AI有望讓腫瘤細胞無處遁形　　本報記者 李惠鈺 　　如果腫瘤細胞剛剛生成，就可以被精準地揪出來，那將給腫瘤的診斷和治療帶來巨大變革。而要想實現這一點，成像方式就必須具有極高的靈敏度。 　　近日，中科院自動化研究所、中科院分子影像重點實驗室在基于人工智能（AI）技術的新型成像方法研究上獲得了突破性進展——研究人員將小鼠顱內腦膠質瘤的三維定位精度，由傳統方法的百微米級誤差縮小到了十微米級，為疾病動物模型乃至臨床患者的影像學研究提供了全新的思路。相關研究論文已發表于《光》期刊。 　　圖像不是憑空得到的，而是成像設備獲得的，傳統方法往往不能提供最好的成像質量。在人類認知圖像之前，在成像信號轉化為圖像的過程中，會損失很多關鍵信息，人工智能技術可以突破這一瓶頸。論文第一作者、中科院自動化研究所副研究員王坤告訴《中國科學報》，通過建立新的AI模型，把原始的物理信號轉化為更加精確、更高分辨、更少偽影、更高信噪比的高質量圖像，無論是人腦還是機器腦，都可以更好地識別、認知和學習，這就是此項研究帶來的最本質的創新。 　　一項極具挑戰性的工作 　　腫瘤的早期發現並不容易，特別是某些惡性腫瘤，潛伏期甚至長達20年，當身體發出警報時，往往已經走到了中晚期。如何實現早期微小腫瘤的精準檢測，及時觀測到腫瘤細胞剛出現時產生的某些特異性蛋白、□甚至RNA，一直是科學家探索和研究的方向。 　　不過，在現實的物理世界中，能夠提供如此高靈敏度的成像媒介並不多。王坤坦言，目前公認最好的是高能伽馬射線和無輻射的光子，但是基于伽馬探測的放射性核素成像成本高，難以普及；光學成像成本低廉，但大都是二維圖像，缺乏三維信息。 　　我們用人工智能解決的就是光學成像難以三維定量的問題。王坤說，也就是既可以高靈敏度地看到有沒有腫瘤，是哪種分子類型的腫瘤，還可以高精確度地知道腫瘤在哪裡，有多大規模。 　　王坤提到的光學成像是指生物自發光斷層成像技術，該技術是生物醫學成像的重要手段，廣泛應用于疾病動物模型的影像學研究。然而，由于光子在生物體內具有非均勻化的高散射和高吸收的物理特性，通過探測動物體表的發光光斑來逆向重建出生物體內的光源位置（即腫瘤位置），是一項極具挑戰性的工作。 　　清華大學醫學院生物醫學工程系研究員羅建文告訴《中國科學報》，此前，

多倫多藍鳥

光學斷層重建問題大多是基于模型的方法，包括正問題和逆問題的求解。正問題的求解一般是利用輻射傳輸方程或者擴散方程等模型來模擬光子在組織體中的傳播過程，進而得到系統矩陣；逆問題的求解大多採用一些優化方法，來獲得體內光源的具體信息，如位置、形態、強度等。 　　然而，這種基于模型的方法，勢必會受到模型近似的影響，導致重建精度降低。羅建文強調。據了解，

小昆凌

正問題和逆問題求解的兩種誤差疊加在一起，最終導致光學斷層成像對于動物體內腫瘤的三維定位具有數百微米到1毫米的誤差。 　　機器學習帶來突破 　　為減少誤差，王坤所在團隊提出基于機器學習的AI重建：完全舍棄構建前向模型去描述光子在生物體內的傳播，通過構建大量的仿真數據集，在仿真數據上確定動物體表的光斑和體內的光源，再通過該數據集訓練計算機智能化學習體表光斑和體內光源的非線性關系，從而構建出適用于生物自發光斷層成像的AI模型，最終三維重建活體動物荷瘤模型內的腫瘤三維分布。 　　此項研究首次將機器學習中的多層感知機方法應用于光學斷層重建，並且提出了自己的數據集構造方法，實現了直接由數據到結果的跨模型創新框架，使得重建定位誤差縮小到傳統方法的十分之一，同時這也提示了可以用人工智能方法去解決光學斷層重建問題。羅建文評價道。 　　不過，王坤強調，生物自發光斷層成像涉及到腫瘤細胞的基因編輯和改造，所以只能用在動物身上，不能用于人體，但是他們發展出的基于AI的光學三維重建方法具有推廣性，理論上可以用在其它光學分子影像的成像技術上，例如激發熒光成像、近紅外成像等等。因此，該方法本身具有很好的臨床轉化應用能力。 　　數據收集與分析面臨挑戰 　　機器學習的基礎是數據，而對于生物醫學成像來說，構建大數據集是非常困難的事情。 　　比如我們的這個研究，構建了近8000個腦膠質瘤荷瘤的小鼠模型來訓練我們的機器學習模型。如果真的讓生物學家去一個個構建原位腦膠質瘤小鼠模型，需要很長時間，並投入巨大的人力和財力，是非常不切實際的。王坤說。 　　我們構建的仿真數據，達到了非常高的精度，

即時比分

很好地模擬了現實的腫瘤動物。王坤表示，他們用生物學家構建的真實腦膠質瘤小鼠來驗證訓練出來的人工智能模型是否精確可靠，最終結果表明，新型人工智能方法對于腦膠質瘤的三維定位誤差均小于80微米，而傳統方法的定位誤差為350微米以上。 　　不過，在實際臨床應用中，數據的收集和解析並不容易。羅建文表示，機器學習特別是深度學習，最重要的就是數據，包括數據的質量和數量。目前在醫學成像領域，雖然收集到大量的數據比較容易，但是這些數據被標記後才能用于建模，

震動盤

受個體差異影響很大。由于不同醫生的診斷結果不同，數據的質量會受到影響，用它訓練出的網絡就會存在問題。 　　同時，羅建文表示，在診斷、治療、預後等一系列環節中，對于一些疾病的定性描述，不同的醫生也存在很大的自由度，很難統一說法；不同品牌甚至同一品牌但不同型號的醫療設備採集到的圖像，也存在較大差異。這些不統一的數據，

小昆凌

都會影響深度學習的分析結果。 　　還有一個重要的因素就是模型的因果性和可解釋性。羅建文強調，醫學與人的生命息息相關，所以做任何一件事都要有理有據，都要有因果推論的關系。但是，做機器學習模型時，很容易陷入直接對相關性進行建模的陷阱。相關性建模涉及的兩個因素未必有直接的因果關系。得出的模型，如何解釋其結果的意義，是一個很難處理的事情。 　　臨床任重道遠 　　在羅建文看來，深度學習擅長處理的就是高維度、稀疏的信號，圖像就是這些信號中一種有代表性的形式，因此，AI在醫學影像處理上的應用必然是一個熱點方向。 　　醫學影像處理的典型問題包括影像分類、目標檢測、圖像分割和影像檢索等，都能對應到日常臨床應用裡的一些痛點或比較浪費人力的問題。羅建文建議，影像醫師應該投入到AI技術的學習和應用中，AI技術也許很快就能協助影像醫生完成一部分工作，

HY娛樂

也有潛力使現有的工作得到提升。 　　不過，上海中醫藥大學附屬曙光醫院放射科主任詹鬆華站在醫生的角度表示，AI在發現病變方面肯定大有作為，但是代替醫生來處理，很難。發現病變特點，然後區別正常和異常，到底是炎症還是腫瘤，最終還是由醫生來做診斷。 　　詹鬆華認為，AI用于生物醫學影像的方向是對的，但是目前需要更多的科研投入，需要將醫師和工程師很好地整合起來，AI人士需要傾聽臨床的聲音，了解醫生的切實需求。另外，AI解決假陰性率是關鍵，要提高AI機器判斷的確定性，從而為醫生省時節力。　　在很長一段時間裡，關于機器人的自主邏輯推算程序，各國的研究進程還是比較緩慢的。而從現實角度來說，擁有高度自主邏輯運算能力的機器人，在實際功用角度來說更為優越。美國普利斯頓大學物理系教授傑森·培塔就曾指出：如果想要讓機器人事業更為繁榮，就必須提升它們的智能化程度。研發人員應該做的，不單單是如何創建編程，而是給這些編程建立一個共享中樞，使得所有機器人都有加載新型編程的機會。培塔教授的觀點可以說是一語中的，

小昆凌

他想要尋找一個關于提升機器人邏輯運算能力的便捷通道，而這一點在近期也被證實是可行的了。 　　2014年1月，荷蘭埃因霍溫理工大學的工作人員初步建立起了一個關于提升機器人智能水準的機器人互聯網體系。這一項研究課題的核心發起人是勒內·範德莫倫哥特，在他的推動下，包括埃因霍溫理工大學在內的5所高校，與飛利浦公司一同展開了項目攻堅。 　　在範德莫倫哥特的構想當中，機器人互聯網需要一個超級雲端服務器，然後由研發人員將機器人和服務器相連。這樣能使每一個連接了服務器的機器人，通過上傳和下載，復制到服務器當中的有效信息。比如說，一名機器人的中樞管理器被寫入了關于烹飪的程序，那麼它就會將這一道程序上傳到機器人互聯網當中，而其他關聯了機器人互聯網的機械智能體，也就能自主加載這一程序，從而達到快速提升自身智能化程度的目的。 　　範德莫倫哥特的構想得到了歐盟的大力支持，因為就目前看來，各類智能機器人雖然層出不窮，但是在實際應用範圍上，卻功能過于單一。機器人互聯網體系的建設，

多倫多藍鳥

正好可以解決這一難題。在過去的幾年時間裡，歐盟組織一直在向這個項目提供資金和技術支持，而範德莫倫哥特和他的團隊，也確實正在接近這一目標。 　　根據對外公布的信息顯示，工作人員組織了4名機器人，讓它們去給躺在床上的病人送水。包括這名病人在內，所有參與實驗的機器人都配備了特殊裝置，使得它們能夠與雲端存儲系統交互信息。實驗開始後，一名機器人將病房地圖和病人方位上傳到了機器人互聯網，其他機器人則順利通過數據共享功能了解到了整個病房的詳細信息，然後按部就班地完成了研究人員交代的任務。 　　很顯然，範德莫倫哥特主導的實驗是成功的，在機器人互聯網的指揮調度下，每一位機器人都發揮出了自己的功效，任務執行得有條不紊且合情合理。對此，範德莫倫哥特進一步補充說道：以往人類研究出的機器人，大都只能執行某一項單獨的任務。而制造一個能夠適應多種工作內容的高智能機器人，又需要工程師填寫大量的編程代碼，這既浪費資源又消耗時間，我們開發機器人互聯網技術，讓這些關聯了互聯網的機器人可以加載到其他人的功能，並且根據外因變化自主更新本體數據庫，這一點非常重要。 　　這就是說，在機器人互聯網體系的支持下，新一代機器人將擁有強大的學習能力。在同一網路之中的機器人，可以自主學習到其他機器人擁有的功能。更重要的是，這些機器人還會自主上傳數據，不斷更新上級服務器當中的存儲內容。這樣一來，單一機器人能夠掌握的技能將是非常可觀的，那麼它們的適用範圍和實際功用也將獲得極大提升。正如範德莫倫哥特所說的那樣，在同一網路內，只要有一名機器人學會了駕駛汽車，那麼其他機器人都會復制這一程序，進而擁有駕駛技能。 　　聽起來，機器人互聯網技術的研發和推廣，將會從根本上解決現有機器人的智能化問題。但是從另一個角度來講，這樣一種技術的應用是要慎重的。因為就機器人本身而言，它們是缺乏主觀甄別能力的，一旦上級服務器當中出現了更高級別的程序源，它們便會將這個程序加載下來，

539走勢圖50

替換掉舊程序。很顯然，這樣一個過程是存在諸多漏洞的。比如說黑客入侵問題，機器人互聯網數據更新職權問題，以及機械體內存容量問題。 　　（1）黑客入侵。這恐怕是機器人互聯網當中最大的隱患了。假如有不速之客利用技術手段取得了對機器人的支配權，然後再將這道程序復制到網路內部其他機器人身上，那麼他就可以在短時間內擁有一支強大的機器人軍隊。假如類似的事情一旦出現，那麼對于人類文明，很可能是一次滅頂之災。 　　（2）機器人互聯網數據更新職權。這是應該被明確限定的話題。在範德莫倫哥特的構想當中，每一個機器人實際上都可以對上級服務器當中的數據進行讀取替換。這樣做的好處是很明顯的，但與此同時，我們也應該看到，信息源的不同，勢必會對整個數據庫帶來諸多麻煩。比如針對同樣的任務，阿拉斯加州的機器人上傳了一種解決程序，馬薩諸塞州同時也有另外一種解決程序上傳，這顯然是不合理的。 　　（3）機械體內存容量問題。針對此，業內人士是持觀望態度的。因為就目前看來，即便是再高明的設計師，也不能設計出擁有無限存儲容量的機器人。那麼，在網路暢通的環境下，

英超

上級服務器可能會不停地更新和收發新的數據資源，貪婪的機器人自主加載網絡程序，那麼被核心芯片損毀，也就是可以預見的事情了。 　　針對上述質疑，範德莫倫哥特也提出了自己的觀點。他說道：對于機械智能體的互聯網安全問題，這不是我們的研究方向。但是我認為以上擔憂都是不必要的。我們的計算機也是和網絡相連的，並不是每一台機器都會受到病毒的幹擾。更何況，在涉及人類安全的問題上，聯合國會出台相應的政策措施來規避風險，所以我不認為這是一個多麼棘手的問題。如果機器人互聯網真的實現了，那麼一定會有世界最頂級的科研團隊專門進行全天候監控，因為這將是地球上的絕密任務。按照範德莫倫哥特的觀點，掌控機器人數據更新的中央服務器，是應該由全世界一流的科學團隊管理掌控的，這些人負責機器人網路的安全以及日常更新問題。 　　總體而言，機器人互聯網技術的深度開發，對于智能機器人的實際功用是有極大推動意義的。機器人之間互相學習，毫無疑問是一種快速提升機械智能體聰明程度的便利通道。在這一過程中，或許存在著不小的危機和隱患，但是每一種高端技術的開發和使用，尤其是涉及未來人類安全的話題，都會配備嚴格的安防措施。一旦機器人互聯網真正走入人類生活，那麼它的核心技術必然是絕密的。，