雷锋网消息，近日，北京大学医学部影像医学学系第二次学术年会在北京举行。当天上午举行了“医学影像与人工智能论坛”。北京大学人民医院放射科原主任杜湘珂教授参与此次论坛，并在会上发表了题为《医学影像中的人工智能技术》的主题演讲。
杜湘珂：北京大学人民医院教授、主任医师；中华放射学会磁共振学组委员、北京市放射学会委员、中华医师协会放射分会委员；北京大学医学部教学委员会影像医学与核医学组及北京市住院医师培训基地影像医学与核医学组组长；中华放射学杂志、实用放射学杂志、中国医学影像学杂志等十余部杂志的编委。
杜教授认为，虽然 AI 在肺结节的检出上比人工快，但是肺结节的检出并不是那么简单，5毫米以下的小结节，尤其是1-3毫米的结节，情况更为复杂，并且肺本身的疾病分类就多达200多种，数据量非常庞大。“所以 AI 进入医疗影像领域应用的方向和切入点一定是在单一且规律性强的领域。”
同时，杜教授表示，“ AI 并不能完全替代医生。医生看病不止于看图这么简单，AI完成的仅仅是诊断环节中的一部分工作。同时，AI的盈利与能源消耗也是一个巨大的现实问题。IBM沃森医生与安德森癌症中心的合作已经暂停，花费了6200万美金。“
以下为嘉宾演讲实录，雷锋网做了不改变原意的编辑。
杜湘珂：尊敬的袁主任、葆青主任，以及其他老师，还有一些公司的代表。大家早上好！
我很诧异今天能来这么多人，我觉得是一个小型的研讨会，可能对这个题目感兴趣的人不会特别多，但没想到今天人还挺多。
作为一名医生我本没有资格在这里谈论这么前沿的IT技术，我今天的目的大概是抛砖引玉，我作为一个影像科大夫，从影像科大夫的角度去看人工智能，今天跟大家一起分享一下，我们是怎么看待人工智能的。
第一：我们非常惊诧，人工智能生长速度太快了，它在深度学习和大数据的推动下，生长速度真的非常快。我大概翻阅了一下从2016年开始到现在的资料，人工智能几乎无处不在，你问问所有的放射科大夫，放射科主任都会跟你说，我们也在跟AI合作，某某公司在找我们，好像哪儿都有AI参与。
第二：我感觉到 AI 跟我们专业有这么密切的相关性，实际上这也对，因为医疗影像的数据体量是非常大的，它占到医院整个数据的75%-80%，它的体量非常大。而且在所有的数据里，影像的证据跟临床病理比较起来，它的标准化、格式化、统一性还是最强的。说实在的，目前的病理数据仍然过于凌乱，无法与数字影像数据相比。
第三：感觉到这些影像数据还是非常孤立的，一个一个孤岛，一个一个的碎片，每个医院都是在做自己的事。现在卫生部有数据中心，有一部分医院的数据进入了那里。据说移动等国有机构在整合这些数据，但是否整合成功，还需要进一步了解。
第四：实际上我们认为，人工智能在我们眼里它还是一个小“baby”，还是在襁褓中的，可能它需要面对复杂的算法，面对将很多计算方式跟临床接轨；这里就面临一个业务化的问题，还有计算机的瓶颈问题，可能目前还都制约着它的发展。但不管怎么说，AI的生命力是不可阻挡的。AI似乎要影响到我们做影像科大夫的每一个人，我们没有办法，我们只有主动学习！
我看到现在国内外从去年开始可以搜索到很多相关内容，首先是谷歌，谷歌在2016年2月成立了 DeepMind Health，正式把人工智能的技术应用到了医疗健康领域，获得了英国的皇家理工学院、伦敦皇家自由医院和英国的医疗服务系统数据的支持。
我大概浏览了一下它在做的东西，比如说在2016年底时，它发表了《 AI 在糖尿病视网膜病变上的引用进展》。大概包括智能引擎培训了8个月，有54名美国的眼科专家把12000多份的视网膜照片分级分类，CNN对我们眼科大夫而言是非常陌生的技术，它是一个算法叫“卷积神经网络”，用来训练AI自动检测糖尿病视网膜病变和视网膜黄斑水肿，大概能够达到87%左右的灵敏度和特异度。
谷歌还干了别的事，比如在乳腺癌病理的人工智能方面，在与病理学家合作的基础上，人工智能在基于灵敏度和假阳性的乳腺癌病例分析中的准确率能达到88%，而病理学家准确率为73%，看了这么多人机对话，大概人工智能都会高一点，包括有90%的。
2017年1月开始， Nature 就开始连篇刊登这些文章了，我查到的这三篇分别是：
第一篇：《 AI 在先天性白内障的研究》，这是我们中山大学的临床实验，它也是利用神经卷积算法（CNN），做了410张各种程度的先天性白内障图片和476张正常的图片训练，它的准确率达到了92%。
第二篇：《对脑瘤病理切片的快速诊断》，模拟传统的 HE 染色切片，通过万张以上图片训练，把AI区分脑胶质瘤和非胶质瘤的准确率提到了90%。
第三篇：《对神经假体进行精确控制》，我觉得这挺有用的，神经假体在人的身上，如果能够用智能去控制，将来对这种类型的残疾人会带来多大的帮助。
还有就是 IBM 的 AI ，即叫沃森肿瘤诊断机器人或沃森医生，这个训练比较深入，它不仅仅是一个单纯的领域或仅仅是乳腺癌研究的检出的训练。
沃森医生根据患者的症状、病史和诊断数据，自动去搜索海量的病例和医学图书、论文数据库，进行对比匹配，得出它认为最合适的诊断和治疗方案。沃森机器人学习了很多东西，它学习200多种肿瘤专业领域的教科书，培训了300多种医学期刊，1500多种肿瘤文献的关键信息和临床实验中的60多万条的医疗证据，它的训练在医学界来说是比较完整的。它最开始是跟MD Anderson合作，大概花了很多很多钱。
去年它在中国，2个小时为21名癌症患者做了义诊，包括胃癌、肺癌、直肠癌、结肠癌、乳腺癌和宫颈癌等，它现场和知名医生的对话结果成功率达到90%。
但沃森医生目前实际上也存在跟临床合作非常纠结、非常尴尬的事情。我们到后面再谈。
在超声上，浙大理工学院的团队，通过对机器人的开发和识别，他开发了一个叫“-DE超声机器人”，主要是探索甲状腺，从甲状腺的超声图片中快速检出和勾勒出结节。比如：
第一：对结节的特征，比如钙化、边缘、毛刺、灰度等进行了一个分类处理。
第二：对层次结构，浅层次和深层次进行了一个分类和梳理。
最后在人机对话中，它的效果能够达到85%，资深超声医生效果是75%，但这里面的训练是非常艰苦的。
我不知道浙大的超声医生团队是怎样给它筛查病理的，但我知道有的医院在筛查病理时，假如用1000份病例，就是有病理结果的甲状腺结节来输入这个机器，他在1000份里起码要输入30%不合格的病理，比如他虽然有病理结果，但病理结果很模糊，或者各个方面临床认为不合格。
所以，我知道病例的真实性是非常重要的。如果不是这么严格的去筛选病例，叫一个公司来，帮我实验一个什么软件的话，我想它数据的真实性会有很大的问题。
当然最后真实的结果，同济医院会给我们详细讲述，他们是怎么训练机器人，怎么去从临床提供真实数据。
阿里最近信息比较多，我发现实际上它现在还是在肺结节的检出上比人工快，但肺结节检出有那么简单吗？肺结节是5mm以下的小结节，尤其是1-3mm的结节，有各种性质。怎么分类？我觉得这里面是非常复杂的。所以我们期待着看同济医院是怎么做的。
我觉得肺本身就存在非常复杂的疾病，有一个公司跟我说，他们准备搞肺的疾病研究，200多种疾病，我说那是不可能的，现在的AI进入医疗以后，一定会选择单一领域。
比如它在肺癌里就选肺结节，它绝对不应该选肺间质病变，同样一个肺间质病变，在我们90年代写的书里有216种，仅病因的筛查那就是个非常复杂的工作，那不是目前通过简单地训练机器人就能干的事，它一定是有一个非常明确的、单一的领域。
比如乳腺癌，大家现在做乳腺癌都选择核磁，要把超声和钼靶检查都囊括进来的话，这个工作量和复杂程度将会非常非常大。
病理智能诊断系统其实也做了不少，AI的病理医生读片是北京友谊医院、北京协合协和医院的四名资深病理医生，与羽医甘蓝研制的宫颈细胞癌涂片的智能辅助筛查系统在合作。它们大概对7份宫颈癌的TCT病理涂片进行了读片，速度也是 AI 更快一些，人工用20分钟，单纯的AI还不到5分钟。
单纯的人机这一块得到了认可，但在临床流程的探索可是另一个跟 AI 的合作方式。
第一：能不能检出，能不能分辨良恶性，分辨良恶性到什么程度。
第二：临床流程。从目前来看，我们能够认出的还是 AI 系统的筛查和检出，这个检出的图片是要留给上级病理医生再次审核的，同时要删除掉阴性细胞，预计能够节省读片时间。
下面是Nature上发的《 AI 深度识别皮肤癌的进展》，它大概是12000张的涵盖2000多种皮肤病的临床图片，进行了AI机器的分辨。
通过对话有两场比赛：
第一场：区别角质细胞癌和良性脂溢性角化病。
第二场：区分恶性黑色素瘤和良性痣。
所有的结果，人工智能的灵敏度都能达到90%，基本与病理医生诊断的正确性是相持平的。
刚才主持人也深入地问了一下皮肤科的医生面对AI的挑战问题。皮肤科医生认为，看皮肤远远不止看皮肤那么简单，当患者就诊时，医生要了解他的饮食、旅行、接触、家人、穿着衣物、既往病史、家族史等等尽可能详细的问题。 AI 完成的就是诊断的一部分工作，它只完成了一部分工作，这是我们要知道的。
今天来的除了临床的医生，还有各个做 AI 的科技公司，他们现在最关注的其实是从哪个点切入。所以，一会儿临床医生有一些好的应用可以提供给大家。
从哪个点切入？现在看来比较多的比如，超声是从甲状腺切入，影像比较多的是做肺、乳腺等，我相信现在做前列腺结节比较多。袁主任你觉得肿瘤、骨折有没有可能切入进来，其实骨折现在还好一点，有核磁了，过去在我没退休以前，我觉得统计起来，在科室里最常出的医疗事故倒不是那么复杂的病变，复杂的病变反而我们通过多方会诊不会有那么多的事故，倒是简单的骨折，尤其是没有移位的骨折、隐形骨折或介于骨挫伤和骨折之间的骨折，患者一活动就移位了，就要打起官司了，这个方面AI有没有可能介入。中枢神经系统-急性出血和缺血性病变的警示有没有可能等，这个是 AI 在影像领域切入的方向点，一开始一定要非常单一，能够规范到几点上去做。
另外，我们在跟自己的网络工程师谈论的时候，就关于大数据问题，大数据现在不是说数据大就行，更的重要的是数据的质、数据的成色。
那影像医师是怎么看待 AI 的呢？ AI 一开始的状态就是小成品临床验证，局限于病灶检出。随着技术能力的提成，人工智能几乎无处不在，很多医院的放射科大夫都已经接受这个新事物。其次， AI 还需要更大的基础研究，需要更大的数据源进行训练，和更多的医疗科医院进行合作。我们最后的目标是要让 AI 在医疗领域能够达到标准化、量化和结构化，最后成为一个高水平的AlphaGo。最后，我们还要思考一下临床 AI 以后的发展方向，因为现在这些数据还是非常隔离的，所以未来 AI 可能会参与提炼和梳理数据，把控数据的成色。
过去我们影像科的医生都是通过影像数据和自己的主观经验进行诊断，但是现在 AI 以超乎我们想象的速度和能力进入传统领域，这场变革是由技术推动的，但是我们医生的工作不会丢失，但可能会换一种形式，我们要保持自己的初心，需要记住的是：有时候治愈，经常关怀，永远抚慰。
谢谢大家！
（以上内容为杜湘珂主任原创，雷锋网编辑整理）
正在生成分享图...
亚峰