2017年以來，關于人工智能泡沫的議論紛紛攘攘，知乎上一問題“這一波人工智能泡沫将會怎麼破滅？”獲廣泛關注，其中，禀臨科技聯合創始人peng
bo的觀點得最高贊同票，他認為，“人工智能有些危險，因為現在變現似乎是個難題。”“目前看來，ai可能并不足以支撐一個獨立的公司，它更适合作為其它公司的一個部門，或被其它公司收購。”
許多智能影像一線從業者可能會對其觀點深表贊同。科大訊飛智慧醫療事業部醫療影像産品負責人馬文君告訴雷鋒網(公衆号：雷鋒網)，“如今的智能影像很像前幾年的網際網路醫療，大家一窩蜂進來了，但下一步怎麼做，是個問題。”彙醫慧影梁恩铨認為，“整體來講，智能影像診斷真正深入到臨床診斷的很少，目前，業内嘗試與醫生合作做科研或提高效率方面嘗試，但要真正提高診斷率，目前還有很大差距。”
動辄可以聽到“ai取代醫生”“ai的準确率超過醫生”的言論，同時“理想很美好，現實很骨感”的感慨頻頻傳來，理想的豪言壯語随處可見，那現實是什麼呢？
有人說，21世紀是資料為王的時代；有人将算法比作發動機，資料比作石油；有人則強調行業資料、專家資源和核心技術是打造智能影像缺一不可的三要素。無論怎樣強調資料的重要性都不為過，我們且以影像資料為徑，智能影像公司的營運為緯，一窺智能影像公司的真實日常。
盡管我國存在第三方影像中心，但絕大多數的醫療影像資料來源于醫院。據悉，大的三甲醫院一年産生的影像資料在10t以上。宜遠智能ceo吳博稱，“單個醫院的影像資料存量就很大，每天數百例新增也很常見。”
在醫療資訊系統中，pacs系統負責醫療影像采集、資料傳輸存儲以及影像分析、處理，并且不同的pacs系統之間，能以以dicom國際标準方式對接。
總體來說，醫院影像資料多且大都标準化，便于機器閱讀，為此，智能醫療影像被業内人認為将率先實作商業化落地。
上海市兒童醫院影像科主任楊秀軍曾表示，“很多醫學影像領域特别适合人工智能／圖像識别技術，國内外有很多廠商從事這方面，也做出一些成果。”
吳博告訴雷鋒網，對于ai
，影像資料本身具有标準化的優勢。不過，資料異常也容易碰到。“以ct為例，有的病人不是躺着而是趴着掃描；有的不是頭先進去而是腳先進去；ct長寬512像素或者768像素的差别，不同排數機器的層厚差異以及薄層重構算法，都會影響清晰度。”他補充道，“處理流程隻要充分考慮和相容這些變化情況，原始資料的可用比例還是非常高的。”
對于一個ai系統而言，資料多多益善是有前置條件的，在保證喂養資料品質的情況下，增加數量才有意義。而判斷影像資料品質，主要取決于ai公司所打造智能診斷産品的臨床目的。除此之外，對于智能影像診斷而言，影像資料需要關聯更準确的診斷和後期結果關聯，否則垃圾進，垃圾出。
南方醫科大學副教授劉再毅曾表示，“我們資料多得不得了，我們影像科每天産生很多資料，但是有多少資料可以用？1%都不到，其中有大量錯誤資訊。”他補充道，“資料規範的問題沒有辦法管控，臨床資訊經常有誤。”
拿現在很火的肺結節智能診斷為例，對于ai公司來說，有肺結節的影像才是有價值的，“在産生的影像資料中，隻有10%或20%的病人有問題，即便如此，并不是所有有病竈的影像資料都能拿來用。”梁恩铨稱。而在醫院内部，醫學影像系統和診斷報告是兩個獨立的系統，兩者并無關聯。“用資料訓練ai很重要的一點是：需要系統判斷一個影像是否有結節，是否有病竈。而醫院每天拍出來幾百影像，并沒有标出來哪裡有結節，對于ai公司來說，這就是沒有價值的資料。”梁恩铨告訴雷鋒網。
影像資料是醫院的，智能影像公司如何擷取呢？
醫療資料是一種資源，意味着它有價值，想擷取有價值的東西最簡單的邏輯就是“買買買”，這正是财大氣粗的ibm的戰略。在2014年相繼收購了大資料醫療保健分析提供商phytel與explorys後，2015年，以10億美元收購了醫學成像及臨床系統供應商merge
healthcare，後者坐擁有8500家客戶，其中包括美國聯邦政府和州政府機構、雇主、醫保、醫院等，以及3億病人資料。
在我國，三甲醫院擁有絕大多數影像資料，但影像資料不出院是必須守住的紅線。為此，ai公司與醫院尋求“合作”就成了一種可能的路徑。一般來說，ai公司會選擇與醫院合作開發，一方面得到脫敏的資料和行業專家，一方面收獲了産品打磨的場景，至于合作模式，則各有特色。
一般來說，智能影像公司官網上的合作醫院被視為彰顯自身實力的背書。雷鋒網從公司官網上了解到，推想科技稱其與北京協和醫院、同濟醫院、長海長征醫院等5家三甲醫院達成合作；科大訊飛先後與北京大學口腔醫院、上海交通大學附屬第六醫院南院等多家醫院合作；依圖科技與浙江省人民醫院合作。
劉再毅曾表示，非常希望與好的ai公司合作，以臨床目的為中心共享研究成果。“我們臨床資料最寶貴，光有技術沒有臨床資料，很多都是紙上談兵。”
“我們現在不一定要擷取資料，而是想使用資料，我們在和醫生的合作中發現，他們對于資料共享持謹慎樂觀和開放的态度，我們提供深度學習的經驗，和對于資料标注、資料整理和資料隐私保護的方法論，結合醫療資料和專家隻是，用科研服務、課題服務的形式結合起來。“吳博稱道，宜遠智能切入醫療影像領域，目前不以工具見長，而選擇以貼身服務來做，同時，醫療影像資料敏感，處理算法要能分布式地下沉到資料所在位置，而不是一味期望資料統一歸集到統一平台。
彙醫慧影ceo柴象飛稱，他們為頂級醫生提供工具、方法合作共赢，而對于偏基層的醫院，基于提供的it工具之上，提供一些更加智能化、自動化的工具，同時不斷收集資料，進行算法模型的疊代。這與其規劃的商業模式是一緻的，提高效率、降低誤診率的篩查類影像系統，短期内醫院可以買單。至于與頂級醫院的合作模式，公司進階市場經理梁恩铨披露道，與很多醫院的合作是以科研合作的形式，最後的成果雙方都有署名，“産品歸我們，資料是醫院的。”
一如機器學習ai模組化的流水線，醫療影像資料處理過程也要經曆資料标注、清洗、切割，随後是模組化、調參等。
在處理影像資料的技術問題上，據吳博介紹，醫療影像資料刻畫的是體内髒器，與肉眼容易識别花鳥蟲魚人臉等正常圖檔，成像原理與視覺特征都不相同，深度學習模型尤其需要深度改造。
但醫療影像資料處理的特殊之處在于資料标注耗費時間更長、門檻更高，“要湊齊多名資深醫生對資料進行比下診斷報告還要細緻的标注，難度、進度和成本都很高。”吳博稱。無怪乎，科大訊飛智慧醫療事業部總經理陶曉東稱，行業資料、專家資源和核心技術是打造智能影像缺一不可的三要素，大多數ai公司與醫院合作開發，由院内專家進行标注。
拿彙醫慧影為例，醫生使用其産品的同時就能對影像資料進行标注，産生他們需要的有效資料。“醫生在看片的過程中，如果發現有病竈的影像，用我們的系統在病竈上直接标記。除此之外，系統中還內建了病理和病理資料，綜合這些資訊才能判斷是否有癌症。”梁恩铨告訴雷鋒網。而這引發了一個現實問題：資料産生速度很小。
在醫生的診斷中，影像僅是一個參考資訊，最終還要參考病理診斷等資訊進行确診，是以對于打造一個智能診斷系統來說，很多資料的集合才是有效的資料。對此，梁恩铨介紹道，ai公司需要盡可能多地打通不同的系統，把病人的所有相關資訊整合在一起，這其實是比較難的。彙醫慧影單獨開發了一個資料平台，其中內建了資料清洗功能，把病理、病例和影像資料拿過來後，還要整合清洗。“醫療資料擷取難，标注工作量大，我們自嘲所謂人工智能，隻有人工沒有智能。相對于機器視覺的其他領域，醫學上走得還是要慢一些。”
智能影像診斷系統準确率在95%以上，超過人類醫生的消息屢見不鮮，但其應用情況怎樣呢？
劉再毅曾表示，許多ai公司在訓練其智能系統時沒有甄别錯誤資訊，導緻真正投入臨床時，準确率隻有50%，“這就沒有任何價值。”
梁恩铨稱，“若想用ai提升診斷率，目前為止還有很大差距。”他表示，ai診斷結果是個機率的問題，隻要不能達到100%的準确率，公司難以為那1%負責。除此之外，很多公司在肺結節診斷上做得很好，但對于一些癌症亞型，醫生本身就很難判斷，遑論ai了。“總體來說，真正深入臨床流程的ai很少，現階段，ai公司大都在幫醫生做科研或在提高診斷效率方面嘗試。”
将頂級專家的診斷能力固化下來，提供給基層醫院，是許多智能影像公司勾勒的美好藍圖。科大訊飛智慧醫療事業部總經理陶曉東曾說道，智能影像診斷系統，對三甲醫院的頂級醫生是錦上添花的事；而基層放射科醫生，每天隻看四個片子，經驗比較少，這就是雪中送炭的事。杭州認知科技副總經理王泰峰稱，ibm
watson能提升基層醫生的決策效率。
但實踐起來同樣遇到尴尬。人工智能是基于雲計算的，資料放在雲端，基層醫院的資訊化程度不夠，沒有大資料，怎麼用人工智能？除此之外，大多數醫院使用的是區域網路系統，沒法連接配接外網，資料也無法走上雲端。
怎樣說服醫院同意把資料放在雲端，也是一個棘手的問題。“如何充分保證資料隐私，這是很難突破的地方。”梁恩铨告訴雷鋒網，“但相對于其他資料，影像資料含有的隐私資訊較少，還是比較好溝通的。”
智能影像：風口已至，還是初露端倪？
有人說，投資人判斷的不是行業趨勢，而是時間點，判斷機會在哪個時間點才是關鍵。如今，ai+醫療影像被認為是率先實作商業化落地的領域，這意味着風口已至，還是初露端倪？
劉再毅告訴雷鋒網，“如果真正去做醫學影像研究，會發現其中的陷阱、難度很多。我覺得這裡面更多是做學術研究，真正落地到臨床上是很難的，路還有很長。”上海市兒童醫院影像科主任楊秀軍表示，“有的智能診斷産品針對某一種病，比如開發出一種軟體能更簡便、更快捷地診斷皮膚癌，但絕大多數的病變不是那麼簡單的。”
梁恩铨認為，絕大多數智能診斷産品沒有follow臨床工作流程，拿肺結節診斷來說，僅診斷出肺結節沒有問題，不能确定是否有其他疾病，而誤診或漏診的後果是非常嚴重的。
飛利浦大中華區臨床科學部進階總監周振宇對此深以為然。此前，他出席雷鋒網承辦的ccf-gair大會上曾表示，“我今天來到這個會場，想看到更多人工智能在醫學方面的應用，但是我們看到還是和十幾年前一樣的，我們得到的結果還是停留在純粹資料驅動的結果上，100個肺結節找到多少百分比，這對于臨床知識來說沒有太大的價值。”他說道，“另外，從疾病和髒器來看，目前還是僅限于皮膚病、肺結節等相對容易做的器官。更多的人類疾病，中國人比較重要的肝髒、腎髒、乳腺等方面，其實各個廠家的涉足點都是比較緩慢的。”
本文作者：張利