劉士遠：醫學影像AI發展進入深水區以后的思考

　　在醫療人工智能應用論壇，上海長征醫院影像醫學與核醫學學科的劉士遠主任分享了其在醫學影像AI發展進入深水區以后的思考。

　　劉士遠從五個方面描述了醫學影像AI的發展，首先是影像的需求，現在每月上海三甲醫院預約都在兩個禮拜以上，技術員可以輪班倒，機器讓它不休息，但是做完以后沒有這么多醫生出報告，這可能是一個瓶頸問題，即使做完了也沒有這么多人出報告，面對這樣的壓力，可能寫報告都寫的角膜脫落還是寫不完，寫不完會形成漏診、誤診，所以面對臨床影像當中中國醫生的不足，AI是非常有需求的。我們現在人工智能的范圍很大，從簡單的機械臂到一個自動化，然后都可能歸到智能的范圍。劉主任提到，我們所說的人工智能是什么？所有的公司都做什么方面的人工智能？是哪個環節的人工智能，核心競爭力在哪里？提出醫生選擇合作伙伴的時候也要知道公司水平在哪里，核心競爭力在哪里。公司挖所謂的科學家的時候也要瞪大眼睛，現在AI所謂的算法科學家很多，但是人才奇缺，因為真正的科學家很少。

　　同時，劉士遠強調了在醫學影像AI領域，醫生的重要性，所有的AI產品醫生是終端用戶，又是AI產品研發的啟動者和源頭源頭，需要解決什么問題是醫生說，然后數據在醫生手里，基于深度學習的核心是標注的數據，這個標注在醫生手里，如果標注不靠譜后面都是零。他提到，我們還要來建一些相關的標準，行業的標準，一些產品的標準，起到引領的作用，培育的作用，好不好用要反饋，比如說現在一些AI產品在臨床上，是不是愿意用，反饋，然后便于AI公司不斷地完善。AI是一個好東西，醫生要擁抱它，宣傳它，引領它，只有這樣大家一起努力，才能讓AI在一個好的環境里面像新生兒一樣越長越壯，將來能夠孝敬我們。

　　第二個方面，劉士遠說到了我們需要什么樣醫療影像AI產品。首先它要符合臨床使用的場景，其次在這個產品做好了以后，一定要使用方便，要有一個很好的人機交互的界面，才能夠讓大家愿意去用。核心的是你這個產品要有很好的敏感性和特異度，不能漏診。總的來說，這個產品要以檢查部位和檢查目的作出終端解決方案，要像現在影像科出報告一樣，有一些描寫，有一些診斷，有一些建議，多器官多任務的輸出形式還是有前途的。

　　目前關于影像的AI產品，最接近臨床的就是肺結節的檢測，肺結節的鑒別速度有所提升，效果不錯，其他的比如說腦卒中，骨頭方面做的比較多的骨折，還有一些針對冠脈、乳腺，背景相對單一簡單的來做AI產品，這個方向是對的，先從簡單的開始解決。比如說腦出血，腦卒中的自動識別以及檢測、量化，相關產品已經上線，實際情況中兩次腦出血的量在肉眼看差別不大，但是AI能夠準確的分析出量的變化，這對臨床也具備指導意義，比如出血是活動性的，還是已經穩定，是不是需要進一步治療，它是非常有作用的。

　　第三個方面，劉士遠指出國內雖然數據很多，但是獲得來源不暢，沒有合法的渠道。另外是行業標準缺乏，比如腦出血圖像的辨識是需要大家達成一致的認識，他表示，如何描述術語，一定要量化統一認識。為什么大家不愿意貢獻數據，是因為尚未真正讓數據可溯源，成為供給者的貢獻，包括數據的倫理問題，這都需要相應部門立法，包括上海市衛生和健康發展研究中心，出臺若干管理法規。

　　第四個方面，劉士遠指出了圖像標注存在的問題，其一是對圖像的認識不統一，比如肺結節區分為磨玻璃結節和實性結節，尤其是小的結節，乍看像磨玻璃結節，實際上是實性結節，需要考慮到結節大小，位置，具體怎樣判斷，都需需要專家討論確立。另外結節邊界是否清楚，其邊界是否一樣，可能導致標出來的結果不一樣。其二是標注的方法，區域標注法和緊密包裹法標注差別很大，其中血管的改變會影響性質判斷，所以不同標注方法會影響輸出結果。其三是量化的方法，大小的測量通用測平均直徑、測體積等方法，我們需要有共識，有定義地規范方法的使用。

　　第五個方面是產品檢驗環節，此處醫生是比較被動的。首先要了解生產過程，只有醫生參與更多、了解更多，才能有發言權，另外模型的效果還是需要第三方公認機構檢測。劉士遠提到，通過構建肺結節模型，目前已經建立一套標準數據庫建設的模式，未來對其他疾病模型的標準構建可以參照這個模式進行。