新火種
2025-01-25 
從計(jì)算機(jī)視覺(jué)走向醫(yī)療AI，對(duì)話上海交大謝偉迪：定義問(wèn)題比解決問(wèn)題更重要
HyperAI超神經(jīng)與上海交大謝偉迪教授進(jìn)行了一次深度訪談，從其個(gè)人經(jīng)歷出發(fā)，他向我們分享了從計(jì)算機(jī)視覺(jué)轉(zhuǎn)型 AI for Healthcare 的經(jīng)驗(yàn)心得，同時(shí)深入剖析了該行業(yè)的未來(lái)發(fā)展趨勢(shì)。
2012 年，在傳說(shuō)中的「末日之年」，移動(dòng)互聯(lián)網(wǎng)迎來(lái)了爆發(fā)期。隨著 3G 網(wǎng)絡(luò)的普及、智能手機(jī)價(jià)格下探，加之微信、米聊為代表的類通信應(yīng)用以及電商、支付類的迅速崛起，該領(lǐng)域?qū)崿F(xiàn)了新一輪增長(zhǎng)。作為各類創(chuàng)新應(yīng)用的基礎(chǔ)，通信產(chǎn)業(yè)發(fā)展前景一片向好。
「我當(dāng)時(shí)的理解是：通信技術(shù)成熟度已經(jīng)很高，中國(guó)在技術(shù)上也走在了世界前列，各國(guó)間主要的爭(zhēng)議更多的是通信協(xié)議問(wèn)題，這已經(jīng)超出了技術(shù)范疇」，彼時(shí)的謝偉迪在北京郵電大學(xué)完成了 4 年的本科學(xué)業(yè)，站在人生的分岔路口，他坦言「并不是十分喜歡這個(gè)專業(yè)，當(dāng)然也有可能，是沒(méi)學(xué)明白」。
隨即，他選擇了出國(guó)深造并轉(zhuǎn)換賽道，先后在英國(guó)倫敦大學(xué)學(xué)院 (UCL) 與牛津大學(xué) (University of Oxford)，完成了計(jì)算機(jī)視覺(jué)領(lǐng)域的碩士及博士、博士后的學(xué)習(xí)與工作，并于 2022 年歸國(guó)加入上海交通大學(xué)，將其在計(jì)算機(jī)視覺(jué)領(lǐng)域的積累帶入醫(yī)療人工智能，嘗試開(kāi)辟新的戰(zhàn)場(chǎng)。
可以說(shuō)，謝偉迪教授從通信向計(jì)算機(jī)視覺(jué)，以及從計(jì)算機(jī)視覺(jué)向醫(yī)療人工智能的兩次轉(zhuǎn)身，亦是兩個(gè)重要節(jié)點(diǎn)，抉擇上的猶豫、攻堅(jiān)新領(lǐng)域的挑戰(zhàn)、成果面世后的成就感，皆是其履歷上的閃光點(diǎn)。
近日，HyperAI超神經(jīng)有幸與謝偉迪教授進(jìn)行了一次深度訪談，從其個(gè)人經(jīng)歷出發(fā)，他向我們分享了從計(jì)算機(jī)視覺(jué)轉(zhuǎn)型 AI for Healthcare 的經(jīng)驗(yàn)心得，同時(shí)深入剖析了該行業(yè)的發(fā)展趨勢(shì)。
通用醫(yī)療 AI 系統(tǒng)可以產(chǎn)生「智能涌現(xiàn)」
「很多人不理解我為什么要做通用醫(yī)療人工智能系統(tǒng)，明明特定的疾病診療模型具備更高的實(shí)用性」。在大模型賦能各行各業(yè)的今日，專用和通用一直是業(yè)內(nèi)討論的重點(diǎn)。專用模型能夠在特定領(lǐng)域表現(xiàn)出更高的精確度和實(shí)用性，但泛化能力有限。通用模型的廣泛知識(shí)面可以聯(lián)通不同領(lǐng)域，但在特定領(lǐng)域的能力往往比不上專有模型。
在謝偉迪看來(lái)，專用模型和通用模型均有自己的優(yōu)劣，「但開(kāi)發(fā)通用醫(yī)療 AI 系統(tǒng)是我們必須要做的事」。他認(rèn)為，通用意味著模型可以建立不同模態(tài)數(shù)據(jù)之間的隱層聯(lián)系，從而產(chǎn)生所謂的「智能涌現(xiàn)」，這對(duì)疾病診斷是至關(guān)重要的，尤其是成因沒(méi)有很明確的疾病。舉例來(lái)講，針對(duì)肺炎 A 和肺炎 B 的分類問(wèn)題，如果用圖像和文本去訓(xùn)練，即可以在底層串聯(lián)這些多模態(tài)數(shù)據(jù)，識(shí)別兩種肺炎癥狀的相同點(diǎn)和不同點(diǎn)，達(dá)到分類目的，然而，只用圖像訓(xùn)練，網(wǎng)絡(luò)不一定能學(xué)到這種關(guān)系。「所以說(shuō)，從 Science Discovery 的角度來(lái)看，通用模型的價(jià)值很大」。
想要構(gòu)建一個(gè)多模態(tài)的通用醫(yī)療模型，就要盡可能全面的將醫(yī)學(xué)知識(shí)注入其中。然而，醫(yī)療領(lǐng)域的數(shù)據(jù)存在倫理、安全、質(zhì)量等多方面因素的影響，一般很難獲取使用。為了應(yīng)對(duì)這個(gè)挑戰(zhàn)，謝偉迪選擇的做法是：把計(jì)算機(jī)視覺(jué)中的數(shù)據(jù)收集方法遷移到醫(yī)療領(lǐng)域，即從互聯(lián)網(wǎng)上爬數(shù)據(jù)。「當(dāng)然，我們知道，這種做法訓(xùn)練出來(lái)的大模型無(wú)法得到臨床實(shí)用，但可以更好地培養(yǎng)人才，鍛煉團(tuán)隊(duì)處理大數(shù)據(jù)的能力，比如收集、整理、清洗數(shù)據(jù)」。
舉例來(lái)講，團(tuán)隊(duì)匯集了超 3 萬(wàn)本醫(yī)學(xué)書(shū)籍，全面爬取了 PubMed Central 中 400 萬(wàn)篇醫(yī)學(xué)文獻(xiàn)，還收集了互聯(lián)網(wǎng)上中文、英語(yǔ)、俄語(yǔ)、日語(yǔ)等 8 個(gè)語(yǔ)種的醫(yī)學(xué)論文、書(shū)籍，并將它們轉(zhuǎn)換為能夠訓(xùn)練語(yǔ)言模型的語(yǔ)料。
團(tuán)隊(duì)構(gòu)建的數(shù)據(jù)集
進(jìn)一步地，對(duì)互聯(lián)網(wǎng)上公開(kāi)的圖像-文本數(shù)據(jù)進(jìn)行挖掘，匯聚了超過(guò) 25 萬(wàn)的 3D 掃描，以及百萬(wàn)以上的 2D 醫(yī)學(xué)論文圖像。此外，為了訓(xùn)練通用分割模型，團(tuán)隊(duì)還對(duì)市面上可獲得的近 120 個(gè)放射學(xué)影像公開(kāi)的分割數(shù)據(jù)集進(jìn)行了標(biāo)準(zhǔn)化處理，含超 3 萬(wàn)個(gè) 2D/3D 影像和百萬(wàn)級(jí)的像素級(jí)標(biāo)注，覆蓋了常見(jiàn)的各種放射學(xué)影像模態(tài)，例如，MR、CT、PET。深知醫(yī)療數(shù)據(jù)集對(duì)醫(yī)療 AI 研究的關(guān)鍵作用，團(tuán)隊(duì)將獲取的大部分?jǐn)?shù)據(jù)集進(jìn)行開(kāi)源。
在構(gòu)建通用模型時(shí)，團(tuán)隊(duì)希望將獲得的所有多模態(tài)數(shù)據(jù)聯(lián)合訓(xùn)練，包括影像、文本、基因組學(xué)、ECG 信號(hào)等，并以影像上的病灶定位、文本級(jí)的診斷與報(bào)告作為最基本的輸出形式。訓(xùn)練過(guò)程中，醫(yī)學(xué)知識(shí)的嵌入也是實(shí)現(xiàn)通用功能中必不可少的一環(huán)。「這是因?yàn)椋t(yī)院里諸多科室的任務(wù)不同，醫(yī)生往往更關(guān)注自己的部分，我們希望通用模型能夠覆蓋全部的檢查信息，處理任務(wù)時(shí)形成一步一步的思維鏈，完成鑒別診斷等任務(wù)」，謝偉迪介紹道。
多模態(tài)通用 Al 醫(yī)療大模型構(gòu)想
當(dāng)導(dǎo)師「兩不管」時(shí)，默默積蓄力量
如前文所述，開(kāi)發(fā)通用醫(yī)療 AI 系統(tǒng)時(shí)，謝偉迪的做法是將計(jì)算機(jī)視覺(jué)領(lǐng)域的方法搬到醫(yī)療領(lǐng)域，這是因?yàn)椋饲八鴱氖掠?jì)算機(jī)視覺(jué)研究近 10 年，擁有深厚的知識(shí)積累。然而，最初選擇該專業(yè)，對(duì)他而言卻是「陰差陽(yáng)錯(cuò)」。
本科的時(shí)候，謝偉迪就讀于北京郵電大學(xué)。「因?yàn)閷?duì)通信不感興趣，所以我的本科成績(jī)很差，擔(dān)心自己找不到工作，才選擇出國(guó)留學(xué)」，他笑言。
2012 年，謝偉迪進(jìn)入英國(guó)倫敦大學(xué)攻讀計(jì)算機(jī)視覺(jué)方向的碩士。這一次，他找到了感興趣的方向，并對(duì)學(xué)業(yè)異常認(rèn)真，「我的導(dǎo)師覺(jué)得我挺適合做這方面的科研，就建議我讀個(gè)博」。他那時(shí)面臨的問(wèn)題是，由于英國(guó)的博士獎(jiǎng)學(xué)金極少，是否要為了繼續(xù)深造而選擇自費(fèi)讀博。「導(dǎo)師把我推薦到了牛津大學(xué)，這樣即使需要自費(fèi)，這筆投資也更有價(jià)值」。
幸運(yùn)的是，2014 年，為了更好地推動(dòng) AlphaGo 項(xiàng)目，DeepMind 決定加大對(duì) AI 領(lǐng)域的人才培養(yǎng)，并和牛津大學(xué)合作開(kāi)設(shè)獎(jiǎng)學(xué)金，謝偉迪正是首屆 Oxford-Google DeepMind 全額獎(jiǎng)學(xué)金的獲得者。雖然 DeepMind 的近 100 萬(wàn)元獎(jiǎng)學(xué)金及時(shí)解決了他的經(jīng)濟(jì)壓力，但他真正面臨的問(wèn)題是，兩個(gè)導(dǎo)師的放養(yǎng)態(tài)度差點(diǎn)讓他沒(méi)辦法畢業(yè)。
「讀博的時(shí)候，我有兩位很強(qiáng)的導(dǎo)師。一位是計(jì)算機(jī)視覺(jué)領(lǐng)域的 Andrew Zisserman 教授，他是皇家科學(xué)院的院士，也稱得上是 CV 領(lǐng)域的奠基人之一；另一位是研究醫(yī)療影像的 J Alison Noble 教授，他是皇家科學(xué)院和工程院的兩院院士。當(dāng)時(shí)他們都認(rèn)為我會(huì)更多參與到對(duì)方的研究中，這導(dǎo)致我處在了兩不管的境地」。謝偉迪當(dāng)時(shí)所在的牛津大學(xué)視覺(jué)幾何組 (VGG) 因開(kāi)發(fā)卷積神經(jīng)網(wǎng)絡(luò) VGGNet 而備受矚目，組內(nèi)成員普遍在國(guó)際學(xué)術(shù)界上享有極高聲譽(yù)，而他不僅要面對(duì)同期伙伴均快速提升的落差感，同時(shí)還要不斷挖掘新的研究課題。
受 AlphaGo 的影響，當(dāng)時(shí)深度學(xué)習(xí)一度爆火，謝偉迪也對(duì)生成式模型等產(chǎn)生了濃厚興趣，然而，他的導(dǎo)師 Andrew Zisserman 教授則更傾向做「非熱點(diǎn)但更有價(jià)值」的研究。「開(kāi)周會(huì)的時(shí)候，我的同學(xué)可以向 AZ 匯報(bào)每周的工作進(jìn)度，但我往往是拿一堆 paper 進(jìn)去，又拿著一堆新的、要讀的 paper 出來(lái)」。與此同時(shí)，由于英國(guó)對(duì)醫(yī)療影像數(shù)據(jù)的控制非常嚴(yán)格，沒(méi)有數(shù)據(jù)就無(wú)法開(kāi)展研究，在另一位導(dǎo)師 J Alison Noble 那里，他也無(wú)法得到反饋。「截止畢業(yè)的前一年，我只發(fā)了一篇 Workshops 論文，我向兩個(gè)導(dǎo)師反饋，再這樣下去怕是畢不了業(yè)」。
正所謂塞翁失馬，焉知非福。由于多個(gè)選題被導(dǎo)師否定而無(wú)法實(shí)施，空閑時(shí)間他幾乎閱讀了那個(gè)時(shí)代計(jì)算機(jī)視覺(jué)領(lǐng)域的全部論文，這種積累也為他的未來(lái)科研奠定了堅(jiān)實(shí)的基礎(chǔ)。正如他所言，「我當(dāng)時(shí)覺(jué)得，只要是導(dǎo)師能確定了我的 topic，我?guī)滋炀湍茏鐾辍埂?/p>
2018 年，在兩位導(dǎo)師的支持下，謝偉迪分別在計(jì)算機(jī)視覺(jué)、醫(yī)療圖像等方向發(fā)表論文 7 篇，順利畢業(yè)。AZ 也認(rèn)可了他的實(shí)力，邀請(qǐng)他繼續(xù)攻讀博士后，專門做計(jì)算機(jī)視覺(jué)方向的研究，直到 2022 年回國(guó)。
謝偉迪畢業(yè)照
知識(shí)是計(jì)算機(jī)視覺(jué)與醫(yī)療的最本質(zhì)區(qū)別
家庭與工作的平衡點(diǎn)困擾著無(wú)數(shù)人，謝偉迪也是如此。「選擇回國(guó)是一個(gè)很突然的決定，雖然已經(jīng)留在牛津，也看到了助理教授 offer 的機(jī)會(huì)，但我逐漸意識(shí)到，那里的環(huán)境并不適合我繼續(xù)深入研究，另一方面，作為一位新手父親，我當(dāng)時(shí)的經(jīng)濟(jì)和精力都不足以支持家庭」。
在筆者看來(lái)，謝偉迪身上有一種獨(dú)特而鮮明的性格，除了科研看重的謙遜務(wù)實(shí)之外，更多了一份果敢。決定回國(guó)的想法一出，他立馬聯(lián)系國(guó)內(nèi)高校，沒(méi)有考慮「海外優(yōu)青」之類的帽子，也沒(méi)有考慮「貨比三家」，只把簡(jiǎn)歷投給了上海交通大學(xué)，并順利入職。
謝偉迪在交大上課
有趣的是，上海交大的張婭老師扮演了他入職過(guò)程中的「HR」，而和張婭老師相識(shí)，源于一篇發(fā)表的期刊論文。「2018 年的時(shí)候，張婭老師和她的學(xué)生想復(fù)現(xiàn)我曾發(fā)表的醫(yī)療影像相關(guān)論文，就加了我的微信」。正是這個(gè)契機(jī)為他后續(xù)歸國(guó)鋪就了橋梁，將簡(jiǎn)歷發(fā)給張婭老師后，他很快得到回復(fù)，「幸運(yùn)的是，學(xué)校很快就推進(jìn)了整個(gè)過(guò)程」。
入職上海交大之后，除了繼續(xù)原有的計(jì)算機(jī)視覺(jué)研究，他開(kāi)始深耕醫(yī)療人工智能。「我當(dāng)時(shí)想嘗試一下 AI for Science 的研究，因?yàn)閷?duì)醫(yī)療健康接觸的比較多，也感興趣，就選了這個(gè)方向」。
值得一提的是，2022 年，恰逢 ChatGPT 出現(xiàn)，謝偉迪決定從語(yǔ)言入手，放棄當(dāng)時(shí)備受追捧的醫(yī)療影像輸入。「我認(rèn)為醫(yī)療與計(jì)算機(jī)視覺(jué)之間最本質(zhì)的區(qū)別就是知識(shí)，因?yàn)獒t(yī)學(xué)更多的講究尋證，而且有著系統(tǒng)且規(guī)范的知識(shí)，但視覺(jué)領(lǐng)域的醫(yī)療影像很難將知識(shí)嵌入模型」。在他的設(shè)想中，團(tuán)隊(duì)可以將醫(yī)學(xué)知識(shí)嵌入到語(yǔ)言模型中，隨后將視覺(jué)模型與語(yǔ)言模型對(duì)齊，就能將醫(yī)學(xué)知識(shí)傳遞給視覺(jué)模型了。
筆者認(rèn)為，或許是受到 Andrew Zisserman 教授的影響，在謝偉迪的身上，我們能深刻感受到他對(duì)科研的敏銳直覺(jué)，正如他對(duì)自己導(dǎo)師的評(píng)價(jià)：「AZ 的很多 topic 并不追求短期熱點(diǎn)，而是著眼于長(zhǎng)期的價(jià)值」。比如，在開(kāi)發(fā)視覺(jué)-語(yǔ)言模型 PMC-CLIP 時(shí)，由于很多研究都是首次進(jìn)行，團(tuán)隊(duì)的學(xué)生并不能完全理解這個(gè)項(xiàng)目的意義——為什么要把互聯(lián)網(wǎng)所有的論文爬下來(lái)？為什么要提取圖像和注釋來(lái)訓(xùn)練模型……「甚至在提交論文時(shí)，MICCAI 還差點(diǎn)拒稿」。
然而，過(guò)了一段時(shí)間后，視覺(jué)-語(yǔ)言模型突然火爆，PMC-CLIP 模型也被 MICCAI 評(píng)為「Young Scientist Publication Impact Award, Final List」，成果也被認(rèn)可。「我最初也很難說(shuō)服我的學(xué)生這項(xiàng)研究到底有什么用，可能我比較幸運(yùn)，選擇的 topic 恰好是后來(lái)大家感興趣的事」。
在訪談中，謝偉迪教授多次提及「幸運(yùn)」——被牛津大學(xué)錄取是幸運(yùn)；首批獲得 Oxford-Google DeepMind 獎(jiǎng)學(xué)金是幸運(yùn)；回國(guó)后順利入職上海交大是幸運(yùn)；研究方向與技術(shù)路徑的選擇亦是幸運(yùn)……但在筆者看來(lái)，運(yùn)氣大多都不是空穴來(lái)風(fēng)，或許是曾經(jīng)一個(gè)舉動(dòng)埋下的伏筆，又或許是久而久之的積累蓄力推動(dòng)了當(dāng)下的正確抉擇。
定義問(wèn)題比解決問(wèn)題更重要
值得一提的是，謝偉迪曾慶幸「自己選擇的 topic 恰好是后來(lái)大家感興趣的事」。但筆者認(rèn)為，研究課題的選擇恰恰反應(yīng)了團(tuán)隊(duì)帶頭人在該領(lǐng)域的獨(dú)到觀察，而謝偉迪將其表示為「定義問(wèn)題」，在他看來(lái)，定義問(wèn)題比解決問(wèn)題更重要，只要一個(gè)有意義的問(wèn)題被定義下來(lái)，后續(xù)會(huì)有無(wú)數(shù)的人跟進(jìn)和解決。因此，我們需要思考，在當(dāng)下的這個(gè)階段，什么問(wèn)題是最值得讓模型去解決的？這點(diǎn)很重要。
進(jìn)一步地，當(dāng)我們解決問(wèn)題時(shí)，「人才-數(shù)據(jù)-算力」更是缺一不可。
當(dāng)前，AI4S 的發(fā)展尚在初期，AI 從業(yè)者在模型構(gòu)建和框架優(yōu)化上更占優(yōu)勢(shì)，Science 從業(yè)者則更擅長(zhǎng)精準(zhǔn)定位垂直領(lǐng)域的科學(xué)問(wèn)題，雙方也一直在探索一種普適的合作模式。在這方面，謝偉迪團(tuán)隊(duì)選擇與上海交大醫(yī)學(xué)院的很多老師和同學(xué)們進(jìn)行合作，充分利用其醫(yī)學(xué)領(lǐng)域的專業(yè)知識(shí)，讓他們擔(dān)任顧問(wèn)角色，幫助團(tuán)隊(duì)判斷研究方向是否具備實(shí)際的醫(yī)學(xué)價(jià)值。此外，他們還充當(dāng)「質(zhì)檢員」的角色，負(fù)責(zé)抽樣數(shù)據(jù)的質(zhì)量，確保數(shù)據(jù)的干凈程度達(dá)到 90% 或以上。
與此同時(shí)，隨著團(tuán)隊(duì)建設(shè)的逐步完善，學(xué)生們已熟練掌握網(wǎng)絡(luò)數(shù)據(jù)爬取技術(shù)，下一步面臨的問(wèn)題是，互聯(lián)網(wǎng)數(shù)據(jù)資源接近枯竭。在這方面，團(tuán)隊(duì)希望與醫(yī)院合作，獲取更高質(zhì)量的醫(yī)學(xué)數(shù)據(jù)，嘗試讓模型進(jìn)行落地。謝偉迪強(qiáng)調(diào)，「知識(shí)驅(qū)動(dòng)」或「數(shù)據(jù)與知識(shí)聯(lián)合驅(qū)動(dòng)」，比單純的「數(shù)據(jù)驅(qū)動(dòng)」更重要，因此，團(tuán)隊(duì)希望將醫(yī)學(xué)知識(shí)置于核心位置，和隊(duì)友們一起解決更有實(shí)際意義的問(wèn)題。
值得一提的是，長(zhǎng)期以來(lái)，醫(yī)療 AI 的可解釋性一直是醫(yī)生們的「心頭大病」。對(duì)此，謝偉迪認(rèn)為，如果 AI 的性能足夠強(qiáng)大，在診斷準(zhǔn)確性上超越頂尖醫(yī)生，可解釋性將不再是問(wèn)題。例如，Google 推出的 Med-PaLM 2 模型在美國(guó) USMLE 執(zhí)業(yè)醫(yī)師資格考試中已取得 86.5 的高分，此外，他們的團(tuán)隊(duì)也曾連續(xù)推出醫(yī)療大語(yǔ)言模型 PMC-LLaMA、MMed-LLaMA，視覺(jué)-語(yǔ)言模型 MedVInT、RadFM ，通用分割模型 SAT 等，多個(gè)模型被行業(yè)視為 baseline，并在 NPJ Digital Medicine、Nature Communications、ICCV、ECCV、NeurIPS、MICCAI 等知名期刊/頂會(huì)上發(fā)表，這些成果的迭代速度正在逐步改變醫(yī)生對(duì) AI 的看法，建立高質(zhì)量的合作關(guān)系將未來(lái)可期。
而在算力資源、資金保障方面，上海交通大學(xué)也為團(tuán)隊(duì)的前期研究和未來(lái)成果轉(zhuǎn)化提供了全方位支持，學(xué)院不同團(tuán)隊(duì)之間也在積極探討合作機(jī)會(huì)，學(xué)術(shù)氛圍濃厚。
做有價(jià)值的研究
在與謝偉迪教授的交流中，他多次提到，希望做些有價(jià)值的研究。在他看來(lái)，團(tuán)隊(duì)以往的研究只能算是「學(xué)術(shù)界的一個(gè) toy 原型」，小模型想要實(shí)現(xiàn)最終落地必須要進(jìn)一步 scale up。他希望，這些原型能夠給其他研究人員甚至工業(yè)界提供參考，告訴大家需要用什么樣的數(shù)據(jù)、如何處理數(shù)據(jù)、怎么構(gòu)建和訓(xùn)練模型、以及如何設(shè)定 instruction 等。
未來(lái)，團(tuán)隊(duì)計(jì)劃構(gòu)建面向臨床的 super instruction，將醫(yī)生感興趣的 100 余個(gè)任務(wù)整合訓(xùn)練，讓模型專注于解決實(shí)際臨床需求。對(duì)此，他評(píng)價(jià)：「?jìng)鹘y(tǒng)語(yǔ)言模型多用選擇題來(lái)評(píng)估，但與醫(yī)生交流時(shí)會(huì)發(fā)現(xiàn)，他們并不關(guān)心選擇題得分有多高，而是更在意模型是否能夠解決實(shí)際問(wèn)題，比如勝任臨床任務(wù)等」。
另外，團(tuán)隊(duì)已經(jīng)開(kāi)始下沉至基因組學(xué)、DNA、RNA 和氨基酸等層面的相關(guān)研究，突破過(guò)去依賴圖像和文本的局限，他們希望為罕見(jiàn)病診斷和新藥研發(fā)等創(chuàng)造更多的可能性，期待他們的未來(lái)成果。
本文來(lái)自微信公眾號(hào)“HyperAI超神經(jīng)”，作者：十九
Tags:
相關(guān)推薦
- 免責(zé)聲明
- 本文所包含的觀點(diǎn)僅代表作者個(gè)人看法，不代表新火種的觀點(diǎn)。在新火種上獲取的所有信息均不應(yīng)被視為投資建議。新火種對(duì)本文可能提及或鏈接的任何項(xiàng)目不表示認(rèn)可。 交易和投資涉及高風(fēng)險(xiǎn)，讀者在采取與本文內(nèi)容相關(guān)的任何行動(dòng)之前，請(qǐng)務(wù)必進(jìn)行充分的盡職調(diào)查。最終的決策應(yīng)該基于您自己的獨(dú)立判斷。新火種不對(duì)因依賴本文觀點(diǎn)而產(chǎn)生的任何金錢損失負(fù)任何責(zé)任。
