核心觀點：
-
醫(yī)生認為存在哪些問題？第一是沒有行業(yè)標準，第二是AI與臨床醫(yī)生承擔的法律責任劃分，第三是醫(yī)生缺乏相應(yīng)AI的知識，第四是AI產(chǎn)品的可信度還達不到。
-
離我們臨床或者是落地最接近的AI技術(shù)就是肺結(jié)節(jié)，其次就是糖網(wǎng)篩查，其他還有骨骼，越往后的離我們臨床越遠。
-
中國醫(yī)學影像AI公司是很多的，美國反而很少。但是要注意，美國的這些公司都是拿到FDA證的，中國的公司雖然多但還沒有一個拿到證的。雖然我們繁榮，但還沒有落地。
-
現(xiàn)在可能大家都意識到了，單病種是不符合我們臨床場景的，需要多任務(wù)學習。多病種的學習才符合我們的臨床場景。
-
現(xiàn)在核心是數(shù)據(jù)，是醫(yī)生，但是未來核心在于科學家，只有最核心的算法突破、技術(shù)突破，才能帶來行業(yè)的革命。
-
只要找到了付費的方式，才有AI企業(yè)的未來。
12月15日-16日，首屆中國醫(yī)學影像AI大會于上海召開。本文是大會主席、中國醫(yī)學影像AI產(chǎn)學研用創(chuàng)新聯(lián)盟理事長劉士遠先生在大會上說作的主題演講整理。
我講的題目是“醫(yī)學影像AI研發(fā)現(xiàn)狀和展望”。北美放射學年會每年的主題大家都非常關(guān)注，應(yīng)該說這個主題的演變代表著全球?qū)τ贏I觀念的轉(zhuǎn)變。
2016年上半年，我第一次講AlphaGo戰(zhàn)勝李世石帶給醫(yī)學影像的挑戰(zhàn)，當時有人不理解AI跟醫(yī)學有什么關(guān)系。2016年的RSNA年會主題是Beyond Imaging，參加完之后大家覺得好像AI跟醫(yī)學有關(guān)系。2017年，主題變成了Explore Invent and Transform，2018年的主題是Tomorrow’s Radiology Today。
現(xiàn)在大家覺得AI是我們?nèi)祟惖闹?，AI會改變我們工作方式，改變醫(yī)學影像的狀態(tài)，所以我們要去擁抱它、參與它，對未來充滿著憧憬。所以我覺得，從RSNA年會的主題就可以看到我們對于AI觀念的轉(zhuǎn)變。
AI在中國醫(yī)院的現(xiàn)狀調(diào)研
大家都知道，發(fā)展AI作為國家戰(zhàn)略是非常堅定的。中國從事AI的公司有1500多家，從事AI影像的公司也有很多。但是，AI在醫(yī)學上到底有什么需求？今年，中國醫(yī)學影像AI產(chǎn)學研用創(chuàng)新聯(lián)盟（CAIERA）聯(lián)合中華醫(yī)學會放射學分會與中國醫(yī)學裝備協(xié)會人工智能聯(lián)盟，聯(lián)合搞了一個調(diào)研。
這次調(diào)研我們回收了醫(yī)生問卷5142份，企業(yè)問卷50多份，研究所問卷120多份。其中，四川省和安徽省在參與和完成問卷數(shù)量上分別排第一位，云南在醫(yī)生注冊上排在前面，雖然云南省不大，但是填寫問卷的數(shù)量排在第二位。
在參與調(diào)研的醫(yī)院中，二級醫(yī)院占48.41%，三級醫(yī)院占47.81%，基本上是五五開的樣子。三級醫(yī)院完成問卷的情況更好一些。這些醫(yī)院是否跟相關(guān)企業(yè)或者科研院所合作過？結(jié)果顯示，沒有合作過的有84%，所以空間很大，值得大家去耕耘。
在被調(diào)研的醫(yī)生感興趣AI領(lǐng)域，腹部最多，有56%；其次是心胸45%、骨關(guān)節(jié)36%、神經(jīng)35%、頭頸29%、乳腺14%、兒科12%等等。
AI應(yīng)用過程中，醫(yī)生認為存在哪些問題？第一個是沒有行業(yè)標準，第二個是AI與臨床醫(yī)生承擔的法律責任劃分，第三個是醫(yī)生缺乏相應(yīng)AI的知識，第四個是AI產(chǎn)品的可信度還達不到。
這份調(diào)研報告加起來有50多頁，還沒有正式發(fā)布，我僅僅簡單介紹了其中2頁的內(nèi)容，給大家透露一點信息。相關(guān)結(jié)果詳情我們會選擇一個合適的時機發(fā)布，希望調(diào)對醫(yī)學影像AI的布局有所幫助。
剛需在哪？企業(yè)下一步如何布局？
中國醫(yī)學影像需求很大，但是服務(wù)跟不上，很多AI公司在這個領(lǐng)域發(fā)展，是所有影像科醫(yī)生的福音。大量的公司投入其中，必然有更多的機會解決我們的痛點。我們研究了一下中國醫(yī)療領(lǐng)域AI公司布局的方向，發(fā)現(xiàn)他們集中在頭部、胸部、盆腔、四肢關(guān)節(jié)。最多投入的就是肺結(jié)節(jié)以及肺部相關(guān)疾病，其次是腦出血，盆腔的主要是前列腺、直腸，骨關(guān)節(jié)主要圍繞骨折和骨齡。
大家可以看到，中國醫(yī)學影像AI公司是很多的，美國反而很少。但是要注意，美國的這些公司都是拿到FDA證的，中國的公司雖然多但還沒有一個拿到證的。雖然我們繁榮，但還沒有落地。
中國AI企業(yè)的產(chǎn)品布局，最多的是肺結(jié)節(jié)等肺部疾病，幾乎所有的AI公司都有，因為這一塊大家都覺得門檻低，類似于黑紙上找白點，大家覺得比較容易，其他的眼底、皮膚、骨骼、腦出血等等雖然難度稍微大一些，但總體上圖像維度都比較低，比較好識別，成為大家的切入點。復(fù)雜維度的地方，目前的算法還是解決不了，需要未來大家一起攻克。
因此，離我們臨床或者是落地最接近的AI技術(shù)就是肺結(jié)節(jié)，其次就是糖網(wǎng)篩查，其他還有骨骼，越往后的離我們臨床越遠。
目前AI產(chǎn)品涉及成像、篩查、隨訪、診斷、治療及療效評估等各個環(huán)節(jié)。
成像環(huán)節(jié)，目前基于全迭代的圖像重建一個病人要半個小時或更久，臨床難以接受。用深度學習的方法有望實現(xiàn)類似于全迭代重建的效果，而時間大大縮短，能解決優(yōu)質(zhì)圖像的瓶頸問題，可能給圖像質(zhì)量的重建帶來一個革命。
病變的檢測環(huán)節(jié)，人機協(xié)同一定會提升檢測病變的敏感度?，F(xiàn)在可能大家都意識到了，單病種是不符合我們臨床場景的，需要多任務(wù)學習。多病種的學習才符合我們的臨床場景，所以現(xiàn)在已經(jīng)有多家公司來布局多任務(wù)的學習，對于肺里面的結(jié)節(jié)腫塊、肺炎等等進行檢測。另外還有骨折模型，胸部的肋骨骨折可能是急診常常會出現(xiàn)漏診的地方，基于深度學習的肋骨骨折模型顯示了未來強大的應(yīng)用潛力；有一些隱蔽的骨折，我們可以通過改變攝像的體位來進行證實。
對于基于CT的肺結(jié)節(jié)診斷模型，AI產(chǎn)品目前能夠從發(fā)現(xiàn)結(jié)節(jié)、結(jié)節(jié)的排序、量化、隨訪，一直到提取一些結(jié)構(gòu)化的信息或者是報告，甚至做一些危險度處理的建議。
在診斷環(huán)節(jié)，也在進行著各種探索。只要有大量手術(shù)證實的病例，機器學習是有希望的，目前有部分公司的產(chǎn)品在閉環(huán)數(shù)據(jù)上已經(jīng)顯示了非常好的敏感度和特異度（分別達到95%和70%），這樣差不多就達到了主治醫(yī)生的水平，如果解決了泛化性問題，前途是美好的。
預(yù)測環(huán)節(jié)，AI可用于腫瘤預(yù)后、治療效果、能否手術(shù)等等，比如純磨玻璃密度結(jié)節(jié)到底哪一個該開？哪一個不該開？能夠真正判斷出來的專家畢竟數(shù)量有限，作為普通的醫(yī)生，怎么判斷？我們外科醫(yī)生怎么判斷？如果有AI模型幫助他判斷，這個結(jié)節(jié)可能是有風險的，那就可以幫助他來解決這個問題，減少誤判。
在治療環(huán)節(jié)，現(xiàn)在基于深度學習的圖像重建，可以幫助醫(yī)生重構(gòu)更加直觀的病變位置、形態(tài)以及信息，可以進行被切除部位殘余正常器官組織的功能評價，可以進行年輕醫(yī)生術(shù)前培訓(xùn)，可以進行術(shù)前模擬手術(shù)的導(dǎo)航以及路徑訓(xùn)練，這些都是AI未來很有潛力的方面。
在放療領(lǐng)域，當然可以在各個環(huán)節(jié)為放療醫(yī)生賦能，比如說通過深度學習推薦、自動勾畫靶區(qū)等等。還可以進行評價，可以通過深度學習獲得更加微觀的信息，來提供診斷效果的評價。
尤其是靶向治療，哪些適合，哪些不適合？我們要拿到病理才知道患者該用哪一種靶向藥。微觀和宏觀之間的關(guān)系，可以通過深度學習的方法來獲得，甚至不用做活檢都可以知道哪些病人用靶向藥，或者是哪些病人不用靶向藥，這是非常有潛力的領(lǐng)域。
未來AI產(chǎn)品可能會基于整個醫(yī)療流程的全數(shù)據(jù)形成模型，從而為病人提供更加精準的個性化診治方案。我們影像科醫(yī)生面臨了一個大好的機遇，未來值得期待。比爾·蓋茨說過，任何新技術(shù)的短期影響都可能被高估，但長期的影響都可能被低估。AI將會帶來我們影像科整個工作內(nèi)容、工作效率、工作流程、工作方式的轉(zhuǎn)變。
產(chǎn)品何時才能拿證
為什么醫(yī)學影像AI中國遲遲拿不到證？第一，AI不同于傳統(tǒng)醫(yī)療產(chǎn)品， AI如何定義？如何分級？如何測試？比如說，硬件只需要上報產(chǎn)品參數(shù)，經(jīng)檢測符合就可以給證，但是AI的模型敏感度可以在50%到99%之間進行調(diào)節(jié)， 相應(yīng)的變化就是假陽性率由低到高的變化。這當中如何平衡和判斷，需要相關(guān)專家和管理部門從新學習、選擇和確定。
還有，我們是否具備了完整意義的AI產(chǎn)品？如何整合到醫(yī)療流程？拿到證后賺誰的錢？這些都是需要考慮的。我們常常說，現(xiàn)在單病種的模型不符合臨床場景，覆蓋現(xiàn)在幾個病種還不夠，要覆蓋全病種；現(xiàn)在的單純基于圖像識別的產(chǎn)品還不夠，需要基于工作全流程的產(chǎn)品。
肺結(jié)節(jié)的模型比較靠譜，給了我們4點啟示。第一個就是開放、完整、高質(zhì)量數(shù)據(jù)庫是至關(guān)重要的，肺結(jié)節(jié)全球開放數(shù)據(jù)庫多，大家的學習機會多。第二個是從源頭進行頂層設(shè)計，進行高質(zhì)量的標注，在當下是很重要的。第三個是找到明確的臨床需求和使用場景，每個產(chǎn)品到底是解決什么問題，一定要和醫(yī)生磨合才行。第四，進行大量訓(xùn)練和迭代，以便適合臨床工作場景非常關(guān)鍵。
但是，現(xiàn)在作為AI產(chǎn)品核心的數(shù)據(jù)有很多不如意的地方，數(shù)據(jù)的數(shù)量、質(zhì)量、標注、共享都是值得我們討論的和重點解決的問題。
我想與各個公司和科學家們分享自己的一個觀點：現(xiàn)階段基于深度學習的AI核心是高質(zhì)量數(shù)據(jù)，是醫(yī)生；未來的核心在于算法科學家，只有最核心的算法突破、技術(shù)突破，才能帶來真正的行業(yè)革命。
我注意到，浙江大學某附屬醫(yī)院出了一個多學科的人工智能會診報價。這是一個很好的嘗試和示范，AI怎么落地？你是直接給病人收費，還是直接綁在硬件和軟件上收費，還是直接作為診療費付費，還是人機互動的付費，還是多學科的付費？不管怎么說，只有找到了付費的方式，才有AI企業(yè)的未來，才會給我們整個行業(yè)帶來繁榮。
臨床的使用環(huán)節(jié)，可能現(xiàn)階段有很多的問題，我們要幫助企業(yè)去解決?？赡苁钱a(chǎn)品或者是流程的問題，可能是現(xiàn)在的臨床醫(yī)生訓(xùn)練不夠，但科技發(fā)展會帶來整個架構(gòu)的改變。就像圍棋下到中盤，要系統(tǒng)考慮后半盤如何下，我們也應(yīng)該從更高的層次上來考慮，如何在現(xiàn)有的層面上來重塑我們的知識結(jié)構(gòu)和方法。
我相信人工智能一定會帶來重大的技術(shù)革新，也會帶來我們行業(yè)的變革，未來發(fā)展會越來越好。
評論
請登錄后參與評論...
登錄后參與討論
提交評論