审批难题破解后，医学影像AI的产学研下一程怎么走？

Good

自2020年1月首张NMPA发布的影像AI三类证出炉后，短短20个月，已有约20款影像AI产品相继获得注册准入。不过，审批难题的破解并不意味着影像AI已经跑通市场。

为了探索医学影像AI发展的下一程，近日由雷峰网主办的第六届GAIR全球人工智能与机器人大会上，中科院计算所研究员周少华、中科院⾃动化所研究员蒋⽥仔、电⼦科技⼤学信息与通信⼯程学院教授李纯明、东南⼤学脑科学与智能技术研究院创院院⻓彭汉川、腾讯天衍实验室主任郑冶枫齐聚一堂，对影像AI的未来发展问题进行了深入探讨，尝试在思想交融之中给出答案。

通过审评审批、IPO评价AI发展的局限性
2021年算得上医疗AI的上市年，科亚医疗、鹰瞳科技、推想医疗、数坤科技四家企业相继提交招股书，鹰瞳科技也于11月成功上市，成为医疗影像AI上市的第一股。

不仅如此，各家交出的业绩增长也因审评审批的通过而显得相当亮眼。鹰瞳科技2020年全年营收较去年涨了5成；推想医疗年增长318%；数坤科技甚至翻了32倍，半年营收便超过了5000万。
不过，相对于每家企业动辄上亿的年投入而言，骤增的数据并没有收获投资人的青睐，以上市的鹰瞳科技为例，上市前一夜暗盘便已跌幅约10%，在流动性较差的港交所，鹰瞳暂时没有在股价上显示出突破。
圆桌之上，郑冶枫主任将AI审评审批后的落地困境归纳为两点：商业、技术。
“说到审评审批，腾讯的肺炎AI也在今年通过了NMPA认证。但从整个AI产业来看，AI的商业模式、技术能力都存在一些问题。美国的医疗AI商业化很成功，不少AI产品还通过了医保准入，一部分原因在于，美国放射检查的设备费用和诊断费用是分开的，人工费用尤其高。反观国内，放射检查费用很低，不会单独计算，且大部分是设备费用。这是为什么现阶段美国AI可以独立收费、独立报销的原因。”

美国部分参保AI产品示例（数据来源：Medicare.gov）

“技术上的问题与AI的商业模式困境有一定关联。从目前通过NMPA审批的AI产品来看，AI只能在特定的一个或几个问题上进行解决，但对于影像科医生而言，肺部的慢性肺阻、肺积水，肺以外的骨折、心脏相关疾病，影像科医生在阅片时看到的所有疾病都需要报告。所以，单点功能的AI不一定能降低医生的工作量，反倒有可能适得其反。换句话说，AI还需要全面的开发，全方位的升级。”
除此以外，深度学习的分布迁移并没得到很好的解决，周少华补充了一个鲁棒性伤的问题：“AI可以解决当前医院的数据分布，但对于新医院的数据分布，AI往往不能表现到训练时的最佳状态。”
五年以来，尽管医疗AI跨过了一道一道砍，但从目前来看，AI行业仍需要技术与商业的同步发展。这个时候，AI需要新的推动力。
作为动力，AI产学研需要革新吗？
在学者们看来，以创新为核心的产学研能够一定程度解决AI面临的两个问题。不过，AI的产学研模式本身或许存在一定问题，必须进行自身优化才能匹配AI的发展。用彭汉川院长的话来说：产学研需要实现真正意义上的创新，并让研发尽可能贴近临床需求。

从全球人工智能论文增速来看，我们能够看到近今年高达50%的增速，但海量的增长也会存在一定问题。
李纯明教授表示：“深度学习论文如今同质化严重，很多论文的确提出了方法，但方法创新不足，大同小异，造成大部分文章相似度很高，审稿的时候要拒都得拒，要收都得收。这种情况可能导致一些问题，比如为了满足大量审稿需求，就必须增加审稿人，这就有可能带入素质相对较差的审稿人，进而导致很多质量较差的文章被录入进来。这是一个恶性循环。”
因此，要让产学研支持AI发展的形式跑通，审稿者应加强审查，而创业者也需主动寻求创新，毕竟，最终检验创新成果的不是企业发了多少论文，而是有多少医院愿意购买企业的设备。
其次，不能完全依靠学术界的研究思维来做AI。郑冶枫认为：学术界研究自由，工业界研究受限，但能解决最贴近临床的问题。单一看待两种研究方式都存在局限性，更好的方式是将其融合，以工业思维定好贴近临床需求的研究目标，并不断关注学术领域的创新，及时发现学术界有用的尝试。
最后是要与医生达成良好合作的关系。如果把医学看成一种服务，医生是为数不多在服务对象面前处于主导地位的职业。所以，与医生合作时要注意倾听，不然医生就会“每天都很忙”。
此外，如蒋田仔教授所说，医生比产业者更了解哪些东西做出来是有价值，哪些是没有价值的。因此，要从临床需要出发构建AI，满足实际需求，这是核心，也是基础。
圆桌之上，郑冶枫主任举了这样一个例子。
“主动脉瓣膜微创置换手术是一个危险系数很高的手术。老年人心脏瓣膜会钙化，严重了就需要置换。以前医生需要开胸置换瓣膜，死亡率算下来有10%，后来出现了微创手术后，死亡率大大缩小，患者早上做了晚上就回家。”
“然而，做这个手术时要医生找到瓣膜的位置，需要患者注射显影剂。但显影剂对肾有伤害，所以我们跟医生沟通，医生需要一个导航系统，减小患者造影剂的摄入，也为了精细化了解人工瓣膜植入人体后运动的具体位置，决定什么时候可以展开。毕竟，一旦人工瓣膜没在合适的位置展开，就只能开胸把瓣膜取出来。所以，导航很重要。”
“当时我们想了很多方法，也跟医生进行了多次沟通，最终的方案是用X光把人体转一圈拍摄，这一方法得到了双发的一致认可。而对于我而言，整个过程让我充满了成就感的。”
所以，人工智能作为医疗设备之一，同样需要研发者也医生一步一步沟通，慢慢找到答案，以互联网的思维做好产品，在将其交给医生适用，这样的产品，很难走通。
深度学习会被替代吗？
在近年的发展之中，我们常用深度学习与人工智能一词混用，让人不免产生“深度学习=人工智能”的错觉。

蒋⽥仔教授表示：深度学习是一种方法，不等于人工智能。深度学习要发挥作用，需要大量数据，这不能解决所有问题，特别是对于很多疾病而言，这里只有小样本。
彭汉川也表示，大量问题并不适合深度学习解决，比如数据的传输问题——怎样解决传输速率，怎么高效收集存储数据，都不是深度学习适用分类问题。因此，研究人员需要构建整体逻辑，不能只考虑中间的分类问题。
不过，众人均认可深度学习仍会持续一段时间热度。2020年后，深度学习相关论文发表速度逐渐放缓，前面5年增长30%-50%，现在回到个位数。可能是因为疫情，也可能是市场饱和了。
80年代神经网络便已出现，但到90年代，替代技术的出现导致其被掩埋。但至少到现在，尚无可替代的技术走出来。


近
期
推
荐
声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。

来源：https://www.163.com/dy/article/GR3MK66U05118K9D.html
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！