在平安智慧医疗这支队伍里，有一群很隐没的人。平安智慧医疗AI算法平台部负责人高鹏博士把自己和团队比喻为AI后勤部队，但准确来说，他们更像 “铸剑师”。
医疗AI “铸剑师”
据全球最大的文献摘要与科研信息引用数据库Scopus显示，自2017年以来，AI领域年发表论文数量增长率超过50%。也就是说，约20分钟就会有一篇AI领域论文发表。
除了新技术层出不穷外，论文复现难，以及需要趟各种“坑”的沉没成本，令前线战友们在面临产品节点压力下，无过多精力与新技术“纠缠”。“因此，我们AI算法平台部的职责就是把学术界最前沿的AI研究成果消化吸收改进，铸成简单易用又强大算法工具，放到平台上提供给前线部队。”
高鹏的战术是根据医疗AI模型研发生命周期中的四个关键环节——标注、训练、泛化、部署——入手，打造各种“AI之剑”。
在数据标注阶段，由于深度学习是一种数据驱动的技术，需要大量标注样本。然而样本标注需要耗费大量人力和资金成本;更重要的是，医学样本还需要专业的医学知识。
针对这个痛点，高鹏为队友们提供了基于主动学习(Active Learning)的智能样本标准工具。经过国家肾脏疾病临床医学研究中心病理分析项目的验证，可以减少医生约48%的标准工作量。
在模型训练阶段，训练样本的不均衡问题也是一大痛点。多数项目中，正常样本很多，但罕见的病灶、特殊样本非常稀缺，严重影响了模型的精度。就像精于技艺的匠师，高鹏总能研发出最新的武器来反制对手。基于对抗生成网络(GAN, Generative Adversarial Networks)的样本增广工具，高鹏为队友们造出第二把锋利的“剑”：
类似于谷歌AlphaGo左右互博的原理，针对特定需求算法可以生成以假乱真的样本。平安智慧医疗全球首款智能OCT眼底疾病筛查系统就用到了这项技术。在由复旦大学附属眼耳鼻喉科医院牵头，上海市一院和上海十院共同完成的多医学中心临床验证中，OCT眼底疾病筛查系统在图像质量评价、病灶检测、急迫性判断3项辅助医疗任务中，样本准确率分别达99.2%、98.6%、96.7%。
患者在上海第十人民医院由刘晓强主任进行眼底疾病智能筛查
在模型泛化阶段，“一个非常普遍的问题就是训练数据往往来自特定医院的特定设备，但是产品真正应用的时候会遇来自不同地区、医院、厂家设备的数据，这对模型泛化性能是一个巨大的挑战”。
高鹏出鞘了第三把“剑”——基于Cycle-GAN的模型跨域自适应工具。“我们发现医疗影像中结构信息很关键，因此对Cycle-GAN进行改进，加入SSIM结构保真损失函数，取得了很好的效果。”这项技术，最终帮助平安科技在EAD2019国际竞赛中，夺取了模型泛化任务冠军”。
第四把剑更接近高鹏的理想。在模型部署阶段，如何通过剪枝、量化等模型压缩技术，得到尺寸更小，速度更快的推理模型是核心问题。对此，高鹏和战友们自主研发了一款面向AutoML的深度学习框架SFE(赛飞)AI算法平台，其核心是一种稀疏化(Sparse)的分形结构(Fractal)神经网络，可针对特定问题自动演化(Evolution)。
赛飞到底有多牛?还得拿事实说话。8月初，在国际顶级自然语言处理会议EMNLP举办的COIN 2019文本理解大赛上,平安智慧医疗联合上海交通大学团队又拿下一个世界第一。AskBob文本理解技术和赛飞AI算法平台作为两项核心技术，尤其是后者，帮助平台的并行模型训练将XLNet的训练速度提高了12倍。一场数度和质量的比拼，又以取胜之资完成了较量。
高鹏并不是一个急性子，但是他面对的需求往往都是火烧眉毛的急活，在创新和效率之间他也曾犹豫过，但最终他都会选择一条难走的路，给出他的最佳方案。
|
