受益于大資料和人工智能技術的發展，醫學影像人工智能公司如雨後春筍般湧現，并迅速成為資本的寵兒。随着國家人工智能、大資料兩項國家戰略的扶持措施的相繼落地，醫療AI即将步入落地應用階段。
由彙醫慧影和斯坦福大學醫學院Department of Radiation Oncology AI Lab聯合發起的“中美醫學影像人工智能前沿峰會”于12月2日-3日在美國矽谷召開，針對醫學影像創新和AI場景落地以及AI臨床需求融合問題進行深入探讨。
本次大會由斯坦福大學醫學實體中心主任、斯坦福大學終身教授、人工智能放射領域頂尖專家、彙醫慧影首席科學家邢磊教授擔任主席。邢磊是美國斯坦福大學終身教授、同時兼任斯坦福電子工程系、分子影像及生物資訊專業以及Bio-X的教授。他從事醫學影像，醫學實體以及醫學資訊方面的教學研究 20餘年，發表專業論文數目近300篇，主持過多個NIH、DOD、NSF、ACS、RSNA及其它機構的重大科研項目，曾獲美國癌症協會研究學者獎、美國醫學實體學會 (AAPM) 最佳論文獎、及谷歌研究獎, 是AAPM和 AIMBIE（美國醫學與生物工程院）會士，國家千人。
會議雲集了斯坦福醫學院的頂尖人工智能技術科學家和中國頂尖的醫學影像專家和管理者，前中華醫學會放射學分會主任委員、複旦大學附屬華山醫院終身教授馮曉源教授，北京大學第一醫院放射科主任王霄英教授，斯坦福癌症研究所生物醫學資訊學主任Daniel L. Rubin，華中科技大學同濟醫學院附屬同濟醫院放射科教授、主任醫師王良教授，華中科技大學同濟醫學院附屬協和醫院放射科楊帆教授和福建醫科大學附屬協和醫院影像科薛蘊菁教授，彙醫慧影CEO、美國斯坦福大學博士後柴象飛等多位跨領域跨學科專家出席會議并發表了精彩報告。
以下是幾位專家的精彩分享節選：
Daniel L. Rubin教授：放射醫生其實是資料科學家
美國醫學資訊學學院研究員、斯坦福癌症研究所生物醫學資訊學主任Daniel L. Rubin副教授作為大會特邀嘉賓發表了專題報告。
Rubin教授着重強調了放射組學分析中高度标準化與影像注釋的重要性。他說：“放射組學或機器學習可以應用于疾病探測、病竈分割、診斷、治療選擇（個性化醫療）、療效評估和臨床預測，尤其是後三者将極大地受益于深度學習。”這與彙醫慧影放射組學雲平台的應用方向不謀而合。
彙醫慧影的放射組學雲平台提供病竈勾畫、特征值計算分析、機器學習和個案預測的一鍵分析，并針對不同病種出具詳細的量化報告，積極推進科研成果向臨床實踐的轉化。目前，彙醫慧影放射組學雲平台已成功入駐國内三百餘家醫院，有超過一千位放射醫師使用，并有諸多研究成果投稿發表。
模型訓練方面，Rubin教授認為，相比二維影像，放射醫生更願意采用三維資料。三維影像資料可以提供更多的層析資訊，更加精準；但深度學習所需的硬體成本高昂且難以擷取大量标記後的訓練資料。是以，未來影像将因GPU的容量而被重新定義。
Rubin教授還提到，放射學将會成為多學科的交融點，放射醫生實際上是資料科學家。而計算機可以更好地幫助放射科醫生整合各類資訊，看到人眼看不到的巨大資訊。目前的主要挑戰在于如何進一步提高放射組學的可靠程度，以及如何将諸如病理學、基因組學等學科更好地與放射學有機地融合在一起。
馮曉源教授：不打破資訊壁壘，不實作資料标準化，大資料、雲計算、AI都隻是一句空話
馮曉源教授表示，中國已經提前進入老齡化社會，醫療模式正從以疾病為中心轉變為以人的健康為中心。盡管中國在各級醫院大力投入，購買新型影像診療裝置；但醫療資源配置設定不合理問題依然存在：縣級醫院雖然有裝置，但人才匮乏。要解決這一問題必須調整思路，從人才集中型向技術集中型發展，借助現代化手段和人工智能的幫助，解決過去依靠人力來解決的問題。
馮教授指出，人工智能可以減少影像科醫生的程式性、機械性和重複性工作，提高效率，減少資料誤差。智能影像診斷應該建立在大資料的基礎上，将影像資料和全部人類能夠擷取的資訊進行整合學習，提高對疾病發展趨勢和規律的預測能力。
馮教授還提到，影像醫學屬于體内診斷。差別于體外診斷，體内診斷過程中影像科醫生往往是第一個看到病竈的人，但影像科醫生并不參與治療。目前影像科醫生的主要工作是發現病變，部分醫院會邀請影像科醫生參與MDT會診，但并不參與療效評估和随診的相關工作。
馮教授希望未來影像科醫生能更多地參與治療，這有賴于各醫院間的資訊和大資料共享。精準診斷、治療方案、預測預防都需要大量的有效資料用于決策。不打破資訊壁壘，不實作資料标準化，大資料、雲計算、AI都隻是一句空話。同時，醫生的積極參與至關重要，這是打通人類健康事業最後一公裡的關鍵一步。
對于人工智能和影像的未來，馮教授顯得非常樂觀。他說道，人工智能将帶動相關産業的研究和發展，對國家産生巨大的貢獻。人工智能并不會代替醫生，未來機器做機器的事，醫生做醫生的事，二者密切合作才能發揮最大的價值。有了人工智能的協助，醫生可以騰出更多時間與患者溝通，做病情的解讀者。同時，未來也需要打通體制壁壘，使影像科醫生資源配置更優化，成為疾病診斷中的上司者。馮教授認為，到2030年很可能不再有影像科，隻剩下診斷科。
王霄英教授：AI要生在醫院，養在醫院，用在醫院
王霄英教授指出，AI看起來是一個很新的詞，但實際上已經提出很多年了。事實上影像科并不稱其為AI，而是叫Informatic Tools，即發掘各類資訊價值的工具。王教授認為，假如把AI比作一個孩子，那麼AI的出生、養育和價值發揮都要基于醫院，公司則要持續提供支援把AI撫養得更好。這種支援應該來源于醫療資料并契合醫院的需求，兩者相輔相成才能為AI的高速發展提供優良環境。隻有當醫療資料在醫院和企業之間流動起來，才能發揮出巨大的作用，成為AI發展的基石。
以骨齡檢測為例。骨齡可以通過手腕部的X光片進行檢測——腕部骨骼與年歲成正相關，随着年歲的增長，會逐漸骨化且骨骼數目增多。患者申請骨齡評估和腕關節X片檢查之後，醫生會以此作為标簽，進行拍片檢查後出具報告。報告主要分兩個部分：一. 檢出了哪些骨頭；二. 符合哪個年齡階段的骨骼情況。
沒有AI情況下的空白報告（左）vs有AI參與的結構式報告（右）
王教授介紹，北京大學第一醫院有一個交叉學科實驗室，在IT工具研發方面做了很多工作，涉及的領域十分廣泛。傳統IT企業、PACS廠家、裝置廠商甚至藥廠都積極參與了這方面的工作，提供了極大的幫助。
最後王霄英教授總結了醫療AI面臨幾個主要挑戰：
臨床需求極為複雜。一方面，醫生需要全面覆寫的産品；另一方面醫生需要解決的又是具體的臨床應用場景而非某個結節。
資料問題。
算法問題。彙醫慧影的放射組學可以為醫生提供一個機器學習算法方面的解釋。
使用者需求。這裡的使用者是指放射科醫生，他們的教育訓練、考核和産品體驗都值得企業深思熟慮。在大的臨床應用布局下，産品隻有得到放射醫生們的認同才能更好地實作價值。
王教授認為，我們應該立足AI本身，從需求出發，先發展檢查技術，再探索資料的結構化和标準化問題，這樣才能使人工智能得到更好地應用。如果不解決好AI最底層的問題，風風火火的人工智能世界很可能會坍塌。
王良教授：用深度學習進行多參數磁共振成像的前列腺癌自動診斷
王良教授以一個生動的案例開始了他的報告：
2012年，科學家發現一個患前列腺癌（prostate cancer, PCa）的2200歲木乃伊。這個托勒密木乃伊目前儲存在葡萄牙首都裡斯本國家考古博物館裡。裡斯本放射學專家卡洛斯-普雷茲用先進的多探頭電腦斷層技術(MDCT)，對這個被稱為M1的木乃伊作了掃描。研究人員發現，M1有腰骶關節炎，這可能和腰脊柱側凸有關。另外，他們還發現M1有多處骨折，這可能是在運往歐洲的途中造成的。同時，他們還看到許多0.03到0.59英寸大小的惡性良性腫瘤，散布在盆骨和腰脊柱間。前列腺癌從胡桃大小的前列腺開始，然後向骨盆、腰脊柱、上臂、腿骨擴散，最後遍及多數骨骼。
PCa不僅是古代人類的病痛，更是當代人類的健康殺手，近年來其發病率在我國呈明顯上升趨勢。PCa的診斷、鑒别診斷、治療療效評估對指導患者選擇治療方式和提高患者預後意義重大。
華中科技大學同濟醫學院附屬同濟醫院通過全自動MR成像，對PCa患者進行分類，并對比了深度學習和非深度學習分析方法的結果。研究采用了172例前列腺MRI的資料，采集了T1W1，T2W1，DWI和DCE等序列的圖像。下圖所示為同濟醫院Prostate CADx 系統的工作流程：資料的預處理，分析和可視化過程通過Python程式設計來實作，并采用5層神經網絡卷積層和2層内積層建構機器學習模型。
最終實驗結果證明，相比于非深度學習的方法，深度學習可以更準确有效地甄别前列腺癌和非前列腺癌。同時，可以通過人工設計相關紋理特征值提高診斷的準确度。但是實驗依然存在一些局限：比如，帶有典型形态學資訊的前列腺癌MR影像更适合用機器學習的方法進行診斷。
總而言之，深度學習可以輔助放射醫生進行前列腺癌的診斷。而且随着更多新型的算法疊代和硬體運算性能的提升，相信深度學習在醫療影像方面會獲得高速發展。期待MI-AI深度融合的一天，更好地輔助放射醫生的工作。
柴象飛：人工智能在預後預測上價值更大
最後彙醫慧影CEO柴象飛在母校斯坦福大學做了壓軸彙報，以深度學習在醫學影像的應用和實踐做了主題分享。柴象飛認為，影像科擁有更大的應用空間，因為影像穿插在從篩查到治療診斷的整個環節。他表示，影像是AI進入醫療領域的理想切入點，而GPU的發展對醫療影像産生了巨大的推動作用。
從2015年初開始，彙醫慧影就一直在影像的道路上孜孜不倦地探索。柴象飛表示，醫學影像的研究可以分為兩個方面：一、影像表現的診斷意見，需要解決翻譯和快速反應的問題；二、預後預測。目前行業主要集中在診斷方面，但其實它的商業價值有限，預後預測反而有更多的可能性。
經過長時間的探索，彙醫慧影在利用人工智能醫學影像幫助醫生提供效率方面取得了豐碩的成果。在骨折診斷方面，彙醫慧影積累了非常豐富的資料，診斷準确率超過了90%，有效解決了漏診問題。此外，彙醫慧影還利用影像組學，和深圳人民醫院合作，進行了早期新輔化療方面的探索。
柴象飛對王霄英教授的觀點深表贊同，他說道：“想要做好醫療AI必須和醫院深度合作，要駐紮在醫院，從臨床需求出發，在臨床中孵化技術。尤其要做好四件事：一、積累基礎資料；二、做好資料辨別 ；三、優化核心算法 ；四、打造可商業化醫療服務産品。”可柴象飛指出，商業化醫療服務産品需要得到醫療從業者的認同，要大家都能參與進來并得到回報，形成可持續的商業閉環。
柴象飛指出，單次元的影像資訊有限，必須有更高次元的資料，才能把模型建的豐滿。産品開發應該由醫院和醫生來主導，企業提供相應的算法支援，幫助醫生更好的完成工作。 彙醫慧影的目标不單單是幫助醫生節約時間，提高準确度，還要幫助醫院增加收入，降低成本。
彙醫慧影還組建了醫療創新部門，拓展新的思路，打開新的需求；并和斯坦福大學的邢磊教授，以及清華大學組建了聯合實驗室，進行技術的交流，輸出和人才培養計劃。
就在文章整理之際，國務院關于“促進新一代人工智能産業發展三年行動計劃”出台，計劃指出會進一步推動醫療影像輔助診斷系統的落地：推動醫學影像資料采集标準化與規範化，支援腦、肺、眼、骨、心腦血管、乳腺等典型疾病領域的醫學影像輔助診斷技術研發，加快醫療影像輔助診斷系統的産品化及臨床輔助應用。
随着國家關于人工智能和大資料國家戰略扶持措施的相繼落地，這一輪AI角逐将很快出現分水嶺，醫學影像AI可能迎來洗牌，高下很快有結果。
作為專注于人工智能的影像公司，彙醫慧影擁有一個漂亮的産品成績單和市場成績單，為自己提前拿到了一張終場入場券：提升效率層面，乳腺疾病影像診斷可節約至少70%的時間，胸片能節約将近50%的時間；在診斷準确率上，在很多醫院已經達到95%以上；具體病種上，覆寫衆多，包括胸部CT的防漏診斷，乳腺钼靶檢測，腦梗、腦出血核磁分析，這幾類偏篩查型；還有一些則深入到病種裡頭，可支援包括肺癌、乳腺癌、結腸癌、直腸癌、胃癌、宮頸癌、卵巢癌、鼻咽癌、前列腺癌等在内的癌種的診斷和治療。
好的産品自己會說話，彙醫慧影以優秀的産品性能和産品體驗為自己拿到了一個市場高分：2017年以來彙醫慧影先後落地超過700家醫院，完成多個産品線的開發上線，并于10月底完成數億元B輪融資，成為行業最大玩家。彙醫慧影也得到衆多評委的青睐，先後斬獲2017年度中國人工智能産業十大成長力企業、2017年度最具商業價值人工智能公司TOP50、2017年度中國醫健産業獨角獸、最具成長潛質50強等衆多殊榮。同年5月彙醫慧影作為唯一一家醫學影像AI企業，成為騰訊AI加速器首期學員。
原文釋出時間為：2017-12-15
本文來自雲栖社群合作夥伴新智元，了解相關資訊可以關注“AI_era”微信公衆号