2018 全球人工智能與機(jī)器人峰會（CCF-GAIR）于6月29日在深圳召開。本次大會共吸引超過2500余位 AI 業(yè)界人士參會，其中包含來自全球的 140 位在人工智能領(lǐng)域享有盛譽(yù)的演講與圓桌嘉賓。

在大會第二天的 【計算機(jī)視覺專場】中，上午計算機(jī)視覺前沿與智能視頻環(huán)節(jié)的演講嘉賓有：ICCV 2011和CVPR 2022大會主席權(quán)龍教授、曠視科技首席科學(xué)家孫劍等人。

下午環(huán)節(jié)為計算機(jī)視覺與醫(yī)學(xué)影像分析，出席的嘉賓分別是包攬7大模式識別與醫(yī)學(xué)影像Fellow的田捷教授，國際頂級醫(yī)學(xué)影像分析大會MICCAI 2019 聯(lián)合主席沈定剛教授，微軟亞洲研究院副院長張益肇博士，飛利浦中國首席技術(shù)官王熙博士等。

作為計算機(jī)視覺與醫(yī)學(xué)影像分析環(huán)節(jié)的重量級嘉賓，本次大會，田捷教授向與會觀眾分享了題為“基于人工智能和醫(yī)療大數(shù)據(jù)的影像組學(xué)研究及其臨床應(yīng)用”的精彩專題報告。

田捷教授現(xiàn)任中國科學(xué)院自動化所研究員、分子影像重點實驗室主任。自2010年起，田捷教授連續(xù)獲得計算機(jī)視覺與醫(yī)學(xué)影像分析領(lǐng)域的7大Fellow：IEEE Fellow、IAMBE Fellow、SPIE Fellow、AIMBE Fellow、IAPR Fellow、OSA Fellow、ISMRM Fellow。同時也是兩項國家重點基礎(chǔ)研究發(fā)展計劃（973計劃）首席科學(xué)家。

田捷教授認(rèn)為，人工智能等技術(shù)給醫(yī)學(xué)領(lǐng)域帶來的改變是毋庸置疑的，并列舉了幾個醫(yī)學(xué)常見案例進(jìn)行輔證。

在他看來，醫(yī)療大數(shù)據(jù)里最常見的是影像數(shù)據(jù)，而且影像數(shù)據(jù)格式標(biāo)準(zhǔn)，容易獲取、容易使用。但是醫(yī)療大數(shù)據(jù)不僅限于影像，還包括病理、臨床治療信息等，只有這些信息融合在一起，我們才能建模，才能解決人工智能真正在醫(yī)學(xué)上的應(yīng)用。

田捷教授在研究學(xué)術(shù)的同時，也在積極探索AI技術(shù)的應(yīng)用前景。他認(rèn)為，AI技術(shù)只有跟臨床掛鉤才有價值，經(jīng)過企業(yè)家的轉(zhuǎn)化才能變成生產(chǎn)力。

現(xiàn)在我們需要更多人工智能和大數(shù)據(jù)在醫(yī)療問題上的典型應(yīng)用，來拉動產(chǎn)業(yè)，拉動人工智能進(jìn)一步深度應(yīng)用。這是相輔相成的，空喊方法，不形成規(guī)?；?、典型應(yīng)用，是解決不了問題的。只有得到外科、內(nèi)科大夫承認(rèn)的技術(shù)和臨床應(yīng)用，才能更加有意義。

與此同時，他還表示，人工智能在醫(yī)學(xué)上應(yīng)用一定要“醫(yī)工交叉”，工科的人要穿上醫(yī)學(xué)的馬甲，了解醫(yī)學(xué)的問題，參加醫(yī)學(xué)的會，了解醫(yī)生的需求；作為醫(yī)生也要對工科的方法知其然，這樣才能源于臨床，高于臨床，又回歸臨床。

以下為田捷教授的現(xiàn)場演講內(nèi)容，雷鋒網(wǎng)作了不改變原意的編輯及整理：    

我下面匯報的是人工智能和醫(yī)療大數(shù)據(jù)在醫(yī)學(xué)上的應(yīng)用，這是大家比較關(guān)注的熱門話題，我想從“臨床”和“商業(yè)”兩個方面來做一下簡要的歸納。

人工智能在醫(yī)學(xué)上的應(yīng)用和傳統(tǒng)中醫(yī)非常相像。我國中醫(yī)幾千年以來，通過“望聞問切”的方式積累了幾百萬人甚至幾千萬人的醫(yī)療大數(shù)據(jù)，后期主要通過人腦來“加工”這些數(shù)據(jù)；現(xiàn)代社會與此前不同的是，我們使用電腦加人腦，利用此前積累的經(jīng)驗以及大數(shù)據(jù)與人工智能技術(shù)，實現(xiàn)了現(xiàn)在所說的智能醫(yī)療。

人工智能目前是國家戰(zhàn)略，健康中國2030也是國家戰(zhàn)略。從這兩個角度來說，通過人工智能技術(shù)和醫(yī)療大數(shù)據(jù)，提高人們的健康水平是國家下一步的重點發(fā)展戰(zhàn)略；與此同時，國家也有計劃要將我們的醫(yī)療和健康占GDP的比重從3%提升到30%。

從商業(yè)角度出發(fā)，人工智能在醫(yī)學(xué)上的應(yīng)用機(jī)會很多，包括通過計算能力驅(qū)動肺癌、糖網(wǎng)、乳腺癌等疾病的篩查。

今天，我想重點與大家分享的是人工智能對于臨床醫(yī)療的重要性，它能提高我們的臨床醫(yī)療水平，實現(xiàn)精準(zhǔn)醫(yī)療，具體涉及到術(shù)前、術(shù)中、術(shù)后三個方面。

從目前醫(yī)學(xué)發(fā)展背景來看，人工智能、大數(shù)據(jù)等技術(shù)在醫(yī)學(xué)上的應(yīng)用是眾勢所趨。去年北美放射醫(yī)學(xué)大會上給出描述：未來的影像中心就像飛機(jī)駕駛艙一樣，是各種各樣信息的綜合體；而未來的醫(yī)生則相當(dāng)于飛行員，要處理各種各樣的信息。這里還需重點闡述一個觀點：如今很多聲音表示，AI未來將要替代醫(yī)生。在我看來，AI不會替代醫(yī)生，只會更有效地輔助醫(yī)生。而醫(yī)生也不應(yīng)懼怕新興技術(shù)，而是積極地去利用它，使用它。

當(dāng)今，我們處于信息變革的時代，醫(yī)學(xué)大數(shù)據(jù)也在不斷的增長和積累，平均每73天，醫(yī)學(xué)數(shù)據(jù)就會增長一倍。因此，基于醫(yī)療大數(shù)據(jù)的人工智能醫(yī)療必將輔助甚至改變傳統(tǒng)的臨床診療流程。

國際影像戰(zhàn)略策略研討會副主席Donoso說了一句很經(jīng)典的話，人工智能是否會完全替代影像科醫(yī)生無法下定論，但我們肯定的是，那些使用人工智能技術(shù)的影像科醫(yī)生，勢必會代替那些不使用人工智能技術(shù)的醫(yī)生。

不跟隨時代的發(fā)展，面臨的就是殘酷的淘汰，無論是北美放射年會，還是歐洲放射年會，都不斷的在突出人工智能在影像學(xué)中的異軍突起的作用。

所以，未來的影像科醫(yī)生，不僅僅要會看片子，還要從影像大數(shù)據(jù)中挖掘大量的潛在知識，學(xué)會利用人工智能技術(shù)，站在科技潮流的前端，不是懼怕新興的人工智能技術(shù)，而是利用它，使用它，成為新時代下的影像信息學(xué)專家。

上個月剛剛結(jié)束的美國臨床腫瘤年會ASCO2018，該年會的參與者大多為內(nèi)科大夫、腫瘤大夫，他們也提出，要將人工智能技術(shù)作為輔助新一代無創(chuàng)診療技術(shù)發(fā)展的重要工具。

Dana-Farber癌癥研究所首席研究員Geoffrey指出，無創(chuàng)的液體活檢技術(shù)可以更加便捷的實現(xiàn)肺癌的早期檢測和篩查，血液中游離DNA可以成功檢測出早期肺癌。而隨著這種無創(chuàng)檢測手段的進(jìn)步，醫(yī)學(xué)數(shù)據(jù)不斷積累，機(jī)器學(xué)習(xí)方法將有效提高檢測精度、提高測試性能。

此外，南加州大學(xué)生物科學(xué)學(xué)院院長在大會指出，在腫瘤療效評估中，結(jié)合基于液體活檢技術(shù)的基因蛋白組學(xué)和基于深度學(xué)習(xí)方法的智能影像評估可有效預(yù)測患者的預(yù)后生存。

由此可見，無論是在癌癥診斷還是治療中，人工智能技術(shù)都是輔助新一代無創(chuàng)診療技術(shù)發(fā)展的重要工具。

一、影像組學(xué)的本質(zhì)

那么，人工智能在醫(yī)學(xué)領(lǐng)域到底如何應(yīng)用，接下來我會舉一些例子說明。

舉例之前，我們首先必須了解影像組學(xué)概念，其2012年就被提出，是由英文“組學(xué)+放射”組合出來的新詞：“radiomics”，我們當(dāng)年認(rèn)為把它翻譯成“放射組學(xué)”比較準(zhǔn)確。

當(dāng)年為什么用了放射這樣一個詞匯？它是基于CT進(jìn)行掃描的數(shù)據(jù)，然后在PET和超聲上得到應(yīng)用，所以我們認(rèn)為將“radiomics”翻譯成影像組學(xué)可能更為精準(zhǔn)，它不僅僅融合了醫(yī)學(xué)影像、基因、臨床大數(shù)據(jù)，它也把組學(xué)的概念和組學(xué)的方法融合在一起。

它的工作流程與醫(yī)生日常讀片完全是一模一樣的方法，針對影像數(shù)據(jù)，提取特征，人工智能建模，然后再進(jìn)行臨床應(yīng)用、輔助決策。這個流程也是一個標(biāo)準(zhǔn)的計算機(jī)視覺流程，也是標(biāo)準(zhǔn)的模式識別流程。

但它相比醫(yī)生的高能之處在于計算機(jī)看到了高維信息，可能看到了蛋白基因在宏觀影像上的變化，這樣的寶貴數(shù)據(jù)可以輔助醫(yī)生提升臨床診斷的正確性和準(zhǔn)確性。

需要注意的是，人工智能技術(shù)在醫(yī)學(xué)上的研究、應(yīng)用，不是寫文章、不是談概念、也不是紙上談兵、更不僅僅是做篩查，而是要將技術(shù)與臨床緊密結(jié)合，解決實際臨床問題。

二、典型臨床應(yīng)用

下面我就從臨床和技術(shù)兩個方面談一下人工智能在醫(yī)學(xué)上的具體應(yīng)用。

首先我想談?wù)勅斯ぶ悄茉谂R床上的應(yīng)用，在座各位很多都是技術(shù)人員，對于技術(shù)方法比較了解。其實我們在了解技術(shù)本身的同時，更需要了解技術(shù)到底能夠解決什么問題，或者說目前醫(yī)學(xué)需要解決什么問題。所以我先從問題為導(dǎo)向，觀察臨床上有何需求。

在這里，我想舉一個細(xì)分例子，圍繞著臨床應(yīng)用的術(shù)前、術(shù)中、術(shù)后，來說明人工智能如何使得醫(yī)學(xué)治療更加精準(zhǔn)。

第一個例子是結(jié)直腸癌。

外科大夫在為病患做手術(shù)之前都會為患者做一個輔助化療，以控制癌癥的發(fā)展，之后再為他進(jìn)行手術(shù)。

在這個過程中，一部分病患非常不幸，經(jīng)過輔助化療之后，他們病理上完全緩解，體內(nèi)也沒有癌細(xì)胞存在，但外科大夫無法憑借他的經(jīng)驗來肯定判斷他們體內(nèi)是否還有癌細(xì)胞潛藏，所以不得不還為這些病人開刀（實際上病患身上已經(jīng)沒有癌細(xì)胞存在）。

從這來看，我們能否通過其他方式來準(zhǔn)確判別病人的實際數(shù)據(jù)，讓他們在外科大夫的經(jīng)驗無法準(zhǔn)確判定、常規(guī)的影像磁共振無法精確判別時，能夠非?？隙ǖ嘏卸ú∪说臄?shù)據(jù)。

通過人工智能分析，目前我們有90%的把握能把這些PCR緩解的病人挑選出來。換句話說，系統(tǒng)能夠?qū)⒔?jīng)過輔助化療以后，體內(nèi)沒有癌細(xì)胞的病人找出來。后期，這部分病人就可以免受開刀，只需密切觀察隨訪即可。

所以，它的臨床意義非常大，人工智能未來不僅僅能夠做篩查，更重要是，它能針對臨床問題來開展工作。這是我們配合北京大學(xué)腫瘤醫(yī)院放射科專家做的工作，這個結(jié)果已經(jīng)發(fā)表在臨床腫瘤研究的頂級雜志上。

第二個例子還是結(jié)直腸癌。

如果病患經(jīng)過化療之后并沒有PCR緩解（占比70%左右），那么他們是需要進(jìn)行手術(shù)的。開刀之后，醫(yī)生需要對他們做淋巴清掃，以防止癌細(xì)胞轉(zhuǎn)移。

問題是：清掃完之后顯示，70%的淋巴是假陽性。

這里需要說明的是，假陽性結(jié)果與中國醫(yī)生的開刀技術(shù)沒有直接關(guān)系，美國大夫開刀假陽性也有70%左右。而這個問題也可以用人工智能技術(shù)解決。

我們用人工智能技術(shù)處理500例臨床病理、影像數(shù)據(jù)完整的結(jié)直腸癌患者數(shù)據(jù)，經(jīng)過病理、影像，提取特征以后，在實測中，能把70%的淋巴假陽性降到30%，這是醫(yī)學(xué)上非常巨大的進(jìn)步。

目前這項研究也發(fā)表在臨床腫瘤的頂級雜志JCO上。需要指出的是，其第一作者只是一個碩士二年級的小女孩，所以我們在醫(yī)學(xué)領(lǐng)域的研究并不需要多少臨床經(jīng)驗，關(guān)鍵是先要找到臨床問題，以問題為導(dǎo)向來解決它，并不是一味的低頭專耕技術(shù)。

第三個例子依舊是結(jié)直腸癌。

剛才我已經(jīng)講了術(shù)前及術(shù)中，術(shù)前有沒有病理學(xué)的緩解，術(shù)中要不要進(jìn)行淋巴清掃。我們再來看術(shù)后，結(jié)直腸癌患者做了手術(shù)之后，外科大夫還可以給他做一個放化療控制遠(yuǎn)端轉(zhuǎn)移。

這里又出現(xiàn)了一個問題，經(jīng)過手術(shù)后的結(jié)直腸癌患者遠(yuǎn)端轉(zhuǎn)移的概率只有20%，換句話說，有80%的患者花了錢，忍受了放化療的痛苦，而去做在他身上也許不可能發(fā)生或者概率非常小的遠(yuǎn)端轉(zhuǎn)移。

就此，我們能否用人工智能技術(shù)把這些概率大的人挑選出來，再去做放化療，控制他遠(yuǎn)端轉(zhuǎn)移；而概率不大的人也就沒必要做遠(yuǎn)端轉(zhuǎn)移，后期觀察即可。

目前我們正在做相關(guān)的人工智能技術(shù)落地實驗，希望這個概率可以提升更高，預(yù)測得更為精準(zhǔn)。

綜上，我舉了一個非常完整的例子，從術(shù)前、術(shù)中、術(shù)后來說明人工智能、影像組學(xué)、醫(yī)療大數(shù)據(jù)到底怎么改變我們的醫(yī)學(xué)，改變我們的精準(zhǔn)診療。

剛才我所提到的都是手術(shù)方面的內(nèi)容。那么，人工智能能否解決不用開刀也能解決的問題呢？也就是說，其能否既可以輔助外科大夫，也可以輔助內(nèi)科大夫。

我們知道，即使是美國著名醫(yī)院的外科大夫得了肺癌，他也不知道該用什么樣的靶向藥，怎么預(yù)測他的生存期。

而這個工作可以用人工智能、大數(shù)據(jù)來解決，我們針對500余例晚期EGFR突變靶向治療患者多中心CT數(shù)據(jù)，利用LASSO-COX構(gòu)建反映靶向治療無進(jìn)展生存期預(yù)測模型，實現(xiàn)對EGFR突變的晚期肺癌患者靶向治療無進(jìn)展生存期進(jìn)行個性化的精準(zhǔn)預(yù)測。

如果后期發(fā)現(xiàn)他無進(jìn)展，這時候我們就提醒他不要再用這個靶向藥，價格昂貴不說，效果也不大。目前這項研究發(fā)表在CCR上，也是國內(nèi)學(xué)者解決的重點醫(yī)學(xué)工作。

舉例來說，系統(tǒng)可以對病患的鼻煙癌給出判斷及生存期預(yù)測。

針對臨床指標(biāo)對晚期鼻咽癌的放療后預(yù)測精度低的現(xiàn)狀，我們對118例晚期鼻咽癌T1和DCE MR圖像做了超過3年時間的隨訪，并結(jié)合970個影像組學(xué)特征，和臨床病理信息進(jìn)行分析，在此有效預(yù)測該類患者的預(yù)后，準(zhǔn)確度超臨床指標(biāo)的10%。

再舉一個例子，我國是肝癌大國，肝纖維化、肝硬化、肝癌是肝癌患者的病變?nèi)角?/p>

所以，對于肝癌患者的治療，準(zhǔn)確判斷他們的肝纖維化非常重要。過去醫(yī)生一般用超聲診斷，但是超聲的判斷準(zhǔn)確率只有百分之六七十左右。想要準(zhǔn)確判斷還需要做一個痛苦的工作：肝穿。用一根穿刺針穿到病患肝里面用病理學(xué)組織來確定到底有沒有纖維化，從而決定用不用抗病毒的治療方法。

問題來了：能不能用人工智能技術(shù)來處理這些數(shù)據(jù)，不做肝穿也能達(dá)到跟它一樣的病理學(xué)效果。

針對這個問題，我們走訪了12家醫(yī)院，采取了600多份數(shù)據(jù)樣本，用深度學(xué)習(xí)來提取它的特征，實測表明，在使用過程中，人工智能的預(yù)測結(jié)果與肝穿方法非常一致。

換句話說，它能夠代替以往的肝穿治療方式，讓病患不需忍受痛苦，用幾張圖片就能達(dá)到絕佳效果。

三、影像組學(xué)新模態(tài)應(yīng)用

在后來的研究過程中，有相關(guān)醫(yī)生提出，炎癥會不會對結(jié)果產(chǎn)生影響。可以肯定地說，人工智能在對輕度炎癥困擾上沒有差別；對于重度炎癥有一些差別，但是影響不大，準(zhǔn)確率還是會遠(yuǎn)遠(yuǎn)高于人工判斷。

后來又有人提出，能否將該技術(shù)轉(zhuǎn)化為一個軟件，做商業(yè)化應(yīng)用。后期驗證過程中，我們發(fā)現(xiàn)無論是輕度肝硬化還是重度肝硬化，效果都比較魯棒，適合醫(yī)院臨床應(yīng)用。

在這里我必須強(qiáng)調(diào)一點，人工智能在醫(yī)學(xué)上的應(yīng)用最好是以問題導(dǎo)向，有了問題再找方法，再去解決。我們可以源于臨床，高于臨床，這時候我們再商業(yè)化應(yīng)用，醫(yī)生們就不會抵觸，他會主動來使用，因為可以很好地幫助他們輔助診斷。

以上是從臨床角度講了人工智能在醫(yī)學(xué)上的應(yīng)用。接下來我再從技術(shù)角度來講人工智能、模式識別、大數(shù)據(jù)在醫(yī)學(xué)上應(yīng)用的進(jìn)展。

四、影像組學(xué)的關(guān)鍵技術(shù)

以腫瘤治療為例來說。

首先是腫瘤分割，一般可能需要醫(yī)生先進(jìn)行勾畫，然后可以用機(jī)器學(xué)習(xí)的方法進(jìn)行半自動或者全自動的分工，這些分割都可以提取相關(guān)的影像組學(xué)的特征，使得我們用人工智能的方法來建模分析。這一塊的技術(shù)方法有很多，但是坦率說，哪種方法好，還得針對你遇到的問題。

第二方面是特征描述，影像組學(xué)、人工智能并不是比人更加聰明，只不過醫(yī)生讀片時，人眼提取的信息永遠(yuǎn)是以形狀為主的，以結(jié)構(gòu)為主的。

而從影像組學(xué)提取的特征，是強(qiáng)度、紋理、小波，最大值、標(biāo)準(zhǔn)方差、灰度矩陣這些特征，人眼是沒法看的，同時人腦也難以加工。

對于計算機(jī)來說，恰恰是它最為擅長的。

所以在特征選擇上，計算機(jī)選擇的特征和人眼識別的特征形成了互補(bǔ)關(guān)系。如果我們能用計算機(jī)提取高維特征，包括毛刺、分葉等信息，再融合年齡、性別、家族史等信息，肯定是1+N>N，我們就能實現(xiàn)人機(jī)交互、計算機(jī)和人協(xié)同工作，從而使得我們的醫(yī)學(xué)更為精準(zhǔn)。

選擇特征的時候切記要多多益善，特別是把這些高維特征提取得越多越好。還有一個非常重要的點，為什么現(xiàn)在影像組學(xué)、人工智能熱，就是這些高維特征含有基因蛋白這些微觀信息，在這些宏觀的影像上的體現(xiàn)，只不過過去人眼提取不了，但現(xiàn)在計算機(jī)提取了，把這些信息來進(jìn)行系統(tǒng)加工，使得我們的預(yù)測更加精準(zhǔn)

提取特征之后，還有一項非常重要的工作是降維。共有四類主要特征降維方法：稀疏選擇、空間映射、神經(jīng)網(wǎng)絡(luò)、遞歸排除。

針對具體臨床問題，業(yè)界還采用建立計算機(jī)定量影像特征與所研究臨床研究問題標(biāo)簽之間的分類模型。主要運(yùn)用了兩類模型：

SVM模型：從影像大數(shù)據(jù)原始像素出發(fā)，提取高維手工設(shè)計特征并進(jìn)行特征選擇，構(gòu)建影像特征與臨床問題的分類模型。

CNN模型：在影像大數(shù)據(jù)的原始像素的基礎(chǔ)上，該模型可自主挖掘與臨床問題相關(guān)的影像組學(xué)特征，構(gòu)建影像特征與臨床問題的分類模型。

至于建模部分，前面很多講者也講了很多模型，人工智能、深度學(xué)習(xí)有一系列的模型，無所謂哪種模型好，關(guān)鍵是針對你的問題，你是要做生存期預(yù)測，還是要做療效評估，針對我們在醫(yī)學(xué)上不同的使用的對象和問題，我們應(yīng)該選擇不同的方法。

有了方法之后，我們構(gòu)建的模型可以提高分類精度，甚至能達(dá)到主治醫(yī)生的水平，大家已經(jīng)看到了很多例子，我就不展開細(xì)說。

但是這里面還有一個非常重要的環(huán)節(jié)，是我們做計算機(jī)、做工科最容易忽視的：我們往往把模型建出來，就直接把這些結(jié)果拿給醫(yī)生去看，希望醫(yī)生可以去使用。

這時候，你一定會吃閉門羹，因為醫(yī)生肯定會說這不是我需要的東西，你這些模型我看不懂，我根本沒法用。

所以后期非常重要的步驟就是：要讓他們看圖識字，要把這些數(shù)據(jù)可視化。你給醫(yī)生們一大堆模型，他會覺得很難懂，換成圖片之后，他就覺得非常好用，我們要從醫(yī)生的角度看問題，把模型可視化。

另外，計算機(jī)處理離不開數(shù)據(jù)，這些數(shù)據(jù)質(zhì)量到底怎么樣，我們也要從醫(yī)生的觀點來看待它。

去年臨床腫瘤學(xué)雜志上發(fā)表了一篇文章，是以荷蘭大夫為主發(fā)表的，他在談數(shù)據(jù)質(zhì)量標(biāo)準(zhǔn)的評價，給出了16個評價標(biāo)準(zhǔn)，36分是滿分，進(jìn)行數(shù)據(jù)質(zhì)量打分，而且他也會編程序，編一些簡單的程序，把它放到網(wǎng)上，你直接填表打分，最后告訴你數(shù)據(jù)質(zhì)量是怎么樣的，我覺得目前也是對醫(yī)學(xué)用人工智能判斷，用影像組學(xué)第一個比較公開的數(shù)據(jù)標(biāo)準(zhǔn)，值得大家借鑒、參考。

五、人工智能+醫(yī)學(xué)影像的未來展望

剛才我從技術(shù)方面談了人工智能怎么針對醫(yī)療問題，用什么樣的方法解決。涉及分割、特征提取、模型構(gòu)建、模型可視化、質(zhì)量控制5個環(huán)節(jié)。

最后我想提一下人工智能在醫(yī)學(xué)影像應(yīng)用未來的發(fā)展方向，主要涉及到人工智能的方法、數(shù)據(jù)、軟件、共享平臺。

我們現(xiàn)在不缺方法，也有很多數(shù)據(jù)，也有各種各樣的軟件，但是我缺乏交流共享的平臺，我們這個會議也是一個交流共享的平臺，我也建議我們相關(guān)企業(yè)在會后把相關(guān)的資源共享出來，這樣可以更好地促進(jìn)人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用。

我先從模型講起，這幾年人工智能的模型有很多，有卷積神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)、博弈進(jìn)化模型，數(shù)據(jù)也在不斷地增多，智能程度也在不斷地提高，所以我做了一個二維的方陣來說明這個問題。

遷移學(xué)習(xí)經(jīng)過大數(shù)據(jù)訓(xùn)練，我們可以在醫(yī)學(xué)的小數(shù)據(jù)上提取到復(fù)雜的影像特征，而且這些特征還有很好的解釋性。與此同時，我們所提取的高維特征又會帶來一個挑戰(zhàn)，臨床醫(yī)生表示看不懂且不知道有何意義。

此時，我們無法對于醫(yī)生的困惑做出解釋，因為這是計算機(jī)分析出的結(jié)果，我們不能說它跟肝的哪個血管對應(yīng)，跟腎的哪個細(xì)胞對應(yīng)。

但是我們也可以把這些特征，用強(qiáng)特征分布的熱點圖表達(dá)出來，它有一定的可視化，對這樣的強(qiáng)特征的熱點圖，你去做穿刺或者靶向治療的時候，穿刺效果就會非常好。

與此同時，我們還可以用遷移學(xué)習(xí)的深度學(xué)習(xí)方法來提高肺癌基因突變預(yù)測的精度。

遷移學(xué)習(xí)模型是經(jīng)過128萬張圖片訓(xùn)練出來的，我們做肺癌的時候可能沒有這么多圖像，但是如果我們想要提高它的預(yù)測精度，我們用前面圖像訓(xùn)練過的模型可能也會得到比較好的效果。

另外，大家知道現(xiàn)在博弈進(jìn)化模型比較熱，它可以讓機(jī)器學(xué)習(xí)提高智能程度，這在醫(yī)學(xué)上的應(yīng)用也非常重要。

需要指出的是，我們用人工智能做組學(xué)分析，我們需要多病種、多模態(tài)、多中心、多參數(shù)的數(shù)據(jù)融合，在這一塊，還有非常重要的點是數(shù)據(jù)標(biāo)準(zhǔn)，雖然我們國家這一塊現(xiàn)在已經(jīng)非常重視，做了一系列的籌備，但是目前為止還沒有出來一個影像大數(shù)據(jù)的數(shù)據(jù)標(biāo)準(zhǔn)，或者數(shù)據(jù)規(guī)范化的行業(yè)標(biāo)準(zhǔn)，所以依然是一個挑戰(zhàn)。

目前，我們醫(yī)院有大量的數(shù)據(jù)，大量的數(shù)據(jù)不代表就是大數(shù)據(jù)，我們需要經(jīng)過數(shù)據(jù)清洗，影像的數(shù)據(jù)相對來說還比較規(guī)范一些，但是病理的信息、治療的信息、預(yù)后的信息我們都需要有，才能使得人工智能做更準(zhǔn)確的預(yù)測。

所以在這里我也想說，前面我舉的那些例子，淋巴清掃的工作，原來我們是想做生存期預(yù)測的，但生存期預(yù)測我們需要兩年以上的病人隨訪，因此很多信息的提取還需要醫(yī)療從業(yè)人員去科普，需要讓患者知道，我們做臨床研究需要大量的信息才能做綜合。

幸運(yùn)的是，我們國家人口多，病人多，所以數(shù)據(jù)也是我們的天然優(yōu)勢，這幾年我們配合不同的醫(yī)院采取的數(shù)據(jù)，包括兒童水果細(xì)胞瘤這樣一種眼底的腫瘤，我們都能收集相關(guān)數(shù)據(jù)；肺癌、乳腺癌的數(shù)據(jù)量更大。這些數(shù)據(jù)不太牽涉到隱私，我們提取的都是高維信息，我們也不需要存原始圖象，所以從某種意義上說這些數(shù)據(jù)的隱私性是比較好解決的。

有了數(shù)據(jù)，我們還需要軟件，我們可以開發(fā)各種各樣的軟件，特別是醫(yī)學(xué)圖象處理的軟件，我們實驗室有三個軟件，第一個是MITK，是醫(yī)學(xué)軟件的集成平臺，包含重建、分割可視化；還有一個是3D軟件；另外我們還有一個影像組學(xué)的軟件，全部是開源的，在我們的網(wǎng)站上可以下載。

人工智能在醫(yī)學(xué)上的應(yīng)用一定要醫(yī)工交叉，我們工科的人要穿上醫(yī)學(xué)的馬甲，了解醫(yī)學(xué)的問題，參加醫(yī)學(xué)的會，了解醫(yī)生的需求，作為醫(yī)生也要對工科的方法知其然，你也許不知其所以然，但是你要知其然，這樣我們才能源于臨床，高于臨床，又回歸臨床，不只是看一個病，不只是一個軟件。

我就匯報到這里，敬請各位批評指正，謝謝大家。（完）

觀眾提問：剛才您說了要從影像里面提取高維信息，并且說了要源于臨床，最后還要回歸臨床，這些高維信息是由誰來提？是醫(yī)生來提，還是我們工科的人來提？我還聽說您那里面有的有400個高維信息，我看到有的文章好像更多，這些信息是怎么提出來的？

田捷教授：這個問題提得非常好，也非常關(guān)鍵。如果用計算機(jī)去做，還是停留在結(jié)構(gòu)特征上，我們能彌補(bǔ)一些醫(yī)生的錯誤，但是不能輔助診斷。

剛才舉例子講的這些高維信息，它到底有沒有用，醫(yī)生也不知道，我們也不知道，但是用計算機(jī)、深度學(xué)習(xí)把它提取之后，我們只能嘗試，有些問題可能能很好地解決，有些問題現(xiàn)在還解決不了，我們只是提取這幾百個甚至上千個特征，跟那些特征、病理信息融合在一起，我們再去篩選，把關(guān)鍵的信息提取出來，這是降維，最后再建模，然后取得一個好的結(jié)果。

跟醫(yī)生在交互的過程中，這些特征是人眼看不了的，醫(yī)生也搞不清楚，我們拿這些特征去投稿的時候，大部分醫(yī)生是看不懂的，我們投到醫(yī)療雜志上，他會問你這到底有什么效果，我們說不清楚，所以我們把那些東西變來變?nèi)?，終于變成熱力圖的模式，最后說明這可能是腫瘤的中心地帶，它能反映這樣的問題，他能看懂了，知道這是有問題的，然后就接受了我們的論文。

我們這些特征不僅僅說明它有用，還要想辦法跟醫(yī)生溝通，把這些特征變成可視化的，讓醫(yī)生能接受，說明它的臨床意義。這也是一個痛苦的交互過程。

觀眾提問：剛才我看到您的遷移學(xué)習(xí)的工作，把上百萬張自然圖像遷移到肝臟的醫(yī)學(xué)圖像上，但是我看到有文章說遷移學(xué)習(xí)必須要有醫(yī)學(xué)的意義，如果您這樣做的話，讓自然圖象遷移到醫(yī)學(xué)圖像上，它的臨床意義在哪兒？醫(yī)生會接受這樣做嗎？

田捷教授：醫(yī)生能不能接受，關(guān)鍵看臨床效果，關(guān)鍵看你能不能針對臨床解決問題。

我沒有去計算機(jī)視覺的會議，我現(xiàn)在反而是跑到美國臨床腫瘤學(xué)會、美國腫瘤學(xué)會的會議上，你要到臨床醫(yī)生那里，讓他們“折磨”你，找出他們能接受的臨床效果和臨床意義，這時候你的模型才真正起作用，我們老在計算機(jī)視覺會議上談我的方法和參數(shù)好，我覺得意義不大，當(dāng)然能寫文章，只是把紙變成錢。

所以我說我們技術(shù)人員要穿上醫(yī)生的馬甲，到醫(yī)學(xué)的會議上交流。我是工科生，但近些年我沒有發(fā)表一篇計算機(jī)方面的文章，都是醫(yī)學(xué)的文章。這一點我非常自豪，我能在醫(yī)學(xué)的雜志上發(fā)文章，就非常具有臨床意義，因為審稿人都是醫(yī)生，說明我已經(jīng)穿上醫(yī)生的馬甲了。

我認(rèn)為，這是所有想在醫(yī)學(xué)領(lǐng)域深耕的工科生都需要做出的轉(zhuǎn)變，必須站在醫(yī)生的角度去思考問題，讓他們來當(dāng)裁判，讓他們來鑒別。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。