雷鸣：看来正好是风口，我们接着去探讨这个事情，我这一块也做了一些研究，像医疗数据，整个来讲，它的整体的质量，相对比较差一点，说实话我看过一些病例系统，它的记录、自然语言很不完善，有时候甚至找一些更高级的医生看，记录还发现有很多不一错误的地方，我们叫质量比较低的数据，就是说IBM在做的过程中，或者说您个人对这种情况，对往后的研究有什么样的建议？

　　谢国彤：这一块关于医疗数据质量问题，我稍微多说两句，因为我打交道的医疗数据比较多，医疗数据中有质量好的，也有质量差的，影像数据相对来说是质量比较好的，因为国内一般用的都是国外的标准，影像数据的质量反而比较好。有一些数据像病例数据，像疾病登记库的数据，比如说中风或者高血压、糖尿病权威机构、国家什么中心，他花很大的力气经过三五年搜集的数据，这样的数据一般在三五万人，每个患者都在1500到2000个变量，这些数据质量也非常高。

　　还有一类是医疗保险数据，医疗保险数据它的质量也很好，因为它很连续，不管在A医院看还是B医院看，最后通过医疗保险把所有的数据都关联起来了，这是它的优点。

　　相对来说病例数据又再细分住院和门诊病例，住院数据是质量比较高的，因为很多医生的科研是基于住院病例上面再加工，所以他会花很多力气，包括很多医学院的学生下午的时候在住院科录病例，这些数据质量都比较高，真正病例比较差的是门诊病人，每个病人不超过5分钟，医生没有时间录这个数据，医生也不觉得这个数据有价值。

　　数据质量确实是良莠不齐的，一开始做这个方面要训练一个好的数据集和一个好的问题，如果一开始选了一个特难的问题，选了一个特烂的数据集，可以保证你不会有特别好的结果，可能是你的问题和数据集没有选对。

　　回过头来再讲针对大量吸收的数据，其实目前也有一些技术上的探索，就像是做数据的萃取，传统在统计里面有数据补全的方法，对缺失的数据进行补全，医生觉得你补了之后不可信，现在有很多强调数据萃取的方法，怎么样给你一百万的数据，能不能提炼出10万人是连续性比较好的数据。这里面其实还和目前比较火的GAN网络有关系，现在有一些人在尝试，这个数据甚至是生成的数据，但是我用这个数据是从上百万、上千万数据中间学习出来的一个数据的分布，有了这个数据分布之后生成的数据，用这个数据去训练模型，甚至可以训练出来一个靠谱的模型，所以有很多人在做这方面的尝试，选择好的数据集，同时咱们国家自然的数据质量也在提高。

　　另外一点，也有一些技术的手段，可以再弥补一些数据质量的缺失。

　　雷鸣：好，刚才提到的就是我们现在超级火的对抗生成。再问一个问题，医疗这个事情，因为我们很多做技术的小伙伴，创业的时候经常说，有这么一个事情，几个人就去做了，包括拿几个数据集做做做，医疗的事情最后总要落地的，一落地就要到行业，一到行业突然就发现两眼一抹黑，你在这个领域做了很久，能不能大概讲一下一个医疗科技最后能真正的去服务大众造福百姓，这个路径大概是什么样子的？中间有哪一些挑战哪一些门槛，给想做探索的同学一些借鉴。

　　谢国彤：其实医生是一个非常严谨的一个群体，他们每天面临的是生与死的抉择，让他们变得非常谨慎，任何一个新的技术想推进到医疗领域的话，一定要有一个非常严谨的过程，一步一步得到医生的信任。我之前听到他们讲一个故事，医生花了一百年时间才接受了听诊器作为医疗的设备。

　　从目前来看，基本上这是有一个过程的，第一步你可以基于一些不管公开数据集还是通过跟医生合作，基于一些历史数据可以进行一些建模，不管你做什么，首先证明你这个模型在历史数据上是可以工作的，这是第一步。