最後一公裡
共享單車是近期的熱門話題，膜拜和Ofo到底合并不合并？我交的押金到底退還是不退？能不能退回來？共享單車在2015年出現的時候，主打的招牌就是解決大家日常出行的最後一公裡問題。在這個主打招牌之下，迅速的火遍全中國，走向世界。
現在機器學習的熱度并不比當年的共享單車差。而醫療影像分析則是機器學習的應用熱點之一。從2015年嶄露頭角，機器學習突飛猛進，早已經邁出學院研究的象牙塔，在産業界開花結果，湧現出很多創業公司和一批非常優秀的産品。而整個機器學習産業界目前最關注的問題，或者說亟待解決的痛點，恰恰是機器學習臨床落地的“最後一公裡”問題。
這裡說的臨床落地“最後一公裡”問題，簡單來說，就是如何讓基于機器學習的軟體産品成為醫生日常診療工作中的一個正常環節。“日常”和“正常”兩個詞往往用于描述很普通的事物，算不上褒義詞，但這兩個詞恰恰是機器學習技術在醫療界應用目前最欠缺的方面。資訊技術發達的今天，“無軟體不工作”，每位醫生每天的診療工作都要使用和涉及至少3~4種，甚至7~8種的軟體工具。而目前，大多數醫生的日常工作軟體清單中還沒有包括機器學習軟體。很多機器學習公司進入醫院仍然采用的是科研合作方式。
說是最後一公裡，看似簡單，其實并不簡單。這裡隻讨論兩個方面：一、機器學習軟體如何獲得進入醫院的資格；二、機器學習軟體如何融入醫院工作流程。
注冊認證
先說第一個方面，資格問題。
所謂資格，指的是機器學習醫療軟體作為醫療器械必須面臨的注冊認證問題。商業化公司要想把醫療軟體作為商品銷售給醫院，産生經濟效益，在國内必須獲得國家食品藥品監督管理總局（CFDA）的注冊許可。在美國，必須獲得食品藥品監督管理局（FDA）的注冊許可。中國和美國申報流程差别很大，但有一個基本思想是相同的：産品在上市之前必須通過遞交資料的方式将各個環節的設計、原理、性能、名額都闡述清楚，獲得注冊許可後，上市時則必須嚴格按照之前申報的資料進行生産和銷售，并且要提供相應機制保證産品在醫院使用過程中也嚴格按照申報的參數和名額運作。簡單來說，上市之前必須把自己的産品是什麼樣子講清楚，上市之後這個樣子就不能再變了。如果想改變，必須重新注冊或更改。
而在群衆眼中，本輪人工智能浪潮最吸引大家的是”機器自己能夠學習了”。在大家的願景中，某個面向特定疾病診斷的機器人可能開始不是很聰明，看病看的不準，但是可以在進入醫院後，利用醫院的病例資料，在醫生指導下，好好學習，天天向上，越來越聰明。直到有一天青出于藍而勝于藍，超過醫生。說白了，大家最期望看到的，是一個有腦子的、會學習、能進步的機器人，而不是一個木頭腦袋、不會學習、一成不變的機器人。
願望是好的，但這是與醫療器械注冊審批的基本思想原則相違背的。換個悲觀（暗黑）的角度想，這個會看病的機器人一天一個樣，每天不一樣。做為監管者，我怎麼知道機器人是學好了還是學壞了？前車之鑒，餘音未消，在“聊天機器人”領域，已經發生聊天機器人在短短24小時之内被網友帶壞的真實故事了（http://tech.163.com/16/0325/16/BJ14BI64000915BD.html）。
怎麼解決這個問題？最簡單的方式，廠家在出廠之前把機器人訓練好，按照訓練達到的參數名額進行注冊；出廠後，進入醫院後，就不允許機器人再學習了。也就是說，需要把進入醫院的機器人的學習能力禁止掉。這肯定不是最好的方式，也不符合技術進步的趨勢。大家更加期待的是調整修改醫療器械審批的規章，讓規定能夠适應和跟上技術的進步。
那麼，現在關于醫療器械軟體的審批規章有哪些與人工智能相關的規定呢？
先來看國内的CFDA。2017年8月，國家食品藥品監督管理局頒布了最新的《醫療器械分類目錄》（http://www.sda.gov.cn/WS01/CL0087/177089.html）。其中，與2002版分類目錄對比，最值得機器學習公司關注的新增内容為，增加了一個新的一級産品類别“21-4 決策支援軟體”，該類别的官方說明為”此類軟體提供輔助診斷或者用藥建議等決策。”。該一級分類包含的二級産品類别如下：
| 序号 | 一級産品類别 | 二級産品類别 | 産品描述 | 預期用途 | 品名舉例 | 管理類别 |
| 04 | 決策支援軟體 | 01藥物計算軟體 | 通通常由軟體安裝CD光牒（或者從網絡下載下傳安裝程式）組成。基于藥代和/或藥物模型、患者生理參數與體征計算藥物注射方案，為臨床注射藥物提供建議。 | 用于為臨床注射藥物提供建議。 | 胰島素注射計算軟體 | Ⅲ |
| 02計算機輔助診斷/分析軟體 | 通常由軟體安裝CD光牒（或者從網絡下載下傳安裝程式）組成。利用影像處理和/或資料處理技術，由計算機軟體對病變進行自動識别，對病變的性質等給出臨床診斷治療依據和/或建議。 | 由計算機軟體對病變進行自動識别，對病變的性質等給出臨床診斷治療依據和/或建議。 | 乳腺X射線影像計算機輔助診斷軟體、結腸計算機輔助診斷軟體、肺部計算機輔助診斷軟體、乳腺超聲輔助診斷軟體 | Ⅲ | ||
| 通常由軟體安裝CD光牒（或者從網絡下載下傳安裝程式）組成。對影像或者資料進行分析，給出臨床參考值。 | 對影像或者資料進行分析，給出臨床參考值。 | 骨密度計算機輔助檢測軟體 | Ⅱ | |||
| 03中醫診療軟體 | 通常由軟體安裝CD光牒（或者從網絡下載下傳安裝程式）組成。利用中醫證治的相關理論，使用資料統計等方法，實作各種征候的分析診斷和/或提供治療建議。 | 用于實作各種征候的分析診斷和/或提供治療建議。 | 岐黃髒象輔助診療軟體、中醫診療軟體 | Ⅱ |
而且，更加重點的是，新版分類目錄中專門做了解釋性說明，原文摘錄如下：
“診斷功能軟體風險程度按照其采用算法的風險程度、成熟程度、公開程度等為判定依據，不僅僅依據處理對象（如：癌症、惡性惡性良性腫瘤等疾病的影像）為判定依據。若診斷軟體通過其算法，提供診斷建議，僅具有輔助診斷功能，不直接給出診斷結論，本子目錄中相關産品按照第二類醫療器械管理。若診斷軟體通過其算法（例如，CAD，骨密度除外）對病變部位進行自動識别，并提供明确的診斷提示，則其風險級别相對較高，本子目錄中相關産品按照第三類醫療器械管理。”這裡說的CAD指的就是上面的二級産品分類“02計算機輔助診斷/分析軟體”。
目前，大多數機器學習醫療軟體的主打功能都是醫療影像中特定病變的檢測（CADe)與診斷（CADx)。是以，嚴格來說，都應該歸屬“02計算機輔助診斷/分析軟體”中的III類。當然，如果軟體隻是給出了某種數值，則屬于II類。用大白話說一遍，如果一個機器人看了一張乳腺X射線影像，在影像上畫了一個圈，和大夫說“這裡應該有病變，建議你看一下”，那這個機器人就屬于III類；如果是大夫畫了一個圈，然後機器人隻是說“這個圈裡面的灰階均值2000”，那這個機器人就屬于II類。
大家是否注意到，CFDA給出的III類的幾個品名舉例，恰恰是目前機器學習醫療影像應用的排名最靠前熱點。如果再加上眼底影像糖網篩查輔助診斷、超聲影像甲狀腺結節輔助診斷、病理影像特定癌症輔助診斷，基本就齊了。
機器學習軟體自主學習能力與CFDA/FDA醫療器械審批原則的沖突已經引起了審批規章制定者和執行者的重視。作為先行者，Bakul PatelFDA數字健康副主任于今年9月份啟動了一項“Digital Health Software Precertification (Pre-Cert) Program” （https://www.fda.gov/MedicalDevices/DigitalHealth/DigitalHealthPreCertProgram/default.htm）。這項行動的主要目标是找到一種合适的審批方式，進而允許基于最新技術的醫療軟體能夠及時疊代改進，并且允許軟體自我學習和自我适應。有必要把原文摘錄如下：
The goals of this program are to:
enable a modern and tailored approach that allows software iterations and changes to occur in a timely fashion;
ensure high quality medical product software throughout the life of the product by enabling companies to demonstrate their embedded culture of quality and organization excellence (CQOE); and
be a program that learns and adapts and can adjust key elements and measure based on the effectiveness of the program.
法規的制定與調整總是滞後于技術的進步，但好的法規始終都在調整和改進，追趕和适應技術的進步。
融入醫院工作流程
再說說第二個方面，融入醫院工作流程。目前大多數醫院中，放射影像從拍片開始之後的閱片流程大緻如下：裝置拍片-》在裝置工作站上進行後處理（可選）-》在PACS/RIS系統中閱片同時寫報告。這裡暫不讨論拍片之前的申請單等環節。
這裡的裝置工作站主要指醫院往往與CT、MR裝置一起配套購買的CT、MR影像後處理工作站。影像醫生在裝置工作站上做的後處理工作一般包括三維重建、特定疾病輔助分析、特定成像模式分析測量，後處理的結果一般采用關鍵幀截圖方式與原始圖像一起發送到PACS系統。然後報告醫生在PACS系統中集中閱片，并在RIS系統中完成報告書寫。
在稍微大一些的綜合性醫院的放射科中，影像報告醫生都是按照學組劃分的。比如說腹組的醫生主要看腹部影像，頭組的醫生主要看頭部影像。現在基于機器學習的醫療軟體功能主要集中在面向特定疾病的輔助檢測與識别。軟體與醫生一樣，基本每個軟體目前隻能對特定影像類型中的特定疾病種類進行分析。比如說，有一類軟體是專門分析CT肺部影像的，還有一類是專門分析乳腺影像的。實際往往比這個要劃分的更細。可以想象，這就帶來一個問題。疾病種類繁多，與影像相關的大概有兩千多種。當要診斷的疾病這麼多，未來就會需要很多個機器學習軟體。那麼，這些軟體如何能夠整合，形成一個整體，融入醫生的日常工作流程？
基于現在深入學習的理論和技術基礎，針對每個單一病種的算法研發和産品化，都需要投入大量的人力和物力，才能做好做精。是以對于大多數公司來講，每家公司真正能夠推出成熟的、産品化的特定病種的輔助診斷軟體，近期之内能達到3到10種左右，就相當厲害了。（不要忘記CFDA/FDA審批。）假如說未來2~3年内，有50種常見疾病的影像診斷都已經被機器學習攻克，但這些技術來自于5~10家不同的公司。毫無疑問，醫院對能夠減輕影像醫生重複勞動和低技術含量工作負擔的軟體工具有着迫切需求，但醫院是否有意願面向5~10家不同公司去分别購買？尤其是考慮到後期的使用者教育訓練和系統維護。不要忘了，醫院除了放射科醫院還有很多其他科室，他們也有軟體要購買，要維護。很多醫院資訊科目前最頭疼的事情之一，就是有太多的系統要維護、有太多的軟體供應商要聯系。
對于醫生來講，醫生其實是希望每天工作中用的軟體種類越少越好。最好一天工作下來，隻用一個軟體。這樣最高效、最省心。醫生都很忙，往往也不願意去學習熟悉那麼多軟體。
是以，無論是從醫院資訊化管理的角度，還是醫生日常工作便捷性的角度，都要求對繁花似錦的機器學習影像輔助診斷軟體進行整合。其實，在機器學習熱潮之前，已經有很多基于傳統模式識别和圖像處理的CAD軟體，這些軟體有一部分是采用獨立工作站形式進行銷售，但有相當一部分，是采用與裝置後處理工作站和PACS系統整合的方式，切入醫院影像閱片流程。
生态環境
好的技術和産品不可能被一家公司壟斷，來源必然多樣化，這在機器學習領域尤其明顯。大家需要做的是，找到協同合作的方式，各取所長，創造出一個共同繁榮的氛圍。這也就是大家現在在每個領域都喜歡談論和建立“生态環境”的原因吧。也希望早日有一個充滿活力、适應變化的生态環境來鋪平機器學習進入臨床應用的最後一公裡道路。