「AI影像见分水岭，行业面临洗牌」中美医学影像AI前沿峰会干货
新智元报道 微信公众号：新智元（AI_era）
【新智元导读】 随着国家关于人工智能和大数据国家战略扶持措施的相继落地，这一轮AI角逐将很快出现分水岭，医学影像AI可能迎来洗牌，高下很快有结果。由汇医慧影和斯坦福大学医学院Department of Radiation Oncology AI Lab联合发起的“中美医学影像人工智能前沿峰会”于12月2日-3日在美国硅谷召开，针对医学影像创新和AI场景落地以及AI临床需求融合问题进行深入探讨。本文带来最新干货分享。
受益于大数据和人工智能技术的发展，医学影像人工智能公司如雨后春笋般涌现，并迅速成为资本的宠儿。随着国家人工智能、大数据两项国家战略的扶持措施的相继落地，医疗AI即将步入落地应用阶段。
由汇医慧影和斯坦福大学医学院Department of Radiation Oncology AI Lab联合发起的“中美医学影像人工智能前沿峰会”于12月2日-3日在美国硅谷召开，针对医学影像创新和AI场景落地以及AI临床需求融合问题进行深入探讨。
本次大会由斯坦福大学医学物理中心主任、斯坦福大学终身教授、人工智能放射领域顶尖专家、汇医慧影首席科学家邢磊教授担任主席。邢磊是美国斯坦福大学终身教授、同时兼任斯坦福电子工程系、分子影像及生物信息专业以及Bio-X的教授。他从事医学影像，医学物理以及医学信息方面的教学研究 20余年，发表专业论文数目近300篇，主持过多个NIH、DOD、NSF、ACS、RSNA及其它机构的重大科研项目，曾获美国癌症协会研究学者奖、美国医学物理学会 (AAPM) 最佳论文奖、及谷歌研究奖, 是AAPM和 AIMBIE（美国医学与生物工程院）会士，国家千人。
会议云集了斯坦福医学院的顶尖人工智能技术科学家和中国顶尖的医学影像专家和管理者，前中华医学会放射学分会主任委员、复旦大学附属华山医院终身教授冯晓源教授，北京大学第一医院放射科主任王霄英教授，斯坦福癌症研究所生物医学信息学主任Daniel L. Rubin，华中科技大学同济医学院附属同济医院放射科教授、主任医师王良教授，华中科技大学同济医学院附属协和医院放射科杨帆教授和福建医科大学附属协和医院影像科薛蕴菁教授，汇医慧影CEO、美国斯坦福大学博士后柴象飞等多位跨领域跨学科专家出席会议并发表了精彩报告。
以下是几位专家的精彩分享节选：
Daniel L. Rubin教授：放射医生其实是数据科学家
美国医学信息学学院研究员、斯坦福癌症研究所生物医学信息学主任Daniel L. Rubin副教授作为大会特邀嘉宾发表了专题报告。
Rubin教授着重强调了放射组学分析中高度标准化与影像注释的重要性。他说：“放射组学或机器学习可以应用于疾病探测、病灶分割、诊断、治疗选择（个性化医疗）、疗效评估和临床预测，尤其是后三者将极大地受益于深度学习。”这与汇医慧影放射组学云平台的应用方向不谋而合。
汇医慧影的放射组学云平台提供病灶勾画、特征值计算分析、机器学习和个案预测的一键分析，并针对不同病种出具详细的量化报告，积极推进科研成果向临床实践的转化。目前，汇医慧影放射组学云平台已成功入驻国内三百余家医院，有超过一千位放射医师使用，并有诸多研究成果投稿发表。
模型训练方面，Rubin教授认为，相比二维影像，放射医生更愿意采用三维数据。三维影像数据可以提供更多的层析信息，更加精准；但深度学习所需的硬件成本高昂且难以获取大量标记后的训练数据。因此，未来影像将因GPU的容量而被重新定义。
Rubin教授还提到，放射学将会成为多学科的交融点，放射医生实际上是数据科学家。而计算机可以更好地帮助放射科医生整合各类信息，看到人眼看不到的巨大信息。目前的主要挑战在于如何进一步提高放射组学的可靠程度，以及如何将诸如病理学、基因组学等学科更好地与放射学有机地融合在一起。
冯晓源教授：不打破信息壁垒，不实现数据标准化，大数据、云计算、AI都只是一句空话
冯晓源教授表示，中国已经提前进入老龄化社会，医疗模式正从以疾病为中心转变为以人的健康为中心。尽管中国在各级医院大力投入，购买新型影像诊疗设备；但医疗资源分配不合理问题依然存在：县级医院虽然有设备，但人才匮乏。要解决这一问题必须调整思路，从人才集中型向技术集中型发展，借助现代化手段和人工智能的帮助，解决过去依靠人力来解决的问题。
冯教授指出，人工智能可以减少影像科医生的程序性、机械性和重复性工作，提高效率，减少数据误差。智能影像诊断应该建立在大数据的基础上，将影像数据和全部人类能够获取的信息进行整合学习，提高对疾病发展趋势和规律的预测能力。
冯教授还提到，影像医学属于体内诊断。区别于体外诊断，体内诊断过程中影像科医生往往是第一个看到病灶的人，但影像科医生并不参与治疗。目前影像科医生的主要工作是发现病变，部分医院会邀请影像科医生参与MDT会诊，但并不参与疗效评估和随诊的相关工作。
冯教授希望未来影像科医生能更多地参与治疗，这有赖于各医院间的信息和大数据共享。精准诊断、治疗方案、预测预防都需要大量的有效数据用于决策。不打破信息壁垒，不实现数据标准化，大数据、云计算、AI都只是一句空话。同时，医生的积极参与至关重要，这是打通人类健康事业最后一公里的关键一步。
对于人工智能和影像的未来，冯教授显得非常乐观。他说道，人工智能将带动相关产业的研究和发展，对国家产生巨大的贡献。人工智能并不会代替医生，未来机器做机器的事，医生做医生的事，二者密切合作才能发挥最大的价值。有了人工智能的协助，医生可以腾出更多时间与患者沟通，做病情的解读者。同时，未来也需要打通体制壁垒，使影像科医生资源配置更优化，成为疾病诊断中的领导者。冯教授认为，到2030年很可能不再有影像科，只剩下诊断科。
王霄英教授：AI要生在医院，养在医院，用在医院
王霄英教授指出，AI看起来是一个很新的词，但实际上已经提出很多年了。事实上影像科并不称其为AI，而是叫Informatic Tools，即发掘各类信息价值的工具。王教授认为，假如把AI比作一个孩子，那么AI的出生、养育和价值发挥都要基于医院，公司则要持续提供支持把AI抚养得更好。这种支持应该来源于医疗数据并契合医院的需求，两者相辅相成才能为AI的高速发展提供优良环境。只有当医疗数据在医院和企业之间流动起来，才能发挥出巨大的作用，成为AI发展的基石。
以骨龄检测为例。骨龄可以通过手腕部的X光片进行检测——腕部骨骼与年岁成正相关，随着年岁的增长，会逐渐骨化且骨骼数目增多。患者申请骨龄评估和腕关节X片检查之后，医生会以此作为标签，进行拍片检查后出具报告。报告主要分两个部分：一. 检出了哪些骨头；二. 符合哪个年龄阶段的骨骼情况。
没有AI情况下的空白报告（左）vs有AI参与的结构式报告（右）
王教授介绍，北京大学第一医院有一个交叉学科实验室，在IT工具研发方面做了很多工作，涉及的领域十分广泛。传统IT企业、PACS厂家、设备厂商甚至药厂都积极参与了这方面的工作，提供了极大的帮助。
最后王霄英教授总结了医疗AI面临几个主要挑战：
1. 临床需求极为复杂。一方面，医生需要全面覆盖的产品；另一方面医生需要解决的又是具体的临床应用场景而非某个结节。
2. 数据问题。
3. 算法问题。汇医慧影的放射组学可以为医生提供一个机器学习算法方面的解释。
4. 用户需求。这里的用户是指放射科医生，他们的培训、考核和产品体验都值得企业深思熟虑。在大的临床应用布局下，产品只有得到放射医生们的认同才能更好地实现价值。
王教授认为，我们应该立足AI本身，从需求出发，先发展检查技术，再探索数据的结构化和标准化问题，这样才能使人工智能得到更好地应用。如果不解决好AI最底层的问题，风风火火的人工智能世界很可能会坍塌。
王良教授：用深度学习进行多参数磁共振成像的前列腺癌自动诊断
王良教授以一个生动的案例开始了他的报告：
2012年，科学家发现一个患前列腺癌（prostate cancer, PCa）的2200岁木乃伊。这个托勒密木乃伊目前保存在葡萄牙首都里斯本国家考古博物馆里。里斯本放射学专家卡洛斯-普雷兹用先进的多探头电脑断层技术(MDCT)，对这个被称为M1的木乃伊作了扫描。研究人员发现，M1有腰骶关节炎，这可能和腰脊柱侧凸有关。另外，他们还发现M1有多处骨折，这可能是在运往欧洲的途中造成的。同时，他们还看到许多0.03到0.59英寸大小的肿瘤，散布在盆骨和腰脊柱间。前列腺癌从胡桃大小的前列腺开始，然后向骨盆、腰脊柱、上臂、腿骨扩散，最后遍及多数骨骼。
PCa不仅是古代人类的病痛，更是当代人类的健康杀手，近年来其发病率在我国呈明显上升趋势。PCa的诊断、鉴别诊断、治疗疗效评估对指导患者选择治疗方式和提高患者预后意义重大。
华中科技大学同济医学院附属同济医院通过全自动MR成像，对PCa患者进行分类，并对比了深度学习和非深度学习分析方法的结果。研究采用了172例前列腺MRI的数据，采集了T1W1，T2W1，DWI和DCE等序列的图像。下图所示为同济医院Prostate CADx 系统的工作流程：数据的预处理，分析和可视化过程通过Python编程来实现，并采用5层神经网络卷积层和2层内积层构建机器学习模型。
最终实验结果证明，相比于非深度学习的方法，深度学习可以更准确有效地甄别前列腺癌和非前列腺癌。同时，可以通过人工设计相关纹理特征值提高诊断的准确度。但是实验依然存在一些局限：比如，带有典型形态学信息的前列腺癌MR影像更适合用机器学习的方法进行诊断。
总而言之，深度学习可以辅助放射医生进行前列腺癌的诊断。而且随着更多新型的算法迭代和硬件运算性能的提升，相信深度学习在医疗影像方面会获得高速发展。期待MI-AI深度融合的一天，更好地辅助放射医生的工作。
柴象飞：人工智能在预后预测上价值更大
最后汇医慧影CEO柴象飞在母校斯坦福大学做了压轴汇报，以深度学习在医学影像的应用和实践做了主题分享。柴象飞认为，影像科拥有更大的应用空间，因为影像穿插在从筛查到治疗诊断的整个环节。他表示，影像是AI进入医疗领域的理想切入点，而GPU的发展对医疗影像产生了巨大的推动作用。
从2015年初开始，汇医慧影就一直在影像的道路上孜孜不倦地探索。柴象飞表示，医学影像的研究可以分为两个方面：一、影像表现的诊断意见，需要解决翻译和快速反应的问题；二、预后预测。目前行业主要集中在诊断方面，但其实它的商业价值有限，预后预测反而有更多的可能性。
经过长时间的探索，汇医慧影在利用人工智能医学影像帮助医生提供效率方面取得了丰硕的成果。在骨折诊断方面，汇医慧影积累了非常丰富的数据，诊断准确率超过了90%，有效解决了漏诊问题。此外，汇医慧影还利用影像组学，和深圳人民医院合作，进行了早期新辅化疗方面的探索。
柴象飞对王霄英教授的观点深表赞同，他说道：“想要做好医疗AI必须和医院深度合作，要驻扎在医院，从临床需求出发，在临床中孵化技术。尤其要做好四件事：一、积累基础数据；二、做好数据标识 ；三、优化核心算法 ；四、打造可商业化医疗服务产品。”可柴象飞指出，商业化医疗服务产品需要得到医疗从业者的认同，要大家都能参与进来并得到回报，形成可持续的商业闭环。
柴象飞指出，单维度的影像信息有限，必须有更高维度的数据，才能把模型建的丰满。产品开发应该由医院和医生来主导，企业提供相应的算法支持，帮助医生更好的完成工作。 汇医慧影的目标不单单是帮助医生节约时间，提高准确度，还要帮助医院增加收入，降低成本。
汇医慧影还组建了医疗创新部门，拓展新的思路，打开新的需求；并和斯坦福大学的邢磊教授，以及清华大学组建了联合实验室，进行技术的交流，输出和人才培养计划。
就在文章整理之际，国务院关于“促进新一代人工智能产业发展三年行动计划”出台，计划指出会进一步推动医疗影像辅助诊断系统的落地：推动医学影像数据采集标准化与规范化，支持脑、肺、眼、骨、心脑血管、乳腺等典型疾病领域的医学影像辅助诊断技术研发，加快医疗影像辅助诊断系统的产品化及临床辅助应用。
随着国家关于人工智能和大数据国家战略扶持措施的相继落地，这一轮AI角逐将很快出现分水岭，医学影像AI可能迎来洗牌，高下很快有结果。
作为专注于人工智能的影像公司，汇医慧影拥有一个漂亮的产品成绩单和市场成绩单，为自己提前拿到了一张终场入场券：提升效率层面，乳腺疾病影像诊断可节约至少70%的时间，胸片能节约将近50%的时间；在诊断准确率上，在很多医院已经达到95%以上；具体病种上，覆盖众多，包括胸部CT的防漏诊断，乳腺钼靶检测，脑梗、脑出血核磁分析，这几类偏筛查型；还有一些则深入到病种里头，可支持包括肺癌、乳腺癌、结肠癌、直肠癌、胃癌、宫颈癌、卵巢癌、鼻咽癌、前列腺癌等在内的癌种的诊断和治疗。
好的产品自己会说话，汇医慧影以优秀的产品性能和产品体验为自己拿到了一个市场高分：2017年以来汇医慧影先后落地超过700家医院，完成多个产品线的开发上线，并于10月底完成数亿元B轮融资，成为行业最大玩家。汇医慧影也得到众多评委的青睐，先后斩获2017年度中国人工智能产业十大成长力企业、2017年度最具商业价值人工智能公司TOP50、2017年度中国医健产业独角兽、最具成长潜质50强等众多殊荣。同年5月汇医慧影作为唯一一家医学影像AI企业，成为腾讯AI加速器首期学员。