醫(yī)療影像與AI技術(shù)結(jié)合后，人類的健康可能會獲得更多、更可靠的保障

放射科醫(yī)生在AI時代面臨著更多的機(jī)會和挑戰(zhàn)，而對更廣闊的大眾來說，技術(shù)能帶來的是更多的保障與更高的醫(yī)療水平。

在本次活動中，來自吳恩達(dá)實(shí)驗(yàn)室的博士生Pranav Rajpurkar現(xiàn)場展示了Xray4All平臺：用戶上傳截取的x光影像照片，約1秒的傳輸后，用戶就可以在線獲得結(jié)果。若檢測影片出現(xiàn)了異常，平臺將用高亮標(biāo)記異常部位。

“這個技術(shù)的應(yīng)用場景特別適合用于解決發(fā)展中國家、全球衛(wèi)生場景中臨床醫(yī)生資源短缺的問題�！盤ranav總結(jié)到。

另一家融資超過4500萬美元的美國AI影像公司Arterys則計劃通過現(xiàn)實(shí)世界的數(shù)據(jù)來為全球人類提供醫(yī)療決策，自動化日常的醫(yī)療任務(wù)，進(jìn)一步推動醫(yī)療平等化、民主化，并提供預(yù)防性分析。

Arterys如今的AI產(chǎn)品均基于云計算進(jìn)行處理，這種模式的處理速度遠(yuǎn)比醫(yī)院內(nèi)部計算系統(tǒng)中計算更快捷、更安全可靠。

AI技術(shù)在美國臨床應(yīng)用：AI系統(tǒng)產(chǎn)業(yè)化的關(guān)鍵步驟

作為醫(yī)療投入占政府總支出最高的國家之一，美國在AI技術(shù)的推廣上一直走在了世界前列，而中國作為平均醫(yī)療資源緊張的人口大國，同樣對AI醫(yī)療存在巨大的需求。

這次課程上，國內(nèi)的推想科技、美國的Nuance、以及在中美協(xié)同推廣的深透醫(yī)療（Subtle Medical）受邀進(jìn)行了報告，會議尾聲，三家企業(yè)以“Implementing AI： the last mile”為主題，探討了臨床部署AI系統(tǒng)產(chǎn)業(yè)化的最后關(guān)鍵步驟。

推想科技在中國處理了數(shù)百萬的病歷，并在美國多家醫(yī)院／影像中心開展測試。Nuance則在美國臨床影像的語音識別工具、讀圖標(biāo)記工具占領(lǐng)了巨大的市場份額，也在推廣其“Nuance AI market”醫(yī)學(xué)影像AI應(yīng)用商店。

深透醫(yī)療是三家中唯一有AI產(chǎn)品獲FDA批準(zhǔn)進(jìn)行商業(yè)化的。深透醫(yī)療CEO宮恩浩博士介紹了如何臨床部署其FDA獲批的SubtlePET產(chǎn)品，以及對申請中的SubtleMR等產(chǎn)品進(jìn)行臨床測試。

深透醫(yī)療SubtlePET的AI產(chǎn)品是首個獲批的醫(yī)學(xué)影像增強(qiáng)應(yīng)用，也是首個獲批的核醫(yī)學(xué)的AI應(yīng)用，其產(chǎn)品價值在于可利用AI達(dá)到4倍左右的影像采集加速，為減少輻射以及造影劑劑量提供解決方案。這意味著，病人將獲得更便捷、更高質(zhì)量、更安全、更智能的臨床影像檢查。

在美國，AI要邁進(jìn)醫(yī)院必須跨過嚴(yán)格的門檻，必須與醫(yī)院信息系統(tǒng)深入融合；與臨床醫(yī)生確認(rèn)系統(tǒng)效果；并給出購買AI系統(tǒng)后，醫(yī)院將收獲的回報。

“在準(zhǔn)備部署時，我們需要和臨床醫(yī)生、信息系統(tǒng)負(fù)責(zé)人以及醫(yī)院管理運(yùn)營方面多方面溝通。以深透醫(yī)療為例，公司臨床和銷售負(fù)責(zé)人需要和醫(yī)院進(jìn)行快捷而有效的真實(shí)數(shù)據(jù)測試，在盡可能不影響醫(yī)院現(xiàn)有運(yùn)行的情況下，實(shí)時讓醫(yī)院用自己的數(shù)據(jù)進(jìn)行臨床測試。通過實(shí)際的測試以及真實(shí)可觀的影像檢查加速，可以很客觀地讓醫(yī)院看到AI為醫(yī)院帶來新的臨床價值以及經(jīng)濟(jì)價值，從而進(jìn)展到采購與部署�！鄙钔羔t(yī)療CEO宮恩浩告訴記者。

醫(yī)學(xué)影像后處理公司TeraRecon的CEO，同時也是醫(yī)學(xué)影像AI平臺Envoy公司的CEO， Jeff Soreson與著名影像醫(yī)生、影像AI推廣者Eliot Siegal教授，同樣以互相采訪的形式討論了如何優(yōu)化影像AI的工作流程、部署過程。

“對AI算法深度的臨床驗(yàn)證是推廣醫(yī)學(xué)AI非常關(guān)鍵的一步，我們在向這個目標(biāo)不斷發(fā)展�！盓liot Siegal教授強(qiáng)調(diào)。

技術(shù)局限性與面臨的挑戰(zhàn)

雖然醫(yī)學(xué)影像已經(jīng)是AI領(lǐng)域最適合、也能最快部署的領(lǐng)域之一，我們?nèi)悦媾R著重重挑戰(zhàn)。

首先，以深度學(xué)習(xí)為代表的的AI技術(shù)仍是一個“黑箱子”。這意味著技術(shù)能夠讓醫(yī)療影像檢測達(dá)到較高的準(zhǔn)確度，然而AI仍然很難理解數(shù)據(jù)之間的真正關(guān)系以及如何分類數(shù)據(jù)。

“在斯坦福，我們希望能夠?yàn)獒t(yī)學(xué)影像感知打造更好的注意力分布圖（attention map），來避免黑箱效應(yīng)�！彼固垢ａt(yī)學(xué)院教授Dr． Saafwan Halabi表示，“最近有很多研究和報道討論到基于數(shù)據(jù)的對抗攻擊算法（Adverserial Attack）可以讓識別路標(biāo)的AI無法正常工作。而在醫(yī)療AI中，如何保證AI不被誤導(dǎo)是非常重要的一環(huán)，這方面研究的顯然遠(yuǎn)遠(yuǎn)不夠�！�

斯坦福AIMI人工智能醫(yī)學(xué)影像研究項(xiàng)目負(fù)責(zé)人，本科課程的負(fù)責(zé)人之一Dr． Matthew Lungren討論了臨床AI的偏見問題“bias and implications for medical imaging AI”。 AI在實(shí)際臨床用時很可能引入數(shù)據(jù)偏差（bias），比如對于醫(yī)學(xué)影像識別的分類器，識別的是圖像里的其他標(biāo)記，而不是影像中的病灶本身。

目前的工具對于數(shù)據(jù)和算法中的偏差問題并不能很好的理解，實(shí)際臨床應(yīng)用的AI必須要讓人能在使用中理解結(jié)果的可信性。在系統(tǒng)設(shè)計中考慮人機(jī)互動以及AI算法給出置信度分析可以大大幫助人來減少可能的偏差問題。

麻省總院機(jī)器學(xué)習(xí)實(shí)驗(yàn)室負(fù)責(zé)人之一Jayashree kalpathy教授則希望打造出一個魯棒性更強(qiáng)的模型，并通過轉(zhuǎn)移學(xué)習(xí)以及聯(lián)邦學(xué)習(xí)完成多醫(yī)院合作項(xiàng)目，實(shí)現(xiàn)在不用分享敏感數(shù)據(jù)的情況下分享訓(xùn)練出深度學(xué)習(xí)AI模型，進(jìn)而推動醫(yī)院間的深度合作。

總的來說，人工智能還有諸多不完美之處有待突破，但在未來，AI必定能成為健康生活的重要支撐。當(dāng)然，這需要行業(yè)中的從業(yè)者共同努力，共同帶來更加有效率、有合理的健康醫(yī)療系統(tǒng)。

文 ｜ 趙泓維