肽積木CEO柏文潔：AI 醫(yī)學(xué)影像的三大技術(shù)實(shí)戰(zhàn)、優(yōu)劣與經(jīng)驗(yàn)

本文作者：劉偉

2017-12-13 09:19

導(dǎo)語：盡管面臨諸多挑戰(zhàn)，但AI在醫(yī)療行業(yè)的應(yīng)用前景仍然是潛力無限的。

《未來醫(yī)療大講堂——醫(yī)學(xué)影像專題》第二期總結(jié)文：一個只給醫(yī)療AI從業(yè)者、影像科醫(yī)生、名校師生、CFDA工作人員看的系列課程。

注：120分鐘的視頻信息量巨大，文字僅為冰山一角，強(qiáng)烈建議觀看完整版視頻，請點(diǎn)擊鏈接：http://www.mooc.ai/open/course/349

近日，雷鋒網(wǎng)AI掘金志邀請到了肽積木科技CEO柏文潔，為大家深入講解《AI 醫(yī)學(xué)影像的三大技術(shù)實(shí)戰(zhàn)、優(yōu)劣與經(jīng)驗(yàn)》。

作為一名處在AI醫(yī)學(xué)影像產(chǎn)業(yè)一線的管理者和算法研究者，柏文潔立足實(shí)踐經(jīng)驗(yàn)，在120分鐘的分享里為500多位資深醫(yī)療人工智能專業(yè)人士剖析了醫(yī)療影像AI的實(shí)戰(zhàn)方法與案例，并重點(diǎn)分析了分類網(wǎng)絡(luò)、圖像切割網(wǎng)絡(luò)、GAN網(wǎng)絡(luò)在醫(yī)療影像中的應(yīng)用及其優(yōu)缺點(diǎn)。

柏文潔指出，雖然從邏輯上理解，分類網(wǎng)絡(luò)比較簡單，但從解決問題的角度來說，分類問題是遠(yuǎn)期目標(biāo)，短期內(nèi)難以應(yīng)用。病灶標(biāo)識和視頻跟蹤并不直接對疾病進(jìn)行判別，只是作為醫(yī)生的一種輔助，相對容易實(shí)現(xiàn)，是AI應(yīng)用的中期目標(biāo)。

嘉賓介紹：

肽積木CEO柏文潔：AI 醫(yī)學(xué)影像的三大技術(shù)實(shí)戰(zhàn)、優(yōu)劣與經(jīng)驗(yàn)

柏文潔

柏文潔，北京肽積木科技有限公司創(chuàng)始人&CEO，大數(shù)據(jù)領(lǐng)域的連續(xù)創(chuàng)業(yè)者，知名大數(shù)據(jù)公司信柏科技、時趣互動運(yùn)營核心創(chuàng)始成員。AI算法工程師，獨(dú)創(chuàng)的LP-NET算法在醫(yī)療影像病灶識別方面取得國際領(lǐng)先水平。

課程內(nèi)容：

醫(yī)療影像的常見應(yīng)用問題以及我們應(yīng)該怎么做
醫(yī)療影像應(yīng)用的深度學(xué)習(xí)解決方案
分類網(wǎng)絡(luò)在醫(yī)療影像中的應(yīng)用、優(yōu)缺點(diǎn)及拓展
圖像切割在醫(yī)療影像中的應(yīng)用、優(yōu)缺點(diǎn)及拓展
GAN網(wǎng)絡(luò)的應(yīng)用場景及思考

以下文字為柏文潔課程節(jié)選：

醫(yī)療影像AI的發(fā)展現(xiàn)狀

柏文潔指出，在普通民眾看來，醫(yī)療AI應(yīng)該能替代醫(yī)生，但現(xiàn)有的深度學(xué)習(xí)算法主要還是對傳統(tǒng)方案的優(yōu)化，是一些新的工具。這些新的工具未來有可能發(fā)生質(zhì)變，但還需要我們的共同努力。

AI醫(yī)療影像作為AI切入醫(yī)療的突破口，仍然只是傳統(tǒng)醫(yī)療流程中的一部分，對醫(yī)療影像的判讀是醫(yī)生診斷治療的參考依據(jù)之一。現(xiàn)有的AI醫(yī)療影像還無法構(gòu)成一個閉環(huán)，完成對患者的診斷及治療方案規(guī)劃。因此AI必須先融入到醫(yī)療環(huán)節(jié)之中，才能提升醫(yī)療效率和降低成本。

目前絕大多數(shù)AI醫(yī)療影像創(chuàng)業(yè)公司都是技術(shù)背景出身，融入醫(yī)療環(huán)節(jié)相對比較困難，普遍會遭遇三個問題：

數(shù)據(jù)坎：一方面，創(chuàng)業(yè)公司通過和三甲醫(yī)院合作獲取的數(shù)據(jù)無法直接使用，面臨數(shù)據(jù)標(biāo)記的難題。另一方面，如果創(chuàng)業(yè)公司的產(chǎn)品沒有融入到醫(yī)院的業(yè)務(wù)流程中，就無法獲得長期、持續(xù)、有效的數(shù)據(jù)。

渠道坎：CFDA認(rèn)證是醫(yī)療行業(yè)的一道硬性門檻。雖然近期CFDA對醫(yī)療AI產(chǎn)品有逐步開放的趨勢，但要通過認(rèn)證還是非常困難的，而且過程十分漫長。沒有CFDA認(rèn)證，就無法形成穩(wěn)定的營銷渠道，也很難給渠道商足夠的利潤空間去推廣產(chǎn)品。

硬件坎：在醫(yī)療場景中，很多時候AI必須結(jié)合硬件使用，而且也只有通過硬件，AI才能夠獲取相應(yīng)的價值。目前很多人臉識別廠商已經(jīng)開始做攝像頭之類的硬件產(chǎn)品了。

從更高的維度來說，AI應(yīng)用于診斷環(huán)節(jié)能夠產(chǎn)生的社會價值是低于治療環(huán)節(jié)的。醫(yī)生最關(guān)注的還是如何更加高效地，以更低的成本治病救人。

肽積木CEO柏文潔：AI 醫(yī)學(xué)影像的三大技術(shù)實(shí)戰(zhàn)、優(yōu)劣與經(jīng)驗(yàn)

盡管面臨諸多挑戰(zhàn)，但柏文潔認(rèn)為AI在醫(yī)療行業(yè)的應(yīng)用前景仍然是潛力無限的。現(xiàn)有的傳統(tǒng)醫(yī)療環(huán)節(jié)中，可被AI提升和改造的地方非常多。如果我們能把AI的能力應(yīng)用到這些場景中，將對整個行業(yè)產(chǎn)生極大的提升，正如大數(shù)據(jù)對對傳統(tǒng)行業(yè)所產(chǎn)生的影響那樣。

醫(yī)療影像應(yīng)用的深度學(xué)習(xí)解決方案

柏文潔首先對AI在醫(yī)療影像中的應(yīng)用進(jìn)行了一番梳理。她介紹道，醫(yī)療影像主要有放射性影像（X光、CT、MRI、OCT等），超聲、彩超檢測，病理檢測，內(nèi)窺鏡檢測，高倍拍照（主要針對眼底、皮膚）等幾種類型。

針對這些不同類型的醫(yī)療影像，又主要有分類、標(biāo)記、切割和序列四種處理方式，它們分別對應(yīng)的范圍為圖像、區(qū)域、像素和視頻。以傳統(tǒng)的CAD問題拓展出更好的結(jié)果，這是目前應(yīng)用比較廣的熱點(diǎn)問題。

肽積木CEO柏文潔：AI 醫(yī)學(xué)影像的三大技術(shù)實(shí)戰(zhàn)、優(yōu)劣與經(jīng)驗(yàn)

柏文潔認(rèn)為，雖然從邏輯上理解，分類網(wǎng)絡(luò)比較簡單，但從解決問題的角度來說，分類問題是遠(yuǎn)期目標(biāo)，短期內(nèi)反而難以應(yīng)用。因?yàn)槲覀冏罱K要做的是判斷患者有沒有疾病，而現(xiàn)有的技術(shù)還很難對疾病進(jìn)行非常準(zhǔn)確的判別。

病灶標(biāo)識和視頻跟蹤并不直接對疾病進(jìn)行判別，只是作為醫(yī)生的一種輔助，因此是AI應(yīng)用的中期目標(biāo)。

分類網(wǎng)絡(luò)在醫(yī)療影像中的應(yīng)用、優(yōu)缺點(diǎn)及拓展

分類網(wǎng)絡(luò)應(yīng)用于醫(yī)療影像，優(yōu)點(diǎn)非常明顯——簡單明確而且有很多預(yù)訓(xùn)練結(jié)果?；谶@些結(jié)果可以做進(jìn)一步的預(yù)訓(xùn)練和遷移學(xué)習(xí)。

肽積木CEO柏文潔：AI 醫(yī)學(xué)影像的三大技術(shù)實(shí)戰(zhàn)、優(yōu)劣與經(jīng)驗(yàn)

與此同時，分類網(wǎng)絡(luò)的缺點(diǎn)也很明顯：

一、需要大量的數(shù)據(jù)。即使用遷移學(xué)習(xí)的方法，起碼也需要數(shù)萬量級的數(shù)據(jù)才能做分類。

二、針對小病灶的分類容易產(chǎn)生偏差。過去的分類模型都是對貓、狗等較大的物體進(jìn)行分類，相對比較容易。

三、分類標(biāo)注往往不具備客觀性。如果有解剖金標(biāo)準(zhǔn)做為依據(jù)，分類是比較簡單的，但在實(shí)際應(yīng)用場景中，很多分類標(biāo)準(zhǔn)不具備客觀性，而是受醫(yī)生的個人情況和醫(yī)院的知識傳承影響。

四、可解釋性差。在醫(yī)生給出分類標(biāo)準(zhǔn)的前提下，算法的分類結(jié)果與醫(yī)生可能存在一定的差異，無法令人信服。

圖像切割的應(yīng)用場景

柏文潔認(rèn)為，圖像切割是AI在醫(yī)療影像中應(yīng)用最豐富的場景。因?yàn)獒t(yī)生在診斷和治療過程中經(jīng)常需要將病灶區(qū)域清楚地描繪出來，為后續(xù)提供指導(dǎo)意義和價值。但在一些特殊情況下——尤其是在一些X光片中，邊界非常模糊無法進(jìn)行圖像切割，只好用物體識別的方法。

目前圖像切割的主流做法有三種：編解碼結(jié)構(gòu)、孔洞卷積和條件隨機(jī)場。其中Unet是最主流的網(wǎng)絡(luò)之一，也是首個應(yīng)用于醫(yī)學(xué)案例的FCN網(wǎng)絡(luò)，是深度學(xué)習(xí)用于圖像切割的早期重要論文。

肽積木CEO柏文潔：AI 醫(yī)學(xué)影像的三大技術(shù)實(shí)戰(zhàn)、優(yōu)劣與經(jīng)驗(yàn)

隨著研究不斷深入，Unet也取得了一些最新進(jìn)展：

首先是大內(nèi)核，它解決的核心問題是，在FCN的同時對多個物體進(jìn)行切分，然后進(jìn)行分類。這種情況下，小內(nèi)核對整體信息的把握是不夠的。

其次是PSPnet。PSPnet會把整張圖切成四等份再做pooling，這樣的好處是可以獲取全局的信息。

MaskRCNN也是比較新的，它實(shí)際上整合了物體識別優(yōu)勢和方法。柏文潔表示很看好這種方法，正在積極探索其在醫(yī)療領(lǐng)域的具體應(yīng)用方法。

Unet適用于邊緣明確的組織和病灶，但它也存在一些不足：首先數(shù)據(jù)量嚴(yán)重不足，數(shù)據(jù)標(biāo)記很難獲??；其次病灶類別具有天然的不均衡性。網(wǎng)絡(luò)上的很多公開數(shù)據(jù)庫都是對數(shù)、汽車之類的物體進(jìn)行分割，這類物體在圖片中的占比很高，實(shí)踐起來相對容易。但病灶在圖片中的面積占比通常非常小。以眼底圖像為例，用FCN直接訓(xùn)練眼底圖，一不小心就可能訓(xùn)練成全陰性的網(wǎng)絡(luò)。

GAN網(wǎng)絡(luò)的應(yīng)用場景

今年GAN網(wǎng)絡(luò)十分火熱，不停有人發(fā)布新的GAN網(wǎng)絡(luò)。但GAN網(wǎng)絡(luò)在醫(yī)療領(lǐng)域的應(yīng)用目前還非常有限的。

柏文潔認(rèn)為，GAN網(wǎng)絡(luò)在醫(yī)療領(lǐng)域其實(shí)是有一些應(yīng)用場景的，比如圖像切割和增強(qiáng)樣本。眾所周知，GAN網(wǎng)絡(luò)一半用于生成一半用于判別，比如我們可以用GAN網(wǎng)絡(luò)生成圖片的一部分或者一個眼鏡。圖像的標(biāo)記本質(zhì)上也是一種信息生成，在此基礎(chǔ)上可以做后期溯源。

肽積木CEO柏文潔：AI 醫(yī)學(xué)影像的三大技術(shù)實(shí)戰(zhàn)、優(yōu)劣與經(jīng)驗(yàn)

既然GAN網(wǎng)絡(luò)可以生成圖像和標(biāo)記，那么是不是也可以生成更多的數(shù)據(jù)和病灶，解決數(shù)據(jù)不足的問題呢？

目前業(yè)界正在對GAN網(wǎng)絡(luò)進(jìn)行積極探索，可惜迄今為止在醫(yī)療領(lǐng)域尚未誕生特別有影響力的論文。用GAN網(wǎng)絡(luò)生成的偽樣本還缺少足夠的實(shí)用價值。這主要是因?yàn)榇蠹覍τ贕AN網(wǎng)絡(luò)內(nèi)在機(jī)理的探索還不夠。