近日，北京大學(xué)醫(yī)學(xué)部影像醫(yī)學(xué)學(xué)系第二次學(xué)術(shù)年會在北京舉行。當(dāng)天上午舉行了“醫(yī)學(xué)影像與人工智能論壇”。北京大學(xué)人民醫(yī)院放射科原主任杜湘珂教授參與此次論壇，并在會上發(fā)表了題為《醫(yī)學(xué)影像中的人工智能技術(shù)》的主題演講。

[[200125]]

杜湘珂：北京大學(xué)人民醫(yī)院教授、主任醫(yī)師;中華放射學(xué)會磁共振學(xué)組委員、北京市放射學(xué)會委員、中華醫(yī)師協(xié)會放射分會委員;北京大學(xué)醫(yī)學(xué)部教學(xué)委員會影像醫(yī)學(xué)與核醫(yī)學(xué)組及北京市住院醫(yī)師培訓(xùn)基地影像醫(yī)學(xué)與核醫(yī)學(xué)組組長;中華放射學(xué)雜志、實用放射學(xué)雜志、中國醫(yī)學(xué)影像學(xué)雜志等十余部雜志的編委。

杜教授認(rèn)為，雖然 AI 在肺結(jié)節(jié)的檢出上比人工快，但是肺結(jié)節(jié)的檢出并不是那么簡單，5毫米以下的小結(jié)節(jié)，尤其是1-3毫米的結(jié)節(jié)，情況更為復(fù)雜，并且肺本身的疾病分類就多達(dá)200多種，數(shù)據(jù)量非常龐大。“所以 AI 進(jìn)入醫(yī)療影像領(lǐng)域應(yīng)用的方向和切入點一定是在單一且規(guī)律性強的領(lǐng)域。”

同時，杜教授表示，“ AI 并不能完全替代醫(yī)生。醫(yī)生看病不止于看圖這么簡單，AI完成的僅僅是診斷環(huán)節(jié)中的一部分工作。同時，AI的盈利與能源消耗也是一個巨大的現(xiàn)實問題。IBM沃森醫(yī)生與安德森癌癥中心的合作已經(jīng)暫停，花費了6200萬美金。“

以下為嘉賓演講實錄，筆者做了不改變原意的編輯。

杜湘珂：尊敬的袁主任、葆青主任，以及其他老師，還有一些公司的代表。大家早上好!

我很詫異今天能來這么多人，我覺得是一個小型的研討會，可能對這個題目感興趣的人不會特別多，但沒想到今天人還挺多。

作為一名醫(yī)生我本沒有資格在這里談?wù)撨@么前沿的IT技術(shù)，我今天的目的大概是拋磚引玉，我作為一個影像科大夫，從影像科大夫的角度去看人工智能，今天跟大家一起分享一下，我們是怎么看待人工智能的。

“嬰兒期”的醫(yī)學(xué)影像 AI

第一：我們非常驚詫，人工智能生長速度太快了，它在深度學(xué)習(xí)和大數(shù)據(jù)的推動下，生長速度真的非?？臁Ｎ掖蟾欧喠艘幌聫?016年開始到現(xiàn)在的資料，人工智能幾乎無處不在，你問問所有的放射科大夫，放射科主任都會跟你說，我們也在跟AI合作，某某公司在找我們，好像哪兒都有AI參與。

第二：我感覺到 AI 跟我們專業(yè)有這么密切的相關(guān)性，實際上這也對，因為醫(yī)療影像的數(shù)據(jù)體量是非常大的，它占到醫(yī)院整個數(shù)據(jù)的75%-80%，它的體量非常大。而且在所有的數(shù)據(jù)里，影像的證據(jù)跟臨床病理比較起來，它的標(biāo)準(zhǔn)化、格式化、統(tǒng)一性還是最強的。說實在的，目前的病理數(shù)據(jù)仍然過于凌亂，無法與數(shù)字影像數(shù)據(jù)相比。

第三：感覺到這些影像數(shù)據(jù)還是非常孤立的，一個一個孤島，一個一個的碎片，每個醫(yī)院都是在做自己的事?，F(xiàn)在衛(wèi)生部有數(shù)據(jù)中心，有一部分醫(yī)院的數(shù)據(jù)進(jìn)入了那里。據(jù)說移動等國有機構(gòu)在整合這些數(shù)據(jù)，但是否整合成功，還需要進(jìn)一步了解。

第四：實際上我們認(rèn)為，人工智能在我們眼里它還是一個小“baby”，還是在襁褓中的，可能它需要面對復(fù)雜的算法，面對將很多計算方式跟臨床接軌;這里就面臨一個業(yè)務(wù)化的問題，還有計算機的瓶頸問題，可能目前還都制約著它的發(fā)展。但不管怎么說，AI的生命力是不可阻擋的。AI似乎要影響到我們做影像科大夫的每一個人，我們沒有辦法，我們只有主動學(xué)習(xí)!

人工智能技術(shù)研發(fā)與應(yīng)用概覽

我看到現(xiàn)在國內(nèi)外從去年開始可以搜索到很多相關(guān)內(nèi)容，首先是谷歌，谷歌在2016年2月成立了 DeepMind Health，正式把人工智能的技術(shù)應(yīng)用到了醫(yī)療健康領(lǐng)域，獲得了英國的皇家理工學(xué)院、倫敦皇家自由醫(yī)院和英國的醫(yī)療服務(wù)系統(tǒng)數(shù)據(jù)的支持。

我大概瀏覽了一下它在做的東西，比如說在2016年底時，它發(fā)表了《 AI 在糖尿病視網(wǎng)膜病變上的引用進(jìn)展》。大概包括智能引擎培訓(xùn)了8個月，有54名美國的眼科專家把12000多份的視網(wǎng)膜照片分級分類，CNN對我們眼科大夫而言是非常陌生的技術(shù)，它是一個算法叫“卷積神經(jīng)網(wǎng)絡(luò)”，用來訓(xùn)練AI自動檢測糖尿病視網(wǎng)膜病變和視網(wǎng)膜黃斑水腫，大概能夠達(dá)到87%左右的靈敏度和特異度。

谷歌還干了別的事，比如在乳腺癌病理的人工智能方面，在與病理學(xué)家合作的基礎(chǔ)上，人工智能在基于靈敏度和假陽性的乳腺癌病例分析中的準(zhǔn)確率能達(dá)到88%，而病理學(xué)家準(zhǔn)確率為73%，看了這么多人機對話，大概人工智能都會高一點，包括有90%的。

2017年1月開始， Nature 就開始連篇刊登這些文章了，我查到的這三篇分別是：

第一篇：《 AI 在先天性白內(nèi)障的研究》，這是我們中山大學(xué)的臨床實驗，它也是利用神經(jīng)卷積算法(CNN)，做了410張各種程度的先天性白內(nèi)障圖片和476張正常的圖片訓(xùn)練，它的準(zhǔn)確率達(dá)到了92%。

第二篇：《對腦瘤病理切片的快速診斷》，模擬傳統(tǒng)的 HE 染色切片，通過萬張以上圖片訓(xùn)練，把AI區(qū)分腦膠質(zhì)瘤和非膠質(zhì)瘤的準(zhǔn)確率提到了90%。

第三篇：《對神經(jīng)假體進(jìn)行精確控制》，我覺得這挺有用的，神經(jīng)假體在人的身上，如果能夠用智能去控制，將來對這種類型的殘疾人會帶來多大的幫助。

還有就是 IBM 的 AI ，即叫沃森腫瘤診斷機器人或沃森醫(yī)生，這個訓(xùn)練比較深入，它不僅僅是一個單純的領(lǐng)域或僅僅是乳腺癌研究的檢出的訓(xùn)練。

沃森醫(yī)生根據(jù)患者的癥狀、病史和診斷數(shù)據(jù)，自動去搜索海量的病例和醫(yī)學(xué)圖書、論文數(shù)據(jù)庫，進(jìn)行對比匹配，得出它認(rèn)為最合適的診斷和治療方案。沃森機器人學(xué)習(xí)了很多東西，它學(xué)習(xí)200多種腫瘤專業(yè)領(lǐng)域的教科書，培訓(xùn)了300多種醫(yī)學(xué)期刊，1500多種腫瘤文獻(xiàn)的關(guān)鍵信息和臨床實驗中的60多萬條的醫(yī)療證據(jù)，它的訓(xùn)練在醫(yī)學(xué)界來說是比較完整的。它最開始是跟MD Anderson合作，大概花了很多很多錢。

去年它在中國，2個小時為21名癌癥患者做了義診，包括胃癌、肺癌、直腸癌、結(jié)腸癌、乳腺癌和宮頸癌等，它現(xiàn)場和知名醫(yī)生的對話結(jié)果成功率達(dá)到90%。

但沃森醫(yī)生目前實際上也存在跟臨床合作非常糾結(jié)、非常尷尬的事情。我們到后面再談。

在超聲上，浙大理工學(xué)院的團(tuán)隊，通過對機器人的開發(fā)和識別，他開發(fā)了一個叫“-DE超聲機器人”，主要是探索甲狀腺，從甲狀腺的超聲圖片中快速檢出和勾勒出結(jié)節(jié)。比如：

第一：對結(jié)節(jié)的特征，比如鈣化、邊緣、毛刺、灰度等進(jìn)行了一個分類處理。

第二：對層次結(jié)構(gòu)，淺層次和深層次進(jìn)行了一個分類和梳理。

最后在人機對話中，它的效果能夠達(dá)到85%，資深超聲醫(yī)生效果是75%，但這里面的訓(xùn)練是非常艱苦的。

我不知道浙大的超聲醫(yī)生團(tuán)隊是怎樣給它篩查病理的，但我知道有的醫(yī)院在篩查病理時，假如用1000份病例，就是有病理結(jié)果的甲狀腺結(jié)節(jié)來輸入這個機器，他在1000份里起碼要輸入30%不合格的病理，比如他雖然有病理結(jié)果，但病理結(jié)果很模糊，或者各個方面臨床認(rèn)為不合格。

所以，我知道病例的真實性是非常重要的。如果不是這么嚴(yán)格的去篩選病例，叫一個公司來，幫我實驗一個什么軟件的話，我想它數(shù)據(jù)的真實性會有很大的問題。

當(dāng)然最后真實的結(jié)果，同濟(jì)醫(yī)院會給我們詳細(xì)講述，他們是怎么訓(xùn)練機器人，怎么去從臨床提供真實數(shù)據(jù)。

阿里最近信息比較多，我發(fā)現(xiàn)實際上它現(xiàn)在還是在肺結(jié)節(jié)的檢出上比人工快，但肺結(jié)節(jié)檢出有那么簡單嗎?肺結(jié)節(jié)是5mm以下的小結(jié)節(jié)，尤其是1-3mm的結(jié)節(jié)，有各種性質(zhì)。怎么分類?我覺得這里面是非常復(fù)雜的。所以我們期待著看同濟(jì)醫(yī)院是怎么做的。

我覺得肺本身就存在非常復(fù)雜的疾病，有一個公司跟我說，他們準(zhǔn)備搞肺的疾病研究，200多種疾病，我說那是不可能的，現(xiàn)在的AI進(jìn)入醫(yī)療以后，一定會選擇單一領(lǐng)域。

比如它在肺癌里就選肺結(jié)節(jié)，它絕對不應(yīng)該選肺間質(zhì)病變，同樣一個肺間質(zhì)病變，在我們90年代寫的書里有216種，僅病因的篩查那就是個非常復(fù)雜的工作，那不是目前通過簡單地訓(xùn)練機器人就能干的事，它一定是有一個非常明確的、單一的領(lǐng)域。

比如乳腺癌，大家現(xiàn)在做乳腺癌都選擇核磁，要把超聲和鉬靶檢查都囊括進(jìn)來的話，這個工作量和復(fù)雜程度將會非常非常大。

病理智能診斷系統(tǒng)其實也做了不少，AI的病理醫(yī)生讀片是北京友誼醫(yī)院、北京協(xié)合協(xié)和醫(yī)院的四名資深病理醫(yī)生，與羽醫(yī)甘藍(lán)研制的宮頸細(xì)胞癌涂片的智能輔助篩查系統(tǒng)在合作。它們大概對7份宮頸癌的TCT病理涂片進(jìn)行了讀片，速度也是 AI 更快一些，人工用20分鐘，單純的AI還不到5分鐘。

單純的人機這一塊得到了認(rèn)可，但在臨床流程的探索可是另一個跟 AI 的合作方式。

第一：能不能檢出，能不能分辨良惡性，分辨良惡性到什么程度。

第二：臨床流程。從目前來看，我們能夠認(rèn)出的還是 AI 系統(tǒng)的篩查和檢出，這個檢出的圖片是要留給上級病理醫(yī)生再次審核的，同時要刪除掉陰性細(xì)胞，預(yù)計能夠節(jié)省讀片時間。

下面是Nature上發(fā)的《 AI 深度識別皮膚癌的進(jìn)展》，它大概是12000張的涵蓋2000多種皮膚病的臨床圖片，進(jìn)行了AI機器的分辨。

通過對話有兩場比賽：

第一場：區(qū)別角質(zhì)細(xì)胞癌和良性脂溢性角化病。

第二場：區(qū)分惡性黑色素瘤和良性痣。

所有的結(jié)果，人工智能的靈敏度都能達(dá)到90%，基本與病理醫(yī)生診斷的正確性是相持平的。

AI 該從哪些點切入醫(yī)療影像應(yīng)用?

剛才主持人也深入地問了一下皮膚科的醫(yī)生面對AI的挑戰(zhàn)問題。皮膚科醫(yī)生認(rèn)為，看皮膚遠(yuǎn)遠(yuǎn)不止看皮膚那么簡單，當(dāng)患者就診時，醫(yī)生要了解他的飲食、旅行、接觸、家人、穿著衣物、既往病史、家族史等等盡可能詳細(xì)的問題。 AI 完成的就是診斷的一部分工作，它只完成了一部分工作，這是我們要知道的。

今天來的除了臨床的醫(yī)生，還有各個做 AI 的科技公司，他們現(xiàn)在最關(guān)注的其實是從哪個點切入。所以，一會兒臨床醫(yī)生有一些好的應(yīng)用可以提供給大家。

從哪個點切入?現(xiàn)在看來比較多的比如，超聲是從甲狀腺切入，影像比較多的是做肺、乳腺等，我相信現(xiàn)在做前列腺結(jié)節(jié)比較多。袁主任你覺得腫瘤、骨折有沒有可能切入進(jìn)來，其實骨折現(xiàn)在還好一點，有核磁了，過去在我沒退休以前，我覺得統(tǒng)計起來，在科室里最常出的醫(yī)療事故倒不是那么復(fù)雜的病變，復(fù)雜的病變反而我們通過多方會診不會有那么多的事故，倒是簡單的骨折，尤其是沒有移位的骨折、隱形骨折或介于骨挫傷和骨折之間的骨折，患者一活動就移位了，就要打起官司了，這個方面AI有沒有可能介入。中樞神經(jīng)系統(tǒng)-急性出血和缺血性病變的警示有沒有可能等，這個是 AI 在影像領(lǐng)域切入的方向點，一開始一定要非常單一，能夠規(guī)范到幾點上去做。

另外，我們在跟自己的網(wǎng)絡(luò)工程師談?wù)摰臅r候，就關(guān)于大數(shù)據(jù)問題，大數(shù)據(jù)現(xiàn)在不是說數(shù)據(jù)大就行，更的重要的是數(shù)據(jù)的質(zhì)、數(shù)據(jù)的成色。

影像醫(yī)師怎么看 AI ?

那影像醫(yī)師是怎么看待 AI 的呢? AI 一開始的狀態(tài)就是小成品臨床驗證，局限于病灶檢出。隨著技術(shù)能力的提成，人工智能幾乎無處不在，很多醫(yī)院的放射科大夫都已經(jīng)接受這個新事物。其次， AI 還需要更大的基礎(chǔ)研究，需要更大的數(shù)據(jù)源進(jìn)行訓(xùn)練，和更多的醫(yī)療科醫(yī)院進(jìn)行合作。我們最后的目標(biāo)是要讓 AI 在醫(yī)療領(lǐng)域能夠達(dá)到標(biāo)準(zhǔn)化、量化和結(jié)構(gòu)化，最后成為一個高水平的AlphaGo。最后，我們還要思考一下臨床 AI 以后的發(fā)展方向，因為現(xiàn)在這些數(shù)據(jù)還是非常隔離的，所以未來 AI 可能會參與提煉和梳理數(shù)據(jù)，把控數(shù)據(jù)的成色。

過去我們影像科的醫(yī)生都是通過影像數(shù)據(jù)和自己的主觀經(jīng)驗進(jìn)行診斷，但是現(xiàn)在 AI 以超乎我們想象的速度和能力進(jìn)入傳統(tǒng)領(lǐng)域，這場變革是由技術(shù)推動的，但是我們醫(yī)生的工作不會丟失，但可能會換一種形式，我們要保持自己的初心，需要記住的是：有時候治愈，經(jīng)常關(guān)懷，永遠(yuǎn)撫慰。

謝謝大家!