《中国医学影像AI白皮书》发布：行业标准、市场准入、政策条件，还有哪些问题待解？

3月26日，由中国医学影像AI产学研用创新联盟牵头，汇集了国内三甲医院的影像专家、科研专家和AI医学公司的《中国医学影像AI白皮书》在动脉网举办的VB100新春战略发布日上发布，刘士远教授、沈定刚教授分别作为白皮书的主编和副主编，出席了此次发布会。

中国医学影像AI产学研用创新联盟成立于2018年4月12日，联盟理事长单位为上海长征医院。

担任中国医学影像AI产学研用创新联盟理事长的刘士远教授在现场说到，该联盟由从事医学影像AI最核心的公司、专家、医生组成，包括国内55家从事医学影像AI的企业，35家包括清华、复旦、交大等相关的科研机构，以及120家全国的著名医院。“可以说，代表了目前国内医学影像AI领域最权威的声音。”

医学影像AI发展到今天已经自成一脉，成为医学AI中最为繁盛的分支，值得单独拿出来深入剖析。在此次《中国医学影像AI白皮书》发布之前，雷锋网曾在2018年底推出《2018医学影像AI行业研究报告》。可以看到的是，这两份报告都将重心落在了医学影像AI这一话题上，探讨了医学影像AI的问题与发展之路。

刘士远教授在会上表示，“我们希望白皮书的发布，能对行业产生一定的指导作用，对企业能有参考价值，对国内想了解医学影像AI、但不明了的人，或者跨学科的人，起到知识普及的作用。”

刘士远教授从事医学影像诊断工作30余年，同时也是AI技术的观察者和参与者。

2018年7月，雷锋网受邀参加了第五届医学图像计算青年研讨会（MICS 2018），并且围绕医学影像AI的发展和刘士远教授进行了一次深入对话。在那次对话中，刘士远教授坦率地说，医学影像AI的形势很好，但是医学的术语、识别、标记标准制定等基础工作对医学影像AI公司是一件非常重要的事情。现在一些公司的算法模型是通过什么样的数据、怎样做出来的，很多医生都不知道，在一个封闭的环境中，容易做出一个高准确率的模型，但在真实世界中就不一定经得起检验。

“产品要有生命力，首先要保持这个种子是对的，培养、施肥、修剪方式是合适的，才可能让它长起来。”

因此，2018年4月，联盟成立后，刘士远教授就打算汇聚各方力量，把行业的现状、问题以及未来记录下来。在白皮书的发布会上，刘士远感慨道，经过半年左右的酝酿、努力、耕耘，《中国医学影像AI白皮书》这块“宝贝疙瘩”终于落地。同时，他也说，白皮书是第一次发布，也是第一版，“但以后我们每年都会做”。

随后，中国医学影像AI产学研用创新联盟副理事长钱大宏教授，对《中国医学影像AI白皮书》的部分重要内容进行解读，分析了医学影像AI在15大临床应用中的发展价值所在。

他说到，从技术层面来看，影像的技术也在不断发展，从图像的分割、配准到识别、映射，各种模型和技术的应用都是AI影像不可缺少、并且不断发展的重要因素。

钱大宏教授分别从心血管疾病AI、乳腺AI、骨龄判读AI、前列腺癌AI、病理AI等几个方面进行了解读，这几个部分中，部分领域的产品已经开始落地，但是行业标准以及影像数据库等方面的工作还远远没有完成。

钱教授也说，AI也开始逐步跟传统的PACS系统进行对接。尤其是区域里开放式的AI的PACS系统。“可以看到这么多AI诊断模块，都处在不同的发展阶段，进展非常迅速。”

在此次发布会上，还有一位值得关注的嘉宾——沈定刚教授，上文提到的医学图像计算青年研讨会正是由沈教授倡议发起。作为此次《中国医学影像AI白皮书》的副主编，沈教授撰写了白皮书中“人工智能在医疗领域的应用概述”和“医疗影像AI算法的最新进展”两章。

去年，在雷锋网承办的2018 CCF-GAIR全球人工智能与机器人峰会上，沈定刚教授曾发表主题演讲《深度学习在医学影像分析中的应用》。可以看到的是，从去年到今天，沈教授的很多观点都没有变。

在他看来，现在国内很多初创公司的发力点集中在诊断环节，但医学是一个很长的链条，成像、检测、诊断、治疗、预后每个环节都大有文章可做。

因此，沈教授提出，我们必须要搭建平台，一个平台里面有相应的分割、配准、分类和一系列诊断的算法，有了新的应用以后，把相应的模块像搭积木一样搭起来就可以做应用。所以“平台化、全栈式的人工智能肯定是未来趋势。”

医学印象AI的进步很大程度上得益于医学影像的算法，那么到目前，用于医学影像的算法都有哪些进展？作为医工交叉的专家，沈教授作出了解答：“医学影像AI的每个应用都不一样，所以方法非常多。还有同一个AI应用，用的都是非常某一点片面的开发。为了解决这两方面的问题，我们要做很多的研究来应对挑战。”

沈教授提出，过去的一年里面，在影像AI领域至少有几个方面的发展值得关注，包括小数据训练、分布式计算、多模态判断、可解释化等。其中，小数据训练在医学领域是一个重要的问题。“我们开发一个新的应用，有时候数据非常多，但是标注的数据非常少，或者有些疑难疾病的数据量比较少。”

数据的问题一直存在。此前，雷锋网的《2018医学影像 AI 行业研究报告》曾指出，大型三甲医院一年产生的影像数据在10T以上，但是却存在数据不准、数据不全的问题。

据南方医科大学副教授刘再毅介绍，医院影像科每天产生很多数据，但其中能用的连1%都不到。而且，影像学诊断有两大难点——异病同影和同病异影。 影像数据需要与后期准确的诊断治疗结果进行关联才有价值。但医院里的数据往往不完整，拿肺癌或其他肿瘤来说，在大医院，满足要求的可能只有10%~20%。在二甲等地方医院，很多病人做完检查之后，转移到上级医院看病，有完整资料的病人可能只有1%~2%。

考虑到数据缺失的情况，近几年，出现了几种解决小样本问题的方法，这些方法被称为Fewshot learning（若只有一个标注样本，则称为Oneshot learning）。沈教授说到，“我们要尝试把大数据已经学习好的东西迁移到小数据里面。”

除此以外，分布式的学习也非常重要。当前国内医院的数据是不出院的，但是医疗AI模型要需要足够多的多中心样本进行训练，那么怎样训练一些方法来达到训练模型的目的？

沈教授提出三个方法，可以考虑在多中心训练时，贡献用于优化的梯度或者是在模型训练结束后，通过模型的集成达到模型共享的目标以及将上述两种方法结合起来。

总的来看，医疗AI产品属于新生事物，无先例可循，准证审批规则有待成熟，仍需要数据标准及辅助诊断性能评价标准等。从技术到市场的全面理解，更好地建立行业共识，继而推动技术革命，走向产业化落地，是中国医学影像AI产学研用创新联盟希望看到的事情。

刘士远教授说到，医疗AI很火，但也存在被消费的情况，做企业的人也很辛苦。企业需要行业帮它们提供一些燃料或者营养，而不是一直地消耗它。只有医工结合，企业壮大，未来实现盈利，才能够让医疗AI更加活跃。