0
| 本文作者：李雨晨 | 2017-07-13 23:50 | 专题：GAIR 2017 |
雷锋网消息，7月9日，由中国计算机学会（ CCF） 主办，雷锋网与香港中文大学（深圳）承办的第二届CCF-GAIR全球人工智能与机器人峰会进入了第三天。在下午的未来医疗专场上举行了题为“AI在医疗影像中的真实应用场景”的圆桌会议。
据雷锋网了解，此次圆桌会议由清华x-lab健康医疗创新中心主任钟宏主持， 广东省人民医院影像科主任、南方医科大学副教授刘再毅，飞利浦大中华区临床科学部高级总监周振宇，汇医慧影CEO柴象飞，宜远智能CEO吴博等四人参与讨论。
从左至右为周振宇，刘再毅，柴象飞，CEO吴博。
以下为此次圆桌对话内容实录，雷锋网在不改变原意的基础上进行了整理。
钟宏：之前周院长提出人工智能要分清是在医学方面的应用还是医疗方面的应用，坦率的讲，作为非医疗背景的人，我很难理解这个问题。不知道哪位愿意讲解一下，为什么在人工智能或者影像智能方向要分医学和医疗两个方向？
刘再毅：我们临床工作还是常规的模式，基于人工的经验进行图像判断。我们希望AI给我们很好的支撑，减轻工作量，把时间、精力更加聚焦到重要的临床活动当中去。刚才田老师说了，这是学术方面的研究，我们发表文章之后，成果能不能拿给我们用。大家如果进入医学影像里面来，你会发现里面的陷阱、难度很多。现在厂家的设备差异很大。我觉得这里面更多是做学术研究，真正落地到临床上是很难的，路还有很长。最近有很多创业公司的朋友拿产品过来让我提意见，上午外国教授讲了一点，我们失败在什么地方呢？没有Follow临床工作流程，肺结节检测，我们检测完了只是一个方面，我们看片子会调不同颜色一样的东西，如果只做肺结节检测没有问题，但是病人一旦漏了另外一个疾病，就赔钱。这给我们带来怎样的科学进步？学术是我们最需要做的，但是学术到临床，我感觉路还是蛮长的，需要工业界的朋友给我们提供更好的支撑，让我们敢用，如果临床不能通过，就拿不到证书，就不能做商业的开发。
钟宏：前面三位嘉宾都来自医学影像的技术公司或者研究院，都提到了一定要围绕临床医生的需求。刚才刘主任的分享，我觉得非常坦诚，这个行业里面有很多难点，从医学到医疗，可能有很大的山峰要攀。周总作为GPS工作者，这么多经验，算是医疗影像的产品和服务的提供商，您怎么看人工智能在医疗影像中对我们的专家、患者会产生什么样的影响？或者多长时间能迈过从医学到医疗的槛？
周振宇：过去9年，我都是在通用电器，今年因为飞利浦医疗在这方面的转型相对更快，所以我到飞利浦医疗来从事这方面的工作。我们今天看到很多来到会议上的都是新的创投各方的人员，大家都非常年轻。但对于进入医疗、影像领域，我们面临非常大的困难。
现代医学有哪六大特点？这是上个月荷兰卫生部和中国卫计委讨论的问题。作为基因组学来说，全球范围内成本大为削减，飞利浦携手另外一家公司做全人类基因筛查的工作，未来有望把费用降到100美金以下。学术知识库的膨胀，AI是基于大数据，特别是对于影像来说，是大健康数据，或者说检验检疫的数据，数字病理、基因信息。在这种情况下，知识库的积累更重要。像刘教授讲的，医生的知识储备，这种相关疾病、相关脏器，刚才说的淋巴结的观察，对于医疗的大数据都是特别重要的。
第二个特点，在知识库中关于医疗的文章有2500万篇，每年以120万篇的速度激增，这是现代医学的第二个特点。
第三个特点是田老师讲的大量数据库的建立，说到本土数据库比美国国家数据库多50%的病例，这是现代医学非常重要的特点。
第四个是张院士讲的生物传感器和穿戴式设备，可以使我们的院前、院中、院后的医疗信息得以共享。这样子能够真正实现全生命周期的检测，这对医疗大数据，特别是很多创投公司来说非常重要的一点。影像主要是在院中，它的诊断治疗是非常重要的。
第五点是机器学习和人工智能，假设它可以在数据驱动和假设驱动两个基础上进行产业化，为什么GE、西门子、飞利浦这样的厂商不敢和大家高谈阔论AI在医疗方面做了哪些事情。因为我们说的时候，客户会说要。飞利浦医疗科技在数字DI、数字病理、数字基因方面，已经在美国拿到FDA的认证。进入中国，可能还需要一段时间，可能是两三年之后。我看到很多创业公司走得更加激进，比我们更快，至少在市场上更早把这种信息发出去。
第六，作为新生代人，社会主体对医疗信息的开放程度越来越开放，我们愿意把这些公司、这些数据库共享，使医疗更开放。
这六点是传统行业进入新的领域做AI的认识，但是困难很大，我们确实面临着非常巨大的挑战，我们也希望有更多的人才积累。我本人学生物、医学工程和数学三个本科的内容，其实AI在医疗方面的投入是需要更多跨界的综合性人才的参与，才有可能做得更好。
钟宏：一看就是大公司出来的，条理性很强。刘主任，刚才田博士讲，我们和中科院自动化所有很多研究，而且发在很多知名杂志上。我曾经问过你，你有没有跟什么样机构合作，我们作为一个影像科的专家，您最希望找到什么样的机构和您共同做医学影像方面的研究以及选择的标准是什么？
刘再毅：我非常希望有很好的机构和我合作，提供基础的支持。在我看来，影像挖掘还是以临床为主。如果东西做得再好，不能解决临床问题，那肯定不行。我们现在也在做，我们组里从开始一个工科的学生到现在有五个工科学生，他们都是刚刚从本科转变为研究生的过程，掌握的知识不够多，如果我们加速研发进度，我就想找到能够真正参与进来。但是有些公司找我做，我提供数据，然后给他分析，他分析完之后，就把数据拿走。我希望是互信，他给我数据，以我为中心，以临床目的为中心共享这个成果。这是平等互助的形式，我们临床的数据最宝贵，你光有技术没有临床数据，我想很多都是纸上谈兵。你的算法再好，我想最后也不能转化。所以我希望如果有合作的机会，你们给我提供很好的人才，这个人才专职为研究项目服务。不能今天找你合作谈工作，你还有其他的任务，应该积极推动，然后出很好的成果。
钟宏：医学创新的路径一定是围绕医生这个主体，这是大家一致认同的。柴总在智能影像方向上算是创业老兵。我想代表创业者向您提问，您通过什么样的方式以及用什么样的产品来满足专家的需求，让专家愿意和您合作？听说有上百家医院和我们做各种层面的合作，这方面的干货能不能和我们分享？
柴象飞：比如说刘教授这样的专家，比如顶级三甲医院，我们其实搭了通用化的医学影像大数据和人工智能的科研平台，我们发现其中有很多工作要做。但是我们做的过程中，正如刘教授所言，发现病种很散，其次很多疾病研究，或者想把它商品化和产业化是要以临床大夫来牵头提出需求和数据，我们来提供方法。因为合作者很多，我们做了一步很重要的事情，把原来内用的东西更加平台化，因为很多不同应用会有很强的通用性。我们有些人会觉得时间比较长，尤其发现很多70后、80后的医生对新技术非常积极，也非常愿意敞开怀抱去接触、感知或者深度的参与，但往往缺乏工具性的东西。顶级医生我们提供工具、方法来和他合作共赢，偏基层的医院，我们提供了很多类似工具孵化的东西，比如影像网络化的工具，比如患者云胶片这样方便的工具，在工具上我们又帮他增加了防漏诊的智能系统，或者初诊的提示系统，不单单是基本的IT工具，而是更加智能化、自动化的工具。同时又跟他建立这样的循环，算法其实需要不停地来，以数据驱动的算法，其实核心有人不停的给你纠错，把新的数据进行正向的反馈。算法也会正向迭代，这样形成比较良性的状态。简要的回答是以工具切入，算法逐步跟进。
钟宏：确实不一样，经过几年商业化的打磨，已经找到有效路径。而且很不容易，自己的产品线很长，为了满足专家需要。刘主任，您觉得他刚才提的有哪些没有满足您的需求，或者您认为最重要的需求是哪些？
刘再毅：做平台是比较好的，因为我们现在做研究，要推广大数据不可少，要把这个事情平台化，放到云端让别人用，提供免费分析，拿数据做建设模型。但是发现一个问题，我们研究的时候发现，数据规范的问题没有办法进行管控。大家如果没有做过临床研究，会发现临床信息经常有误。数据没办法保证，这样的数据即使做大量的平台，质量得不到保证，最后的结果有多好，我们不清楚。我们数据多得不得了，我们影像科每天产生很多数据，但是有多少数据可以用？1%都不到，这里面怎么甄别错误的信息，这是大家要做的，要不然你做出来的东西，在这批数据里面训练的效果很好，拿到我们医院用的时候，发现跟50%的筛选差不多，那就没有任何转化的价值。所以这个影像数据的规范，临床数据的规范，可能是大家以后做的时候要注意的问题。
钟宏：刘主任给我们很好的参考意见。吴总，您创业才2个月，您在云栖大赛的成绩还不错，所有医学相关和人工智能相关都面临三个难点，一是专家合作，这是最难的事；二是数据的难点；三是商业模式的难点。三个问题不都抛给你，就说说数据问题，初创公司如何解决？
吴博：我本人做数据很多年时间，医疗创业才2个月。回到最开始的问题，大家提医疗和医学的差异，在我看来，其实它是有机结合的，特别是游戏领域，游戏领域大家经常提IP，开始张院士也提知识产权，在我看来医学和医疗就是怎么样以医学产生IP，把IP转化到医疗，我觉得这是最大的痛点。临床的规范肯定要守的。我们切入医学影像、医疗影像，在目前阶段还不是以工具见长，我们以贴身服务来做。我们现在为获取数据，或者不一定获取，是想使用数据，包括和南方医科大学联合参加比赛，临床医生找课题，我们出算法和对数据的理解、规范。我们和医生合作的过程中发现医生还是遇到很多临床问题，他们其实对于数据的共享持谨慎乐观的态度和开放的态度，这无非是说我们怎么样依据做深度学习的经验，把我们对于数据标注、数据整理、数据隐私保护的方法论也传达给他们，把数据加上专家知识结合起来，用科研服务、课题服务的形式结合起来。其实医生明白，商业化的构思对于转化的诉求是一直推动的。
钟宏：四位专家从不同的角度做了精彩分享。我想问两个比较难的问题，两个问题有相关性，我们一直说医学智能影像，都不敢说医疗智能影像，一个问题是未来3-5年有没有可能从患者的角度看到一些成果？医疗智能影像真正帮助患者解决一些问题？第二个问题，商业模式的问题，大家怎么考虑？
柴象飞：这个问题特别好，医学总体还是学术性的东西，但是医疗则是实际层面。我们要做商业化一定在医疗层面。我总体的看法比右边两位相对激进和乐观，因为创业者一定是乐观的。实际中一定有很多问题，像钟主任刚才讲的谁为人工智能付费？你想这个东西无非是医生、医院和患者，我非常认同过程中有种种困难和问题，短期来讲也是比较难的事。如果这个事没有困难、没有问题，这个事大公司就做完了，轮不到创业公司做。
回到场景来看，我们比较看重两个场景：一是让医院付费，大家一直说满足医生的需求，但是在实际使用过程中，可能医生的需求并不是商业需求，真正医生的需求在医院有很多，比如工作环境差等等。它没有那么大的商业性。最后有商业需求的是两点：1.医院买单。现在筛查类的影像里面，提高效率、降低误诊率，以及帮助医院对医联体、医共体来扩展医疗服务范围，在短期内还是可以买单的。2.汇医慧影走向对C端收费的场景。患者对影像没有感觉，他一定是对临床决策、诊断的结论和对他非常重大的选择最关心。而这点可能并不是医疗需求，也可能不是医学需求。我们举另外一个例子，刚才提到的基因诊断，基因诊断从医学价值角度来讲是非常巨大的。到如今，医疗的使用并没有我们想象的那么多，基因诊断用的最好的可能是华大基因，它最大的收入来自唐氏筛查，唐氏筛查满足患者的心理需求。我们以一些重大决策的场景在积极的走对患者的心理需求和患者决策重大需求上，提供公正、客观，并且是有权威性的指导，并且我们已经在几个试点发现进行得很好，这是我们一线的经验。
周振宇：从未来的场景来看，其实各个大公司都已经在这方面进行布局。我今天来到这个会场，想看到更多人工智能在医学方面的应用，但是我们看到还是和十几年前一样的，我们得到的结果还是停留在纯粹数据驱动的结果上，100个肺结节找到多少百分比，这对于临床知识来说没有太大的价值。另外，从疾病和脏器来看，目前还是仅限于皮肤病、肺结节等相对容易做的器官。更多的人类疾病，中国人比较重要的肝脏、肾脏、乳腺等方面，其实各个厂家的涉足点都是比较缓慢的。我们一直做这方面的努力，这些疾病和基因有关，比如和疾病有关的基因已经明确有4940种，这些信息如何和现在的医疗诊断影像手段，比如CT、磁共振等结合，有效地把数据信息提取出来，基于医疗信息、知识数据库形成统一有策略的答案，这是非常困难的。1949年的时候，当时更新一倍的医学知识要50年时间，在1980年，大多数人出生的前后，它的更新速度是7年。到2010年，也就是大家工作的时候，更新一次医疗1倍的数据是3.5年，也就是一个医学生博士还没有读出来，知识已经翻新一倍，2020年，医疗知识翻新的速度是7.3天，我们如何把影像学的知识以人工智能的方式、假设驱动的方式、数据驱动的方式真正应用到医疗场景中，成为医疗场景中不可或缺的一部分，这是非常艰难和重要的一点。我们期待今天让大家更多了解我们的困境，在医疗领域真的不容易。
刘再毅：影像是很重要，但不是最重要，我们做临床治疗决策一定是结合所有信息，这不仅是影像，有基因、血液检查，甚至一些习惯，有些宗教禁止输血，你就不能给他做输血。任何一个治疗决策里面，影像占一部分作用，但不是主要的。我们现在做影像，但以后的工作应该是整体的解决方案，我们从事的人很少，但是我们正在做基因到病理到影像的挖掘。昨天和周总说，我们的解决方案是他们的缩小迷你版，做单纯的影像，我建议还是要考虑到人是一个整体，一定要结合其他的信息做综合的判断。我们临床所说的临床决策应该是整体信息的整合，这才是我们未来的方向，也是目前我们研究组正在做的事情。
吴博：谈到两三年之后的前景，我是新晋的创业者，我是更加乐观派的。我回应刘教授说的，他提到一个系统只能找到一种病灶对于临床医疗的价值不大。在我们看来，这波以深度学习为主导的AI浪潮，能在3年之内给医学和医疗领域带来突破。我和很多医生朋友沟通AI领域的方法论，有时候医生是做一些经验判断、经验模型，人脑做模型很模糊，非常有经验的可以效果很好。但是机器学习倾向于把问题分解成子问题，如果是肺结节，我可以做到全球第一，再把其他一个个子问题做到全球第一，组合起来的话可能会超过医生的预期。现在很多情况是，大家只解决一个问题，没有做到极致。图象识别领域，大家觉得没有搞头，就是深度学习活生生拉了十几个点，大家明显感觉到人眼不如电脑。其实我们相信，至少影像这个标准化领域，通过大家建立方法论、分析临床问题、分解问题，把一个问题通过集中行业力量做起来，3年之内肯定有比较整合的，在医学和医疗领域形成效果的系统。这是我乐观的看法。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
专题
