<mark id="oztn4"></mark>
0
| 本文作者： 李雨晨 | 2019-07-24 14:22 | 專題：CCF-GAIR 2019 |
編者按：7月12日-7月14日，2019第四屆全球人工智能與機器人峰會（CCF-GAIR 2019）于深圳正式召開。峰會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦，深圳市人工智能與機器人研究院協辦，得到了深圳市政府的大力指導，是國內人工智能和機器人學術界、工業界及投資界三大領域的頂級交流博覽盛會，旨在打造國內人工智能領域極具實力的跨界交流合作平臺。
7月14日，華南理工大學醫學院副院長，廣東省人民醫院影像醫學部主任兼放射科主任梁長虹發表了主題為《醫學影像從CAD走向AI——做正確的事情》的演講。
梁教授在演講中表示，基于深度學習的算法給醫療行業的發展帶來了很多好處。例如，檢測算法將解決“大海撈針”的搜索問題，發現乳腺鈣化和肺結節；配準和分割工具將減輕單調的測量和繪制肝轉移瘤的時間進程；解剖測量應用程序將繪制器官體積的正常范圍；而分類程序將有助于解決診斷難題。
因此，人工智能把放射科醫生的認知領域提升到了一個更高的水平，讓醫生在與人工智能算法和患者合作解釋圖像時，發揮判斷力、創造力和同理心。
如今的人工智能工具已經獲得了監管部門的批準，這是基于它們在少數健康領域的表現。也許這些新的人工智能方法的增加精度將減少假陽性，有利于提高醫師的效率。算法或模型的通用性使放射學的多樣性實踐仍然是一個懸而未決的問題。
借用一些時新的人工智能應用案例，梁主任也提出，距離人工智能真正替代醫生的部分工作還有很長的距離。例如，數據的結構性、模型的可解釋性等等就是很大的問題，這也是目前面臨的挑戰之一。
“做醫療是要有溫度的，要有情感交流。這就涉及到人文，也涉及到醫者和患者兩個方面，也是AI最終要解決的，也可能是AI最難解決的?！?/p>
以下為梁長虹主任的現場演講內容，雷鋒網作了不改變原意的編輯及整理：
梁長虹：首先要感謝雷鋒網的邀請。我的題目是“醫學影像從CAD走向AI——做正確的事”。
機器人會不會思考？如果看一本書《穿行者》，這個問題一百年前就有人說了，說這個話的人是拜倫的女兒納夫萊斯。要問機器能不能思考，圖靈獎獲得者說，就像問潛水艇會不會游泳一樣，所以就不要問同樣的問題。
我是一個醫生，很夢想人工智能幫到我們。上世紀90年代就有一篇文章支持人工智能輔助我們決策，這篇文章提出的時間是1994年，但是1994年并沒有解決。
當然，今天科技的發展也有長足的進步。我們可以看到，機器學習解決了很多科學上的問題。我前段時間參加一個智能城市建設論壇，論壇講到了無人駕駛。
我的夢想是無人駕駛明年可以實現，他們告訴我五到十五年之后可以實現，才可以在大街上跑。他說的對不對，我們不知道，但是人工智能在非醫療行業確實取得了非常多的成功，我們希望在醫學上也可以取得成功。
2016年，我們在醫學上做了很多事情，機器學習可以幫助放射科醫生、病理學家做很多簡單重復的事情。深度學習的大牛Hinton先生曾說，不要培養放射科醫生了！
最近涌現出了很多新型的人工智能算法，促使人們反思過去的人工智能為什么未能實現其目標？如今有人工智能工具已經獲得了監管部門的批準，這是基于它們在少數健康問題診治方面的表現。
所以，我們看到這些算法還有很多問題懸而未決，在座各位可能比我更加清楚。是不是這么回事？這位Hinton又寫了一篇文章，把自己否定了，說還是不能離開醫生，需要與醫師合作，作為工具幫助醫生做事。
所以，實際上最重要的是我們要去參與人工智能的發展，要正確地理解它和研究它，而不要去阻止它。
大家可以看這幅圖文，這是1865年英國的“紅旗法案”。當年英國人不希望汽車替代馬車，規定汽車在郊區跑時速不超過4英里，在市區跑時速不超過2英里。規定一個舉紅旗的人跑在前面，限制汽車的速度，最后使得英國的汽車行業現在比日本等要落后一些。
要將人工智能與我們放射科醫生的工作相結合，首先我們要知道放射科醫生的工作特性是什么。放射科醫生是新技術的弄潮兒，放射科醫生能夠用最新的機器、最新的設備和最新的技術。
同時，放射科醫生的工作還有一個長尾效應，大家不要期望AI能解決一切。我們至少掌握2萬個術語、懂5600個病種，有的病例可能一年只見一個，也能用機器解決嗎？這叫長尾效應。
還有一個特點是新技術，有了X光以后，我們又有了CT、再然后是磁共振。從原先的宏觀視角到現在的微觀視角。實際上，我們知道可以利用新技術做很多事情，甚至改變我們工作流程和狀態。
放射科醫生希望借助AI能夠提供類似于飛機的自動駕駛。
例如，檢測算法將解決“大海撈針”的搜索問題，發現乳腺鈣化和肺結節；配準和分割工具將減輕單調的測量和繪制肝轉移瘤的時間進程；解剖測量應用程序將繪制器官體積的正常范圍；分類程序將有助于解決診斷難題。
因此，人工智能將把放射科醫生的認知領域提升到最高水平，讓他們在與人工智能算法和患者合作解釋圖像時，發揮判斷力、創造力和同理心。
所以，我們也期望可以跟在座的各位做更多交流。要實現這些，有很漫長的道路要走。
人工智能與醫學影像相關的問題，我們首先知道有CADx、CADe、CADq、CAST等方式，大家要注意，找病灶和診斷病灶是兩回事。
人工智能在醫學影像上跟人工智能在醫學其他領域有類似的問題，包括隱私、透明性、取代、增強、解釋等等方面。
深度學習是什么？對我來說就是“黑盒子”理論，這是我們很難大規模開展人工智能應用的一個“攔路虎”。在座的數學家、統計學家、計算機學家，能不能對每一層變量發生的變化給出預測？
還有一個是可解釋性。放射科醫生有責任了解他們使用的人工智能技術的回報和風險，提醒患者和利益攸關方注意風險，并監控人工智能產品以防止傷害。
這個背后是什么？是人文、倫理。倫理是醫學上最為重要的。
舉個例子，這個例子來自于幾個雜志。2010年，有74%的女性乳腺檢查采用了CAD，最后CAD給我們提供的是什么？是不是改變了我們？
雜志最后總結起來有五點：沒有從中獲益、降低準確性、增加隨訪率、增加活檢率、增加了工作量。
因為標注有很多，這個醫生要不斷說這個是假陽性的，導致最后醫生不想用這個軟件了，這些需要注意。
走到今天，放射科醫生為什么又有興趣了？可能是深度學習和過去的CAD不同，走到今天，Deep Learning的算法改進和算力進步，解決了很多實際問題。
在傳統CAD時代，計算機視覺甚至無法像一個蹣跚學步的孩子一樣，完成微不足道的視覺任務，但現代人工智能正在成功地完成以前人類專家領域的任務。傳統CAD產生的錯誤率大概是人產生錯誤率的5倍，現在的DeepLearning大概是人的0.5倍。
大家對這種進步也是可以感受到的。過去，開車進停車場總是要拿卡，現在車走到崗亭時，攝像頭就可以認識我們的車牌。
深度學習的這種能力是非常強大的，因為深度學習系統通常能夠在多個類似的任務上表現良好，并且可以用比傳統的計算機輔助設計更少的精力對新任務進行微調。
所以，深度學習取得了前所未有的“成功”，但是這里要打引號，因為后面還會說不成功的地方。
這是印度的一個例子，利用平掃CT來發現異常，實現危險分層。針對顱內出血、骨折的征象來判斷，這里ROC曲線，下面的面積大于0.85以上才有意義。
這是它的分析方式，他們發表了一篇大文章。通過這樣一個分析之后得出幾個結論：深度學習的算法對頭顱進行分析，可以實現危險分層，判斷腦袋里面有沒有出血。因為，出血判斷是根據CT值變化，不需要借助臨床資料，單純識別就可以了。顱骨骨折也是一樣，通過圖像分割后，判斷它的密度變化，達到一定程度認為是出血；根據骨結構的連續性，知道有沒有骨折。
如果是在肺里面進行分割，難度會驟然增加。我們經常開玩笑，肺里面看結節，可以有99種疾病可能，但常見的有肺癌、結核、肺炎等等，所以醫生日常的診斷過程還是很痛苦的。
但是這篇文章也認為，AI還需要多中心的實驗，看看能不能幫助醫生，對患者療效是不是有幫助。
我引用《Radiology》主編的一篇文章。文章的觀點是，由放射科醫生支持的診斷算法比決策系統擁有更低的風險。
在診斷環節，醫生和工程師結合在一起，相對來說風險沒有那么大。因為，放射科醫生有幾十年來之不易的經驗，可以指導人工智能的設計、測試、驗證、政策和監管。
所以，我們人工智能的公司一定要真誠地去跟醫院合作，不要一味地討我們的數據。
從之前談到的1994年到二十多年后的2018年，同樣的夢想又來了，這篇文章又講了人工智能增加放射科醫生的能力。這個夢想很類似，我做了一個簡單的總結，我覺得這是非常有意思的。
在座各位都知道，圖像的分割是非常難的，肺結節分割解決了沒有？我認為還沒有完全解決，如果結節跟血管或縱隔連在一起，你分割試一下。還有頭部和肝里的病灶，對比度很差，分割難度加大。
當然，我們用人工智能的方法改善它。其實，有時候分割并不一定要求那么準確，就可以解決問題。也就是大家不用花大力氣，就可以解決問題。
還有一個應用場景是生成放射科報告。大多數放射學報告需要放射科醫生長時間的打字或語音識別輸入。這些報告必須符合客觀事實和語法上準確無誤。
利用人工智能，如果我們可以實現報告的結構化，將有利于進行數據挖掘，以及在結構化報告基礎上的語義錯誤檢測。
語義分析跟語音識別是兩碼事，現在把我的湖南普通話翻譯成文字，這叫語音識別，我說的話是什么意思是語義識別，這是兩碼事。
還有可以做一些數據挖掘，我們現在也在做數據挖掘，比如基于影像進行數據的分析，來看看它的診療決策價值。
影像組學，是一種新方法，2012年才出現的新概念，大家都會問，是否可行？我向大家匯報，完全可行。我們用結直腸癌患者資料作為研究對象，采用影像組學分析方法，僅用了526個病例就建立了結直腸癌淋巴結轉移預測模型，能夠成功預測淋巴結的轉移。
我們的結果獲得國際一流專家的認可，JCO雜志在4個月內就接受和5月2日在線發表。因此，我們采用影像基因組學實現早期診斷、精細分型和準確預后預測完全是可行的。
下面這一排圖像，大家可以看到有圈的部分，這是內聽道，里面有神經，類似于上面一排。技術人員掃描過程當中，沒有辦法達到一致，就可以利用AI的方法來實現，西門子、飛利浦、GE、聯影、佳能等廠商都把技術納入到設備里面，讓我們獲得標準化圖像。
大家可以看到，這是骨齡判讀。通常，醫生需要拿著一本圖譜書對照來判斷骨齡。利用AI算法估測年齡誤差2歲內，內分泌科醫生可以接受這個結果，也就是具有臨床應用價值。
另外，AI未來可以在影像介入來做一些相關事情。比如混合現實，指導我們和教學和模擬手術等。還包括智能導引、個性化3D打印支架或者導管。建立數據庫模型支持粒子植入的內放射治療。根據病灶實際情況，設計和引導放射性粒子放多少？如何放？此外，可以實現基于RECIST的智能評價系統等等。
這是我們自己做的一個小的研究，單發巨塊型肝癌做了手術之后會復發。如果復發快，我們給予預防性治療方案，延長病人的生存時間。如果復發幾率低，我們可以進一步觀察，減少患者的痛苦和節約衛生資源。
我們的研究結果表明，基于影像的模型，還有基于臨床的病史和檢驗結果模型，還有這幾個方面結合起來的模型，最后顯示結合起來的融合模型特異性和敏感性都有提高。所以說，大家做病理的不能單靠病理，做影像的不能單靠影像，否則你就不能做出一個符合臨床應用的AI工具幫助醫生。
這是混合現實，我們醫院也有團隊基于CT影像做三維重建、VR和3D打印等等。還可以進行個性化的支架打印。這些都是非常有意思的。
當然，我們可以把人工智能應用到工作流程優化，比如流程管理、病變識別、建立臨床路徑、智能導航、康復支持等等。完全可以利用人工智能技術去實現其中一部分的功能。
像上圖就是達芬奇機器人操作。我們知道達芬奇機器人來做手術，效果是不是一定很好，也需要觀察。最近一篇文章講到，達芬奇做手術的效果并不比人做手術的效果多，甚至有些場景下，效果不如醫師手工手術。
我們可以利用一些傳感器來幫助我們康復，這可能比醫生根據現有的設備、自己的經驗來進行康復好一些。這是基于一個傳感器數據的分析建立模型來進行預測康復效果和指導康復。
現在可以基于CT、磁共振等影像信息進行療效的評價和預測。也可以把病理，甚至基因信息結合起來，可能發揮更大效能。因此，剛才我跟姚建華博士討論，我們也在探索“影像+病理”相結合的方式，當然我們現在做得比較粗淺。
談完了上面的應用，其實我們發現人工智能的挑戰也很多。
FDA批準的軟件ContaCT，由Viz.AI提供。利用CT來判斷腦血管梗塞，對CT圖像進行AI處理，該算法將自動通知神經血管疾病治療專家。Radiology主編對于這個軟件系統給予了”強烈的”批評。為什么？
因為這個軟件系統到目前為止公開的數據沒有多少，唯一可用的結果來自美國心臟協會2018年國際卒中會議的海報。該系統訓練和驗證數據來自埃默里大學(Emory University)醫生建立的ALADIN非公開數據集。
另外，提供了兩個神經放射學家的名字，通過查FDA的文件，只找到一個人的背景，而且這個人還去了這家公司。另外一個還不知道在哪里。
最重要的是它的特異性只有52%，類似于甩硬幣。提醒我們的AI公司，注意資料的完整性和可索源性。
人工智能醫療的發展上存在一個大問題，那就是數據的結構性差，這也是我們面臨的挑戰。
我們做醫療是要有溫度的，就是情感交流。這就涉及到人文，也涉及到醫者和患者兩個方面，也是AI最終要解決的，也可能是AI最難解決的。
我今天給大家講了基于深度學習的AI超越了傳統的CAD。AI可以幫助我們進行精準的診斷，但是我們醫療數據具有復雜性，我們要敬畏生命不可重復，不能說AI可以解決一切問題。
醫學倫理學的基礎是“不傷害第一”。在醫學領域開發和部署人工智能系統同樣具有相同倫理義務：我們必須努力確定和減輕使用人工智能可能損害患者或衛生保健工作者的任何可能性。
有不對的地方請大家批評指正。謝謝大家。
提問：梁主任您好。您認為如果AI部分取代醫療工作和只是純輔助性的醫療工作，你認為人文目的和商業目的兩個平衡之間哪個更好一點？
梁長虹：首先，AI在我這個專業的方向應該分兩部分，一個是基于數據應用，一個是基于設備應用。
我說的人文是未來的事情。設備廠商完全可以，而且已經利用人工智能的技術幫助我們做很多事情，比如利用深度學習的方法改善圖像的信噪比，減低輻射劑量提升圖像質量，還可以進行標準的采集等等，這是基于設備的。這部分有很多場景是可以實現的，但是這些商業行為可能跟各位做數據分析是兩碼事。
第二，是基于數據應用。這個難度比基于設備應用難得多。一個是模型的共性和可泛化性。比如在中山大學用得很好，能不能放到省人民醫院用得同樣好？比如糖網，放在不同的醫院是不是一樣？換另外一家公司的照相機會不會還是一樣？這些都是需要探索的。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
