2017 AI医学领域的年终总结：进展、问题与趋势
摘要： 本文总结了2017年医学人工智能领域的相关发展，并对自己2016年预测的结果与2017年的实际情况相比对，说明了医学人工智能领域的发展趋势。
在过去的一年里，人工智能在医学行业发展迅速，人工智能也逐渐扩大了相关领域的应用场景。关于人工智能在过去一年的相关重大进展，可以看下这篇《It Was a Big Year for A.I.》。本文主要是对过去的这一年进行一些综述性总结并给出一些大致方向的预测。
从技术方面来讲，科研界决定全面研究生成模型，在无监督学习任务中逐渐取得良好结果。在2017年的初期阶段，我们还遇到关于图像和视频的生成、超分辨率重弄建、自动上色等问题，到年底的时候已经解决了上述的大部分问题。
文本转语音
文本转语音一直是人工智能领域中一个热点关注问题，国内外的科技公司也在发展这方面的业务，比如谷歌、百度、阿里以及科大讯飞等。所遇到的难题是实现仿真原生文本转语音，不仅要发音精准，还要与真人发音类似。
2016年中期，结果如下：
https://storage.googleapis.com/deepmind-media/pixie/us-english/parametric-1.wav（需用外网）
2016年后期，结果如下：
https://storage.googleapis.com/deepmind-media/pixie/us-english/wavenet-2.wav（需用外网）
2017年后期，结果如下：
https://google.github.io/tacotron/publications/tacotron2/demos/bus_nostress.wav
最新进展是谷歌公司借助AI合成的语音系统，已经能够实现仿真原声文本转语音。
图像生成
上图是2016年后期的图像生成，有一些可识别的鸟类，但仍然有许多分辨率低且有些奇怪错误的地方（多余的眼睛、腿等）
上图是2017年后期的图像生成，仍然存在一些小的错误，但总的来说人眼还是很难分辨出谁真谁假。
在医学方面还没有相关的重大突破，生成对抗可能会用来产生数据增强，而且在学习流形数据的边缘方面比单纯的有监督学习更好。但到目前为止，生成对抗在医学方面没有发现存在合适的用途。
超分辨率重建已被用于处理模糊的医学图像，但由于其根据统计数据来完成的图像修复，这让人很怀疑生成的图像能否可靠地被用于医学诊断中。
上述图像是2016年这篇文章中的结果图，使用生成对抗能够在主观上变得更加清晰，但是放大来看，生成的细节文理信息与原来的完全不同。因此生成对抗模型的属性限制了它在医学领域中的应用，不能够保证生成数据与真实数据完全相符。
此外，人工智能在这一年于应用程序方面有了一定的发展，改变了一些领域的工作内容。在商业和消费者层面上有了突破性的发展，比如各大科技厂商推出的智能音箱以及语音助理等方面；在传统层面上也有了一定的快速发展，比如智能农业等。
当然，在2017年的11月4日，第4级别的自动驾驶成为了现实。这意味着在特定情况下，自动驾驶汽车并不需要人类司机的监管。这是一个重大的分水岭，也是人工智能引起的第一次大规模工业化进程中断的起点。
在这一年中，有些研究人员使用机器学习做了一些可笑的事情，这引起了一些争议。因此我们希望人工智能领域所有的研究者在设计课题时应该考虑社会上各个阶层的感受。
以上是关于过去一年的大概概述，现在看看本人在去年的时候预测结果，看下本人是否是专业的“预测帝”。
这是本人在2016年做出的关于2017年中人工智能在医学行业的相关预测，主要分为三个阶段。
阶段I研究是相关概念工作的证明。典型的小型数据集通常具有与临床实践不明确的期望结果，在制药业，第I阶段成功的实验将会有10%的概率转化为相应的产品，平均耗时8年才能进入市场。
阶段II研究是比较严肃性的工作。在大型数据集上，将模型与一些合理的标准进行比较，并在更广泛地应用场景中呈现出可信的结果，这些研究是非常耗时且难以实现的。相关公司在2016年进行了第II阶段的实验——谷歌公司评估视网膜病变。
阶段III的实验才是关键。在大型的随机对照实验中，人工智能系统将作为一种工具应用于实践中。这涉及到第II阶段无法回答的主要问题：如何在实践中使用人类水平或超人类水平的人工智能系统。事实上，目前还不清楚如何将超人工智能系统安全有效低整合到临床工作流程中。
下面是2017年发生的结果：
阶段I：本人预测2017年会出现大量的医学人工智能方面的研究成果。下面是本人从谷歌学术上统计的结果：
2016年：平均每月5-10篇（接近于5篇）
2017年：平均每月10-20篇（接近于15篇）
关于深度学习的科研文献一个重大变化是深度学习开始应用于各个方面，各行各业都在用深度学习解决各自领域的问题，差不多到了一个注水严重的地步。但是我们应该以积极的眼光看待这一点，新的方法出现总会被人开始尝试运用，量变引起质变，推动深度学习的相关研究向前发展。2017年是医生开始认真重视这项技术的一年，专家组会议、大型期刊等都在讨论人工智能，当然也存在许多的反对者，但是在过去的十二个月里，人工智能已经成为了主流医学时代精神的一部分。
阶段II：本人预测2017年会有3-5项第II阶段的医学智能的实验，主要是由相关的工业集团完成。
这一年，《自然》杂志出版了斯坦福大学关于皮肤病的研究成果，但是又缺乏大规模令人信服的实验。最有说服力的研究来自于从病理切片中识别乳腺癌淋巴结转移的大规模竞赛。这篇文中汇集了来自多个参与者的结果，并将它们与人类标准进行了比较。
接下来的两个高质量的研究是使用神经网络检查心脏病心律失常和在MURA数据集上对骨骼放射片子的异常检测，这两个项目都来自于斯坦福大学的机器学习研究组。
其余的是关于检测脑出血、肺炎、髋部骨折等竞赛，这些竞赛都是通过大的训练集上进行试验，这些研究和临床实践之间没有具体的直接关系。
阶段III：本人预测2017年也没有阶段III实验。
在2016年，没有阶段III实验；
在2017年，预测没有阶段III实验；
在2017年，没有阶段III实验；
这也说明，临床实验相当困难，时间和金钱投入相当大。
其它方面
我也在其它的方面对2017年进行了展望，其中一些预言已经被证伪：
1. AR/VR和3D打印在医学领域不会有太大成就。在我看来，这些非常酷的技术在医疗上没有明显的应用场景，现存的大多是一些噱头。可能3D打印出来的骨架或器官能应用于相关移植场景，但离临床应用还有很长的路要走。
2. 1000美元以下的基因组。这取决于你与谁谈价钱，一些廉价部门提供低至450美元的服务。
但从政府公布的相关图表上发现，本人的预测是错误的，价格仍然是在1000美元左右。
3. 生物技术将势如破竹。这个预测可能有些泛泛而谈，但是这种技术的趋势是对的。比如基因疗法已经得到食品药品监督管理局（FDA）的批准，安全有效的基因疗法将在许多方面造福人类，而不仅仅是针对于罕见的遗传病。
4. 医疗应用程序层出不穷。今年的大新闻莫过于市面上出现许多类型的医疗应用程序，比如饮食追踪、运动检测、药物提醒等功能。这些程序不能明显地改变使用者的健康状况，但能记录使用者的相关情况，并提供合理的建议，帮助使用者做出合理的选择。
以上是本文的主要内容，一个关于2017年医学领域人工智能的简介。自我认为自己的预测相当准确，这是由于此项技术是如此的新而且变化的进程也比较慢。明年将会是一个爆发的年份，更难去预测。期待明年的医学领域的人工智能的突破性发展，再见2017年。
作者信息
Luke Oakden-Rayner，放射科医学专家。
本文由阿里云云栖社区组织翻译。
文章原标题《2017 in review: progress, problems, and predictions》，作者：Luke Oakden-Rayner，译者：海棠，审阅：。