AI識別醫(yī)學(xué)影像作為計算機視覺一個重要應(yīng)用，正不斷向著深化、多元化的趨勢發(fā)展，傳統(tǒng)的2D影像也正向3D立體（甚至4D）影像前進(jìn)，其間AI在圖像分析過程發(fā)揮的作用日益顯著，AI輔助閱片成為一種新常態(tài)，緩步向下普及。
那么AI到底可以給醫(yī)學(xué)影像分析帶來多大的提升？未來“AI＋醫(yī)學(xué)影像”將會有怎樣的發(fā)展方向？我們或許可以從沈定剛教授的演講中洞察端倪。
6月29日，中國計算機學(xué)會（CCF）主辦、雷鋒網(wǎng)、香港中文大學(xué)（深圳）聯(lián)合承辦的“CCF－GAIR2018全球人工智能與機器人峰會”于深圳隆重召開。會議匯聚全球140位在人工智能領(lǐng)域享有盛譽的嘉賓，對與人工智能有關(guān)的11個領(lǐng)域進(jìn)行了深度探討。
參與大會主題演講和報告的嘉賓包括來自學(xué)術(shù)界的圖靈獎得主、中美科學(xué)院院士、中美工程院院士，以及CMU、MIT、斯坦福等多個名校的頂級教授；也有來自工業(yè)界的AI 高管，涵蓋微軟、英特爾、騰訊等多家企業(yè)。
在本次峰會上，北卡羅來納大學(xué)教授，聯(lián)影智能聯(lián)席CEO，IEEE Fellow，MICCAI 2019主席沈定剛教授做了“深度學(xué)習(xí)在醫(yī)學(xué)影像分析中的應(yīng)用（Deep Learning in Medical Image Analysis）”演講。
動脈網(wǎng)記者聆聽了此次演講，并對沈定剛教授進(jìn)行了專訪，結(jié)合會議演講做了如下梳理。
保持與醫(yī)生的緊密合作
“在美國將近20年，我都在霍普金斯大學(xué)、賓夕法尼亞大學(xué)、北卡大學(xué)教堂山分校的放射科里與醫(yī)生們一起工作，因此知道他們的整個工作流程，知道怎么把我們的人工智能技術(shù)更好地應(yīng)用到他們臨床流程里的相應(yīng)部分中去。而不是從頭到尾都使用人工智能，那是不可能的，至少現(xiàn)在。”沈定剛教授在演講中談到。
他介紹說，醫(yī)學(xué)影像類AI公司在開發(fā)產(chǎn)品時要清楚自己研發(fā)的方向，是輔助醫(yī)生，而非替代醫(yī)生。研發(fā)人員也必須清楚醫(yī)院的痛點是什么，需求是什么，然后根據(jù)問題去實現(xiàn)相應(yīng)的技術(shù)。當(dāng)然，實現(xiàn)技術(shù)同樣重要，只有擁有了合格的技術(shù)才能和醫(yī)院開展成功的合作。
醫(yī)學(xué)影像類AI公司在醫(yī)院試驗產(chǎn)品的過程即是合作的過程，但這種合作不應(yīng)該僅僅局限于數(shù)據(jù)、設(shè)備操作上的交流。醫(yī)學(xué)影像公司要想做好醫(yī)療AI產(chǎn)品，要想把最好的體驗帶給醫(yī)生，首先要知道什么是最好的體驗，即自身應(yīng)該熟悉診療的整個流程。也就是說，研究者不應(yīng)僅僅停留在影像領(lǐng)域，而應(yīng)深入臨床場景，觀察臨床醫(yī)生工作的每一個過程，每一處細(xì)節(jié)，深刻理解臨床的應(yīng)用場景，找出與臨床治療、診斷的結(jié)合路徑，這樣才能知道如何將AI技術(shù)嵌入到已有的臨床流程中，簡化流程、提升效益；才能做出為醫(yī)生所接受、且具備競爭力的產(chǎn)品。
深入合作以產(chǎn)品質(zhì)量為鋪路石
深入的合作需要回到產(chǎn)品本身，即AI產(chǎn)品的本身的性能。沈定剛教授認(rèn)為，在AI產(chǎn)品層出不窮的今日，產(chǎn)品核心競爭力依然在于其相應(yīng)的性能和應(yīng)用場景。
現(xiàn)階段很多產(chǎn)品都能在測試的過程達(dá)到90％以上甚至更高的準(zhǔn)確率，但實際上，這可能不是一次性檢出的結(jié)果（或者完全獨立樣本上的檢測結(jié)果）。那是因為很多算法在開發(fā)的過程中會不斷根據(jù)訓(xùn)練數(shù)據(jù)調(diào)整參數(shù)，這樣得到的準(zhǔn)確率（特別在開發(fā)數(shù)據(jù)庫上得到的準(zhǔn)確率）在實際應(yīng)用中很難得到。
此外，很多企業(yè)熱衷于用人機大戰(zhàn)的形式來展示AI的優(yōu)秀之處，然而從準(zhǔn)備數(shù)據(jù)階段開始，這就不再是一場公平的比賽。
“準(zhǔn)備數(shù)據(jù)時，但凡有些質(zhì)量問題的數(shù)據(jù)（例如運動、圖像質(zhì)量、圖像模態(tài)缺損等）都會被賽事準(zhǔn)備方所丟棄，如此篩選后的數(shù)據(jù)對于AI算法而言非常有利。但是現(xiàn)實中，我們不可能因為這樣的問題而不給病人提供任何診斷，也沒有辦法直接得到篩選后的數(shù)據(jù)，所以這種數(shù)據(jù)上得到的結(jié)果實際意義不大。另外，這對醫(yī)生、對社會都有一定程度的誤導(dǎo)效果。”
所以，測量一個AI產(chǎn)品的準(zhǔn)確性、敏感性、特異性需要用到醫(yī)院采集的全新的、未經(jīng)處理的數(shù)據(jù)，而非比賽等過程中經(jīng)過挑選的數(shù)據(jù)。再優(yōu)秀的測試結(jié)果如果經(jīng)不起醫(yī)生實踐的檢驗，不能與醫(yī)生的工作流程相匹配，也無法深入醫(yī)院系統(tǒng)。所以，企業(yè)對產(chǎn)品再誘人的介紹、再用心的宣傳，歸根結(jié)底還是會回到產(chǎn)品質(zhì)量本身。
全鏈條、全棧式的影像人工智能
“我們要做的是全鏈條、全棧式的人工智能，從成像、篩查、診斷、預(yù)后，以及后面的治療和隨訪，整個過程均可借助AI輔助醫(yī)生，這樣可以優(yōu)化整個流程，達(dá)到最佳診斷效果。”沈定剛教授介紹說。
這源于聯(lián)影智能作為上海聯(lián)影醫(yī)療科技有限公司（簡稱聯(lián)影）的子公司帶來的天然優(yōu)勢。“聯(lián)影目前是國內(nèi)最大的生產(chǎn)高端影像設(shè)備的企業(yè)，其生產(chǎn)的影像設(shè)備里需要很多AI技術(shù)，在影像前、影像中以及影像后都會用到人工智能技術(shù)。”
他舉例說，在邊遠(yuǎn)基層醫(yī)院可以買到很好的影像設(shè)備，但是通常缺乏好的技師，不能準(zhǔn)確地定位病人來掃描，這時候計算機視覺就可以幫助病人的準(zhǔn)確定位，完成一鍵掃描，并且選擇最適合的掃描協(xié)議。這樣從源頭上保證了影像質(zhì)量，保證了采集數(shù)據(jù)的質(zhì)量。
“不僅如此，全棧式的影像人工智能可以做‘贍前顧后’的AI。一個掃描設(shè)備裝上AI系統(tǒng)之后，AI能夠主動去找病源，并對可能病變的區(qū)域進(jìn)行更仔細(xì)的掃描，做出更精細(xì)的圖片供醫(yī)生參考。
現(xiàn)在很多公司都在做肺結(jié)節(jié)檢測，但通常是在給定圖像的情況下。想象一下，如果把成像過程跟后面的人工智能診斷結(jié)合起來，這樣就像在掃描過程中有一位有經(jīng)驗的醫(yī)生坐在那里，每重建一些slice圖像，‘醫(yī)生’會告訴你這里面有沒有肺結(jié)節(jié)，如果有可疑肺結(jié)節(jié)，就可以重建得密一些，其它正常的slice就按常規(guī)的厚度去重建；也就是說，有可疑肺結(jié)節(jié)的地方，成像設(shè)備會自動重建得密一些。在這個例子里，我們把人工智能的方法與成像過程結(jié)合起來，這樣就有可能把后面的肺結(jié)節(jié)檢查做得更好。”
沈定剛教授認(rèn)為，人工智能與成像的結(jié)合應(yīng)當(dāng)達(dá)到這樣的水平。并且，針對的疾病病種，也不應(yīng)該只是一兩甚至五六種很熱門的領(lǐng)域，而是更多疾病種類。實現(xiàn)這一目標(biāo)，不僅僅需要靠聯(lián)影智能公司，還需眾多志同道合者共同努力。 “要做到這一點，光靠聯(lián)影智能一個公司是做不到的，所以我們要做一個生態(tài)系統(tǒng)，這樣就可以和廣大的醫(yī)生，特別是愿意學(xué)習(xí)AI的醫(yī)生一起，去把這件事情做大，同時我們也會做開放的和第三方的公司合作。分享聯(lián)影智能的AI模塊，與大家一起合作共贏，把AI的解決方案做到一些稀有的疾病上面去，更廣泛的為社會、為病人造福。”
“AI＋醫(yī)學(xué)影像”還有很多可能，有很長的路要走
除了對精度上的不懈追求，醫(yī)療影像企業(yè)也不斷在其他方面推陳出新，許多新的模式、技術(shù)都在不斷發(fā)展之中。
國內(nèi)的醫(yī)學(xué)影像AI技術(shù)大多還停留在2D層面上，雖然現(xiàn)在還是能滿足一些醫(yī)療的要求，但隨著技術(shù)的發(fā)展，3D甚至4D影像AI能提供更為明確直觀的信息，清晰反應(yīng)患者的病情分布與變化，這對于醫(yī)生而言，無論是從研究角度還是治療角度，都將帶來極大的突破。這同樣為“AI＋醫(yī)學(xué)影像”的發(fā)展，帶來了更多可能。
與此同時，這對計算機硬件的發(fā)展也提出了新的要求。醫(yī)學(xué)圖像AI研究作為計算機視覺的一個應(yīng)用，在現(xiàn)階段對算力要求已經(jīng)很高，但若想洞察病人病灶細(xì)微變化、探索其變化的原因，需要使用4D影像技術(shù)進(jìn)行持續(xù)的圖像采集，這就需要更強大的計算機硬件提供支持。
一切都處于發(fā)展中，“AI＋醫(yī)學(xué)影像”未來還有很多可能，也還有很長的路要走。