0
近兩年，醫(yī)療AI領(lǐng)域可謂是熱鬧非凡。IT界人士和醫(yī)生都在積極推動AI在醫(yī)療行業(yè)的落地應(yīng)用。新的玩家和產(chǎn)品方案層出不窮，但真正能走向臨床應(yīng)用的卻少之又少。原因之一就在于，醫(yī)生和工程人員之間缺少足夠的合作與信任。
因此，日前在成都召開的圖像計算與數(shù)字醫(yī)學(xué)國際研討會（ISICDM2017），430多位來自信息科學(xué)（含計算機與電子工程等學(xué)科）、數(shù)學(xué)與醫(yī)學(xué)等領(lǐng)域的專家學(xué)者與臨床醫(yī)生聚首成都，圍繞人工智能+醫(yī)療、醫(yī)學(xué)圖像分析等話題展開了深入的交流與探討。
作為本次大會的獨家媒體，雷鋒網(wǎng)對多位專家進行專訪，并全程記錄了各個精彩報告。
大會特地設(shè)置了3小時的圓桌討論環(huán)節(jié)，讓AI學(xué)者、醫(yī)生和企業(yè)家同臺對話，開誠布公地交流各自對“AI+醫(yī)療”的看法和希冀。
作為此次圓桌討論的嘉賓，美國北卡大學(xué)沈定剛教授，四川省腫瘤醫(yī)院周鵬博士，中華醫(yī)學(xué)會病理學(xué)分會主任委員、原四川大學(xué)副校長步宏教授，視見醫(yī)療創(chuàng)始人陳浩博士，微軟亞洲研究院副院長張益肇博士，江蘇省人民醫(yī)院放射科主任醫(yī)師唐立鈞博士，科大訊飛醫(yī)CEO陶曉東博士（嘉賓名單按座位順序從左往右進行排序），一致認為“AI+醫(yī)療”除了數(shù)據(jù)和算法，還必須要有醫(yī)生的深度參與。
幾位嘉賓圍繞“AI在醫(yī)療領(lǐng)域的應(yīng)用”“AI與醫(yī)生的關(guān)系”“深度學(xué)習(xí)是否是‘萬金油’”“深度學(xué)習(xí)在醫(yī)療中的不可解釋性”，以及“醫(yī)生和AI專家的合作方式”等話題展開了思想交鋒。觀點犀利之余不失幽默。
以下是圓桌討論內(nèi)容（上篇），雷鋒網(wǎng)做了不改變原意的編輯：
主持人：今天的討論主題是“AI+醫(yī)療的機遇和挑戰(zhàn)”。首先有請幾位嘉賓談?wù)剬Α癆I+醫(yī)療的機遇和挑戰(zhàn)的看法。
沈定剛：我來自北卡羅來納大學(xué)教堂山分校。我在上海交大拿了本科、碩士、博士學(xué)位，并于1999年前往美國約翰霍普金斯大學(xué)醫(yī)學(xué)院放射科開始做醫(yī)學(xué)圖像分析方面的工作。我認為，人工智能或者深度學(xué)習(xí)跟我在上海交大研究的神經(jīng)網(wǎng)絡(luò)其實是一模一樣的。我在2012年最早將深度學(xué)習(xí)用在了醫(yī)學(xué)成像當中，我認為這項技術(shù)是非常好的。
周鵬：我是來自四川省腫瘤醫(yī)院的一名影像科醫(yī)生，非常有幸跟大家交流。我從2014年開始做早期肺癌篩查項目的研究，并不知不覺接觸到了AI。
最近四年，我們積累了5000多例0.625毫米的標準、薄層、低劑量圖像，用于計算機輔助診斷。這兩年AI技術(shù)發(fā)展起來以后，我們覺得終于有機會做一個真正的全流程整體解決方案。因為AI在識別薄層圖像時可以起到非常好的效果。
步宏：我也是一名醫(yī)生，但我是一名思維比較反叛的醫(yī)生，一直想在行業(yè)里折騰點事情。我在自己負責(zé)的中國病理醫(yī)生群里率先提出了推廣AI的想法，最開始大家都不了解或不想了解我在說什么。但很快大家討論AI的熱情就比我還高。另外，我供職的四川大學(xué)華西醫(yī)院也剛剛成立了一個醫(yī)學(xué)AI研究中心，任命我擔(dān)任主任。這個醫(yī)學(xué)AI中心已經(jīng)運行一段時間了，可惜還沒有建立起很好的狀態(tài)。
我對AI的看法可以概括為以下幾點：一、AI是一門非常有生命力和前景的技術(shù)，但醫(yī)生和IT界人士還沒有建立起信任與合作。二、醫(yī)學(xué)AI技術(shù)的發(fā)展還沒有走上“康莊大道”，仍然有許多問題需要解決。我在今年10月26日的中國病理大會上募集了一些項目，但這些項目沒有一個真正走到了臨床階段。三、我從醫(yī)三十多年，總結(jié)出一點：醫(yī)學(xué)是一門非常年輕的學(xué)科，任何其他學(xué)科往醫(yī)學(xué)領(lǐng)域的滲透都將取得非常豐厚的回報。
陳浩：我在香港中文大學(xué)讀博士的時候，和團隊在人機大賽中贏得了十幾項冠軍。我們當時和很多醫(yī)院建立合作，但我總感覺離臨床問題還是太遠，所以畢業(yè)后又創(chuàng)立視見醫(yī)療這家公司。我們希望能用自己的努力真正推動醫(yī)療AI和社會的發(fā)展。
我們也意識到，目前醫(yī)療AI有些過熱。如何保證行業(yè)沿著正確的方向發(fā)展呢？我認為必須醫(yī)工深度結(jié)合。
張益肇：我來自微軟亞洲研究院，我們研究院主要做基礎(chǔ)研究。在微軟做基礎(chǔ)研究的專家就和斯坦福和哈佛的教授一樣，需要做很多新技術(shù)的研究工作，發(fā)表論文。我們在很多不同的學(xué)術(shù)會議都發(fā)表了大量論文。
我們08年左右開始做醫(yī)療相關(guān)研究，醫(yī)學(xué)影像方面的研究則是09年前后開始的。之所以做這些研究是因為，我們認為醫(yī)療從社會的各個方面——不管是對百姓生活的幸福程度，還是社會資源的消耗，都將產(chǎn)生非常重大的影響。我們相信人工智能技術(shù)將對推動社會做出非常大的貢獻，幫助瞞住人們不斷提高的醫(yī)療需求。
人工智能——目前主要是機器學(xué)習(xí)，有很大的發(fā)展空間。假如我們現(xiàn)在意識到數(shù)據(jù)的重要性，開始收集數(shù)據(jù)；不同學(xué)科之間交叉配合，一定可以做很多事情。
比爾·蓋茨曾經(jīng)講過一句話：人們通常會高估任何技術(shù)兩年后產(chǎn)生的影響，卻低估它十年后的影響。從某種程度上來說，人工智能現(xiàn)在是被高估的。很多人認為，既然人工智能在圍棋這么難的領(lǐng)域都可以打敗世界冠軍，那它還有什么不能做的呢？但其實不是這樣的。舉個例子，在座各位很多都會開車，把一部車從這里開回你家要比打敗圍棋冠軍簡單得多，但現(xiàn)階段人工智能卻無法完成。所以說，我們對AI的能力還沒有很清晰的認識，不知道哪些是它擅長哪些是它不擅長的。
今天這種活動很有意義，可以促進IT界人士和醫(yī)生的交流，加深對彼此的了解。有了充分了解的前提，我們才能在十年后將人工智能的價值發(fā)揮到最大。
唐立鈞：我參加這次會議的初衷源于和李純明教授在微信上的一次談話。他跟我說，“李開復(fù)講，再過十年影像科醫(yī)生將全部失業(yè)，人工智能將取而代之。”為此，我特意買了李開復(fù)的書來讀。讀完之后，我還是不知道人工智能究竟可以達到怎樣的程度。我希望借這次機會和大家好好討論一下。
陶曉東：現(xiàn)在不談AI+醫(yī)療都不好意思出去和別人吃飯，由此可見AI+醫(yī)療的機遇有多大。AI+醫(yī)療的飛速發(fā)展建立在信息化普及和大數(shù)據(jù)積累的基礎(chǔ)之上。像剛剛張益肇院長講到的那樣，如果我們認識到了AI和醫(yī)生分別能做什么，不能做什么，并讓他們?nèi)プ龈髯陨瞄L的事情；AI+醫(yī)療將擁有非常好的機遇。
另一方面，AI+醫(yī)療面臨的挑戰(zhàn)也在于信息化和大數(shù)據(jù)。以前醫(yī)生無法看到大量歷史數(shù)據(jù)，現(xiàn)在有了信息化手段以后，大量歷史數(shù)據(jù)呈現(xiàn)在醫(yī)生面前；但醫(yī)生需要的不是數(shù)據(jù)而是數(shù)據(jù)背后的信息。如何用更好的手段分析數(shù)據(jù)，是非常大的技術(shù)挑戰(zhàn)。
現(xiàn)在大家都在提大數(shù)據(jù)，但數(shù)據(jù)到底有多干凈，能在多大程度上幫助醫(yī)生做決策，我們必須考慮清楚。假如無法從源頭上控制數(shù)據(jù)的完整性和準確性，人工智能不過是“garbage in，garbage out”。
主持人：非常感謝各位嘉賓。由于每位嘉賓的職業(yè)和學(xué)科背景不同，他們對AI的看法也有所不同。我們聊“AI在醫(yī)療領(lǐng)域的機遇和挑戰(zhàn)”，一大基本點就在AI技術(shù)。我們知道，這次AI浪潮的興起源于深度學(xué)習(xí)。現(xiàn)在不管學(xué)術(shù)會議和期刊論文上談的都是深度學(xué)習(xí)，給人一種深度學(xué)習(xí)可以解決一切問題的感覺。因此我想請教沈教授、陶博士和陳博士三位機器學(xué)習(xí)專家，深度學(xué)習(xí)究竟是不是“萬金油”？
沈定剛：深度學(xué)習(xí)為什么比很多其他方法——比如sparse learning更好用呢？它實際上是把很多問題分解成了一個個的小問題，如果前面的layer沒有完成的，由后面的layer來完成。
那么深度學(xué)習(xí)是不是真的能取代其他算法呢？我認為，任何新技術(shù)的出現(xiàn)——就像sparse learning一樣，總是先在所有領(lǐng)域都嘗試一遍，把容易的問題解決之后，最后就剩下了硬骨頭。deep learning也是如此。
很多算法最終的應(yīng)用都需要相應(yīng)的專業(yè)知識，并非所有人都能用。現(xiàn)在連本科生都可以寫深度學(xué)習(xí)的CVPR論文，但幾年后會變得非常困難，你必須懂得專業(yè)知識。很多人說深度學(xué)習(xí)要取代醫(yī)生，我認為這是完全不可能的。如果深度學(xué)習(xí)運用得當，確實可以解決很多問題，但你必須掌握相應(yīng)的專業(yè)知識才能很好地運用它。此外，一些傳統(tǒng)方法如果能夠和深度學(xué)習(xí)結(jié)合起來，將取得更好的效果。
陶曉東：深度學(xué)習(xí)并沒有那么神秘，它只是一個工具。任何工具都有它的用途和局限，我們明白它的局限在哪。就像沈定剛教授所說，不斷去試，一段時間之后就知道它的邊界在哪了。我們要找到合適的場景去使用這個工具，這一點很重要。
BAT的老大們曾經(jīng)隔空爭論，數(shù)據(jù)、場景和技術(shù)哪個重要。如果脫離應(yīng)用場景，三者都可能是最重要的，但在具體場景中，肯定有一者更重要些。深度學(xué)習(xí)并不一定是最佳選擇，但如果你的工具箱里只有它，那么也就只好用它。假如你還有其他工具和對專業(yè)知識的充分理解，就能找到最好的途徑去解決問題。
現(xiàn)在有很多開源的深度學(xué)習(xí)算法，門檻非常低，但并非所有人都能理解，修改一個參數(shù)之后會有怎樣的后果。這必須對深度學(xué)習(xí)有非常深的理解才行。
陳浩：深度學(xué)習(xí)確實是萬金油，但油的質(zhì)量如何，其效果因場景和數(shù)據(jù)的不同都會有所差異。
主持人：三位專家不僅詳細介紹了深度學(xué)習(xí)，還提出了一個重要觀點——深度學(xué)習(xí)只是個工具。我想告訴各位在座的聽眾，深度學(xué)習(xí)不只有輸入和輸出，大家還要了解它的層數(shù)、參數(shù)和最基本的原理，只有這樣你們的科研才能繼續(xù)往前。
近年來，深度學(xué)習(xí)在醫(yī)學(xué)影像領(lǐng)域的應(yīng)用取得了很好的效果，但它跟傳統(tǒng)的臨床醫(yī)學(xué)路徑不太一樣，相當于一個“黑盒子”。我想知道醫(yī)生是如何看待這個問題的，你們能否接受一個效果很好但卻無法解釋的“黑盒子”？
唐立鈞：謝謝主持人的問題。其實剛才我也在思考這個問題。聽了前面幾位嘉賓的分享，我對人工智能和深度學(xué)習(xí)有了一些認識。下面我結(jié)合自身的體會簡單談?wù)劇?/p>
十年前我在美國做訪問學(xué)者的時候，非常羨慕美國的體制，他們的跨學(xué)科結(jié)合做得非常好?；氐絿鴥?nèi)以后，就覺得缺少這樣的環(huán)境。一方面，醫(yī)院請不起理工科的學(xué)者，也不愿意付錢給他們；另一方面理工科的專家和企業(yè)家也很少來找我們。企業(yè)來找我們，一般是來賣機器而不是談合作的。
這些年來外部環(huán)境一直在改變，我也在努力尋找跨學(xué)科合作的機會。我和東南大學(xué)計算機系的楊冠羽博士已經(jīng)合作了很多年，期間我一直在思考，到底該以怎樣的方式合作。楊冠羽博士是研究圖像分割的，所以我們準備在這方面做些研究，但一直無法取得突破。我們的合作始終停留在申報課題，申請經(jīng)費，我向他提供數(shù)據(jù)，一起發(fā)表論文的階段。
今年我想到了一個主意，利用CT來測量腎功能的間閾值。這并不是什么新課題，但過去缺少人工智能和深度學(xué)習(xí)的手段，沒有辦法研究。我從今年開始，參考別人的文獻做這方面的研究，也取得了一點成績。接下來，我準備將我的研究成果寫在報告里進一步推廣。我舉這個例子就是想說明，我并不關(guān)心使用的到底是深度學(xué)習(xí)還是其他方法，重點是要能解決我在臨床上遇到的問題。
當然，學(xué)術(shù)界和企業(yè)界跟我的出發(fā)點不太一樣。學(xué)術(shù)界有文章、課題方面的壓力，所以他們找醫(yī)生合作的主要目的是數(shù)據(jù)。他們也不關(guān)心數(shù)據(jù)的質(zhì)量好壞，反正有數(shù)據(jù)就能做出東西來，再戴上深度學(xué)習(xí)的帽子就能發(fā)表論文。論文發(fā)表以后就能申請職稱、課題和獎項。
企業(yè)界和學(xué)術(shù)界又有所不同，企業(yè)投入資金和資源后需要看到產(chǎn)出。這無可厚非，因為商場就是這樣的。
但對于醫(yī)生來說，我們有一點被利用了的感覺。醫(yī)生的作用好像就是給學(xué)術(shù)界和企業(yè)界提供數(shù)據(jù)，作為回報，我們可以以共同作者或通訊作者的身份出現(xiàn)在論文中。雖然這也有一些用處，但并非我們想要的結(jié)果。
這樣一來，就出現(xiàn)了矛盾：一方面企業(yè)投入了金錢、人力和資源，假如沒有產(chǎn)出，他們肯定不樂意；另一方面醫(yī)生貢獻了數(shù)據(jù)，假如企業(yè)無法幫助他們解決實際問題，他們?yōu)槭裁匆獏⑴c呢？我認為這是目前存在的最大矛盾。
關(guān)于“黑盒子”，我以前聽過一個講座，覺得很有道理。演講人提到，他跟病理科醫(yī)生討論時，發(fā)現(xiàn)深度學(xué)習(xí)中的一個參數(shù)和病理科臨床中的一個現(xiàn)象很吻合。如此看來，深度學(xué)習(xí)并不是“黑盒子”，而是可以用臨床上已有的知識來解釋的。
假如深度學(xué)習(xí)真的是“黑盒子”，我們肯定不放心，因為我們面對的是病人，再加上近些年醫(yī)患關(guān)系緊張，多方面的矛盾十分尖銳。
我們每天都要看很多片子，寫很多報告，容易犯錯。比如，在男性患者的診斷報告上寫“子宮正?！保蛘咴谂曰颊叩脑\斷報告上寫“睪丸、前列腺正常”。因為我們有時候?qū)憟蟾鏁?fù)制模板，復(fù)制的時候光注意最重要的部分，卻忽略了細節(jié)的地方。聽說現(xiàn)在已經(jīng)有了自動勘誤系統(tǒng)，可以糾正診斷報告中的錯誤。我想這也屬于人工智能應(yīng)用的一個范疇吧。
總而言之，作為一名影像科醫(yī)生，我關(guān)心的不是采用什么方法，而是要安全——不光是病人的安全，還有醫(yī)生的安全。
主持人：唐主任告訴我們一個道理，不管黑貓白貓，能抓到老鼠的就是好貓。但站在技術(shù)的角度，我們總要有所突破。我想問問沈定剛教授和張益肇院長，我們有沒有可能去解釋人工智能的算法？
沈定剛：這個問題從理論上來說是非常難的。當然，也有人在做這方面的研究，比如在腦部疾病診斷中，分析到底是大腦哪些區(qū)域的病變導(dǎo)致了老年癡呆或者自閉癥。方法就是把結(jié)果往前傳，通過function connectivity分析究竟哪些connectivity和疾病的診斷有關(guān)。不過我認為即使能做到也非常困難，如果要做到這一點，就必須在網(wǎng)絡(luò)設(shè)計方面做調(diào)整，要求網(wǎng)絡(luò)非常稀疏。
我是一名工程人員，做的所有問題都是為了解決實際問題，至于解釋可以通過其他方法來實現(xiàn)。很多事情都是難以解釋的，比如你去美國的教會，牧師會勸你信上帝。你也許會反駁，我都沒有看到上帝，為什么要相信他？但上帝就是無法解釋的。對于我來說，能解決問題就夠了。
張益肇：我覺得在某些情況下是可以解釋的。應(yīng)用機器學(xué)習(xí)的關(guān)鍵在于，如何確定它的可行度。機器不僅要做出判斷，還要給出它對判斷結(jié)果的自信程度。醫(yī)生做診斷，隨著經(jīng)驗的不斷積累，自信心會不變增強。相對應(yīng)的，機器在做判斷的時候會分析輸入在過去的訓(xùn)練數(shù)據(jù)中是常見的，還是處在邊緣的。假如輸入的信息是機器從來沒有見過的，肯定會出問題。
舉個例子，女性身上不可能出現(xiàn)男性的器官，這在過去是沒問題的，但是現(xiàn)在卻不好說，因為有變性人。如果機器從來沒遇見過變性人，它就會很武斷地說，既然是女性就不可能出現(xiàn)某個器官。
人的能力就強在可以綜合多種情況作出判斷，即使他不確定，他也知道自己是沒有把握的。機器則只是一個函數(shù)，輸入一個數(shù)據(jù)就會出來一個結(jié)果。雖然在某些情況下我們可以測算這個函數(shù)到底是用多少數(shù)據(jù)訓(xùn)練出來的，但它自己是沒有自覺的。
因此，人和人工智能需要相互配合——在機器沒有把握的時候，由醫(yī)生來做判斷，最終實現(xiàn)超人的智能。雙方必須建立起信賴，人要知道AI這個工具在什么時候是可靠，什么時候是不適用的。我認為在很多場景中，尤其是醫(yī)療這種包含很多變化的場景，絕對不能完全依靠機器。
主持人：聽完幾位專家對人工智能應(yīng)用的觀點和技術(shù)解析。接下來我想請問步宏校長，作為一名醫(yī)生您如何看待AI在醫(yī)療領(lǐng)域的應(yīng)用？你是否贊同前面幾位嘉賓的觀點？
步宏：前面的幾位嘉賓已經(jīng)達成了很多共識。我們醫(yī)生現(xiàn)在最怕的就是別人對我們說，“你們什么都不用管，只要給我數(shù)據(jù)，我就一定能做出成果來?！边@種人我遇到過很多。我覺得，不管未來AI多么智能，如果連最基本的醫(yī)學(xué)規(guī)律都不懂，只能算是另外一個星球的智能。
醫(yī)學(xué)并不是一門純粹的科學(xué)，還涉及很多人文、倫理的因素。理工科的人也許認為，只要把數(shù)據(jù)給他們就行了，但醫(yī)生還必須考慮哪些信息必須隱去，因為涉及到倫理。
現(xiàn)在很多醫(yī)生也開始做人工智能方面的研究了。我的學(xué)生也經(jīng)?？蠢砉た茖W(xué)者發(fā)表的論文，他們有時候會拿著論文跑過來對我說，“老師，你看！這篇論文連基本的醫(yī)學(xué)常識都沒有。是不是該給它加一個醫(yī)學(xué)的reviewer呢？”如果真的這么做，很多論文其實根本發(fā)表不出來。論文成功發(fā)表并不代表取得了成果，只說明在你reviewer的知識范疇中這種方法是可行的，實際應(yīng)用到臨床當中，就會暴露很多問題。
矛盾的核心在于，理工科學(xué)者和醫(yī)生之間的聯(lián)絡(luò)太少了。我一直想給醫(yī)生們開設(shè)一個人工智能入門培訓(xùn)班，邀請理工科學(xué)者向我們普及人工智能的優(yōu)勢在哪，以及什么樣的數(shù)據(jù)才是合格的。我絕不相信隨便拿一堆片子就能做出研究成果來。
大家都知道，醫(yī)生很忙。還有一些人雖然在醫(yī)院工作，卻不是醫(yī)生，缺少專業(yè)的醫(yī)學(xué)知識。真正能配合理工科專家做研究的醫(yī)生很少。所以我們一定要把這個橋梁打通?？偠灾S便拿一堆數(shù)據(jù)發(fā)論文這種事一定是沒前途的。
主持人：步校長說得非常好，也對做研究的人提出了更高的要求：不能光想著拿數(shù)據(jù)發(fā)論文，重點是解決實際的臨床問題。說到解決臨床問題，現(xiàn)在有很多公開數(shù)據(jù)集的競賽，全球有很多團隊參加這類比賽。陳浩老師的團隊已經(jīng)拿了好幾次全球冠軍了，我想問問他是如何看待這種公開數(shù)據(jù)集競賽的，以及這種競賽能不能解決臨床問題。
陳浩：的確，2013-2016年期間，我們拿了十五項挑戰(zhàn)賽的冠軍，有些挑戰(zhàn)賽非常正規(guī)，也有些不那么正規(guī)。我為什么參加這些比賽呢？因為沒有數(shù)據(jù)。當時我還在讀博士，有論文方面的壓力，求論文心切。
比賽和臨床問題有很多不同。首先，比賽的組織者已經(jīng)把問題定義得很清楚了，甚至已經(jīng)轉(zhuǎn)換成了數(shù)學(xué)問題。你不用分析問題，不用和醫(yī)生溝通，只要想著如何用算法解決問題就行了。
今天上午很多醫(yī)生和專家都提到了淋巴結(jié)轉(zhuǎn)移的問題。淋巴結(jié)轉(zhuǎn)移的圖像分割——也就是把所有淋巴結(jié)轉(zhuǎn)移的點都找出來，好的算法可以達到88%的準確率，我們和Google都達到了這一水平。醫(yī)生完成相同的任務(wù)需要半個小時，而且準確率只有73%。但醫(yī)生并不在乎分割的準確率有多少，他們關(guān)心的是淋巴結(jié)有沒有轉(zhuǎn)移，病灶在哪。因為在實際臨床過程中，醫(yī)生看一張片子的時間只有五六分鐘。所以說淋巴結(jié)轉(zhuǎn)移的圖像分割炒作成分大于實用價值，意義不大。
但如果把人工智能用在癌癥的初篩上，意義則大得多。假如人工智能可以篩去陰性的結(jié)果，即使準確達不到100%，只有百分之九十九點幾（和人類相當），也能在一定程度上減輕醫(yī)生的負擔(dān)。
我做企業(yè)的出發(fā)點之一就是想離臨床更近一些，和臨床醫(yī)生的交流碰撞，可以幫助我意識到哪些事情有價值，哪些是沒有意義的。我之前做了十幾項比賽，除了PET以外，幾乎所有影像領(lǐng)域都涉獵了一遍，但始終覺得和醫(yī)生的直接交流不夠。目前，我們和國內(nèi)35家醫(yī)院建立了合作，和醫(yī)生的交流碰撞讓我有了更深的理解，感覺非常舒服。產(chǎn)品的整個開發(fā)鏈條，從問題的定義、算法的開發(fā)，到產(chǎn)品的落地和使用反饋，從醫(yī)生中出來，最后又回到醫(yī)生中去，每個環(huán)節(jié)都需要醫(yī)生的參與。有人也許認為，算法的開發(fā)不需要醫(yī)生參與，這是不對的。前面有嘉賓提到，開發(fā)算法也需要醫(yī)學(xué)領(lǐng)域的專業(yè)知識。
主持人：剛才陳浩老師提到，他們參加一項比賽，機器的準確率達到了88%，而醫(yī)生的準確率只有73%，看起來AI似乎已經(jīng)超越了人類智慧。現(xiàn)在有很多類似的人機對戰(zhàn)，醫(yī)生和機器在同樣的場景中比試誰看得快、看得準。對于這樣的人機大戰(zhàn)，有很多不同的意見，有人質(zhì)疑比賽的規(guī)范性；也有人問，即使機器贏了比賽，到最終臨床落地又還有多少距離呢？我想聽聽周主任的看法。
周鵬：我覺得這種比賽挺好的，營造了一個很好的環(huán)境。我感覺人工智能已經(jīng)形成了風(fēng)口，但這股風(fēng)要吹到醫(yī)療影像領(lǐng)域很難，要吹遍整個醫(yī)療領(lǐng)域更是難上加難。最近我接觸了三家做圖像處理的公司，每家的研究方向都不一樣，我覺得有這種熱度很好。我擔(dān)心的是過幾天就退燒了。如果這種熱度能夠再持續(xù)三五年，大家聯(lián)合起來，一定能取得很多成果。因為中國的大部分醫(yī)生都很優(yōu)秀，數(shù)據(jù)也很豐富。
說到數(shù)據(jù)，必須強調(diào)一點，數(shù)據(jù)有很多種類。以CT為例，不同片子的厚度、劑量和分辨率都可能不一樣。不管你基于什么樣的數(shù)據(jù)和圖像舉行人機大戰(zhàn)，也許只是個噱頭，但是沒有關(guān)系，只要有人看，可以造成風(fēng)口就行。
關(guān)鍵是最終必須解決實際問題。我接觸過很多人，并且形成了一種印象，所有人都在做一種通用的軟件。我做早期肺癌篩查研究也做了很多年，但我并不想做什么CI、AI，我想做的是一套最規(guī)范的解決方案并推廣開來。我覺得AI在0.05毫米的薄層圖像上的準確性和敏感性肯定能超過醫(yī)生，這是毋庸置疑的。未來我們肯定要降低投影的劑量，這樣才能更安全。無論用AI做結(jié)節(jié)的分類還是標識，AI工程人員和醫(yī)生都要聯(lián)合起來，結(jié)合文獻和臨床信息制定好臨床策略，做獨立的整套解決方案，比如早期肺癌篩查的整套解決方案。
另外，我還有一個困惑，剛剛唐主任和步校長也提到過。我們醫(yī)生做的所有工作都是公開的，但我們不懂AI算法；合作開發(fā)完系統(tǒng)之后，工程人員可以把算法移植到相似的系統(tǒng)，這時我們就失去了作用。也就是說，工程人員和醫(yī)生缺少長期的合作關(guān)系。我認為，如果雙方能長期穩(wěn)定地合作，在某一個領(lǐng)域深挖下去，把這個領(lǐng)域打通，一定會比做一套通用的解決方案更有價值。而且我覺得做通用解決方案也不太現(xiàn)實。
主持人：周主任提到，醫(yī)生要的不是一款軟件，而是長期的合作伙伴。我想問問陶博士，訊飛推出了這么多醫(yī)療產(chǎn)品，您在和醫(yī)院的合作過程中，有沒有成為醫(yī)生的長期合作伙伴？
陶曉東：我前面提到過，技術(shù)人員和醫(yī)生的結(jié)合最重要。其實在醫(yī)療行業(yè)，技術(shù)不僅要為影像科、病理科服務(wù)，還要為臨床服務(wù)。只不過我們是通過影像科和病理科醫(yī)生最終服務(wù)于臨床的，服務(wù)于臨床是最高目標。在這個過程中，醫(yī)生的指導(dǎo)非常重要。
我常說，要用正確的工具解決正確的問題，即先準確地定義問題，然后尋找合適的解決手段。我經(jīng)常跟同事講，一個問題如果能用九十年代的技術(shù)解決，就不要想著用2000年的技術(shù)；如果能通過人和機器一起解決，就不要想著做全自動的方案?？傊?，不要總想著用最新的技術(shù)，關(guān)鍵是要能解決實際問題。回歸到醫(yī)療行業(yè)，我們要解決的是臨床問題，肯定需要醫(yī)生的合作，一起完成很多工作，并不斷碰撞出火花。所以，我是非常愿意和醫(yī)生做長期合作伙伴的。
主持人：謝謝陶博士。前面幾位主任介紹過，人工智能在醫(yī)療領(lǐng)域有很多應(yīng)用，比如腫瘤和細胞圖像的分割、疾病的鑒別診斷和預(yù)后，以及三維重建等等。我想請教各位醫(yī)生，你們認為除了前面這些，未來人工智能在醫(yī)療領(lǐng)域還有哪些應(yīng)用？
唐立鈞：我以科大訊飛為例，我去美國訪問的時候發(fā)現(xiàn)，美國的醫(yī)生時間也很緊。他們寫報告的時候總是先口述，用錄音機錄音，然后交給秘書打出來。
內(nèi)科和外科醫(yī)生要寫大病歷和醫(yī)療文書，不管是用筆寫還是用電腦打字速度都比較慢，需要花費很多時間和精力。如果能用語音識別來擔(dān)任“秘書”的角色，在醫(yī)院里肯定大受歡迎。我認為這是人工智能在醫(yī)療領(lǐng)域的應(yīng)用之一。
現(xiàn)在AI和深度學(xué)習(xí)都瞄準了放射科和病理科，瞄準了圖像領(lǐng)域。放射科是高度數(shù)字化的，有很多數(shù)字化的圖像，比如眼底圖，可以用于篩查糖尿病。但大多數(shù)人都存在一個思維誤區(qū)，這里我必須指出：影像科醫(yī)生并不是直接根據(jù)片子得出診斷結(jié)果的，還要結(jié)合病人的年齡、性別、家族史等臨床資料，過程非常復(fù)雜。病理科同樣如此，比如病理科醫(yī)生診斷一個病人是否患有腫瘤，一定要和放射科醫(yī)生和臨床外科醫(yī)生討論后才能下結(jié)論。
我必須強調(diào)這一點，否則你們真以為我們就只是個“看片子的”——病理科醫(yī)生看小片子，影像科醫(yī)生看大片子。假如真是這樣，你們不就把自己等同于一張片子了？
周鵬：我的看法差不多，只補充一點。人工智能會不斷發(fā)展和完善，醫(yī)學(xué)也會不斷發(fā)展。與此同時病變的發(fā)生率也在改變，醫(yī)生需要不斷學(xué)習(xí)，利用更新的技術(shù)解決臨床問題。過去幾年影像科發(fā)展非?？欤@得益于計算機技術(shù)的飛速發(fā)展。因此我們非常歡迎計算機領(lǐng)域的專家走進醫(yī)療領(lǐng)域，來了解醫(yī)生和臨床問題。但我希望你們不要光想著要數(shù)據(jù)，數(shù)據(jù)對醫(yī)生其實沒什么用。我希望未來我們可以共同合作，共同發(fā)展，以此共勉。
主持人：幾位嘉賓的真知灼見為我們描繪了一幅人工智能醫(yī)療的美好藍圖，同時也給出了如何實現(xiàn)這幅美好藍圖的建設(shè)性意見。下面是ISICDM2017大會程序主席、電子科技大學(xué)李純明教授的提問環(huán)節(jié)。
李純明：AI不可能完全取代醫(yī)生，這基本上已經(jīng)取得共識。但退一步來講，能否讓AI處理容易的病例，醫(yī)生只處理疑難的病例? 有醫(yī)生和AI專家認為，影像科醫(yī)生可以把所有片子交給AI讀片，需要的話還可以給AI輸入其它有用的臨床信息，比如最近的飲食、家族病史，等等，由AI對容易的病例——比如90%的病例自行做出診斷或生成讀片報告，剩余10%的疑難病例則交給醫(yī)生。這樣醫(yī)生就不用處理那90%的容易的病例，只要處理那些疑難的病例。通過這種方式應(yīng)用AI來減輕醫(yī)生的負擔(dān)，幾位嘉賓同意這個觀點嗎？
步宏：理論上說是一定可以做到的，AI要做的就是減輕人的勞動強度。但我認為不能簡單劃分為AI負責(zé)簡單的疾病，醫(yī)生負責(zé)疑難雜癥。該如何劃分呢？首先要弄明白計算機擅長什么，不擅長什么；以及人擅長什么，不擅長什么。只有想清楚了這一點，做出來的東西才有生命力。
現(xiàn)在有很多人用AI作病理方面的研究，但做細胞學(xué)研究的很少。事實上細胞學(xué)的規(guī)律要比組織學(xué)更簡單，目前已經(jīng)有細胞學(xué)方面的產(chǎn)品在市場上應(yīng)用了。比如，我們可以讓機器對細胞進行掃描，篩選出22個細胞，醫(yī)生只需要檢查這22個細胞就行了。這種工作的特點是重復(fù)性非常強。
國際上有這樣的規(guī)定：醫(yī)生不可以做婦產(chǎn)科片子的初篩工作，要由初篩員來做。并不是醫(yī)生不會看，而是醫(yī)生太忙了，不可能按照規(guī)定看夠那么長的時間。而且初篩員一天不能看超過100張片子，因為這種重復(fù)性工作做久了容易疲勞，這是人的弱點，反過來也是機器的長處。像前面提到的，必須三個醫(yī)生坐在一起討論的，只可意會不可言傳的事情，則是機器不擅長的。因此，不能按疾病的難易劃分，而要看規(guī)律的強弱。
李純明：曾經(jīng)有個醫(yī)生跟我說，AI很好，至少它可以解決容易的病例，醫(yī)生只要處理疑難病例就行了，大大減輕了工作負擔(dān)。但我認為這里存在一個邏輯問題，讓AI處理容易的病例，醫(yī)生只處理疑難病例的前提是，AI必須在輸出診斷結(jié)果的同時也告訴醫(yī)生哪些病例是容易的，哪些病例是疑難的。但我認為AI沒有自我意識，它無法告訴醫(yī)生哪些問題它處理起來比較棘手，也就不可能將疑難的病例交給醫(yī)生。除非把順序倒過來，讓醫(yī)生先把所有病例處理完，然后挑選出其中容易的病例交給AI解決。如果這樣的話，醫(yī)生既然已經(jīng)處理過容易的病例，既然認為它們是容易的，醫(yī)生是否已經(jīng)做出可靠的診斷? 還需交給AI嗎？這樣做是否真的減輕醫(yī)生的負擔(dān)?
沈定剛：我們把它當成了0和1的問題，即百分之九十的病人交給機器來處理，剩余的百分之十交給醫(yī)生，但真實應(yīng)用場景中不是這樣的。
AI幫助醫(yī)生的方式是告訴他某個病人患病的可能性。比如，醫(yī)生早上來到醫(yī)院，AI可以提前對所有片子進行排序，讓醫(yī)生在精力較旺盛的時候優(yōu)先處理比較復(fù)雜的片子，簡單的片子放在后面。這樣就已經(jīng)可以給醫(yī)生帶來很大的幫助了。此外，AI還可以告訴醫(yī)生某張片子的哪個區(qū)域沒有病變，只需掃一眼，哪些區(qū)域需要重點關(guān)注。
周鵬：疾病的難易是從診斷結(jié)果來判斷的，一開始并不清晰。醫(yī)生簽報告的時候并非所有的事情都交給AI。當然，假如以后AI足夠成熟了，不管疾病難易，我們都可以一并交給它處理，醫(yī)生只需要復(fù)核就行了。假如機器的診斷結(jié)果是陰性的，醫(yī)生可以不用再看，但如果出現(xiàn)陽性結(jié)果必須要手術(shù)，醫(yī)生肯定是要復(fù)核的。總之，我覺得未來醫(yī)生和AI最理想的合作方式就是把所有病人都交給AI，醫(yī)生只復(fù)核對病人影響最大的結(jié)果。
李純明：如果AI處理完后，還是要醫(yī)生來復(fù)核，那么我覺得AI給醫(yī)生帶來的幫助還是非常有限的，并沒有節(jié)省多少時間。周主任說只復(fù)核“對病人影響最大的結(jié)果”，難道對病人影響稍微小一點的就不用復(fù)核了嗎？這樣是否合理？
陶曉東：把難的片子交給醫(yī)生看，簡單的交給計算機，我認為這是不可能的。因為你必須先有一個算法判斷哪些是難的，哪些是容易的，這本身就很難做到。
但機器肯定可以替醫(yī)生減輕負擔(dān)。我們可以把一部分機器能夠解決的問題交給它處理，幫助醫(yī)生變得更加高效。我認為，人工智能主要需要解決三類問題：一、醫(yī)生沒時間去做的事；二、醫(yī)生需要工具輔助才能解決的事；三、簡化成像流程，讓其更加標準規(guī)范。標準化和規(guī)范化的好處在于，可以幫助醫(yī)生更方便地找到需要的信息。從這個角度來說，AI確實可以幫助醫(yī)生降低工作難度。
步宏：醫(yī)學(xué)上有風(fēng)險高低之分，風(fēng)險低的任務(wù)可以交給機器完成，風(fēng)險高的必須醫(yī)生親自處理。但對于風(fēng)險低的任務(wù)必須做質(zhì)控，比如機器篩除了90例患者，醫(yī)生必須對這90例患者進行抽查。
李純明：這同樣有一個前提，AI要能判斷風(fēng)險的高低。但我前面已經(jīng)說了，目前的AI還沒有自我意識，它不能自我評價整個計算過程難易程度和輸出結(jié)果的可靠性。它不會在輸出結(jié)果的同時也同時輸出一句話說“這個病例我處理得很糾結(jié)，我沒有把握，還是交給醫(yī)生來處理吧”。另外，什么樣的抽查比例才是合適的，我認為這也值得思考。
唐立鈞：我也簡單談?wù)?。我們影像科出報告是必須雙簽的。一般來說，年制比較高的醫(yī)生不用寫報告，而是交給下面的住院醫(yī)生和實習(xí)生寫。他們把報告寫好后我們再看一遍，如果沒問題就簽字，這就叫做雙簽。雙簽之后的報告就是正式文書了，具備法律效力。
我之前聽過一個演講，講得很中肯。里面提到，AI發(fā)展成熟以后可以部分替代住院醫(yī)生和實習(xí)生。比如由AI出報告，醫(yī)生來復(fù)核，從而減輕醫(yī)生的負擔(dān)。
另外，臨床上醫(yī)生需要對病情有動態(tài)的觀察。比如，病人第一次來醫(yī)院檢查，發(fā)現(xiàn)了小結(jié)節(jié)或者毛玻璃結(jié)節(jié)，醫(yī)生一般會建議其三個月或者六個月后來復(fù)查。醫(yī)生最煩看復(fù)查的片子了，因為病人雖然只做了一次檢查，醫(yī)生卻要將其所有的歷史檢查結(jié)果都看一遍。假如AI可以自動將結(jié)節(jié)的影像與歷史數(shù)據(jù)比較，分析密度、大小的變化，醫(yī)生很容易就可以得出診斷結(jié)論。
再比如體驗。以前都是用胸片體檢，不怎么能發(fā)現(xiàn)病灶，現(xiàn)在都改成用高分辨率的薄層CT了，光肺部就有幾百張薄層CT圖像。醫(yī)生檢查的時候起碼要看三四遍，否則就容易漏掉結(jié)節(jié)，工作量非常大。醫(yī)生疲勞的時候也容易犯錯，對結(jié)節(jié)熟視無睹。假如AI可以先把所有結(jié)節(jié)都圈出來，醫(yī)生就輕松多了。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。
專題
本專題其他文章
