AI識別醫學影像作為計算機視覺一個重要應用，正不斷向著深化、多元化的趨勢發展，傳統的2D影像也正向3D立體（甚至4D）影像前進，其間AI在圖像分析過程發揮的作用日益顯著，AI輔助閱片成為一種新常態，緩步向下普及。
那么AI到底可以給醫學影像分析帶來多大的提升？未來“AI＋醫學影像”將會有怎樣的發展方向？我們或許可以從沈定剛教授的演講中洞察端倪。
6月29日，中國計算機學會（CCF）主辦、雷鋒網、香港中文大學（深圳）聯合承辦的“CCF－GAIR2018全球人工智能與機器人峰會”于深圳隆重召開。會議匯聚全球140位在人工智能領域享有盛譽的嘉賓，對與人工智能有關的11個領域進行了深度探討。
參與大會主題演講和報告的嘉賓包括來自學術界的圖靈獎得主、中美科學院院士、中美工程院院士，以及CMU、MIT、斯坦福等多個名校的頂級教授；也有來自工業界的AI 高管，涵蓋微軟、英特爾、騰訊等多家企業。
在本次峰會上，北卡羅來納大學教授，聯影智能聯席CEO，IEEE Fellow，MICCAI 2019主席沈定剛教授做了“深度學習在醫學影像分析中的應用（Deep Learning in Medical Image Analysis）”演講。
動脈網記者聆聽了此次演講，并對沈定剛教授進行了專訪，結合會議演講做了如下梳理。
保持與醫生的緊密合作
“在美國將近20年，我都在霍普金斯大學、賓夕法尼亞大學、北卡大學教堂山分校的放射科里與醫生們一起工作，因此知道他們的整個工作流程，知道怎么把我們的人工智能技術更好地應用到他們臨床流程里的相應部分中去。而不是從頭到尾都使用人工智能，那是不可能的，至少現在。”沈定剛教授在演講中談到。
他介紹說，醫學影像類AI公司在開發產品時要清楚自己研發的方向，是輔助醫生，而非替代醫生。研發人員也必須清楚醫院的痛點是什么，需求是什么，然后根據問題去實現相應的技術。當然，實現技術同樣重要，只有擁有了合格的技術才能和醫院開展成功的合作。
醫學影像類AI公司在醫院試驗產品的過程即是合作的過程，但這種合作不應該僅僅局限于數據、設備操作上的交流。醫學影像公司要想做好醫療AI產品，要想把最好的體驗帶給醫生，首先要知道什么是最好的體驗，即自身應該熟悉診療的整個流程。也就是說，研究者不應僅僅停留在影像領域，而應深入臨床場景，觀察臨床醫生工作的每一個過程，每一處細節，深刻理解臨床的應用場景，找出與臨床治療、診斷的結合路徑，這樣才能知道如何將AI技術嵌入到已有的臨床流程中，簡化流程、提升效益；才能做出為醫生所接受、且具備競爭力的產品。
深入合作以產品質量為鋪路石
深入的合作需要回到產品本身，即AI產品的本身的性能。沈定剛教授認為，在AI產品層出不窮的今日，產品核心競爭力依然在于其相應的性能和應用場景。
現階段很多產品都能在測試的過程達到90％以上甚至更高的準確率，但實際上，這可能不是一次性檢出的結果（或者完全獨立樣本上的檢測結果）。那是因為很多算法在開發的過程中會不斷根據訓練數據調整參數，這樣得到的準確率（特別在開發數據庫上得到的準確率）在實際應用中很難得到。
此外，很多企業熱衷于用人機大戰的形式來展示AI的優秀之處，然而從準備數據階段開始，這就不再是一場公平的比賽。
“準備數據時，但凡有些質量問題的數據（例如運動、圖像質量、圖像模態缺損等）都會被賽事準備方所丟棄，如此篩選后的數據對于AI算法而言非常有利。但是現實中，我們不可能因為這樣的問題而不給病人提供任何診斷，也沒有辦法直接得到篩選后的數據，所以這種數據上得到的結果實際意義不大。另外，這對醫生、對社會都有一定程度的誤導效果。”
所以，測量一個AI產品的準確性、敏感性、特異性需要用到醫院采集的全新的、未經處理的數據，而非比賽等過程中經過挑選的數據。再優秀的測試結果如果經不起醫生實踐的檢驗，不能與醫生的工作流程相匹配，也無法深入醫院系統。所以，企業對產品再誘人的介紹、再用心的宣傳，歸根結底還是會回到產品質量本身。
全鏈條、全棧式的影像人工智能
“我們要做的是全鏈條、全棧式的人工智能，從成像、篩查、診斷、預后，以及后面的治療和隨訪，整個過程均可借助AI輔助醫生，這樣可以優化整個流程，達到最佳診斷效果?！鄙蚨▌偨淌诮榻B說。
這源于聯影智能作為上海聯影醫療科技有限公司（簡稱聯影）的子公司帶來的天然優勢?！奥撚澳壳笆菄鴥茸畲蟮纳a高端影像設備的企業，其生產的影像設備里需要很多AI技術，在影像前、影像中以及影像后都會用到人工智能技術?！?/p>
他舉例說，在邊遠基層醫院可以買到很好的影像設備，但是通常缺乏好的技師，不能準確地定位病人來掃描，這時候計算機視覺就可以幫助病人的準確定位，完成一鍵掃描，并且選擇最適合的掃描協議。這樣從源頭上保證了影像質量，保證了采集數據的質量。
“不僅如此，全棧式的影像人工智能可以做‘贍前顧后’的AI。一個掃描設備裝上AI系統之后，AI能夠主動去找病源，并對可能病變的區域進行更仔細的掃描，做出更精細的圖片供醫生參考。
現在很多公司都在做肺結節檢測，但通常是在給定圖像的情況下。想象一下，如果把成像過程跟后面的人工智能診斷結合起來，這樣就像在掃描過程中有一位有經驗的醫生坐在那里，每重建一些slice圖像，‘醫生’會告訴你這里面有沒有肺結節，如果有可疑肺結節，就可以重建得密一些，其它正常的slice就按常規的厚度去重建；也就是說，有可疑肺結節的地方，成像設備會自動重建得密一些。在這個例子里，我們把人工智能的方法與成像過程結合起來，這樣就有可能把后面的肺結節檢查做得更好。”
沈定剛教授認為，人工智能與成像的結合應當達到這樣的水平。并且，針對的疾病病種，也不應該只是一兩甚至五六種很熱門的領域，而是更多疾病種類。實現這一目標，不僅僅需要靠聯影智能公司，還需眾多志同道合者共同努力。 “要做到這一點，光靠聯影智能一個公司是做不到的，所以我們要做一個生態系統，這樣就可以和廣大的醫生，特別是愿意學習AI的醫生一起，去把這件事情做大，同時我們也會做開放的和第三方的公司合作。分享聯影智能的AI模塊，與大家一起合作共贏，把AI的解決方案做到一些稀有的疾病上面去，更廣泛的為社會、為病人造福。”
“AI＋醫學影像”還有很多可能，有很長的路要走
除了對精度上的不懈追求，醫療影像企業也不斷在其他方面推陳出新，許多新的模式、技術都在不斷發展之中。
國內的醫學影像AI技術大多還停留在2D層面上，雖然現在還是能滿足一些醫療的要求，但隨著技術的發展，3D甚至4D影像AI能提供更為明確直觀的信息，清晰反應患者的病情分布與變化，這對于醫生而言，無論是從研究角度還是治療角度，都將帶來極大的突破。這同樣為“AI＋醫學影像”的發展，帶來了更多可能。
與此同時，這對計算機硬件的發展也提出了新的要求。醫學圖像AI研究作為計算機視覺的一個應用，在現階段對算力要求已經很高，但若想洞察病人病灶細微變化、探索其變化的原因，需要使用4D影像技術進行持續的圖像采集，這就需要更強大的計算機硬件提供支持。
一切都處于發展中，“AI＋醫學影像”未來還有很多可能，也還有很長的路要走。