演讲全文>>
生物医学迎来大数据时代
目前生物医学已经进入大数据时代，如何处理和挖掘每天产生的大量数据，既是今后的研究方向之一，也是对大众有益的一项活动。
通常人们所认为的大数据和实际的大数据并不完全相同。大家可能认为大数据就是数据的量非常大，但实际上这个“大”还包括了很多其他的因素。除了数据量大以外，大数据的存储和处理比较复杂。而最重要的问题是，我们该如何挖掘大数据，获得一定量的知识，使其为我们所用。
我们现在所讲的大数据，已经达到了PB的数量级，也就是十的十几次方。这么大的数据量，我们应该怎么去处理？
医疗大数据有一些自身特性。不仅数量大，我们可以挖掘出很多知识。医疗大数据还具有异构性，即数据结构多样。数据的异构性是很重要的问题，我们今天接触到的录像、成像、声音、文字等等都是异构的。另外，医疗大数据增长快速，每天医院里都会产生很多数据。
所以，如何去处理大量数据的架构的价值很大。我举个例子，我有个学生在上海开了家公司，叫Zilliz。这个公司最近获得了4300万美元的融资来开发数据异构的架构这个软件，目前的进展非常好。
另外，医疗大数据在医疗领域还有很多特性，包括多态性、不完整性、时序性和冗杂性。多态性是指医疗大数据包含纯数据、信号、图像、文字以及动画、语音、视频等多模态数据。
不完整性是指医生掌握的数据往往是不完整的。
持续性是指患者就诊、疾病的病程以及疾病的检查要按照次序进行。比如医生连续三天给病人测了体温，不能颠倒次序，一定要按照次序进行诊断才能预测疾病。
冗杂性是指每天会不断产生无数的就诊数据，肯定会存在无关紧要、甚至相互矛盾的信息。比如医生对病人进行测量后记录了数据，可能护士又记录了一次，这些情况都有可能发生。
所以标准化成了一个问题，实现医疗大数据的标准化具有一定的挑战性。
人工智能助力生物医学大数据研究
那么，人工智能如何助力生物医学大数据研究呢？
实际上，人工智能已经在医学界获得了广泛应用，包括疾病的预测、治疗、诊断和进行精准医疗等。
医疗大数据应用广泛
我们已经在医疗大数据中广泛应用了人工智能。有很多成功典范，例如疾病诊断、生物制药、筛选药物等等。但是，在这其中还存在很多的挑战和问题。
我们今天把AI叫做人工智能，大家可能会认为人工智能是个了不起的东西，但我想告诉大家“人工智能无智能”。这个话说出来不太好听，但实际上正是如此。
当初美国产生了Artificial Intelligence（人工智能），我们把Artificial翻译得好听点叫做人工智能，但也可以翻译为假的或者人造的。如果将Artificial翻译成假的，那么Artificial Intelligence就是假智能，其实就是无智能。
人工智能其实很“笨”
但我认为无智能有一定道理，无智能并不代表没用。为什么呢？因为现在有很多人工智能应用确实很有用。
我先给大家讲一下第一代的AI系统。它是一种简单的指令式，利用知识驱动。比如用专家系统诊断疾病，如果你的舌苔是黄的或者是体温偏高，中医会说你可能是感冒了。这是一种机理，用一种很简单的逻辑来表达问题。
第二代AI系统也称为数据驱动，利用深度学习找到数据背后的函数具有理论的保证。典型的第二代系统就是黑盒子，它很脆弱。第二代AI系统既有优点，也有缺点。
优点在于它能够发现人类没有发现的一些智慧知识，这就是它好的一面。举个例子，我的孩子在两岁的时候，有一天她在地上爬，看见了一只蜜蜂。她就伸手去抓蜜蜂，结果手被蜜蜂蛰了一下变得红肿，起了个大泡，她感觉到很痛。从那之后，她看到蜜蜂就会害怕，这就是一个学习的过程。
AI也具有同样的学习过程。最典型的一个工作是谷歌做的一件事，他们把一万张、甚至一亿张猫、狗的图像放进AI系统。经过学习后，AI系统能够分辨出你展示的东西是猫还是狗，准确率高达90%以上。这就是大数据的驱动，它可以在学习中抓住猫和狗的特征。
那么，第三代AI系统能否结合知识与数据？正如我刚才分享的我女儿的故事，假如在她接触蜜蜂之前，我每天教她这个虫不能碰，教给她知识。她学得很快，也许第一次见到蜜蜂，她就不会碰了。
今天我要讲的，就是如何把知识放进AI系统。也许放一些逻辑和知识，它就能学得更快一点，加快它的学习进程。否则它是在盲目地学，可能学一千次才能学会。
为什么深度学习这么有效？主要来自于三方面：算法的改进，大量数据的产生，以及算力的发展。
我们都知道，几年前AlphaGo打败了韩国围棋高手李世石，大家觉得这很了不得。为什么呢？因为人类这么高的智慧都被机器打败了，好像是了不得的事情。
那我要说一个反话，我觉得没有什么了不得。这不是一个大事情，只是一个小事情。如果你认为这件事了不得的话，那我认为40年前就有一个计算器把人类打败了。
当初计算器计算3399518除以4466777，很快就可得出答案，而几乎没有人能在一秒钟内算出来，这就表示计算机打败了人类。但是这并不意味着人工智能可以真的打败人类，只是因为数据驱动的作用。
ShouZhuo的工作原理
我们在AlphaGo的基础上设计了一个软件，叫做ShouZhuo。它可以打败AlphaGo，我的一个硕士生用了半年时间就打败了AlphaGo。大家可能会质疑，你们难道这么聪明吗，连耗费了大量人力、物力的AlphaGo都打败了？
谦虚地说，我们是站在巨人的肩膀上，按照它的思路，在基础上改进了一点点。我们的成果肯定不如它，如果没有它也就没有我们。
但是，当我们打败AlphaGo，明白这个棋的原理以后，我们发现ShouZhuo里面是无智能的。实际上这很简单，它把5000年来最好的棋都收集起来，没有收集臭棋，臭棋放进去就没意思了。在这之后，我们在下棋时，它会自动与5000年间的棋盘比较，找到一个最有可能打败对方的结构再下棋，所以这里面其实没有什么智能。
唯一的区别在于，人类的大脑不可能记清5000年来所有的棋。即使我们能记忆，也不可能在一秒钟以内提取信息，找到最合适的应对方式。我们人类大脑的处理能力和储存能力较差，AI只是在这些方面略胜一筹，其实没有多少智慧。
正如我刚才谈到的，第三代AI系统要把第一代、第二代融合起来。
第一代AI系统有逻辑和知识。比如第一代AI系统在判断一个人的性别时，如果这个人的头发比较长，或者脸比较白、说话比较轻柔、语调比较高，它会认为这个人是女性，具有女性特征。
第二代AI系统与第一代不同。比如一个空间里有一万个人，它可以通过训练，识别特征，最终分辨出人的性别。
我们现在的目标是将数据和知识进行深度融合，构建第三代AI系统。在数据上，要有归纳能力，能够举十反一。在举了十个长头发女性的例子后，它就能记住长头发可能大多是女性。在知识上，要有逻辑推理能力，能够举一反三。例如舌苔黄了往往意味着会出现病症，血压高可能代表患有病症。
人工智能如何识别猫和狗？
接下来我们做了一些尝试。如何在AI系统中加入先验知识呢？
前面我举了谷歌的例子，他们把上亿张猫、狗的图像录入系统，通过训练，它能预测出我们随机展示的图像是猫还是狗。那么，我们能否把关于猫狗的知识录入系统呢？猫和狗有一个比较明显的区分特征：狗的耳朵往往大一点，猫的鼻子小一点。我们把这个知识嵌入到AI系统，就可以减少一点学习时间，提高一点准确率。这就是我们今后要做的工作。
如果把深度学习比做一个黑盒子，能否在里面加入逻辑来推理猫和狗的特征？这样做起来就比较复杂了。
猫、狗具有不同的特征
首先，我们要对图像进行处理，然后要区别耳朵、鼻子的大小和位置。猫、狗的耳朵和鼻子的大小都是相对的。比如，如果猫的图像大，也许它鼻子的尺寸看起来也会比实际大很多。所以我们要确定一个相对标准，来解决如何确定猫的鼻子小、狗的耳朵大的复杂问题。
我们做了一些先验数据的嵌入工作，我们将下面的两组图像进行对比。
第一组: 无监督分割
第一组图像是无监督分割，不给AI任何知识，让它预测左边这个图像里面有什么东西。我们可以看到AI分割得很差，什么都看不清，只有白和黑。
第二组: 半监督分割
第二组是半监督分割，我告诉它一些知识，再让它进行分割。我告诉它我们的脸是黄色，云是白色，天空是蓝色，再告诉它树的形态一般是青葱的绿树。我们可以看到最终呈现出了清晰的人形。
这说明即使AI在很笨的情况下，如果给了它一些知识，它就可以学得很快。
那我们通过什么方式教给它知识呢？我们叫作interactive，也就是交互式的，一边它自己做预测，一边我们给它指导。通过人机交互能否多给它一些知识，使它学得更快呢？
我们又做了一个实验。现在有0到9共10个数字，这个0不是标准的印刷体，是手写的。假如AI系统经过我们的设计以后，它也能做deep network，即深度学习，可以预测数字。但是这里面有一个问题，AI系统会盲目地学习，导致准确率不高。我在想能不能先嵌入一些知识给人工智能学习，让它学得快一点，从而实现目标。
大家知道数字0、6、9都有个圆圈 ，也就是有圆圈的数字只有0、6、9，这就是知识。假如AI系统检测到数字有一个竖的笔划，就可以判断这可能是1或者4，勉强也可以说是7或是9。那么把这些知识放进系统以后，我们做了实验，发现准确率确实提高了2%到3%。所以我们觉得这是一个非常好的研究方向。
自闭症早筛“三部曲”
接下来我讲一下多模态的数据融合，当今我们的数据都是多模态的。神经网络就是将诸多数据融合后产生一个结果，这就是我们要做的工作。
比如今天我要辨别一个人，我可以通过嗅觉、触觉、视觉、味觉和听觉。我问大家，你们觉得什么样的女性是美女？每个人可能有不同的答案，其实美女的划分有多种评价标准。在日常生活中，我们见到有些女性长得很漂亮，但是一开口可能粗话连篇，我们也就不觉得她美了。同时，嗅觉和触觉也很重要，比如闻起来很香或者皮肤很细嫩。另外，我们认为的好吃的菜一定是色香味俱全的。
举个例子，在今天自闭症的预测是一个很重要的课题。为什么这个课题很重要？因为现在小孩患有自闭症的概率已经达到了大概五十分之一，每50个孩子出生，就有1个患有自闭症。
如果在4岁以前就能预测孩子是否患有自闭症，我们还可以进行人工干预、药物治疗，也可以通过关怀把自闭症孩子培养成一个比较健康的人。
自闭症小孩的家长很痛苦，但是他们不知道如何进行早期诊断。当孩子3岁还不会说话时，家长也不能确定孩子是否患有自闭症。
自闭症预测流程图
我们应该怎么做呢？早期诊断分为三部曲，第一是行为，第二是基因，第三是MRI，即磁共振图像。
行为学比较简单。我希望我们在两年之内开发一个手机软件，家长能够通过上传视频来识别孩子是否患有自闭症。现在我们已经有经费支持，正在着手进行APP研发工作。家长可以在家里录一段视频上传至APP中，它就可以根据录像来判别这个孩子有没有可能患有自闭症。
因为患有自闭症的孩子往往有些特征。比如你问有的孩子：“你的名字叫什么？你今年几岁了？”他会很高兴地立刻回答你。但自闭症儿童有可能会不理你，表情很沉默等等，这些都是从行为学的角度来考虑。
现在也可以根据基因学判断孩子是否患有自闭症。我们通过抽血检验基因，基因里有bio mark，即生物标记。这个生物标记标志着孩子是否有自闭症的倾向，这也是一种可能性。另外，目前我们还可以通过MRI来诊断脑图像里是否有MRI的特征。
我们可以利用行为学、基因学和MRI影像学三管齐下进行协同工作。实际上自闭症的预测还有好几个领域，不止是三管，每一管还可以细分。举个例子，行为学里面可以分为人的表情、动作、语音和发音的程度等等。
通过融合大数据，我们可以得出结论。在实际操作中，做融合大数据存在一个困难，就是数据必须从同一人群中产生。比如，我们用行为学和基因学各测试了200个儿童，包括100个正常的儿童和100个非正常的儿童。这其中存在一个前提条件，行为学和基因学测试的儿童必须是同一群儿童，不同的人就不能融合。但是这件事做起来是很困难的，需要花很多钱，不是每位家长都愿意付出这笔钱参与到这个过程中。
基于人工智能的自闭症早期逐级筛查
今后如果我们想要预测自闭症，可以按照我接下来讲的步骤进行。首先是行为预测，我们下载一个手机软件就可以在家里做。如果觉得自己孩子的行为有点怪，可以用软件进行检测。如果可能性有65%或者更高，可以到医院去做基因检测。如果基因检测的结果显示可能性很大，再用影像学来预测。我们希望做完三部曲，最后的预测准确率能够达到90%以上。
预测准确率是相互补助的，比如行为学的准确率能达到80%，遗传学达到85%，影像学达到89%，这三个融合起来准确率就有可能达到90%，这就是融合的好处。所谓融合就是1+1的效果要大于2，这才能叫巧妙融合，其中需要很多的技巧。
癫痫疾病预测
我们对癫痫也做了预测。第一步利用医生的诊断报告里面的特征。医生告诉我们这个脑图像里有一个黑圈，这个黑圈可能有多大了。第二步用MRI图像。第三步用Functional MRI，即功能性磁共振的图像。
我们在不同的时间做这些，最后发现癫痫预测的准确率达到90%以上，甚至比医生的准确率还高。即使如此，我们也不能使用太多次，因为这还没有达到法律上的效率。家不能理解机器会犯错误，以后还需要法律的规范。
数字技术让生活更美好
最后我讲一下结果解释。什么叫结果解释？今天我让一个黑盒子预测了图像是猫还是狗，我往往想知道它为什么预测图像是猫。我们从AI得到了规则，规则又可以得到很多信息。
举个例子，大家认为什么是制药？生物学家在新冠病毒中发现了S蛋白质，实际上制药就是找到一个大分子，使得大分子与S蛋白质紧密相连，最后杀死新冠病毒。但是找到这个与它匹配并黏合的结构很不容易，所以我们如何通过做基因工程找到这个东西，反向就很重要了。
给出一条线找到曲面很容易，这是预测教育。但是，给出一种形状，要设计一个能产生这种形状的基因是不容易的。在基于AI预测的时候，知道线是如何达到这个结构也很重要。这可以减少生物实验次数，避免重复的劳动。
在一个蛋白质里面，每个氨基酸有20种可能性。假如每个都要做实验，做3个位置的话就要做203次，5个位置就要做205次。实验次数太多了，可能几年都做不完。
如果用AI来预测可能性，预测A到B是没关系的，A到C也是没关系的，我们就可以少做实验。所以解释如何得到结果很重要，我们现在做的实验就是怎么去解释，我们也叫做逆向工程。就是给我一个结构功能，可以是蛋白质，我们怎么找到一个分子使得它能与这个蛋白质很好地黏合，黏合以后就可以杀死它。
实际上计算机辅助制药就是，计算机先对给出的一万种药进行筛选，筛选出几十种有一定概率与特定结构黏合的药。然后再用生物来做实验，检验结果是否相同。
最近，我的同事给我了一个癌症细胞的蛋白质，叫做TIPE2蛋白。据说这是可以杀死癌症的，于是我们根据这个蛋白的框架在三万种药里面进行筛选，筛选出比较相近的、能克服它的药物，最后找到了一百多种。
我们没有这么多钱，只试了前四种。最后发现有一个分子与TIPE2蛋白的紧密度是10-6，这意味着紧密度很高。
下一步我们就要在生物上做实验，成功之后，再在动物上做实验。接下来再做分阶段实验，阶段一是少量的人做实验，阶段二是大量的人做实验，阶段三是大家集体做实验，放到医院去试用。如果第三阶段的实验成功，产生的副作用很小，也能杀死癌细胞，就可以进行制药。
大家可以看到，在制药的前期比较过程中，计算机产生了极大的效应。它先把几千种可能性剔除掉，只剩下几种需要实验，解决了很多问题，使制药厂更加节省经费。
为了应对新冠病毒，我们研制了许多疫苗，这都得益于计算机的辅助数据。AI在生物领域对于生物医疗有很大的应用。
因为大数据，AI给我们带来了很多的便利、功能和好处，但我们不要迷信AI。我们今后的研究方向就是把知识嵌入到大数据。与第一代和第二代相区别，AI系统不是以大数据驱动，也不是以知识驱动，而是兼具知识和大数据的驱动，使得AI系统获得新的生命力。
我的分享到此结束，谢谢大家！
