雷鸣：这一次人工智能火起来，深度学习功不可没，在图象处理上有一个发展之后，最近一发不可收拾，我想了解一下IBM的研究已经做了十来年了，最近来看深度学习这一项技术在整个医疗领域里面，尤其是医疗科技上，能带来什么样的突破性的发展？这项技术和其他传统的学习算法之间怎么融合，能够推动整个AI+医疗的发展？

　　谢国彤：首先，我觉得就是深度学习在医疗应用的领域，还处在一个开始的阶段，大家比较容易想到的是说把深度识别、深度学习在一些其他领域成功的经验搬到医疗领域里面，所以最直接的就是医疗影像，在医疗影像领域目前用深度学习用的最多的，效果相对来说也是最好的。这可能和影像数据的特征有关系，它从空间上来说是一个比较稀疏的数据。在其他的一些领域，比如说像病例数据领域，是一个非常稀疏的数据。在这样的数据上，深度学习的工作都在尝试阶段。我看到的就是我们自己做的，包括我们看到的一些报道，绝大部分做深度学习的，跟传统的方法比，它的提高都是小数点后第二位甚至第三位上的提高。

　　但是，我觉得深度学习有一个端到端的学习，这是一个非常好的东西，它有一个潜力，可以把多种学习方法融合在一起，这是我们现在看到的一个非常有趣的点，atv，我们可以在这个中间叠加一些其他的，被证明在这上面比较有效的方法融合在一起，这是我个人认为比较有前景的方向。

　　主持人：我们做医疗比较有挑战的就是医学数据的获取，或者说和医院的合作，因为我在美国的时候，关注这个也很久，我在美国，应该是两三年前，当时跟斯坦福的李飞飞教授一起喝咖啡聊发展的时候，她表示对医学这方面也很感兴趣。但是她告诉我说，即便是在斯坦福校内，她如果用斯坦福校医院的数据，也需要申请，也需要通过论证，她说她当时提了一个项目，讨论了一年好像还不行，所以看起来医疗数据的合作的难度还是比较大的。对IBM来说，怎么跟医院打交道？这一块你有什么经验？或者说你对这一块未来发展是怎么看的？

　　谢国彤：你刚才讲的李飞飞所说的过程，所有做医疗研究都要经过这样一个过程，通过伦理委员会，证明说你这个研究是符合伦理的，然后不会侵犯患者的隐私，不会危害到患者的生命安全什么的，医疗跟电商是不一样的，是人命关天的事，这是第一点。

　　第二点，在美国其实有很多数据，因为它的法规比较健全，知道什么是能做的，什么是不能做的，比如说我刚才提到IBM收购了很多数据，那些数据都是合法在使用的，你只要把隐私数据去掉了，这些数据都是可以合法使用甚至交易的。

　　在美国我看到几亿人的保险数据，上亿人的病例数据，这些数据是可以分析的，这是在美国的情况。

　　在中国，我们可以看到，其实传统的医院是信息孤岛，不要说医院和医院之间，比如说301和协和，它的数据肯定是两个孤岛，甚至在一个数据集内部，它的系统都是逐步建立起来的，先建一个挂号系统，再建一个拍片系统，再建一个病例系统，甚至这些系统之间都是孤立的，这都是现状。在国内来看，过去5年，卫计委，就是以前的卫生部，花了很多的力气做系统的联通，在区域级别把大医院、中医院、小医院数据尽可能集中在一起，做了很多数据集成的工作。

　　第三点也是最近的消息，卫计委在江苏和福建两个地方试点国家的大数据中心，从简单的数据采集现在走向了怎么样分析利用这个数据，让这个数据发生价值。所以我的感觉，整个趋势是在往数据越来越集中，然后数据分析的价值越来越被看到和认可这样一个趋势在走。

　　雷鸣：感觉美国刚才如谢老师讲的，有一些法律法规，反正在这个法律法规之上，符合的很容易就可以做了，但是如果想更深一点，估计这个难度就会非常大，需要各种认可，各种签字，中国这一块现在管理相对来讲正在规范化，所以现在，如果致力于做这一块创业或者研究也好，可能更多的还是要跟咱们的医院真正有数据的地方要去做一些合作，能够得到医院某种支持会更好一点。

　　谢国彤：我再补充一点，除了国家在搞国家大数据之外，习大大投了600亿做精准医疗，所以很多医院的大教授、大专家现在有很多兴趣来做这方面的工作。所以其实在中国的很多合作，也是这方面的专家，他们有数据，也积累了一段时间，希望利用一些新的人工智能的方法来发挥数据的价值。