薦文：人工智慧在醫學影像中的進展——2017年RSNA參會感受
2017年北美放射學會（RSNA）上展示了許多新技術、新知識，其中最大的熱點是人工智慧（artificial intelligence，AI），它不是通常意義上的影像學成像技術，而被認為是目前影像領域最重要的潛在創新應用。
參考文獻（略）
行業專家和影像專家對AI的感受和判斷並不一致，不乏有「AI是對影像醫生職業的威脅」的觀點，也有AI行業專家認為影像醫生將有可能被替代［1］。目前主流的觀點認為醫學影像工作的複雜性，特別是在影像服務過程中，影像專家與臨床專家的合作、影像專家對患者提供的諮詢服務等，決定了影像醫生並不會輕易地被替代。同時，影像專家也充分認識到，拒絕和焦慮不會發揮任何自我保護的作用，應主動積極的接納AI，利用它來提升現有的服務質量。影像醫師既是影像信息的生產者、管理者，又可成為影像與臨床信息的整合者，藉助AI拓展新的服務領域，有助於提高影像醫生在醫學服務中的核心地位。要做到這一點，作為影像專業的從業者，應儘快了解AI背後的技術，利用各種機會將其納入醫療實踐中，使患者真正受益。
以下是本人蔘會的部分體會和感想，需特別說明的是，筆者以外行的身份去評價其他專業的進展，所述內容必有一定的局限性和片面性，文中提及的知識、概念等不免有謬誤之處，懇請專家批評指正。
AI在醫學影像中的探索過程
1、AI技術概述
AI是指利用計算機系統完成一些通常需要人類智力才能完成的任務，如視覺感知、語音和文字識別、決策制定等。AI是計算機科學的一個分支，與大數據等領域相互交叉，涉及內容廣泛，如計算機視覺（computer vision）、自然語言處理（natural language processing）、語音識別（speech recognition）等，同時還包括機器人學、專家系統、知識圖譜、推理機等。
2、醫學領域的AI研究歷史
醫學領域的AI研究並不是一個新的概念，將AI應用於科學研究的思路已提出數十年，只是近幾年才實現了少數的臨床應用案例。在AI的發展過程中，其方法學和研究方向均發生了較大的轉變。早期的研究方向主要是知識工程（knowledge engineering），如專家系統、計算機輔助臨床決策支持系統、定性建模和推理等。近年來由於計算能力的提高、計算方法的優化、數據量的增大，AI研究由知識驅動轉變為數據驅動，技術手段則以機器學習（machine learning）和數據挖掘（data mining）為主。
在AI演變的同時，近年來的醫學模式亦發生了變化。與傳統的經驗醫學模式不同，目前臨床決策的主流模式是基於循證醫學和臨床實踐指南。在群體和社會方面，全世界範圍內慢性疾病人群日益增長，醫療保健成本上升，醫療服務與醫保支付的矛盾也日益顯著。所以，當前AI在醫學領域主要研究的問題是：指南和規範的應用、機器學習、語義學技術和生物信息學等。在醫學影像這個分支，從20世紀90年代初開始，圖像和信號處理及自然語言處理等引起了較多關注［2］。與此同時，迅速興起的CT、MRI技術較二維成像（如X線）產生更大量的數據，且圖像性質多樣、更難以解讀。早期AI主要研究基於模型的分割和分類、基於知識的病灶檢出等，現今則是以數據驅動的機器學習最常用。
醫學影像工作是高強度的技術性工作，醫務人員在日常工作中要準確、高效地完成大量的臨床檢查。目前新一代AI系統已逐漸顯示出越來越強的能力，有望從根本上改變這種狀態，從而引起行業內外的廣泛興趣。
醫學影像AI研究的現狀
1、醫學影像AI研究內容以影像診斷為主
2017年RSNA學術交流中使用機器學習進行影像診斷的研究幾乎涵蓋所有影像診斷亞專業，近年來已有不少類似的文獻報道，如乳腺疾病［3］、肺部疾病［4］、神經系統疾病［5］、骨關節系統疾病［6］、心血管系統疾病［7］和體部疾病［8］等。這些研究通常的思路是：收集一定數量的圖像，經過標註後（少量研究中不標註），使用機器學習得到優化的演算法模型參數（多數為卷積神經網路），經過驗證和測試，最終以較高的預測效能識別某種疾病，得到影像診斷。除影像診斷外，也有少數AI研究涉及影像技術［9］、結構式報告［10］等方面，影像與其他相關學科的關聯應用也偶有提及［11］。
2、AI效能的臨床驗證尚不充分
當前醫學影像AI測試過程中的方法缺陷多很明顯，應通過更科學的試驗對其宣稱的效能進行評價［12］。在RSNA上報告的研究通常為小樣本初步探索，多缺乏真實臨床場景中的驗證。雖然AI影像診斷的研究中基本都有驗證過程，但應注意，AI研究中定義的「驗證（validation）」階段與傳統的醫學影像研究中的驗證試驗是不同的，AI的驗證通常是指模型優化過程中參數的微調過程。AI研究中定義的「測試（test)」階段是驗證模型效能的過程，常用ROC曲線和校準曲線作為評價指標。理論上來說，以少量訓練數據集內部的樣本進行測試是可行的，但在醫療工作中，很難保證提交做預測分析的實際病例與訓練所用的數據集來源於同一總體，所以臨床醫生多主張用訓練集外部的新數據進行測試，且確認AI模型的性能時，還要結合疾病表現譜和疾病流行情況進行綜合考慮。如果有可能，AI效能驗證試驗設計的主要終點應為可評測的臨床結局，研究AI是否可以改善臨床結局是最有意義的，但當前極少研究能提供這方面的證據。
3、AI應用於臨床的倫理和法規問題尚待解決
當前醫學影像AI的能力是很弱的，其輸出的結果僅對醫生的診斷提供幫助，最終決策仍由醫生決定，所以臨床應用的倫理問題尚不突出。但在其他AI預測能力較強的領域，關於AI「自我意識」的風險和倫理問題已引起關注。可以預見，如果未來醫學影像AI能力超越專家，同時將AI與智能硬體結合，其輸出的結果直接處理人體疾病時，AI以什麼樣的邏輯做出決策應有明確的規定，否則必將帶來倫理風險，而我們現在就應有所警醒和準備［13］。現階段關於醫學影像AI臨床驗證的法規問題，是RSNA上廠家和業內專家的共同關注熱點。AI與傳統醫療器械明顯不同，且不同AI產品和服務之間的差距也很大，當前監管機構還沒有定義明確的AI臨床驗證方法，這對AI實際進入臨床應用是不利的。隨著AI引入臨床路徑中，支付體系將發生怎樣的變化，也是各方面關注的重要問題。
4、非傳統醫療行業的資本和技術大量湧入帶來正反兩方面的影響
RSNA上有不少AI初創公司亮相，許多互聯網和信息產業的標誌性企業也投入到AI研發中。在大會交流的論文中，有相當多的AI研究是由企業發起的。資本的巨大投入對AI的發展無疑是有益的——可吸引人才、凝聚資源、促進AI成果快速轉化。但也要注意到，醫學的進步有其自身規律，短期內大量資本的投入未必能帶來醫學進步的質變。在資本的裹挾下，對有些研究結果的過度解讀和不當宣傳，反而不利於學術本身的發展。
5、AI發展中的問題遠多於答案
AI研究進展迅速，顯示其潛在的臨床應用價值，RSNA期間所有AI會場的交流均引起參與者極大的興趣。但實際上，AI發展中給我們帶來的問題遠遠多於答案［14］。除了技術問題，我們更關心：AI能否解決醫療實踐中的「痛點」，減輕醫生負擔，提升服務患者的效果？ AI僅僅是預測，還是真正能夠改善患者的臨床結局？AI會加強還是減弱醫生與患者的溝通？AI會剝奪一些醫生的工作和/或降低醫生的價值（降低醫生的收入）嗎？醫生過度依賴AI是否會降低技術水平？醫生群體對AI接受度的不同，是否會造成醫生相對地位的改變？
醫學影像AI臨床研究的方向
AI研究方向的維度很多，在臨床實用的方向上，建立適合AI研究的標準資料庫、將AI植入實際工作中做出決策以及優化工作流程等，都大有可為。
1、建立適合AI研究的標準資料庫和場景
缺乏大量的、標準的、有臨床結局的影像數據，是AI研究的難點之一。雖然中國絕大多數醫院並不缺少數字化圖像，但大量的病例資料並不一定能轉換為可供AI訓練和驗證的數據。大數據在氣象、金融、實驗物理、電信、軍事偵察和商業信息等多個領域的應用，得益於其標準化的數據定義和數據結構。醫療服務中，電子健康記錄、基因測序、數字成像、可穿戴設備等提供了多維的、海量的、但通常非結構化、非標準化的患者健康數據，對這些數據進行分析和利用的難度顯而易見。為了將醫學影像數據順利地納入AI研究，需要提取影像的「組學」數據並與臨床數據相結合；需要深入地研究影像資料的數據結構和索引結構，並將其用於分散式和/或並行計算；需要將不同維度的數據納入統一的新模型；需要對海量的、不均勻數據集設計檢索語言等。除了橫斷面的數據分析，還應具備多時間維度的聯機分析處理、時間數據倉庫設計、時間數據挖掘和可視化、綜合挖掘和分析環境等方面的開發。自上而下地組織這些跨學科研究是非常困難的，較實際的解決方案是先從某個小的、簡單的、數據結構清晰的領域建立資料庫並發起研究［15］，沿著公認的本體框架逐步外推到不同領域，最終形成完整的數據結構。
2、將AI植入實際工作中做出決策
將AI研究融入循證醫學和臨床實踐指南中，可使臨床實踐直接受益［16］。醫療服務過程中的決策，是在醫患充分溝通的基礎上，參考循證醫學研究證據和各種指南而做出的，堅持這一點對醫患雙方都是最有益的。但是循證醫學的發展提供了日益更新的證據，其應用場景更加細分，證據的數量也越來越大，同時各種規範和指南也層出不窮，醫務工作者在繁忙的日常醫療服務中持續進行知識更新是一項艱苦的任務［17］。隨著電子病歷系統在臨床實踐中的廣泛應用，AI在證據確認和臨床決策支持方面有望提供實際的幫助。但是目前影像診斷AI的輸出結果中，多是對影像特徵進行識別和分類，如果能進一步將影像特徵與現有指南、證據等整合，在計算機視覺分析輸出結果的基礎上，增加醫生認可的臨床信息，納入指南的判斷邏輯，則可基於規則做出決策，能明顯提升AI對醫生的服務效果。
3、將AI用於影像業務流程的優化
除了用於影像診斷中，AI更應該儘可能地用於影像業務流程的優化。在過去幾十年中，工程技術界的工作流建模和業務流程優化使生產效率和質量得到明顯提升。醫療領域的傳統業務模式使業務的數據化存在一定困難，業務的規範化也不夠，從而對數據採集和分析造成極大困難。幸運的是，為適應信息時代的各種要求，醫療業務的數據規範化程度正逐步提高，AI可以嘗試對管理水平較高的、醫療行為較規範的、信息化較完善的、覆蓋範圍明確且局限的業務進行分析和優化。與臨床其他業務流程相比，醫學影像檢查過程就是這樣一種流程，有可能用AI來輔助管理影像檢查業務的各個方面，如基於決策的流程管理、時間限制、運行模式切換、異常情況預警和處理、隱私和安全保護等，以規範影像檢查業務，提高影像服務的價值［18］。如果AI能對影像業務流程進行管理和優化，則是對整體影像服務平台的提升，其價值遠遠大於對單個疾病的診斷預測。
總之，醫學影像專業與其他領域一樣，傳統的方法和意識形態均面臨深層次的挑戰。目前多數學者認為，最好的認知能力是人類專家大腦與AI的組合，其能力超過任何單獨的系統［19］。不論是外因還是內因，都驅使影像醫師必須立即投入到這項新技術的學習和應用中。AI也許很快就能取代影像醫生完成一部分工作，也有潛力使我們將來的一部分工作得到提升，只有在AI的幫助下開拓新的服務領域，藉助AI實現對醫療服務的創新，才能保證影像醫生擁有更美好的未來。
-END-
回顧與展望專題
TAG:e醫療 |