編者按：7月12日-7月14日，2019第四屆全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR 2019）于深圳正式召開。峰會(huì)由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）承辦，深圳市人工智能與機(jī)器人研究院協(xié)辦，得到了深圳市政府的大力指導(dǎo)，是國(guó)內(nèi)人工智能和機(jī)器人學(xué)術(shù)界、工業(yè)界及投資界三大領(lǐng)域的頂級(jí)交流博覽盛會(huì)，旨在打造國(guó)內(nèi)人工智能領(lǐng)域極具實(shí)力的跨界交流合作平臺(tái)。

7月14日，華南理工大學(xué)醫(yī)學(xué)院副院長(zhǎng)，廣東省人民醫(yī)院影像醫(yī)學(xué)部主任兼放射科主任梁長(zhǎng)虹發(fā)表了主題為《醫(yī)學(xué)影像從CAD走向AI——做正確的事情》的演講。

梁教授在演講中表示，基于深度學(xué)習(xí)的算法給醫(yī)療行業(yè)的發(fā)展帶來了很多好處。例如，檢測(cè)算法將解決“大海撈針”的搜索問題，發(fā)現(xiàn)乳腺鈣化和肺結(jié)節(jié)；配準(zhǔn)和分割工具將減輕單調(diào)的測(cè)量和繪制肝轉(zhuǎn)移瘤的時(shí)間進(jìn)程；解剖測(cè)量應(yīng)用程序?qū)⒗L制器官體積的正常范圍；而分類程序?qū)⒂兄诮鉀Q診斷難題。

因此，人工智能把放射科醫(yī)生的認(rèn)知領(lǐng)域提升到了一個(gè)更高的水平，讓醫(yī)生在與人工智能算法和患者合作解釋圖像時(shí)，發(fā)揮判斷力、創(chuàng)造力和同理心。

如今的人工智能工具已經(jīng)獲得了監(jiān)管部門的批準(zhǔn)，這是基于它們?cè)谏贁?shù)健康領(lǐng)域的表現(xiàn)。也許這些新的人工智能方法的增加精度將減少假陽性，有利于提高醫(yī)師的效率。算法或模型的通用性使放射學(xué)的多樣性實(shí)踐仍然是一個(gè)懸而未決的問題。

借用一些時(shí)新的人工智能應(yīng)用案例，梁主任也提出，距離人工智能真正替代醫(yī)生的部分工作還有很長(zhǎng)的距離。例如，數(shù)據(jù)的結(jié)構(gòu)性、模型的可解釋性等等就是很大的問題，這也是目前面臨的挑戰(zhàn)之一。

“做醫(yī)療是要有溫度的，要有情感交流。這就涉及到人文，也涉及到醫(yī)者和患者兩個(gè)方面，也是AI最終要解決的，也可能是AI最難解決的?！?/p>

以下為梁長(zhǎng)虹主任的現(xiàn)場(chǎng)演講內(nèi)容，雷鋒網(wǎng)作了不改變?cè)獾木庉嫾罢恚?nbsp; 

梁長(zhǎng)虹：首先要感謝雷鋒網(wǎng)的邀請(qǐng)。我的題目是“醫(yī)學(xué)影像從CAD走向AI——做正確的事”。

機(jī)器人會(huì)不會(huì)思考？如果看一本書《穿行者》，這個(gè)問題一百年前就有人說了，說這個(gè)話的人是拜倫的女兒納夫萊斯。要問機(jī)器能不能思考，圖靈獎(jiǎng)獲得者說，就像問潛水艇會(huì)不會(huì)游泳一樣，所以就不要問同樣的問題。

我是一個(gè)醫(yī)生，很夢(mèng)想人工智能幫到我們。上世紀(jì)90年代就有一篇文章支持人工智能輔助我們決策，這篇文章提出的時(shí)間是1994年，但是1994年并沒有解決。

當(dāng)然，今天科技的發(fā)展也有長(zhǎng)足的進(jìn)步。我們可以看到，機(jī)器學(xué)習(xí)解決了很多科學(xué)上的問題。我前段時(shí)間參加一個(gè)智能城市建設(shè)論壇，論壇講到了無人駕駛。

我的夢(mèng)想是無人駕駛明年可以實(shí)現(xiàn)，他們告訴我五到十五年之后可以實(shí)現(xiàn)，才可以在大街上跑。他說的對(duì)不對(duì)，我們不知道，但是人工智能在非醫(yī)療行業(yè)確實(shí)取得了非常多的成功，我們希望在醫(yī)學(xué)上也可以取得成功。

2016年，我們?cè)卺t(yī)學(xué)上做了很多事情，機(jī)器學(xué)習(xí)可以幫助放射科醫(yī)生、病理學(xué)家做很多簡(jiǎn)單重復(fù)的事情。深度學(xué)習(xí)的大牛Hinton先生曾說，不要培養(yǎng)放射科醫(yī)生了！

最近涌現(xiàn)出了很多新型的人工智能算法，促使人們反思過去的人工智能為什么未能實(shí)現(xiàn)其目標(biāo)？如今有人工智能工具已經(jīng)獲得了監(jiān)管部門的批準(zhǔn)，這是基于它們?cè)谏贁?shù)健康問題診治方面的表現(xiàn)。

所以，我們看到這些算法還有很多問題懸而未決，在座各位可能比我更加清楚。是不是這么回事？這位Hinton又寫了一篇文章，把自己否定了，說還是不能離開醫(yī)生，需要與醫(yī)師合作，作為工具幫助醫(yī)生做事。

所以，實(shí)際上最重要的是我們要去參與人工智能的發(fā)展，要正確地理解它和研究它，而不要去阻止它。

大家可以看這幅圖文，這是1865年英國(guó)的“紅旗法案”。當(dāng)年英國(guó)人不希望汽車替代馬車，規(guī)定汽車在郊區(qū)跑時(shí)速不超過4英里，在市區(qū)跑時(shí)速不超過2英里。規(guī)定一個(gè)舉紅旗的人跑在前面，限制汽車的速度，最后使得英國(guó)的汽車行業(yè)現(xiàn)在比日本等要落后一些。

要將人工智能與我們放射科醫(yī)生的工作相結(jié)合，首先我們要知道放射科醫(yī)生的工作特性是什么。放射科醫(yī)生是新技術(shù)的弄潮兒，放射科醫(yī)生能夠用最新的機(jī)器、最新的設(shè)備和最新的技術(shù)。

同時(shí)，放射科醫(yī)生的工作還有一個(gè)長(zhǎng)尾效應(yīng)，大家不要期望AI能解決一切。我們至少掌握2萬個(gè)術(shù)語、懂5600個(gè)病種，有的病例可能一年只見一個(gè)，也能用機(jī)器解決嗎？這叫長(zhǎng)尾效應(yīng)。

還有一個(gè)特點(diǎn)是新技術(shù)，有了X光以后，我們又有了CT、再然后是磁共振。從原先的宏觀視角到現(xiàn)在的微觀視角。實(shí)際上，我們知道可以利用新技術(shù)做很多事情，甚至改變我們工作流程和狀態(tài)。 

放射科醫(yī)生希望借助AI能夠提供類似于飛機(jī)的自動(dòng)駕駛。

例如，檢測(cè)算法將解決“大海撈針”的搜索問題，發(fā)現(xiàn)乳腺鈣化和肺結(jié)節(jié)；配準(zhǔn)和分割工具將減輕單調(diào)的測(cè)量和繪制肝轉(zhuǎn)移瘤的時(shí)間進(jìn)程；解剖測(cè)量應(yīng)用程序?qū)⒗L制器官體積的正常范圍；分類程序?qū)⒂兄诮鉀Q診斷難題。

因此，人工智能將把放射科醫(yī)生的認(rèn)知領(lǐng)域提升到最高水平，讓他們?cè)谂c人工智能算法和患者合作解釋圖像時(shí)，發(fā)揮判斷力、創(chuàng)造力和同理心。

所以，我們也期望可以跟在座的各位做更多交流。要實(shí)現(xiàn)這些，有很漫長(zhǎng)的道路要走。

人工智能與醫(yī)學(xué)影像相關(guān)的問題，我們首先知道有CADx、CADe、CADq、CAST等方式，大家要注意，找病灶和診斷病灶是兩回事。

人工智能在醫(yī)學(xué)影像上跟人工智能在醫(yī)學(xué)其他領(lǐng)域有類似的問題，包括隱私、透明性、取代、增強(qiáng)、解釋等等方面。

深度學(xué)習(xí)是什么？對(duì)我來說就是“黑盒子”理論，這是我們很難大規(guī)模開展人工智能應(yīng)用的一個(gè)“攔路虎”。在座的數(shù)學(xué)家、統(tǒng)計(jì)學(xué)家、計(jì)算機(jī)學(xué)家，能不能對(duì)每一層變量發(fā)生的變化給出預(yù)測(cè)？

還有一個(gè)是可解釋性。放射科醫(yī)生有責(zé)任了解他們使用的人工智能技術(shù)的回報(bào)和風(fēng)險(xiǎn)，提醒患者和利益攸關(guān)方注意風(fēng)險(xiǎn)，并監(jiān)控人工智能產(chǎn)品以防止傷害。

這個(gè)背后是什么？是人文、倫理。倫理是醫(yī)學(xué)上最為重要的。

舉個(gè)例子，這個(gè)例子來自于幾個(gè)雜志。2010年，有74%的女性乳腺檢查采用了CAD，最后CAD給我們提供的是什么？是不是改變了我們？

雜志最后總結(jié)起來有五點(diǎn)：沒有從中獲益、降低準(zhǔn)確性、增加隨訪率、增加活檢率、增加了工作量。

因?yàn)闃?biāo)注有很多，這個(gè)醫(yī)生要不斷說這個(gè)是假陽性的，導(dǎo)致最后醫(yī)生不想用這個(gè)軟件了，這些需要注意。

走到今天，放射科醫(yī)生為什么又有興趣了？可能是深度學(xué)習(xí)和過去的CAD不同，走到今天，Deep Learning的算法改進(jìn)和算力進(jìn)步，解決了很多實(shí)際問題。

在傳統(tǒng)CAD時(shí)代，計(jì)算機(jī)視覺甚至無法像一個(gè)蹣跚學(xué)步的孩子一樣，完成微不足道的視覺任務(wù)，但現(xiàn)代人工智能正在成功地完成以前人類專家領(lǐng)域的任務(wù)。傳統(tǒng)CAD產(chǎn)生的錯(cuò)誤率大概是人產(chǎn)生錯(cuò)誤率的5倍，現(xiàn)在的DeepLearning大概是人的0.5倍。

大家對(duì)這種進(jìn)步也是可以感受到的。過去，開車進(jìn)停車場(chǎng)總是要拿卡，現(xiàn)在車走到崗?fù)r(shí)，攝像頭就可以認(rèn)識(shí)我們的車牌。

深度學(xué)習(xí)的這種能力是非常強(qiáng)大的，因?yàn)樯疃葘W(xué)習(xí)系統(tǒng)通常能夠在多個(gè)類似的任務(wù)上表現(xiàn)良好，并且可以用比傳統(tǒng)的計(jì)算機(jī)輔助設(shè)計(jì)更少的精力對(duì)新任務(wù)進(jìn)行微調(diào)。

所以，深度學(xué)習(xí)取得了前所未有的“成功”，但是這里要打引號(hào)，因?yàn)楹竺孢€會(huì)說不成功的地方。

這是印度的一個(gè)例子，利用平掃CT來發(fā)現(xiàn)異常，實(shí)現(xiàn)危險(xiǎn)分層。針對(duì)顱內(nèi)出血、骨折的征象來判斷，這里ROC曲線，下面的面積大于0.85以上才有意義。

這是它的分析方式，他們發(fā)表了一篇大文章。通過這樣一個(gè)分析之后得出幾個(gè)結(jié)論：深度學(xué)習(xí)的算法對(duì)頭顱進(jìn)行分析，可以實(shí)現(xiàn)危險(xiǎn)分層，判斷腦袋里面有沒有出血。因?yàn)?，出血判斷是根?jù)CT值變化，不需要借助臨床資料，單純識(shí)別就可以了。顱骨骨折也是一樣，通過圖像分割后，判斷它的密度變化，達(dá)到一定程度認(rèn)為是出血；根據(jù)骨結(jié)構(gòu)的連續(xù)性，知道有沒有骨折。

如果是在肺里面進(jìn)行分割，難度會(huì)驟然增加。我們經(jīng)常開玩笑，肺里面看結(jié)節(jié)，可以有99種疾病可能，但常見的有肺癌、結(jié)核、肺炎等等，所以醫(yī)生日常的診斷過程還是很痛苦的。

但是這篇文章也認(rèn)為，AI還需要多中心的實(shí)驗(yàn)，看看能不能幫助醫(yī)生，對(duì)患者療效是不是有幫助。

我引用《Radiology》主編的一篇文章。文章的觀點(diǎn)是，由放射科醫(yī)生支持的診斷算法比決策系統(tǒng)擁有更低的風(fēng)險(xiǎn)。

在診斷環(huán)節(jié)，醫(yī)生和工程師結(jié)合在一起，相對(duì)來說風(fēng)險(xiǎn)沒有那么大。因?yàn)?，放射科醫(yī)生有幾十年來之不易的經(jīng)驗(yàn)，可以指導(dǎo)人工智能的設(shè)計(jì)、測(cè)試、驗(yàn)證、政策和監(jiān)管。

所以，我們?nèi)斯ぶ悄艿墓疽欢ㄒ嬲\(chéng)地去跟醫(yī)院合作，不要一味地討我們的數(shù)據(jù)。

從之前談到的1994年到二十多年后的2018年，同樣的夢(mèng)想又來了，這篇文章又講了人工智能增加放射科醫(yī)生的能力。這個(gè)夢(mèng)想很類似，我做了一個(gè)簡(jiǎn)單的總結(jié)，我覺得這是非常有意思的。

在座各位都知道，圖像的分割是非常難的，肺結(jié)節(jié)分割解決了沒有？我認(rèn)為還沒有完全解決，如果結(jié)節(jié)跟血管或縱隔連在一起，你分割試一下。還有頭部和肝里的病灶，對(duì)比度很差，分割難度加大。

當(dāng)然，我們用人工智能的方法改善它。其實(shí)，有時(shí)候分割并不一定要求那么準(zhǔn)確，就可以解決問題。也就是大家不用花大力氣，就可以解決問題。

還有一個(gè)應(yīng)用場(chǎng)景是生成放射科報(bào)告。大多數(shù)放射學(xué)報(bào)告需要放射科醫(yī)生長(zhǎng)時(shí)間的打字或語音識(shí)別輸入。這些報(bào)告必須符合客觀事實(shí)和語法上準(zhǔn)確無誤。

利用人工智能，如果我們可以實(shí)現(xiàn)報(bào)告的結(jié)構(gòu)化，將有利于進(jìn)行數(shù)據(jù)挖掘，以及在結(jié)構(gòu)化報(bào)告基礎(chǔ)上的語義錯(cuò)誤檢測(cè)。

語義分析跟語音識(shí)別是兩碼事，現(xiàn)在把我的湖南普通話翻譯成文字，這叫語音識(shí)別，我說的話是什么意思是語義識(shí)別，這是兩碼事。

還有可以做一些數(shù)據(jù)挖掘，我們現(xiàn)在也在做數(shù)據(jù)挖掘，比如基于影像進(jìn)行數(shù)據(jù)的分析，來看看它的診療決策價(jià)值。

影像組學(xué)，是一種新方法，2012年才出現(xiàn)的新概念，大家都會(huì)問，是否可行？我向大家匯報(bào)，完全可行。我們用結(jié)直腸癌患者資料作為研究對(duì)象，采用影像組學(xué)分析方法，僅用了526個(gè)病例就建立了結(jié)直腸癌淋巴結(jié)轉(zhuǎn)移預(yù)測(cè)模型，能夠成功預(yù)測(cè)淋巴結(jié)的轉(zhuǎn)移。

我們的結(jié)果獲得國(guó)際一流專家的認(rèn)可，JCO雜志在4個(gè)月內(nèi)就接受和5月2日在線發(fā)表。因此，我們采用影像基因組學(xué)實(shí)現(xiàn)早期診斷、精細(xì)分型和準(zhǔn)確預(yù)后預(yù)測(cè)完全是可行的。

下面這一排圖像，大家可以看到有圈的部分，這是內(nèi)聽道，里面有神經(jīng)，類似于上面一排。技術(shù)人員掃描過程當(dāng)中，沒有辦法達(dá)到一致，就可以利用AI的方法來實(shí)現(xiàn)，西門子、飛利浦、GE、聯(lián)影、佳能等廠商都把技術(shù)納入到設(shè)備里面，讓我們獲得標(biāo)準(zhǔn)化圖像。

大家可以看到，這是骨齡判讀。通常，醫(yī)生需要拿著一本圖譜書對(duì)照來判斷骨齡。利用AI算法估測(cè)年齡誤差2歲內(nèi)，內(nèi)分泌科醫(yī)生可以接受這個(gè)結(jié)果，也就是具有臨床應(yīng)用價(jià)值。

另外，AI未來可以在影像介入來做一些相關(guān)事情。比如混合現(xiàn)實(shí)，指導(dǎo)我們和教學(xué)和模擬手術(shù)等。還包括智能導(dǎo)引、個(gè)性化3D打印支架或者導(dǎo)管。建立數(shù)據(jù)庫模型支持粒子植入的內(nèi)放射治療。根據(jù)病灶實(shí)際情況，設(shè)計(jì)和引導(dǎo)放射性粒子放多少？如何放？此外，可以實(shí)現(xiàn)基于RECIST的智能評(píng)價(jià)系統(tǒng)等等。

這是我們自己做的一個(gè)小的研究，單發(fā)巨塊型肝癌做了手術(shù)之后會(huì)復(fù)發(fā)。如果復(fù)發(fā)快，我們給予預(yù)防性治療方案，延長(zhǎng)病人的生存時(shí)間。如果復(fù)發(fā)幾率低，我們可以進(jìn)一步觀察，減少患者的痛苦和節(jié)約衛(wèi)生資源。

我們的研究結(jié)果表明，基于影像的模型，還有基于臨床的病史和檢驗(yàn)結(jié)果模型，還有這幾個(gè)方面結(jié)合起來的模型，最后顯示結(jié)合起來的融合模型特異性和敏感性都有提高。所以說，大家做病理的不能單靠病理，做影像的不能單靠影像，否則你就不能做出一個(gè)符合臨床應(yīng)用的AI工具幫助醫(yī)生。

這是混合現(xiàn)實(shí)，我們醫(yī)院也有團(tuán)隊(duì)基于CT影像做三維重建、VR和3D打印等等。還可以進(jìn)行個(gè)性化的支架打印。這些都是非常有意思的。

當(dāng)然，我們可以把人工智能應(yīng)用到工作流程優(yōu)化，比如流程管理、病變識(shí)別、建立臨床路徑、智能導(dǎo)航、康復(fù)支持等等。完全可以利用人工智能技術(shù)去實(shí)現(xiàn)其中一部分的功能。

像上圖就是達(dá)芬奇機(jī)器人操作。我們知道達(dá)芬奇機(jī)器人來做手術(shù)，效果是不是一定很好，也需要觀察。最近一篇文章講到，達(dá)芬奇做手術(shù)的效果并不比人做手術(shù)的效果多，甚至有些場(chǎng)景下，效果不如醫(yī)師手工手術(shù)。

我們可以利用一些傳感器來幫助我們康復(fù)，這可能比醫(yī)生根據(jù)現(xiàn)有的設(shè)備、自己的經(jīng)驗(yàn)來進(jìn)行康復(fù)好一些。這是基于一個(gè)傳感器數(shù)據(jù)的分析建立模型來進(jìn)行預(yù)測(cè)康復(fù)效果和指導(dǎo)康復(fù)。

現(xiàn)在可以基于CT、磁共振等影像信息進(jìn)行療效的評(píng)價(jià)和預(yù)測(cè)。也可以把病理，甚至基因信息結(jié)合起來，可能發(fā)揮更大效能。因此，剛才我跟姚建華博士討論，我們也在探索“影像+病理”相結(jié)合的方式，當(dāng)然我們現(xiàn)在做得比較粗淺。

談完了上面的應(yīng)用，其實(shí)我們發(fā)現(xiàn)人工智能的挑戰(zhàn)也很多。

FDA批準(zhǔn)的軟件ContaCT，由Viz.AI提供。利用CT來判斷腦血管梗塞，對(duì)CT圖像進(jìn)行AI處理，該算法將自動(dòng)通知神經(jīng)血管疾病治療專家。Radiology主編對(duì)于這個(gè)軟件系統(tǒng)給予了”強(qiáng)烈的”批評(píng)。為什么？

因?yàn)檫@個(gè)軟件系統(tǒng)到目前為止公開的數(shù)據(jù)沒有多少，唯一可用的結(jié)果來自美國(guó)心臟協(xié)會(huì)2018年國(guó)際卒中會(huì)議的海報(bào)。該系統(tǒng)訓(xùn)練和驗(yàn)證數(shù)據(jù)來自埃默里大學(xué)(Emory University)醫(yī)生建立的ALADIN非公開數(shù)據(jù)集。

另外，提供了兩個(gè)神經(jīng)放射學(xué)家的名字，通過查FDA的文件，只找到一個(gè)人的背景，而且這個(gè)人還去了這家公司。另外一個(gè)還不知道在哪里。

最重要的是它的特異性只有52%，類似于甩硬幣。提醒我們的AI公司，注意資料的完整性和可索源性。

人工智能醫(yī)療的發(fā)展上存在一個(gè)大問題，那就是數(shù)據(jù)的結(jié)構(gòu)性差，這也是我們面臨的挑戰(zhàn)。

我們做醫(yī)療是要有溫度的，就是情感交流。這就涉及到人文，也涉及到醫(yī)者和患者兩個(gè)方面，也是AI最終要解決的，也可能是AI最難解決的。

我今天給大家講了基于深度學(xué)習(xí)的AI超越了傳統(tǒng)的CAD。AI可以幫助我們進(jìn)行精準(zhǔn)的診斷，但是我們醫(yī)療數(shù)據(jù)具有復(fù)雜性，我們要敬畏生命不可重復(fù)，不能說AI可以解決一切問題。

醫(yī)學(xué)倫理學(xué)的基礎(chǔ)是“不傷害第一”。在醫(yī)學(xué)領(lǐng)域開發(fā)和部署人工智能系統(tǒng)同樣具有相同倫理義務(wù)：我們必須努力確定和減輕使用人工智能可能損害患者或衛(wèi)生保健工作者的任何可能性。  

有不對(duì)的地方請(qǐng)大家批評(píng)指正。謝謝大家。

提問：梁主任您好。您認(rèn)為如果AI部分取代醫(yī)療工作和只是純輔助性的醫(yī)療工作，你認(rèn)為人文目的和商業(yè)目的兩個(gè)平衡之間哪個(gè)更好一點(diǎn)？

梁長(zhǎng)虹：首先，AI在我這個(gè)專業(yè)的方向應(yīng)該分兩部分，一個(gè)是基于數(shù)據(jù)應(yīng)用，一個(gè)是基于設(shè)備應(yīng)用。

我說的人文是未來的事情。設(shè)備廠商完全可以，而且已經(jīng)利用人工智能的技術(shù)幫助我們做很多事情，比如利用深度學(xué)習(xí)的方法改善圖像的信噪比，減低輻射劑量提升圖像質(zhì)量，還可以進(jìn)行標(biāo)準(zhǔn)的采集等等，這是基于設(shè)備的。這部分有很多場(chǎng)景是可以實(shí)現(xiàn)的，但是這些商業(yè)行為可能跟各位做數(shù)據(jù)分析是兩碼事。

第二，是基于數(shù)據(jù)應(yīng)用。這個(gè)難度比基于設(shè)備應(yīng)用難得多。一個(gè)是模型的共性和可泛化性。比如在中山大學(xué)用得很好，能不能放到省人民醫(yī)院用得同樣好？比如糖網(wǎng)，放在不同的醫(yī)院是不是一樣？換另外一家公司的照相機(jī)會(huì)不會(huì)還是一樣？這些都是需要探索的。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。