盡管基金的交易臺和醫(yī)生的手術(shù)臺完全扯不上關(guān)系，但兩位對沖基金出身的“寬客”卻合力研發(fā)出一種通過核磁共振（MRI）圖像來診斷心臟疾病的程序，使其在全球最難的人工智能競賽中力壓近千只隊伍最終奪魁。

　　根據(jù)英國《金融時報》報道，來自洛杉磯Crabel Capital Management的Tencia Lee（近日跳槽至一家機器人創(chuàng)業(yè)公司）以及來自TwoSigma的QiLiu利用“深度學(xué)習”技術(shù)研制出算法，在去年12月的一場比賽中被初步證實可以通過圖像有效的診斷心臟疾病。

　　根據(jù)美國國家衛(wèi)生研究院首席先進的心血管成像醫(yī)師Andrew Arai的介紹，該程序的判斷能力已經(jīng)與熟練的心血管醫(yī)生十分接近。不夠納入實用的話還需要接受嚴格的測試。

　　在美國每年有100萬患者金融核磁共振檢測，一旦該程序商業(yè)化后，可為醫(yī)生診斷一位患者的時間節(jié)省20分鐘左右。提高診斷效率的同時還可以為患者節(jié)約數(shù)千美元的費用。

　  Tencia Lee表示她和QiLiu使用的是一種名為“卷積神經(jīng)網(wǎng)絡(luò)”的技術(shù)，也是深度學(xué)習的一種結(jié)構(gòu)，模仿人腦對信號處理上的分級邏輯。與其他深度學(xué)習結(jié)構(gòu)相比，其在圖像和語音識別方面能夠給出更優(yōu)的結(jié)果。

　　所謂“卷積神經(jīng)網(wǎng)絡(luò)”是模仿動物視覺系統(tǒng)的信息處理的“神經(jīng)-中樞-大腦”工作過程，是一個不斷迭代、不斷抽象的過程。從原始信號，做低級抽象，逐漸向高級抽象迭代，抽象層面越高，存在的可能猜測就越少，就越利于分類。

　　Lee稱他們二人此前從未接觸過神經(jīng)網(wǎng)絡(luò)相關(guān)的工作，一路上從GitHub（社會化代碼分享社區(qū)）上得到了不少幫助。他們遇到的最主要問題是如何讓機器人的判斷擁有足夠的準確度，隨后這個問題變成如何為神經(jīng)網(wǎng)絡(luò)添加更多病例圖像，讓其學(xué)習并得出改進結(jié)果。

　　“我花了超過3個月的全部業(yè)余時間制作出該軟件，”Lee還表示，該類軟件的出現(xiàn)意味著即便是數(shù)據(jù)背景出身的專家也能解決醫(yī)學(xué)上的難題。

　　本次比賽由硅谷一家名為Kaggle的數(shù)據(jù)科學(xué)平臺主辦，Lee和Liu從993只隊伍中脫穎而出，贏得了總計12.5萬美元的獎金。Kaggle每年出面為替大型企業(yè)舉辦超過50場比賽，其CEO Anthony Goldbloom稱這次比賽是其舉辦過最難的一次，不過比起獎金，贏得比賽后在業(yè)內(nèi)獲得的名聲會更加重要。

　　深度學(xué)習這一概念最近因為谷歌AlphaGo機器人戰(zhàn)勝李世乭九段而被普羅大眾所熟知。除了下棋，實際上深度學(xué)習已經(jīng)引申出了很多具有實際意義的應(yīng)用，比如識別某一個圖片中是否有癌細胞，某一個鐵路沿線上的軌道是否存在磨損，甚至軍事作戰(zhàn)中，對方的視線中是否有坦克，都可以通過深度學(xué)習實現(xiàn)。谷歌的自動駕駛，其中很重要的就是識別道路、交通信號燈、路標等，這都是通過深度學(xué)習獲得。