類還是切割都用深度學(xué)習(xí)的方法來(lái)做。深度學(xué)習(xí)不需要涉及特征，而是通過(guò)機(jī)器學(xué)習(xí)的方法學(xué)習(xí)特征。我們用到的是遷移學(xué)習(xí)的方法，也就是說(shuō)，特征不是在病理切片等醫(yī)學(xué)影像上訓(xùn)練，而是在ImageNet上訓(xùn)練出來(lái)的。雖然如此，這個(gè)神經(jīng)網(wǎng)絡(luò)還是可以抽取病理圖像的信息，把它送入分類器并分析出來(lái)。

下圖是我們2014年用這種方法獲得的結(jié)果，不管在分類還是切割上都排名第一。當(dāng)時(shí)深度學(xué)習(xí)剛剛出來(lái)，我們?cè)谶@個(gè)課題第一次使用了深度學(xué)習(xí)，而后面幾名都沒(méi)用，可見當(dāng)時(shí)深度學(xué)習(xí)的效果。

作為一家平臺(tái)公司，微軟需要跟不同領(lǐng)域的專家和企業(yè)合作，才能更大程度地發(fā)揮人工智能等前沿技術(shù)的價(jià)值。

下圖介紹了我們和英國(guó)劍橋醫(yī)院的醫(yī)生合作的一個(gè)關(guān)于圖像分割的項(xiàng)目。假如一個(gè)腦腫瘤患者要做放射性治療，第一步要把腫瘤分割出來(lái)，甚至還要標(biāo)出一些正常部位，比如管視覺(jué)或聽覺(jué)的部位。通過(guò)這種方法讓放射性治療更精準(zhǔn)，避免誤傷其他細(xì)胞。

我曾經(jīng)問(wèn)做放射性治療的醫(yī)生，做這件事情要花多長(zhǎng)時(shí)間。他回答說(shuō)，這件工作挺復(fù)雜的，可能需要30分鐘左右。我又問(wèn)，如果病人是你的母親，你會(huì)花多長(zhǎng)時(shí)間。他回答說(shuō)，這種情況可能要花三個(gè)小時(shí)。大家都是人，為什么會(huì)有這種差別？這表明，很多情況下醫(yī)生無(wú)法花那么長(zhǎng)時(shí)間細(xì)致地做這件事。所以，我們希望利用人工智能和機(jī)器學(xué)習(xí)，幫助醫(yī)生更高效地完成工作。

再看一個(gè)微軟與印度合作的案例。我們和印度一家做眼底設(shè)備的企業(yè)合作，檢測(cè)視網(wǎng)膜上的糖網(wǎng)病變，做早期篩查，評(píng)估病變的嚴(yán)重程度。目前全世界有超過(guò)20個(gè)國(guó)家在使用這家企業(yè)的設(shè)備，治愈了超過(guò)20萬(wàn)名病患。美國(guó)FDA不久前剛剛批準(zhǔn)了這類應(yīng)用。我相信國(guó)內(nèi)也有很多合作伙伴在做這類事情。我的看法是，這種技術(shù)多多益善。

我們還和印度另一家機(jī)構(gòu)合作，分析病人是不是有近視，會(huì)不會(huì)轉(zhuǎn)化成嚴(yán)重近視，以及是否會(huì)出現(xiàn)視網(wǎng)膜脫落等。這家機(jī)構(gòu)有很多小孩子在不同年紀(jì)拍攝的眼底照片。我們基于這些照片進(jìn)行機(jī)器學(xué)習(xí)，用算法檢測(cè)他的眼部疾病是否會(huì)繼續(xù)惡化。

除了醫(yī)學(xué)影像之外，還有沒(méi)有別的利用人工智能改善醫(yī)療的機(jī)會(huì)？我這里也有一些案例。

美國(guó)每年有38000人死于交通事故，很多交通意外是由人為因素導(dǎo)致的，所以大家對(duì)自動(dòng)駕駛充滿熱情。如果我們能用自動(dòng)駕駛減少這些人為因素，即使只減少一半，在美國(guó)每年也能挽救近2萬(wàn)人的生命，是對(duì)社會(huì)的巨大貢獻(xiàn)。

美國(guó)約翰霍普金斯的一個(gè)團(tuán)隊(duì)做過(guò)調(diào)查，美國(guó)醫(yī)院里每年有近26萬(wàn)人因?yàn)獒t(yī)療意外（包括交叉感染、意外跌倒等）死亡，是除心腦血管疾病和癌癥之外的第三大死因，致死人數(shù)是車禍的近6倍。如果我們能用技術(shù)減少這種錯(cuò)誤，對(duì)社會(huì)也是巨大的貢獻(xiàn)。

這方面我們也有一些案例。比如，微軟跟巴西一家醫(yī)院合作，通過(guò)視頻分析病人在病床上的行為。如果病人在床上，但是安全柵欄沒(méi)拉起來(lái)，系統(tǒng)就會(huì)發(fā)出警報(bào)，提醒護(hù)士查看。這里又要提到弱監(jiān)督學(xué)習(xí)，因?yàn)橐曨l的數(shù)據(jù)量非常大，如果每一幀都要標(biāo)注，工作量十分龐大。采用弱監(jiān)督學(xué)習(xí)的方法，只要看到病人有沒(méi)有下床就可以了，不用每一幀都標(biāo)注。

未來(lái)，在醫(yī)院的復(fù)雜環(huán)境中，可以通過(guò)計(jì)算機(jī)視覺(jué)判斷更多情況，比如一個(gè)剛剛做完手術(shù)的病人是否走得太遠(yuǎn)了，需不需要人去接他等。通過(guò)這種方法可以減少醫(yī)療意外。

最后快速總結(jié)一下：有人開玩笑說(shuō)，所謂的人工智能是靠大量人工實(shí)現(xiàn)少量的智能，比如做圖片識(shí)別，需要先找大量人對(duì)圖像進(jìn)行標(biāo)注。醫(yī)療影像的標(biāo)注需要專業(yè)知識(shí)，甚至需要幾位專家商量后才能決定怎么標(biāo)，很難找到這么多標(biāo)注人員，標(biāo)注成本也很高。

所以我們希望通過(guò)弱監(jiān)督學(xué)習(xí)的方法提高可被使用的數(shù)據(jù)量，充分發(fā)揮機(jī)器學(xué)習(xí)的能力，構(gòu)建更復(fù)雜和精確的模型。

我案例中提到的很多場(chǎng)景，從病理切片到視頻分解，都可以采用類似的模式來(lái)減少數(shù)據(jù)標(biāo)注工作。關(guān)于這些案例，我們網(wǎng)站上有詳細(xì)介紹，歡迎大家訪問(wèn)瀏覽。

未來(lái)希望能與各地的不同企業(yè)和單位合作，在醫(yī)療領(lǐng)域充分發(fā)揮人工智能的價(jià)值，讓大家可以健康活到100歲。謝謝！

以下是問(wèn)答環(huán)節(jié)的精彩內(nèi)容：

提問(wèn)：您剛才提到用AI攝像頭監(jiān)控病房，目前應(yīng)該只是做行為觀測(cè)，有沒(méi)有更深入一點(diǎn)的，比如分析病人的心跳、呼吸或睜眼等情況？

張益肇：這個(gè)想法很好，需要我們跟合作伙伴一起實(shí)現(xiàn)。你剛才提到的眨眼識(shí)別，我們研究院做了一些表情分析的研究。針對(duì)心理疾病患者，可以通過(guò)表情的變化進(jìn)行分析和監(jiān)測(cè)。

提問(wèn)：微軟在醫(yī)療領(lǐng)域有沒(méi)有用人工智能處理CT或者三維數(shù)據(jù)？

張益肇：有。我剛才提到英國(guó)同事做的腫瘤和健康組織的分割就是三維的。另外，我們?cè)诒本┮苍谧龇谓Y(jié)節(jié)識(shí)別的研究，也是三維的。今天時(shí)間有限所以沒(méi)有介紹。

提問(wèn)：微軟研究院主要做基礎(chǔ)科研，這些技術(shù)能不能對(duì)外合作？

張益肇：可以。我們希望把人工智能普及化，如果有好的伙伴，我們很愿意合作。我們對(duì)合作伙伴的要求是，要有數(shù)據(jù)資源和合理的期望值。因?yàn)楫a(chǎn)品在技術(shù)上是可行的，但真正在醫(yī)院落地是一個(gè)漫長(zhǎng)的過(guò)程。我們希望合作伙伴有真誠(chéng)的意愿和足夠的耐心。

提問(wèn)：您剛剛介紹的案例大部分是在高端私人醫(yī)院或大型公立三甲醫(yī)院。對(duì)于民營(yíng)綜合性醫(yī)院或社區(qū)醫(yī)院來(lái)說(shuō)，醫(yī)療人工智能對(duì)它們有價(jià)值嗎？

張益肇：有。我剛才提到印度的案例，用設(shè)備檢測(cè)糖尿病的發(fā)展情況。在基層和醫(yī)生資源不夠的地方，這種人工智能發(fā)揮的作用更大。我剛才提到的瘧疾的例子也是如此。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。