当人工智能遇上医学影像：光环下遭遇拦路虎

Struggle

算力说
近日发布的《人工智能医疗白皮书》指出，人工智能在国内医疗领域的应用以医学影像为主。从政策、资本、产业需求等维度来看，人工智能在医学影像领域的落地都面临巨大利好。在技术实现突破，应用案例成功落地的前提下，距离AI医生坐堂恐仍需时日。除了技术问题之外，非技术问题、特别是数据层面问题的解决，并非人工智能所能及。
1月9日，上海交通大学人工智能研究院联合上海市卫生和健康发展研究中心、上海交通大学医学院发布《人工智能医疗白皮书》，通过对人工智能在医疗领域应用情况的分析，提出包括医学影像、辅助诊断、药物研发、健康管理、疾病预测在内的五大应用领域。
“国外以AI药物研发为主，而中国则借助医疗影像大数据及图像识别技术的发展优势，以AI医学影像为主”，上海交通大学人工智能研究院常务副院长杨小康表示，目前AI医学影像成为中国人工智能与医疗行业应用结合最成熟的领域，市场规模大、收入和融资情况表现亮眼。
1
人工智能+医学影像：炫目光环
事实上，杨小康院长的结论并不惊人。
早在2016年，国务院《关于促进和规范健康医疗大数据应用发展的指导意见》就明确支持研发健康医疗相关的人工智能技术。2017年，国务院《新一代人工智能发展规划》指出，推广应用人工智能治疗新模式新手段，建立快速精准的智能医疗体系，实现智能影像识别、病理分型和智能多学科会诊。
对商机最敏感的，莫过于资本。据乌镇智库数据，2017年中国人工智能企业融资规模达35.82亿美元，同比上升45%，平均单笔融资达761万美元。而无论是中国还是海外市场，在投资人工智能应用层偏好方面，医疗健康领域均稳居首位。据分析，中国有19%的人工智能投资投向了医疗健康，这一比例在美国更是高达23%。
市场咨询机构也对此报以乐观展望。IDC 2017年就在其《全球半年度认知/人工智能支出指南》中预测未来五年内，医疗健康人工智能投资的年复合增长率为69.3%。CBInsights也将医疗健康列为人工智能的最热领域。
即便医学影像是医疗健康的细分市场，但市场规模依然巨大。据公开资料整理显示，我国医学影像市场总体规模已达4000亿元，并有望在2020年达到6000-8000亿元。在此基础上，人工智能仅稍作渗透即可形成巨大市场。若按上述基数粗略估计，AI医学影像的市场空间至少在百亿规模。
2
光环下的产业召唤
但是，市场的显现并不只依赖于政策引导、资本驱使或数据估算，而应源于痛点和需求。
从我国医学影像分析现状来看，存在显著的“冰火两重天”局面。在基层医院或一些欠发达地区，医疗资源相对不足，医学影像设备落后甚至缺位，医生数量不足或资质不够，都造成了病人无法享受到及时有效的医学影像服务。
而在一二线城市的三甲医院，情况则恰好相反。由于病患集中，放射科医生每天需要阅读大量医学影像，不仅对医生自身的健康造成影响，高强度工作可能导致的漏诊和误诊更会延误病情，甚至增加医患纠纷风险。
有数据表明，中国每年医学影像误诊人数高达5700万，主要发生在基层医疗机构，而美国的这一数字为1200万。此外，重复拍片、过往影像资料存管难、医生培养缺口大等，都是普遍存在于患者和医生间的痛点问题。
“冰火两重天”下，无论是“补缺”还是“分担”，人工智能被普遍看作是“良方”。
简言之，由于人工智能在图像识别领域已经取得技术突破，因此相关技术也可用于医学影像，以提高诊断效率和准确率。具体来说，就是利用人工智能来识别患者的医学影像，自动标注病灶等关键信息，乃至给出诊断结果。
而在实践中，人工智能在医学影像识别方面也已经取得了不俗成绩。2017年，斯坦福研究团队皮肤癌诊断项目中的人工智能准确率已达91%，与人工准确率持平。同年，上海交通大学和浙江大学联合科研团队在核磁共振影像直肠癌识别项目中，实现了人工智能在23秒内完成300张影像的病灶勾画，准确率达95.22%，而同样工作的人工效率为5分钟完成149张影像图勾画，准确率93%。
3
产业落地初现端倪
对于人工智能与医学影像的结合，华东师范大学上海市磁共振重点实验室副主任杨光教授表示，以往做血管分割和追踪工作，如静脉和动脉分离，或者大脑核团自动分割，其实都是用传统的数学算法。“但所有这一切在2016年发生了变化，那一年AlphaGo战胜了李世石，我们意识到人工智能肯定会流行起来。”
于是，杨教授带领团队从2016年开始部署用人工智能，特别是深度学习的方法，把过去研究过的医学影像问题重新尝试以人工智能方式解决。团队首先以脑肿瘤的分割作为试验（下图），使用网上公开数据，测试标注效果，这是该团队在人工智能领域的首次尝试。
杨教授把体会总结为：“功能很强大，工具很简单，首次试验的效果已经超过了很多传统的算法。”
很快，试验就变成了实战，场景也从实验室变成了医院，对象则从大脑变成了前列腺（下图）。“前列腺结构复杂，应用难度不小，但最终结果可以说是实现了理想效果”，杨教授说。
杨教授表示，从传统算法到人工智能，从前列腺到肝脏，从磁共振到CT，这些工作以前都要有不同的人用不同的方法去研究，而在现在基本上都能基于人工智能深度学习的U-Net卷积神经网络来实现。这就意味着在很多情况下，人工智能可以用简单的工具去完成原来非常复杂的功能，也为工程技术人员提供了强有力的工具。
杨教授表示，简单理解人工智能的深度学习网络，就是输入数据及其对应的结果，以此来训练这一网络。训练完成后，只要把新的数据输入，结果就会自动得出，过程不需要任何人工干预。这其中的关键点就在于，学习的过程是建立在有结果的数据上。
一旦形成了这样的网络，也就拥有了实战工具，而工具的价值也需要在真正的医院中体现。据杨教授介绍，其团队在江苏省人民医院的配合下，通过前列腺多模态磁共振成像，让人工智能深度学习网络参与到腺体分割、癌灶识别、良恶性鉴别、风险评估、决策分析的全流程分析，推进效果理想。
目前，华东医院、上海五官科医院、上海肿瘤医院、浙江肿瘤医院、北京肿瘤医院、福建协和医院等，都与杨教授的团队开展了类似合作。
华东师范大学上海市磁共振重点实验室副主任杨光教授
4
端倪后的拦路虎：数据问题凸出
然而，杨光教授也坦言：“我们一直期待这一强大工具可以很快替代放射科医生，甚至完成疾病的自动诊断。但随着合作医院的增多，经过一年多的探索，我们的信心反而没有那么强了。”
他表示，在人工智能及深度学习网络方面完成的工作越多，意识到的问题也越多。人工智能在医学影像领域的落地，仍然面临很多困难。
第一，流程的完整性。以前列腺疾病为例，目前人工智能的覆盖范围还无法达到整个治疗流程。
第二，算法的鲁棒性。尽管目前来看效果显著，但合作医院数量有限，若把更多医院的数据纳入进来，会产生怎样的效果，仍有待实践检验。
第三，器官、病种、影像模态的覆盖。尽管团队已经试验了前列腺癌症，但显然前列腺疾病不止一种，更有其他许多疾病种类等待人工智能去覆盖。
第四、可解释性。杨教授团队在实践中发现，许多医院对人工智能深度学习的认知，还不及传统的机器学习，在现实中较难解释深度学习。
此外，还有许多非技术问题，如知识产权、数据所有权、数据隐私、产品认证、诊断责任、收入来源、医保等，并且所有上述问题都有可能是相互重合交织在一起的。其中，杨教授特别强调了数据层面的问题。
首先是数据量问题。很多影像模态的数据量并不多，很多病种的病例数也不大（如一些罕见病种），数据量不足会导致无法训练人工智能算法，继而给病种的研究造成数据瓶颈。
其次是数据质量问题。在医学影像领域，人工智能训练所需要的医生标注后的数据，但这一过程费时费力。另外，不同医院对于图像的质量要求也不尽相同，参差不齐的数据质量会给人工智能训练带来偏差。
最后是数据隐私问题。由于所有病患数据都在医院，但要求医院公开或分享数据，显然并不现实。杨教授认为，数据隐私和数据共享应该求得平衡，完全把数据锁在保险箱里是无法体现出数据价值的。
可见，在数据层面，既要有量，也要有质，难度可见一斑。杨教授总结表示，医学影像人工智能落地难，难在实现全行业落地，并不难在通过渐进方式落地。基于深度学习的人工智能是医学影像领域中有力工具，它的全面落地需要政府、机构、医院和企业等各方面的共同努力。
本文源自算力智库
更多精彩资讯，请来金融界网站(www.jrj.com.cn)

来源：https://www.toutiao.com/article/6647353737260040718
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！