【原】影像医生组团向吴恩达学AI？北美放射学会举办首个针对医生的AI课程

动脉网 2020-12-26

展开全文

未来的医生不仅要能看得了片子，做得了诊断，很可能还需学会如何与人工智能更好地合作，在技术加持下让自己的医术更上一层楼。

这个趋势已在全球范围内引起关注。6月2日，北美放射学会（RSNA）在5月31日-6月1日期间举行了第一届针对放射医学工作者的“AI大讲堂”（Spotlight Course on AI: Radiology in the Age of AI )，试图通过两天的课程介绍放射医学与AI紧密结合的技术起源、现有应用及如何理解AI医学影像方面的学术进展，希望能够帮助医生们适应和新兴技术紧密合作的新时代。

本次“AI大讲堂”包括“简要介绍医学影像中的AI技术”、“探讨其对更好地保证人类健康的影响”、“如何在自己的医学实践中接入AI系统”等多个部分，每个部分都邀请了AI行业领域的佼佼者来进行讨论或者演讲。

这正是趋势所在：医疗领域所面临的大量数据和技术需求让其成为最先接受大规模AI技术冲击的领域，这一趋势也孕育了众多最快走向应用的技术。

AI正在不断影响医学影像行业

CT、MRI、PET等医学影像手段是医生做诊断的重要资料，而AI强大的数据处理能力则能帮助医生在分析影像时更显游刃有余。

世界知名AI专家、斯坦福教授吴恩达在会上介绍了AI和深度学习算法的发展以及AI影像技术的新进展。他所处的实验室和斯坦福医院合作，完成了ChestXnet,、Xray4all等用深度学习理解影像的工作。这些深度学习技术可以区分胸部X光中十一种不同的病理表现；检测出膝盖MRI中的异常；检测出在头部CT片子中指向动脉瘤的病理表现等等。

吴恩达在介绍AI在医学影像中的应用

“深度学习已经可以完成人类一秒钟内完成的基本任务，但AI想要完全替代医生进行诊断，还有很长的路要走，有很多的突破需要攻克。”吴恩达说道。

对于AI技术可能引发的医生替代危机，本次课程的组织者之一，斯坦福大学医学院放射系副主任Curtis Langlotz教授则没那么悲观。他认为：“影像科医生需要不断改变、多学习最前沿的AI知识与技能。但AI只是临床医学中，类似CT、磁共振、超声等新技术之后，又一个有价值的新技术、新发展，临床医生需要将AI新技术利用到临床工作中。”

“测量病灶大小、跟踪病灶位置大小在不同疾病周期的变化等任务往往枯燥而乏味，AI比人类更擅长处理这样的工作。所以，从某种角度上谈，AI能让临床医生的工作更好，有了AI的协助，临床医生可以做一些在认知上更有趣更有挑战的任务。”

医生所需技能在不断迭代

面对AI不断改变医疗领域的现状，作为近距离接触病患、提供日常医疗服务的医生，如何才能适应这样的时代？

首先，医生需要更多地了解新技术，并学习如何将其应用于临床诊断、手术预后、提前筛查等领域。课程中多位医学影像AI的研究者分享了他们在这些领域的新研究。

“AI不会替代医生，但会用AI的医生会替代不会用AI的医生。”Curtis Langlotz教授在讨论AI在医疗临床应用时再次引用了这句AI时代的金句。

吴恩达也表示：“在科技世界里，每隔五年，我们的工作就会发生巨大的变化。如今，技术正让所有各行各业变化的速度进一步加快。很多放射科医生做的事情将被自动化，但只要医生愿意去思考工作的真正价值，不断拓宽视野，把重心放在更有价值的工作上，他们就什么也不需要担心。”

其次，新技术本身也在进一步提升医生的专业水平。

英国Kheiron Medical的放射学专家Dr. Hugh Harvey指出，放射学医生需要更多地了解数据科学技术。放射科医生需要了解基础的数据科学、机器学习等方面知识，特别是对于数据的整理。他提到深度学习等AI技术对于数据量的要求很大，但人们讨论时往往只重视数量而忽略了质量。直接从临床系统中拿到的数据是远远不能真正用来做临床AI研究与应用的。

一般数据整理需要至少四层操作。

第一层是临床系统（PACS，电子病历系统）中直接拿到的数据，这些数据往往包含敏感信息，数量大质量低，不能真用来做研究。

第二层是通过伦理委员会审查、去掉病人敏感信息的数据的数据，医生和研究者可以受限拿到，但是这类数据一般缺乏结构化，无法直接用来做研究。

第三层是将这些数据进一步进行结构化清洗，进行可视化检验，从而保证图像数据质量等问题。

第四层是将这些数据与相应的临床信息匹配，通过人工或者自动的方法为数据打标签，以便于进行AI研究分析。在这一层中，研究人员还要确认数据的统计价值是否足够，以及是否有真正的标准来进行标签。比如病人疾病的判断需要根据多位医生读图的结果比照，并通过后续发病、随访得到的结果确认疾病。

对于医生来说，以开放态度对待技术，以课程、活动、项目交流等方式接触并掌握新兴技术，很可能会让未来的医疗服务“事半功倍”。

参加此次会议的斯坦福神经影像医生、前沿神经功能影像实验室主任、Greg Zaharchuk教授对这类课程的重要性表示赞同。他认为，研究人员需要很好的将AI理论、应用、发展和局限讲解给临床医生。

另一方面，他也强调临床AI的研究和真正的临床AI产品部署之间还有很大差距。如何确保算法在不同病例、设备、扫描参数等，都是现在面临的问题，需要在发展中逐步解决。

医疗影像与AI技术结合后，人类的健康可能会获得更多、更可靠的保障

放射科医生在AI时代面临着更多的机会和挑战，而对更广阔的大众来说，技术能带来的是更多的保障与更高的医疗水平。

在本次活动中，来自吴恩达实验室的博士生Pranav Rajpurkar现场展示了Xray4All平台：用户上传截取的x光影像照片，约1秒的传输后，用户就可以在线获得结果。若检测影片出现了异常，平台将用高亮标记异常部位。

“这个技术的应用场景特别适合用于解决发展中国家、全球卫生场景中临床医生资源短缺的问题。”Pranav总结到。

另一家融资超过4500万美元的美国AI影像公司Arterys则计划通过现实世界的数据来为全球人类提供医疗决策，自动化日常的医疗任务，进一步推动医疗平等化、民主化，并提供预防性分析。

Arterys如今的AI产品均基于云计算进行处理，这种模式的处理速度远比医院内部计算系统中计算更快捷、更安全可靠。

AI技术在美国临床应用：AI系统产业化的关键步骤

作为医疗投入占政府总支出最高的国家之一，美国在AI技术的推广上一直走在了世界前列，而中国作为平均医疗资源紧张的人口大国，同样对AI医疗存在巨大的需求。

这次课程上，国内的推想科技、美国的Nuance、以及在中美协同推广的深透医疗（Subtle Medical）受邀进行了报告，会议尾声，三家企业以“Implementing AI: the last mile”为主题，探讨了临床部署AI系统产业化的最后关键步骤。

推想科技在中国处理了数百万的病历，并在美国多家医院/影像中心开展测试。Nuance则在美国临床影像的语音识别工具、读图标记工具占领了巨大的市场份额，也在推广其“Nuance AI market”医学影像AI应用商店。

深透医疗是三家中唯一有AI产品获FDA批准进行商业化的。深透医疗CEO宫恩浩博士介绍了如何临床部署其FDA获批的SubtlePET产品，以及对申请中的SubtleMR等产品进行临床测试。

深透医疗SubtlePET的AI产品是首个获批的医学影像增强应用，也是首个获批的核医学的AI应用，其产品价值在于可利用AI达到4倍左右的影像采集加速，为减少辐射以及造影剂剂量提供解决方案。这意味着，病人将获得更便捷、更高质量、更安全、更智能的临床影像检查。

在美国，AI要迈进医院必须跨过严格的门槛，必须与医院信息系统深入融合；与临床医生确认系统效果；并给出购买AI系统后，医院将收获的回报。

“在准备部署时，我们需要和临床医生、信息系统负责人以及医院管理运营方面多方面沟通。以深透医疗为例，公司临床和销售负责人需要和医院进行快捷而有效的真实数据测试，在尽可能不影响医院现有运行的情况下，实时让医院用自己的数据进行临床测试。通过实际的测试以及真实可观的影像检查加速，可以很客观地让医院看到AI为医院带来新的临床价值以及经济价值，从而进展到采购与部署。”深透医疗CEO宫恩浩告诉记者。

医学影像后处理公司TeraRecon的CEO，同时也是医学影像AI平台Envoy公司的CEO， Jeff Soreson与著名影像医生、影像AI推广者Eliot Siegal教授，同样以互相采访的形式讨论了如何优化影像AI的工作流程、部署过程。

“对AI算法深度的临床验证是推广医学AI非常关键的一步，我们在向这个目标不断发展。”Eliot Siegal教授强调。

技术局限性与面临的挑战

虽然医学影像已经是AI领域最适合、也能最快部署的领域之一，我们仍面临着重重挑战。

首先，以深度学习为代表的的AI技术仍是一个“黑箱子”。这意味着技术能够让医疗影像检测达到较高的准确度，然而AI仍然很难理解数据之间的真正关系以及如何分类数据。

“在斯坦福，我们希望能够为医学影像感知打造更好的注意力分布图(attention map)，来避免黑箱效应。”斯坦福医学院教授Dr. Saafwan Halabi表示，“最近有很多研究和报道讨论到基于数据的对抗攻击算法（Adverserial Attack）可以让识别路标的AI无法正常工作。而在医疗AI中，如何保证AI不被误导是非常重要的一环，这方面研究的显然远远不够。”

斯坦福AIMI人工智能医学影像研究项目负责人，本科课程的负责人之一Dr. Matthew Lungren讨论了临床AI的偏见问题“bias and implications for medical imaging AI”。 AI在实际临床用时很可能引入数据偏差（bias)，比如对于医学影像识别的分类器，识别的是图像里的其他标记，而不是影像中的病灶本身。

目前的工具对于数据和算法中的偏差问题并不能很好的理解，实际临床应用的AI必须要让人能在使用中理解结果的可信性。在系统设计中考虑人机互动以及AI算法给出置信度分析可以大大帮助人来减少可能的偏差问题。

麻省总院机器学习实验室负责人之一Jayashree kalpathy教授则希望打造出一个鲁棒性更强的模型，并通过转移学习以及联邦学习完成多医院合作项目，实现在不用分享敏感数据的情况下分享训练出深度学习AI模型，进而推动医院间的深度合作。

总的来说，人工智能还有诸多不完美之处有待突破，但在未来，AI必定能成为健康生活的重要支撑。当然，这需要行业中的从业者共同努力，共同带来更加有效率、有合理的健康医疗系统。