長徵醫院劉士遠:中國醫學影像AI應用實踐與思考丨CMAI 2018

近日，2018中國醫學人工智慧大會暨第一屆人工智慧雁棲高端論壇在中國科學院大學雁棲湖校區舉行。來自全球的20多位專家學者、醫生和產業界代表齊聚一堂，圍繞人工智慧+醫療、醫學圖像分析、機器學習等熱點領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，上海長徵醫院影像醫學與核醫學科主任劉士遠，華西醫院副院長龔啟勇，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，作為大會上午醫學人工智慧前沿環節的重量級嘉賓，劉士遠教授向與會觀眾分享了題為「中國醫學影像AI發展現狀與思考」的精彩專題報告。

劉士遠教授現任上海長徵醫院影像醫學與核醫學科主任，中華醫學會放射學分會侯任主任委員，中國醫學影像AI產學研用創新聯盟理事長，從事醫學影像臨床工作長達32年，具有豐富的醫教研工作經驗。

劉士遠教授

劉士遠教授認為，醫學影像將成為醫學領域落地較快的一個方向，但是醫療AI影像產品目前也存在諸多難題，因此需要醫生、學者專家、公司和政府通力合作，踏踏實實創新和實幹，才能推動醫療人工智慧行業的健康成長。

以下為劉士遠教授的演講內容，雷鋒網(公眾號：雷鋒網)AI掘金志經劉士遠授權，作了不改變原意的編輯：    

劉士遠教授談到，醫療影像行業有望成為較快落地的醫學領域，有四個理由：首先，醫學是一門靠邏輯歸納、經驗學習和循證運用的學科；其次，各家醫院都已經積累了海量數據，而深度學習的核心就在於「算法+數據」；而放射科的工作模式就是看圖做診斷，便於深度學習AI技術的接入；在各類醫療數據裡，放射類的醫療影像又是比較容易獲取的類型，可以從這類數據入手來做標註並進行深度學習模型的搭建；根據相關統計，相對於逐年遞增的巨大病人群，中國的影像醫生存在巨大的需求缺口，這大大促進了影像AI產品的應用和商業化落地。

具體來說，醫療影像AI在臨床環境中有很多的用途。比如疾病檢出，AI能幫助醫生提高早診率，減少誤診率。這在肺癌篩查、骨折、AD、視網膜病變和病理診斷等領域都有實際應用的例子；還有醫學多維測量，多維定量是精準醫學的前提，影像AI在這塊的應用有病變特徵提取、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在術前設計和療效評估等領域也有巨大潛在應用空間。

實際應用層面，目前AI影像產品有很多，在胸部主要集中在肺結節檢測和良惡性鑑別上，在神經系統上主要是腦出血檢測和定量以AD預測，骨關節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產品的雛形，還有在視網膜病變和皮膚癌診斷等領域AI都有所作為。

就長海長徵醫院來說，醫院已經實現了AI影像產品在肺結節篩查上的日常應用，肺結節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品，骨腫瘤模型也正在研究當中。

值得一提的是，在整個應用環節當中，上海長徵醫院對醫療數據是採取了很多的安全措施，實現了影像應用不出醫院內網，產品有選擇性的接收和發送數據，還會對數據進行自動脫敏和定時清理，很好的保護了病人的隱私信息。

上圖是其產品的測試結果。可以明顯的看到，在鈣化結節，5mm以上磨玻璃結節，3-6mm的結節上，AI模型的表現超過了普通醫師，而且人機結合以後也比只有醫師的表現更好。

上圖是其結節AI檢測的實際應用場景，它會分析醫療影像並給出診斷報告，還有一鍵排序結節和一鍵測量結節等功能。

另外，上海長徵醫院的醫療影像AI還具備一個進階功能，那就是判斷結節的良惡性，不過還在研發當中。

人工智慧現在非常火熱，關於醫生會不會被AI取代，劉士遠教授也發表了自己的觀點。

在原理層面，AI的大數據、記憶和計算能力會超過人類，但是神經網絡發展的水平決定了機器不可能替代人類。在職業層面，人類的倫理、資質、表情和溝通等能力不會被機器取代。在技術層面，機器確實可以代替人類做重複性技術含量低的工作。

而且，現在的AI醫療產品也還存在很多問題。首先就是實用性差，比如，現在的影像AI產品大多是基於單病種圖像標註形成的模型，尚沒有符合臨床實用場景的產品，而且大多數產品性能的自報數據與實際檢測數據不符，魯棒性有待提高。再加上AI產品往往只是集中在少數幾個病種，難以覆蓋全部醫學影像問題。

在AI模型的研發階段，數據也是一大難題。首先是現在普遍缺乏標準化高質量的訓練數據，國內外雖然有很多公開的資料庫，但是存在同質化和人種差異等問題。而且各家人工智慧企業和機構採用的訓練數據集標準多樣，系統偏差較大，整個行業缺乏醫學圖像和疾病徵像的統一認識。最後，整個行業的醫療數據保護和監管措施也是缺失的，數據不能被溯源，也就缺乏合法性和可分享性，還有就是倫理問題，業內缺乏對數據使用標準的判斷依據，在現有的法律基礎上尋找合規使用和分享數據的渠道，也是迫在眉睫的一件事情。

他建議到，要構建標準庫，離不開醫生的參與。要形成與AI研發相關的標準和數據，需要在圖象的採集環節，標準庫的構建環節，病種的分布以及各種描述術語等等都要達成一定的共識。

好消息是，國家在近期頒布了《國家健康醫療大數據標準、安全和服務管理辦法（試行）》。

另外，在肺結節領域，中檢院肺結節AI檢驗資料庫標定專家組已經完成肺結節標準數據集建設。

圖像標註環節也存在很多問題。以肺結節標註過程為例，主要存在以下問題，標註者隊伍混亂，資質不一；圖像徵象認識不統一；圖像標註方法不統一；圖像分割方法不統一；圖像量化方法不統一。

中檢院在構建肺結節標準庫的過程中，從全國招了250名5年以上經驗的影像科醫生志願者，對他們進行了簡單的測試，使用了30例結節，結果準確率只有30%，說明了如果沒有共識和基礎培訓，醫生的標註準確率是很低的，非影像科醫生甚至不是醫生的準確率就更難以想像了。還有就是標註的方式，有的使用緊密包裹法，有的使用區域標註法，有的使用其他方法等，不同的標註方法輸出的結果也不盡相同。圖像分割如果沒有統一的標準，結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，還是測質量，怎麼測，都需要形成一致意見。

在醫學影像AI模型檢測階段，也會存在生產過程不規範，模型效果和安全性缺乏公正評價，缺乏產品檢測標準庫和評價體系，缺乏相關法律法規、質控檢查和管理制度等問題。

在AI模型使用階段，受歡迎程度，對醫生的影響，過多的假陽性，倫理和法規，是否匹配醫院和醫生的需求等問題也尚待解決。如上圖，點擊率代表病人對產品質量和準確性的信賴程度，越受歡迎，點擊率越高；另外，產品該怎麼和醫療流程整合也是一個問題，是游離於信息系統之外，還是融合於信息系統之內，都需要考慮；還有人擔心年輕醫生對AI產品產生依賴之後，會導致業務能力下降，包括看結節的能力；現在AI產品檢出過多假陽性的結節還導致了焦慮和恐慌問題；還有倫理問題，包括數據的倫理和產品的倫理問題。數據的倫理就是數據的所有權、許可權和隱私權都需要制定規範，現在衛計委已經發布了相關標準和規範。第二個就是產品的倫理問題，隨著產品的逐漸落地，產品的責任和影響都需要倫理的相關準則來考慮。

因此，醫學影像AI模型的發展需要滿足臨床需求，既需要符合醫療流程，也需要符合臨床場景，還要符合檢查部位要求，還要能與醫生、研究人員和企業進行協作配合。

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

醫生是醫學影像AI產品研發的領導者，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，醫生也是醫學影像AI模型的培育者和導師。在數據上，醫生可以建立大樣本的單病種資料庫，提高訓練數據質量，並在此基礎上規範化標註，形成高質量訓練集，還要學會在法律法規下分享和使用數據。

醫生還應當成為質量控制和標準的制定者和執行者。比如制定圖像採集和圖像質量的標準，制定資料庫建設的構成比例、病種分布、病灶類型等專家共識，並形成各單病種影像徵象和描寫屬於以及單病種AI模型數據標記專家共識。

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

最後，劉士遠教授呼籲，AI現在還是一個尚不成熟的產品，需要醫生去擁抱它，呵護它，引導它。當然也要避免另外一種情況，就是誇大宣傳，誇大宣傳容易誤導政府和民眾，不利於行業健康發展。

劉士遠教授最後表示，雖然現在形勢一片大好，但是醫學問題其實是很複雜的，場景複雜，維度多，任務多，這需要我們醫工結合，沉下心來，踏踏實實的創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，請關注微信公眾號「AI掘金志」的後續報導。

雷鋒網雷鋒網雷鋒網

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。