近日，2018中國醫(yī)學人工智能大會暨第一屆人工智能雁棲高端論壇在中國科學院大學雁棲湖校區(qū)舉行。來自全球的20多位專家學者、醫(yī)生和產(chǎn)業(yè)界代表齊聚一堂，圍繞人工智能+醫(yī)療、醫(yī)學圖像分析、機器學習等熱點領(lǐng)域開展了歷時兩天的深入交流與探討。

在第一天的大會會議日程中，上午的演講嘉賓有：中國科學院院士、中國科學院大學副校長徐濤，中科院計算所副所長、IEEE Fellow、中國科學院大學副院長陳煕霖，香港科技大學計算機系教授、AAAI Fellow楊強，中國科學院院士、北京大學教授程和平，上海長征醫(yī)院影像醫(yī)學與核醫(yī)學科主任劉士遠，華西醫(yī)院副院長龔啟勇，清華大學終生教授廖宏恩。

上午會議由中國科學院計算所副研究員趙地主持。

其中，作為大會上午醫(yī)學人工智能前沿環(huán)節(jié)的重量級嘉賓，劉士遠教授向與會觀眾分享了題為“中國醫(yī)學影像AI發(fā)展現(xiàn)狀與思考”的精彩專題報告。

劉士遠教授現(xiàn)任上海長征醫(yī)院影像醫(yī)學與核醫(yī)學科主任，中華醫(yī)學會放射學分會侯任主任委員，中國醫(yī)學影像AI產(chǎn)學研用創(chuàng)新聯(lián)盟理事長，從事醫(yī)學影像臨床工作長達32年，具有豐富的醫(yī)教研工作經(jīng)驗。

劉士遠教授

劉士遠教授認為，醫(yī)學影像將成為醫(yī)學領(lǐng)域落地較快的一個方向，但是醫(yī)療AI影像產(chǎn)品目前也存在諸多難題，因此需要醫(yī)生、學者專家、公司和政府通力合作，踏踏實實創(chuàng)新和實干，才能推動醫(yī)療人工智能行業(yè)的健康成長。

以下為劉士遠教授的演講內(nèi)容，雷鋒網(wǎng)AI掘金志經(jīng)劉士遠授權(quán)，作了不改變原意的編輯：    

劉士遠教授談到，醫(yī)療影像行業(yè)有望成為較快落地的醫(yī)學領(lǐng)域，有四個理由：首先，醫(yī)學是一門靠邏輯歸納、經(jīng)驗學習和循證運用的學科；其次，各家醫(yī)院都已經(jīng)積累了海量數(shù)據(jù)，而深度學習的核心就在于“算法+數(shù)據(jù)”；而放射科的工作模式就是看圖做診斷，便于深度學習AI技術(shù)的接入；在各類醫(yī)療數(shù)據(jù)里，放射類的醫(yī)療影像又是比較容易獲取的類型，可以從這類數(shù)據(jù)入手來做標注并進行深度學習模型的搭建；根據(jù)相關(guān)統(tǒng)計，相對于逐年遞增的巨大病人群，中國的影像醫(yī)生存在巨大的需求缺口，這大大促進了影像AI產(chǎn)品的應(yīng)用和商業(yè)化落地。

具體來說，醫(yī)療影像AI在臨床環(huán)境中有很多的用途。比如疾病檢出，AI能幫助醫(yī)生提高早診率，減少誤診率。這在肺癌篩查、骨折、AD、視網(wǎng)膜病變和病理診斷等領(lǐng)域都有實際應(yīng)用的例子；還有醫(yī)學多維測量，多維定量是精準醫(yī)學的前提，影像AI在這塊的應(yīng)用有病變特征提取、病灶自動分割等；再者就是精準診斷，包括疾病的良惡性判斷，精準分級和分期；AI在術(shù)前設(shè)計和療效評估等領(lǐng)域也有巨大潛在應(yīng)用空間。

實際應(yīng)用層面，目前AI影像產(chǎn)品有很多，在胸部主要集中在肺結(jié)節(jié)檢測和良惡性鑒別上，在神經(jīng)系統(tǒng)上主要是腦出血檢測和定量以AD預測，骨關(guān)節(jié)方面包括骨折和骨齡的檢測，心血管方面則包括冠脈等相應(yīng)產(chǎn)品的雛形，還有在視網(wǎng)膜病變和皮膚癌診斷等領(lǐng)域AI都有所作為。

就長海長征醫(yī)院來說，醫(yī)院已經(jīng)實現(xiàn)了AI影像產(chǎn)品在肺結(jié)節(jié)篩查上的日常應(yīng)用，肺結(jié)節(jié)良惡性模型還在研究當中，急診的話還有腦出血和骨折模型產(chǎn)品，骨腫瘤模型也正在研究當中。

值得一提的是，在整個應(yīng)用環(huán)節(jié)當中，上海長征醫(yī)院對醫(yī)療數(shù)據(jù)是采取了很多的安全措施，實現(xiàn)了影像應(yīng)用不出醫(yī)院內(nèi)網(wǎng)，產(chǎn)品有選擇性的接收和發(fā)送數(shù)據(jù)，還會對數(shù)據(jù)進行自動脫敏和定時清理，很好的保護了病人的隱私信息。

上圖是其產(chǎn)品的測試結(jié)果?？梢悦黠@的看到，在鈣化結(jié)節(jié)，5mm以上磨玻璃結(jié)節(jié)，3-6mm的結(jié)節(jié)上，AI模型的表現(xiàn)超過了普通醫(yī)師，而且人機結(jié)合以后也比只有醫(yī)師的表現(xiàn)更好。

上圖是其結(jié)節(jié)AI檢測的實際應(yīng)用場景，它會分析醫(yī)療影像并給出診斷報告，還有一鍵排序結(jié)節(jié)和一鍵測量結(jié)節(jié)等功能。

另外，上海長征醫(yī)院的醫(yī)療影像AI還具備一個進階功能，那就是判斷結(jié)節(jié)的良惡性，不過還在研發(fā)當中。

人工智能現(xiàn)在非?；馃?，關(guān)于醫(yī)生會不會被AI取代，劉士遠教授也發(fā)表了自己的觀點。

在原理層面，AI的大數(shù)據(jù)、記憶和計算能力會超過人類，但是神經(jīng)網(wǎng)絡(luò)發(fā)展的水平?jīng)Q定了機器不可能替代人類。在職業(yè)層面，人類的倫理、資質(zhì)、表情和溝通等能力不會被機器取代。在技術(shù)層面，機器確實可以代替人類做重復性技術(shù)含量低的工作。

而且，現(xiàn)在的AI醫(yī)療產(chǎn)品也還存在很多問題。首先就是實用性差，比如，現(xiàn)在的影像AI產(chǎn)品大多是基于單病種圖像標注形成的模型，尚沒有符合臨床實用場景的產(chǎn)品，而且大多數(shù)產(chǎn)品性能的自報數(shù)據(jù)與實際檢測數(shù)據(jù)不符，魯棒性有待提高。再加上AI產(chǎn)品往往只是集中在少數(shù)幾個病種，難以覆蓋全部醫(yī)學影像問題。

在AI模型的研發(fā)階段，數(shù)據(jù)也是一大難題。首先是現(xiàn)在普遍缺乏標準化高質(zhì)量的訓練數(shù)據(jù)，國內(nèi)外雖然有很多公開的數(shù)據(jù)庫，但是存在同質(zhì)化和人種差異等問題。而且各家人工智能企業(yè)和機構(gòu)采用的訓練數(shù)據(jù)集標準多樣，系統(tǒng)偏差較大，整個行業(yè)缺乏醫(yī)學圖像和疾病征像的統(tǒng)一認識。最后，整個行業(yè)的醫(yī)療數(shù)據(jù)保護和監(jiān)管措施也是缺失的，數(shù)據(jù)不能被溯源，也就缺乏合法性和可分享性，還有就是倫理問題，業(yè)內(nèi)缺乏對數(shù)據(jù)使用標準的判斷依據(jù)，在現(xiàn)有的法律基礎(chǔ)上尋找合規(guī)使用和分享數(shù)據(jù)的渠道，也是迫在眉睫的一件事情。

他建議到，要構(gòu)建標準庫，離不開醫(yī)生的參與。要形成與AI研發(fā)相關(guān)的標準和數(shù)據(jù)，需要在圖象的采集環(huán)節(jié)，標準庫的構(gòu)建環(huán)節(jié)，病種的分布以及各種描述術(shù)語等等都要達成一定的共識。

好消息是，國家在近期頒布了《國家健康醫(yī)療大數(shù)據(jù)標準、安全和服務(wù)管理辦法（試行）》。

另外，在肺結(jié)節(jié)領(lǐng)域，中檢院肺結(jié)節(jié)AI檢驗數(shù)據(jù)庫標定專家組已經(jīng)完成肺結(jié)節(jié)標準數(shù)據(jù)集建設(shè)。

圖像標注環(huán)節(jié)也存在很多問題。以肺結(jié)節(jié)標注過程為例，主要存在以下問題，標注者隊伍混亂，資質(zhì)不一；圖像征象認識不統(tǒng)一；圖像標注方法不統(tǒng)一；圖像分割方法不統(tǒng)一；圖像量化方法不統(tǒng)一。

中檢院在構(gòu)建肺結(jié)節(jié)標準庫的過程中，從全國招了250名5年以上經(jīng)驗的影像科醫(yī)生志愿者，對他們進行了簡單的測試，使用了30例結(jié)節(jié)，結(jié)果準確率只有30%，說明了如果沒有共識和基礎(chǔ)培訓，醫(yī)生的標注準確率是很低的，非影像科醫(yī)生甚至不是醫(yī)生的準確率就更難以想象了。還有就是標注的方式，有的使用緊密包裹法，有的使用區(qū)域標注法，有的使用其他方法等，不同的標注方法輸出的結(jié)果也不盡相同。圖像分割如果沒有統(tǒng)一的標準，結(jié)論的差別也會非常巨大。還有量化的方法，到底是測直徑，還是測體積，還是測質(zhì)量，怎么測，都需要形成一致意見。

在醫(yī)學影像AI模型檢測階段，也會存在生產(chǎn)過程不規(guī)范，模型效果和安全性缺乏公正評價，缺乏產(chǎn)品檢測標準庫和評價體系，缺乏相關(guān)法律法規(guī)、質(zhì)控檢查和管理制度等問題。

在AI模型使用階段，受歡迎程度，對醫(yī)生的影響，過多的假陽性，倫理和法規(guī)，是否匹配醫(yī)院和醫(yī)生的需求等問題也尚待解決。如上圖，點擊率代表病人對產(chǎn)品質(zhì)量和準確性的信賴程度，越受歡迎，點擊率越高；另外，產(chǎn)品該怎么和醫(yī)療流程整合也是一個問題，是游離于信息系統(tǒng)之外，還是融合于信息系統(tǒng)之內(nèi)，都需要考慮；還有人擔心年輕醫(yī)生對AI產(chǎn)品產(chǎn)生依賴之后，會導致業(yè)務(wù)能力下降，包括看結(jié)節(jié)的能力；現(xiàn)在AI產(chǎn)品檢出過多假陽性的結(jié)節(jié)還導致了焦慮和恐慌問題；還有倫理問題，包括數(shù)據(jù)的倫理和產(chǎn)品的倫理問題。數(shù)據(jù)的倫理就是數(shù)據(jù)的所有權(quán)、許可權(quán)和隱私權(quán)都需要制定規(guī)范，現(xiàn)在衛(wèi)計委已經(jīng)發(fā)布了相關(guān)標準和規(guī)范。第二個就是產(chǎn)品的倫理問題，隨著產(chǎn)品的逐漸落地，產(chǎn)品的責任和影響都需要倫理的相關(guān)準則來考慮。

因此，醫(yī)學影像AI模型的發(fā)展需要滿足臨床需求，既需要符合醫(yī)療流程，也需要符合臨床場景，還要符合檢查部位要求，還要能與醫(yī)生、研究人員和企業(yè)進行協(xié)作配合。

作為一名醫(yī)生，劉士遠教授還強調(diào)，影像診斷是全鏈條、多維度的工作，工作內(nèi)容不僅僅是圖像識別，需要充分發(fā)揮醫(yī)生在醫(yī)學影像AI研發(fā)過程中的作用。

醫(yī)生是醫(yī)學影像AI產(chǎn)品研發(fā)的領(lǐng)導者，機器要做人類的助手，負責閱圖、分析和判斷等工作，而不是做競爭者。

反過來，醫(yī)生也是醫(yī)學影像AI模型的培育者和導師。在數(shù)據(jù)上，醫(yī)生可以建立大樣本的單病種數(shù)據(jù)庫，提高訓練數(shù)據(jù)質(zhì)量，并在此基礎(chǔ)上規(guī)范化標注，形成高質(zhì)量訓練集，還要學會在法律法規(guī)下分享和使用數(shù)據(jù)。

醫(yī)生還應(yīng)當成為質(zhì)量控制和標準的制定者和執(zhí)行者。比如制定圖像采集和圖像質(zhì)量的標準，制定數(shù)據(jù)庫建設(shè)的構(gòu)成比例、病種分布、病灶類型等專家共識，并形成各單病種影像征象和描寫屬于以及單病種AI模型數(shù)據(jù)標記專家共識。

在AI倫理上，醫(yī)生也是主角。醫(yī)生可以建立一套正確的基本倫理準則來指導AI的設(shè)計、管理和實用。

最后，劉士遠教授呼吁，AI現(xiàn)在還是一個尚不成熟的產(chǎn)品，需要醫(yī)生去擁抱它，呵護它，引導它。當然也要避免另外一種情況，就是夸大宣傳，夸大宣傳容易誤導政府和民眾，不利于行業(yè)健康發(fā)展。

劉士遠教授最后表示，雖然現(xiàn)在形勢一片大好，但是醫(yī)學問題其實是很復雜的，場景復雜，維度多，任務(wù)多，這需要我們醫(yī)工結(jié)合，沉下心來，踏踏實實的創(chuàng)新和積累才能解決問題。

想了解更多CMAI大會的嘉賓精彩報告，請關(guān)注微信公眾號“AI掘金志”的后續(xù)報道。

雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

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。