我覺得有非常多的問題需要解決，比如拿到了資料如何解釋。很多年前我在跟清華的一個教授合作的時候，使用一些醫療的資訊，比如用深度學習去挖掘診脈的資訊，怎麼讓診脈的結果出來之後可以做判斷？之前去拍MI和CT照片的時候，為什麼醫生可以說這樣是有問題的，那樣是沒問題的呢？我相信在當時也是透過資料統計的方法，因為有些病人MI和CT的照片裡面有這樣的情況，所以我們就理解這個地方有這樣的問題。對深度學習或者在醫療行業做medical image來說，解決這個問題很簡單，我們能夠對最後的結果給出一定的解釋。不管是經驗也好，還是怎樣，我們能夠把它還原成類似MRI的照片從而告訴醫生這個地方是有問題的，透過這樣的方式，把可解釋性解決。從另一個方面就是我們的技術還有更多方面需要挖掘，在藥物發現裡面怎麼去做進一步的加速，在診斷系統裡面，怎樣更好的提高系統的準確性等，這些都是未來技術需要去解決的，也需要我們去為之努力。

深度學習不僅對“醫學影象分析”有重大意義，對“醫學影象”本身也將有重大意義。

“醫療領域”外延太大，筆者之前做過在醫學影象領域深度學習的相關調研，也關注行業的前沿發展，分享如下：

2017年一篇綜述論文 A survey on deep learning in medical image analysis. 正好提到了深度學習在醫學影象處理方面的進展和問題。

成功的深度學習方法通常有這樣幾個層面的原因1.很好的利用了該領域的專家知識2.對資料進行了合適的預處理和資料增強處理3.為某個單一任務設計了特殊的網路結構4.使用了合適的超引數最佳化方法（基於直覺調參或者貝葉斯方法調參）醫學影象領域仍有其獨特的困難和挑戰1.缺少（帶精確標註）的大型資料庫2.特定任務需要有領域專家進行指導3.不同專家間的意見也難以一致4.二分類模型過於簡單難以勝任更復雜的情形5.醫學影象資料類別嚴重不均衡6.醫學影象分析的困難還存在於影象分析之外（需要充分利用關於患者的其他維度的資訊，如年齡病史等）7.基於切片的神經網路難以利用原影象中對應解剖結構的位置資訊，但將整張圖片傳入神經網路的做法又有相應的缺點。展望部分2017年Esteva等人在面板病學及2016年Gulshan等人在眼科學方面取得了驚人的進展，在這兩個領域，他們都取得了比人類專家精度更高的圖片分類模型。但是究其成功的本質原因，是因為ImageNet資料集上取得了很好的結果，而上述兩個問題足夠簡單，與ImageNet資料集中的某些自然影象處理問題有類似的結構。得益於ImageNet資料集巨大的資料量，將其中的模型用到上述兩個問題上就取得了非常好的效果。通常情況下的問題並沒有這麼簡單的結構，暫無優秀的可用於3維灰度或多通道影象的預先處理好的網路結構，仍然需要更進一步的工作。

此外，儘管許多的醫學影象分析問題可以被抽象簡化為分類問題，但這並不見得是最優方案，許多好的結果需要透過非深度學習傳統方法“後處理”得到。在2017年前，隨著AlexNet在ImageNet資料集上的大獲成功，湧現出大量有監督學習的深度學習方法在醫學影象處理方面的工作。但無監督學習將成為接下來的趨勢。無監督學習最大的好處是不需要大量精確標註的資料，此外無監督學習模仿了人類學習的方式，我們可能不需要特別的標註就能自動執行需要的任務。藉助極少的監督我們就能處理大量的分類問題。當下主流方法是自編碼VAE和對抗神經網路GAN。與有精確標註的醫學影象相比，沒有標註的醫學影象資料更加容易獲得，而無監督學習可以在這個方面發揮優勢。

結語：深度學習不僅對“醫學影象分析”有重大意義，對“醫學影象”本身也將有重大意義。

延伸閱讀：

該文章於2017年釋出，在 A survey on deep learning in medical image analysis 論文第一節第四段被推薦，可供參考。