如今，随着ai醫療發展，醫工交叉——這個由來已久問題也延伸到這塊新興的土地上。隔行如隔山，這對于it界和醫療界來說尤其貼切，當雙方團隊共同打造一個産品時，面臨着話語體系不同、評價方式不同、誰來主導等諸多問題。
目前這個市場還處于初期，各路玩家相繼入場，産品仍處于科研摸索期。相對于蜂擁而入的ai公司來說，願意參與進來并且擁有豐富經驗的醫生專家是更加稀缺的資源。那麼什麼阻礙了他們？當醫生想要參與時，他們考量什麼、在意什麼？
廣東省人民醫院放射科劉再毅教授稱，“醫生沒有多少動力做研究，現在做科研的很少，就像是‘異類’，我做這個純粹是興趣驅使。”2016年，其課題組基于影像組學建構列線圖（nomogram）對結直腸癌淋巴結轉移術前預測的結果發表在臨床惡性良性腫瘤學領域頂級期刊《j
clin
oncol》上。“我們做的項目離傳統的影像診斷越來越遠，需要多個學科的交叉融合”，他告訴雷鋒網，“很多醫生對人工智能感興趣，但真正做的很少”。這不僅需要醫生從繁忙的臨床中抽出時間，“搜集資料需要大量資金，與ai創業公司合作又不是那麼簡單。”
“這都不是那麼簡單的”是雷鋒網與劉再毅交談2個多小時内出現頻率最高的句子。他表示，醫工合作對雙方都有很高的要求，一是要有共同的目标；二是有很好的合作機制，協調如何把利益最大化；三是雙方團隊品質都要高。
“醫生與創業公司的要的東西不一樣，說得好聽點就是各取所需，說得不好聽就是道不同不相為謀”，他說。
以下為劉再毅的口述。
在我們科室，目前還沒有智能診斷系統這樣的東西。目前确實有很多産品在往臨床上推。但智能影像方面，目前國内還沒有一款很成熟的産品。之前，媒體有報道一些産品在醫院落地，我打聽過一些，醫生的評價也不是很好。也就是說，智能影像診斷方面還沒有一個好的落地應用案例。
很多公司的産品互動很差，用起來非常繁瑣。他們工科會說，我寫兩行代碼就可以搞定了。你讓我寫代碼，這不是見鬼嗎？是以工科思維一定要轉變，深入到臨床一線，看我們究竟需要什麼。
至于資料方面，影像隻是很小一方面，我做影像也發了很多文章，但不覺得影像是最重要的，換言之，影像雖然重要，但不是唯一，要結合其他臨床資訊。我們做資訊挖掘時，要結合病人的基因、病理、血液實驗室檢查等資訊。比如病人在icu，還會考慮結合患者心電圖檢測資訊、電解質、血氧飽和度等諸多動态資訊。
目前，很多公司隻做圖像識别、篩查，大部分集中在肺部，為什麼？因為肺有天然的對比，大家都挑了一個容易攻克的方向做。雖然在臨床中确實可能減少一些工作量，但這是很小的應用場景。
以肺癌為例，我們平常在醫院看到的很多病例，大部分是複查的，一些三期、四期病人的肺部有很多轉移竈，合并滲出、肺不張等，計算機方法很難實作自動對比，一定要人工對比，如果計算機看完還需要醫生重新确認一遍，還不如自己看呢。至于很小的肺結節，醫學界有個指南，建議了怎麼處理，比如發現之後，3個月、半年分别複查；根據倍增時間多久等情況判斷是惡性還是良性？不可能剛發現肺結節就做手術的，這不得了。
肺結節篩查是很好的開始，但目前還有很多問題，系統可以有假陽性，可以誤判，這可以由醫生來把關，但漏病竈的後果是很嚴重的。最重要的是，如何得到監管部門的認可？國家準許之後，其臨床應用的責任才能理清，否則出了問題，誰來負責任？計算機？還是準許軟體的人？還是采購的人？還是醫生？
另外，病人就診時，肺結節檢出隻是臨床診療過程很小的一部分。我們看一個胸部的片子，看了肺之後，還要看淋巴結、骨格等，很多公司的系統隻能檢出肺結節。患者來醫院就診，如果醫生隻是把肺結節檢測結果給他，沒有報告同一份影像圖像其他合并的影像診斷，是要負責任的，因為在臨床上做檢查偶然發現惡性良性腫瘤也是常見的。
是以，這種系統用在體檢中心還可以，但體檢中心的市場能有多大？
「說實在的，我還找不到與ai公司合作的方式」
做醫學圖像挖掘，醫生與ai創業公司的合作是必不可少的，但一定要以醫生為主導來做，公司負責後續的産品化。其中最關鍵在于：要解決什麼樣的臨床問題。
我是做研究的，思路與公司可能不太一樣，雙方都是要提升診斷率，差異就在于具體聚焦在什麼地方？科研解決的是懸而未決的問題，而ai公司是要打造一個産品解決實際問題，雙方目标不一樣，我覺得很多東西不是想象的那麼簡單。
從科研的角度來講，目的在于提出一個臨床假設，并證明。比如我想通過影像資料挖掘判斷某種疾病的愈後好不好或判斷療效，在這種情況下，我會搜集病例，用某些方法驗證，最後得到一個結果。至于結果如何，我們并不知道，創業者的想法跟我們肯定完全不一樣。
有公司找我合作，說實在的，我還找不到合适的方式，如果要合作，一定是深入的交流，其中需要有人起到橋梁、翻譯的作用。比如深度學習的很多概念我們臨床醫生搞不懂，但同時工科的人也多半不懂什麼叫預後，甚至不知道這樣做的意義何在。
醫學上很多問題和其他領域不一樣，比如阿裡要調研使用者的購買習慣，這種資料多得不得了，但醫學上很多疾病資料很少，一個機關可能僅有一兩百病例符合标準。我想沒有一家醫院敢說有幾千例這樣的複合标準的圖像。我們醫院有數萬病例，但基于不同的疾病、檢查方式、研究目的區分之後，資料一下子就變得很少了。
工業界和學術界的合作，對雙方都有很高的要求：一是有共同的目标；二是有很好的合作機制，協調如何把利益最大化；三是雙方團隊品質很重要，缺一不可。
如果我與創業公司合作，最關心的他們的人員構成和資料來源。
做醫學資料挖掘，一定要有醫療背景的專家，他能起到橋梁作用，把臨床問題轉換為技術問題，讓it團隊實作；同時，做技術的沒有接觸過醫學，可能不明白人體分為幾個系統、每個系統由什麼組成、有哪些髒器，更不要說疾病了。我知道很多醫院做的事情是把資料提供給公司，這個方法确實可行。但如果要真正挖掘，一定要深入，不是一方簡單地提供資料，一方簡單地提供算法，雙方直接應該有深度的交流、溝通，共同發現問題，解決問題。
國内最常見的合作方式是醫院提供資料，公司來分析，雙方共享成果或是公司賣軟體給醫院。但我認為這樣的合作不長久，目标不同，長期以往，估計會分道揚镳。我覺得目前的合作，肯定得以醫生為主導，靠醫生發現臨床問題。但跟創業公司這麼說，他們肯定不樂意，我的算法很先進，憑什麼你做主導？是以我不是很願意跟他們合作，我們自己有團隊，我們團隊做的東西在國際上是某些研究方面是很靠前的。如果我們沒有團隊，也沒辦法。除此之外，我也考慮過，跟創業公司合作，他們是否願意配幾個人給我，專門負責某個項目，我想這是不可能的事情，怎麼可能呢？
還有的醫院與公司合作打造出的産品，以專利授權的形式給了公司，這對醫生有吸引力，但我沒嘗試過，沒想過轉化，這樣很分散精力。我關心的是公司有沒有好的範例，醫生是否真正獲得了收益，無論是以股份、顧問費等形式。但公司願意給嗎？
創業公司很難請到一個真正專業的醫學人士，去了以後怎麼做項目？除非公司能跟十幾、二十多家醫院合作了一個臨床設計，但僅把各個項目的醫學語言翻譯成工科語言，工作量就相當大；其次，醫生如何在裡面起到真正的作用，這是很難定義的。
雖然現在市面上有ai公司與醫生合作做一些事情，但在大部分情況下，他們的研究是小規模研究，但應用到臨床的東西，需要前瞻的多中心試驗驗證，這是一個很漫長的過程。況且，圖像隻是很小一方面，隻有深入去做，潛心做臨床研究，才有可能得到好的結果。
現在的ai公司都在拼算法，雖無可厚非，但如果沒有實際的或重要的原創目的，這個算法有什麼用呢？
我們平常的研究，關鍵在于臨床設計，要以臨床研究的方法來設計和評價應用，因為臨床研究要有符合臨床的研究标準，算法再先進，沒有資料支撐，沒有好的驗證也是很難發好文章的。今年《nature》和《jama》發了兩篇ai醫療相關文章，一個是眼底病相關的，一個是做皮膚病的，雖然都用到了深度學習算法，但并不是多先進的技術，它們的特點在于數量大，有十幾萬個病例的資料。
我們最近在做肺癌、結直腸癌等幾個惡性良性腫瘤的研究，關注療效評估方面，預測預後效果，評價治療方案好不好。如果有明确的問題和高品質的資料，需要算法把有用資訊挖掘出來，這種情況下，算法能起到重要的作用。實際上，有時候我們并不需要很炫的算法，正常的方法就能解決問題。
在我們的項目中，用到的還是傳統的統計學方法，也借鑒了一些資料挖掘技術，比如深度學習。與創業公司不太一樣的是，我們關注更偏臨床目的，基于這個問題，再去組織材料、找方法，創業公司想做的是産品，比如做病竈的檢出，但對于我們組來說檢出沒有任何價值，因為發不了好的paper。
我們的算法能力不及創業公司，我對于學生的要求就是用成熟的技術，進行二次研發、創新之後應用，目的隻有一個，就是解決我們的問題。我可以說我們組的文章品質和數量算是有一定地位的，單從影像因子來說，我們發表在《臨床惡性良性腫瘤雜志》的文章是目前為止，全球範圍内影響因子最高的，并且還是發表于臨床惡性良性腫瘤領域的頂級期刊，得到臨床的認可，是以我們的研究很有自己的特色。
我認為很多智能醫療公司的産品是華而不實的。單從軟體的應用角度看，我們開發的比他們的還好用，但是确實沒有他們界面做得炫，我的目的不是為了賣産品，而是為了好用。
有些公司說他們有一千個特征，我吹牛說我有一萬個特征、兩萬個特征都可以，目前，我們研發了一個新特征，這是影像組學界沒有報道過，是我們借鑒了資訊學領域的一些理論、概念，移植到醫學領域，這是我們自己的創新。
我們做研究的動力來源于喜歡，這與公司完全不一樣，當然我也想發更多更好的文章，但沒那麼急，我沒有壓力去變現，不會很激進地做事情，即使做不好也不影響我的生存。有些創業公司拿到幾千萬、幾億的風投，一下子得到那麼多錢，我也很羨慕，但我現階段沒有這樣的實力，也沒有這樣的想法。說不定有一天，我的團隊強大了，我也會去創業。
我在研究過程中發現：影像資料的品質和數量很難兼顧，很難找到滿足要求的資料。除此之外，還要結合病人的其他資訊來判斷，比如實驗室檢測、病理标本等，這更是增加了難度。
我們現在做的一個項目，需要一些臨床檢測項目資料，像基因、血液等相關檢查資料，預計能拿到500~600例可用的資料，但投入起碼是上百萬，這需要科研基金來支撐，醫院和病人都不可能負擔這個成本。
正因為難以擷取基因、病理等方面資料，是以一大波創業公司才蜂擁進入影像領域，他們的很多研究是基于影像資訊判斷和推斷基因、病理和臨床資訊情況，這是一種可行的方式，但還是需要很多資料去驗證。
醫療資料非常稀缺，非常寶貴。
現在很多醫院的pacs系統做得很好，盡管存在影像标準化的問題，至少有圖像，但很多資料是沒有的，比如病人做了檢查、手術、治療之後走掉了，沒有完整的随訪機制，沒有後續資料評估臨床療效和預後等資料。我們自己做研究，要花很大力氣搜集整理這些資料。
除此之外，資料質控也很關鍵。比如，通過電話随訪，如果病人電話号碼變了，他就聯系不到了；還有就是打電話随訪的資訊準确性問題，随訪的資訊有很多方面，比如惡性良性腫瘤手術之後，有無複發？有沒有死亡？化療有沒有進展？死亡的時間很明确，99%的親人都記得，但有無進展是不好評估的。另外，每個随訪從業人員的态度也影響随訪品質。許多污染資料對我們不但沒有意義，還有害處。
醫療資料不是那麼簡單的，不是挖掘一個點，而是很多方面。不像購物，調查消費者的購物習慣時，看其買了什麼東西，價格多少，什麼時候買的？資料很明确，也很容易找到。但醫療資料很多是不确定的，很難打通，這種情況下，具備完整資訊的病人資料就尤其寶貴。
我感覺，醫院能用的資料比例很小。判斷資料是否有價值主要取決于具體研究目的。拿肺癌或其他惡性良性腫瘤來說，在大醫院，滿足要求的可能隻有10%~20%，這已經算不錯的了；在二甲等地方醫院，很多病人做了檢查之後，去上級醫院看病去了，有完整資料的病人可能隻有1%~2%。
智能影像診斷還有非常長的路要走。
要真正應用在臨床，要解決它的精度、實用範圍和政策等問題，如果要政策準許，必須經過臨床試驗驗證，耗資會很巨大。
我個人感覺，創業公司除了定位于肺結節檢出等臨床應用外，搭建科研平台也是不錯的選擇，要是我自己開公司，我就會這樣做，幫助醫生做科研的市場也不小，可以共同申請基金來維持，我知道有些創業公司就在合作申請基金。如果資料積累多了，再考慮做臨床轉化，像watson這樣的，這樣才可能逐漸走向臨床。很多公司一來就想到臨床，對生命太不尊重了，如果僅靠靠幾百、幾千例資料就取得了準許，我肯定不敢用這樣的産品。
我個人覺得，醫療人工智能還非常漫長，目前無疑是過火的。
本文作者：張利