吳恩達的新公司宣布成立快一個月了，一直沒有新動靜。不過從最近幾天他的推特動態上看，未來新公司的研究方向很可能是AI醫療。吳恩達在離開百度後的92天，發布推文宣布成立新公司deeplearning.ai，他並沒有過多透漏新公司的業務發展方向，目前關於新公司的信息也隻是一個域名和公司logo。不過，新公司很可能會進軍AI醫療領域。比如最近推特上的幾條動態，都是關於AI醫療。
從百度離職後，吳恩達博士重新回到斯坦福大學繼續進行學術研究。他所帶領的斯坦福研究人員開發了一個新的機器學習模型，通過心電圖來判斷患者是否心律不齊，其效果甚至已經超過了人類專家。具體研究方法和數據參考論文，文末附論文地址。
傳統檢測心率不齊的辦法是：
病人到醫院做一個心電圖，如果用儀器檢測幾分鍾或十幾分鍾沒有發現問題，但病人又有心律不齊的症狀，醫生很可能會讓病人佩戴一個心電圖檢測器，最長佩戴為兩周。兩周時間，檢測器產生幾百小時的心電圖數據，醫生要一秒一秒地檢查，從中找出患者是否出現了心律不齊。
而吳恩達的研究團隊新研究的方法是：
由於心律信號之間的差異非常細微，病理性的心律不齊和正常的心律不齊在心電圖上表現非常相似，一種需要立即治療，一種則不需要治療，很多專家都很難發現它們之間的微小差別。為了解決這個難題，他們把這看作成一個數據科學問題，最終選擇和可穿戴心電圖檢測設備廠商 iRhythm合作，收集並標注了29163患者的64121份心電圖數據，構建了大規模的神經網絡訓練集。數據集中的心電圖樣本每段30秒，都是經過專業醫生標注的樣本。他們隨後又收集來自328名心律不齊患者的336份心電圖數據，作為測試集。
最後以3名專家診斷的結果為標準，來比較6名心髒病專家識別的正確率和模型的正確識別率，哪一個更高。實驗結果顯示，模型的識別準確率更高。如下圖（滿分為0.8，藍色代表模型識別正確率，黃色為心髒病專家識別正確率。）
吳恩達將這一實驗成果分享出來後，很多小夥伴在評論區表示祝賀，豎大拇指，可以說是振奮人心。
可是醫生們慌了，國外有一位放射學專科醫生給吳恩達發送了一封郵件，信上是這樣寫的：
我是一名已經接受三年專業訓練的放射科醫生，我應該放棄專業或做別的事情嗎？放射科技師還有多久會被替代？
吳恩達並沒有直接給他答案，而是分享了自己一些想法：
一個新科技的出現要掐著時間，不能太早也能太晚。比如說iPhone，2007年才是它發布的正確時間，而不是在1993年，因為那時的芯片，電池，屏幕技術還沒到位。
另外一個極端的例子是達芬奇發明直升機，他發明直升機的時間是1480年代，而飛機引擎技術在1900年代才出現。
還有自動駕駛技術，2007年研究自動駕駛技術還太早，因為AI要用到的傳感器還沒生產出來。2015年以後，整個自動駕駛的生態係統才算比較完善。
同樣在1990年代，網絡，視頻流還不足以支撐慕課問世，到2011年，整個網絡基礎建設才為在線視頻教育提供了較好的環境。
深度學習也是，90年代數據/計算比較小，淺層算法效果更好。從2007開始，有了大數據做基礎，深度學習才取得了更好的效果。
但是，我們還是要感謝曆史中所有的革新者，包括早期的那些人，他們的工作對後來的發展進步也非常具有影響和幫助。
從吳恩達給這位放射科醫生的回複來看，雷鋒網認為現在AI技術在醫療讀圖上，還處於發展階段，短時間還不能完全替代放射科醫師。
其實在這位放射科醫生問吳恩達這個問題之前，吳恩達在接受華爾街日報記者Jason Dean采訪時已回答過類似的問題。
Jason Dean: 來做一個預測，我九歲的雙胞胎跑過來告訴我他們長大後想做什麼職業。我應該告訴他們，什麼工作在他們長大後就可能已經不存在了呢？你之前提到過放射線技師，別的還有嗎？
吳恩達：如果你有朋友或小孩在醫學院學習，坦白說，AI在醫學影像分析上正在取得更好的效果。所以，如果你有朋友去讀醫學院，並且從放射影像學畢業，我認為他作為放射線技師的職業生涯可能隻有五到十年。
吳恩達博士最後還給大家留了一個小小的懸念：我有一些想法是關於2017可能會是哪些領域的關鍵年，請保持關注。
從吳恩達博士最近發的推特動態，以及對這位醫生的回答來看，可以看出他對AI醫療有著濃厚的興趣。他離開百度後曾說過，"我並不知道自己具體將要做什麼，但是我認為AI不僅為百度這樣的大公司提供了機遇，也同樣為創業公司和基礎研究提供機遇。有很多垂直領域令我感到興奮，我對醫療領域和教育領域都極其感到興奮——這些是AI大有可為的主要領域。"期待Andrew Ng在一個多月後向大家公布新公司研究領域。
論文下載地址：用卷積神經網絡做專家級心律不齊檢測
相關文章
没有评论:
发表评论