0
| 本文作者：刘伟 | 2017-12-24 18:19 |
作为在美国最早研究数字病理的中国学者之一，虽然身在学术圈，万涛却时刻关注着医疗AI工业界的最新进展。她常说，自己是做应用研究的，要和社会接轨，了解医院和工业界的需求。
2013年回国后，万涛任职于北京航空航天大学生物与医学工程学院，研究基于数字病理图像和传统医学影像手段对乳腺癌进行风险预测和定量评价。在此之前，万涛博士毕业于英国布里斯托尔大学，曾经担任三星技术研究院的高级研究员，在美国师从凯斯西储大学终身教授Anant Madabhushi，在乳腺癌的诊断和预测领域摸打滚爬多年。Madabhushi教授曾在国际期刊和会议发表近300篇论文，在计算医学图像领域拥有20多项专利，是北美最早从事数字病理图像分析的研究者之一。
乳腺癌是女性群体中最为常见的恶性肿瘤之一，发病率占全身各种恶性肿瘤的7-10%，而且近年来有不断上升的趋势。乳腺癌的致病因素非常复杂，家族史（基因）是其非常重要的诊断依据之一。
根据乳腺癌的分子分型，乳腺癌可以分为雌激素受体阳性、孕激素受体阳性、HER-2等多种亚型，其中雌激素受体阳性乳腺癌发病率最高，占比高达70-80%。
乳腺癌的检查手段也非常多样，除了“用手摸”这一物理检查方法，还有超声、钼靶、核磁共振等影像学检查手段。其中动态对比增强核磁共振（DCT-MRI）是一种常见的乳腺癌诊断手段。动态对比增强核磁共振图像通过静脉注入对比剂，对比剂能够迅速渗透到血管内及血管外细胞间隙，采用MRI序列对选定层面进行连续动态扫描，因此DCT-MRI能够反映癌变组织的血流灌注、血管渗透等特性，从而为定量评价乳腺癌提供一种较准确的诊断手段。
然而医学影像是医生做出诊断的参考依据之一，如果要达到更加精准的诊断结果，需要通过组织病理学诊断以及基因检测。万涛博士提出了联合人工智能算法和传统医学图像处理方法，通过研究乳腺癌和淋巴结组织病理图像的多层次特征，发现自动识别不同病理分级的乳腺癌病理图像标志物，建立病理图像标志物与患者临床监测指标的定量相关性模型，从而对乳腺癌进行定量评价，为临床早期发现和诊断乳腺癌转移风险提供一种无创的、可靠的新手段。
2013年5月14日，好莱坞知名女星安吉丽娜·朱莉对外公布，通过基因检测发现自己从母亲那遗传了突变的癌症易感基因BRCA1，患乳腺癌的几率高达87%。为预防乳腺癌，她进行了预防性双侧乳腺切除手术，术后她患乳腺癌的概率将从87%降到5%。
基因检测虽然效果很好，但由于受到专利保护，检测费用昂贵，而且周期较长。万涛博士所在的团队提出了基于DCE-MRI影像组学特征和Oncotype DX，并针对ER+乳腺癌患者的用于预测临床诊断和治疗的计算机辅助预测系统。该系统的临床应用将会改善目前的临床工作流程，提高预测攻击性乳腺癌患者生存期的准确性，对医生制定个性化的治疗方案具有重要的意义。
近两年，医疗人工智能的蓬勃发展也为乳腺癌的早期预测和诊断创造了新的可能。不少企业都在尝试使用人工智能技术帮助医生更快更准地对乳腺癌做出诊断和预测。
万涛博士认为，人工智能对于乳腺癌早期预测和诊断具有十分重要的价值。首先，乳腺癌的致病因素非常复杂，要对如此多的因素进行综合分析判断，仅仅依靠人力是很难做到的。其次，乳腺癌的检查手段非常丰富多样，包含超声、钼靶、核磁共振、病理图像、基因检测等等，这意味着数据量庞大并且复杂。众所周知，人工智能的优势在于其拥有十分强大的计算能力，能够利用这种能力对各项数据进行综合分析，这无疑可以大大提升乳腺癌早期诊断的效率和准确率。
目前，我国的优质医疗资源还非常稀缺，且主要集中在大型三甲医院。这些医院通常人满为患，导致医生的工作强度非常大，与患者的交流时间变少，医患矛盾随之凸显。
万涛博士认为，医生的工作可以划分为前端工作（即接诊）和后台工作（即阅片、制定治疗方案等）两部分。AI可以帮助医生更加高效地完成后台的一些重复并且费时的工作，提高诊疗效率，将更多精力投入到个性化治疗方案的制定和对患者的关怀当中。
她以自己的切身体验为例对雷锋网说道：“有一次去北京某三甲医院看病，排了很久的队，由于病人实在太多了，医生全程只说了三句话。总担心医生没有认真做诊断，对诊断结果也抱有怀疑。对于患了重病的患者来说内心的焦虑和沉重可想而知，如果得不到医生的悉心对待和关怀，继而对主治医生的信任不够，医患矛盾就很容易滋生。”
万涛博士相信，随着医疗AI逐步发展成熟，医疗AI会是一个非常好的辅助工具，在临床医疗中发挥越来越重要的作用，前面谈到的这些问题将迎刃而解。
看到AI的长处与优点的同时，我们也必须承认，医疗AI仍处于早期阶段，还有很多问题需要解决。
众所周知，美国对于医疗健康数据的监管十分严格。相比之下，国内环境则宽松得多，为医疗AI初创公司的快速成长提供了温床。但另一方面，国内医疗机构薄弱的信息化基础和不够完善的管理流程也给数据收集带来了不小的挑战。
收集到数据后，企业还需要和医生紧密合作进行数据标注，这是一项十分费时费力的工程。加上AI技术人员和医生的知识背景不同——也就是大家常说的“懂医学的不懂 AI，懂AI 的不懂医学”——双方沟通比较困难，项目推进缓慢。
其实就连医生群体内部对于AI也存在不同的看法，他们大致可以分为三个阵营。观念开放的医生对医疗AI热烈欢迎，认为这项技术前景无限，可以帮助减轻自己的工作负担；少数较保守的医生则充满危机感，对AI抱有抵触情绪，担心自己有朝一日会被取代；但其实更多的医生对AI并不关心，他们只专注于自己的工作。
万涛博士向雷锋网表示，医疗AI想要打动医生绝非易事。因为他们在漫长的专业训练中形成了十分严谨的思维。而且医疗是“人命关天”的事情，容不得半点疏忽。尽管有些医疗AI产品在特定数据集的测试中取得了优异成绩，准确率、敏感性、特异性都较高，但医生并不关心这些具体参数，他们真正关心的是它是否能够解决实际的临床问题。显然，迄今为止医疗AI还没能够证明自己。
但总体而言，智能医疗未来前景良好，越来越多医生认识到人工智能在临床医疗的辅助诊断的价值。万涛博士也指出，作为AI技术人员也应该加强自己的医学知识，“不懂医学知识的技术人员相当于少一条腿走路”。
医疗AI最常被诟病的一点就是缺少综合分析能力，只能处理某一种疾病的某一类信息（目前最常见的是医疗影像）。其实现在也有一些厂商在尝试基于多维信息做综合的辅助诊断，在肿瘤方面，其中最具代表性的就是IBM公司的watson肿瘤医生。
万涛博士认为，从技术角度而言，将病例数据、影像数据、基因组数据等不同维度的信息进行融合是非常困难的，而且对于某项技术而言，数据并非越多越好。
她说道：“很多厂商对外宣称自己采集了多少数据，但这些数据中真正有效的有多少呢？其中很多都是冗余、重复，甚至是错误和互相矛盾的，并且数据标注的准确率也是需要考量的因素之一。如果将这些数据一股脑儿全扔到一个AI系统里，可想而知会产生什么样的结果。”
做医疗AI一口吃不成个大胖子。如果一开始就从复杂的问题入手，很快就会遭遇瓶颈，对行业的发展未必有利。万涛博士认为，我们应该适当放低对医疗AI的期望，从基础功能——比如现在最常见的某一种疾病做起，一步一个脚印。
有了好产品只是第一步，如何将产品无缝嵌入医生的工作流程，让医生真正用起来，值得所有医疗AI企业深思。
“现在AI在医疗产业的应用产品很多。而对于产品的宣传往往提到进驻了多少家医院。进驻医院并非难事，但产品是否发挥了作用？医生是否在使用这些产品？有多少医生在用？是否产生了商业价值？是否形成了稳定的商业模式？这些都还要打上一个问号。”
万涛博士指出，成熟稳定的商业模式是医疗AI持续发展的根本驱动力，光靠融资和“烧钱”，企业是走不远的。
在最近的这波AI浪潮中，高校教授自主创业或加入创业公司担任要职的现象成了一道独特风景。万涛博士说身边也不乏出来自主创业的同事。
万涛博士认为，对学者创业则应该辩证看待，她认为这是一把双刃剑。
一方面，高校教授的本职工作是传道授业，创业后花在教学上的时间和精力必然会减少。另一方面，既懂学术又懂产业的人才非常稀缺。高校教授与产业界建立更紧密的联系，甚至自主创业，可以加深其对产学研一体化的理解；把产业界的经验带到教学中来，利于综合性人才的培养。
万涛博士对雷锋网说道：“现在的学生执行力很好，但缺乏创造力。接触产业界可以拓展他们的思路，帮助培养创造力和创新能力。我常对学生说，我们做研究的目标不仅仅是发论文，而是要创造真正的社会价值。尤其是医疗AI领域的研究，绝对不能脱离临床应用和产业界。做工程研究的学者除了埋头钻研，也要时不时抬头看看产业界和国家层面的最近动向，并积极参与其中，这样才能把自己的研究成果真正在社会上推广开来。”
她认为，如果能用好这把双刃剑，我们不仅能收获一批既懂学术又懂产业的教授，还能培育出更多的综合性人才。这些人才进入社会后又能帮助培养一批技术骨干，产生蝴蝶效应，对科研界和产业界产生巨大的推动作用。
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
