与大多数影像科医生一样，浙江省人民医院放射科主任龚向阳教授会因为每天面对200多份胸部CT而抓狂，因为他要在8小时之内看完几万多副图像，并寻找是否有结节。做出患者有肺结节的判断是很容易的，只要发现有结节即可，但判断患者没有结节却很难，看完之后没有结节，心中不由得嘀咕：是不是我出神了没发现？真的是正常的吗？
与大多数不同的是，龚向阳还是一名AI医疗的“遛狗人”，“遛狗”是他的医生同仁对于智能肺结节筛查系统的戏称，言下之意是这套系统需要每天学习，会变得越来越聪明。 他认为，对于影像科医生来说，“AI能增强医生的信心，这很重要。”有了AI之后，AI判定没有结节，医生看一遍确实也没有，基本就不会有问题了。
从去年10月份开始，浙江省人民医院与依图科技合力打造的胸部CT智能辅助诊断系统已经在后者的体检中心小范围试用了，到如今，已经正式嵌入医院的临床工作流程中。据称，接诊体检人数已接近20000例，系统敏感度在96%~97%之间。
如今，业内人人都在谈AI医疗。但AI医疗到底该如何突破、如何落地却尤待探索。在一次AI医疗论坛上，复旦大学医学院一教授慷慨激昂地称，“医学专家很重要，需要龚教授这样有号召力的专家，把临床数据集合起来。”
智能肺结节筛查系统主要应用于体检
雷锋网：目前，胸部CT智能辅助诊断系统嵌入医院工作流程的哪一环？
龚向阳：在我国，肺癌是最高发的癌症，而降低发生率的方法是：早筛查，早发现，普遍用低剂量胸部CT筛查。假设以45岁为界，超过45岁的病人建议定期进行筛查，但这样的人不能定义为病人，只是体检者，有些在医院，有些在体检机构，筛查其是否有肺结节。中国的大医院接受了大量的体检工作，但这与看病人完全不一样，100个人中也许有90多个是正常的，体检医生每天看的CT影像有几万多副，非常累。
目前这套系统主要应用在体检，但可能会扩展，因为临床需求是非常复杂的，昨天和一个肿瘤医院专家沟通，他说系统在他们医院好像没什么用，因为病人一般不去肿瘤医院体检，所以每个医院／每个患者的需求不一样，要做很多工作，不仅仅是这一点事情。
雷锋网：有了这套系统之后，影像科体检医生的工作有什么具体的改变？
龚向阳：我们现在的流程是这样的：先看AI找到的结节，之后会再看一遍所有的图像，如果没有发现新的结节，就相信AI的诊断结果。
最终是医生签发报告负责，如果漏诊了，是要负责任的，目前医生不可能100%依赖AI，它也有极少部分是漏掉的，我们也正在分析什么情况下会漏掉。但AI对医生是很有帮助的，最重要的是提高了医生的信心。我们不是怕找到结节，而怕没找到结节，如果看完200副胸部CT，结论是正常的，心里就会犯嘀咕，真的是正常的吗？还有我没发现的吗？这时候就会再看一遍。还有是年轻医生刚开始签报告，压力很大，经常会反复看好几次。所以，判断体检者没有结节，完全正常，其实是很难的。
有了AI之后，AI判定没有结节，医生看一遍确实也没有，基本就不会有问题了。总而言之，能减缓新医生压力；减缓医生疲劳度。除此之外，能帮我们更精准地做更多事情，AI系统诊断的报告能说明肺结节在哪个层面、第几个序列、结节多大等精细特征，接下来的版本会告诉你在哪个肺段、结节密度特征等。不是说医生做不了这些，而是医生的工作量太大了，不可能做那么细。所以我们希望借助AI，在保持效率的基础上，维持医疗服务质量。
雷锋网：除去体检外，针对肺部疾病的智能系统，有没有推进？
龚向阳：我们认为不远的将来肯定可以的，我是看好的。但这种做法是否可行我其实比较难评价，我的重点不在这一块，依图可能在跟其他医院合作推行更加深度的诊疗环节等的分析工作。
但我认为，对于AI来说，重要的东西是类似的：
一是数据。之所以我们进步比较快，是因为我们有足够的数据储备，肺结节体检的数据是巨大的，数据是没有问题的。
二是算法。算法其实大同小异，但是特别聪明团队的算法可能会模拟得比较快，小团队可能推行地比较慢，反正我认为算法不是一个太大的障碍，最终决定因素还是数据。在我们医院，体检数据输入很快，那么，能有多大量的诊疗环节数据投入呢？这是一个问题。
比如打造智能诊断肺癌的系统，需要100％确诊为肺癌的数据，那你是否能够提供5万、10万这个这样的数据？这是非常有难度的。不像体检，我们可以提供10万个，甚至100万个。
我认为，随着数据量的增加，随着应用的医院增加，大家对这件事情有深入的了解，都加入进来，那数据汇总会越来越快，后续的步调也会加快，但现在大家都在观望，我的数据不给你，就算给，也是1000～2000例，没什么作用，所以诊疗环节的智能诊断系统推行很慢，我不能断定发展到哪一步了，但这件事一定能做成，起码我是这样认为的。
雷锋网：你们是有专门的团队负责吗？还是抽时间做科研的性质？
龚向阳：对于我们来说，这个事情是科室发展的一大重点，我们其实是投入了一些资源来做这件事情的。因为我们意识到它可能很重要，比较有价值。所以这不是一个科研项目，我们是本着做一件事的态度，希望他做成。至于论文、课题，这都是以后的事情。
雷锋网：应用与体检的AI筛查检出，它也需要大规模的临床试验，主要需要验证哪些指标？
龚向阳：应用之前肯定需要临床验证，但并不是验证它是否可行，因为最终是医生出诊断报告，医生就可以做出最终判断。更多需要做的，一方面是提高精确度，在临床实践过程中，不断提高灵敏度、特异性，降低误报率等。
更重要的是，这套系统需要跟医生的工作习惯契合起来，操作方便，这样我们才会用它。
雷锋网：下一步待解决的重要问题是什么呢？
龚向阳：问题很多。拿体检来说：去年体检的时候发现某个患者肺里有2个结节，一年之后再来，需要对比一年后该结节有没有变化，这时候需要医生把去年的数据全部找出来，对比一下。但一个影像科医生每天要处理100~200个病人，如果全部都要对比去年的数据的话，会疯掉的。所以我们希望智能肺结节筛查系统能标注出以往发现的结节病灶，并与新拍的影像图像呈现在同一个窗口上，并且量好各自的大小，医生可以判断系统量得对不对，比如去年的结节是5mm，今年是7mm，我判断他确实比去年长得大，那么就可以说系统测量得是准确的，我断定这个结节有问题，之后会告诉临床医生或患者关注这个结节。
整个工作过程是非常机械的，况且非常耗时间，如果AI能帮我们完成，那就太好了。其实我们也可以往深处去做，取代一部分我们现在做得很痛苦的事情。
问：您之前也用过CAD软件，从医生使用者的角度出发，您认为两者的区别是什么？
龚向阳：15年前我用过CAD，但用了两次就不用了。因为CAD是装在一个工作站上的，扫描完之后需要在工作站上运行，可能会标准20个左右的可疑结节，供医生筛选。
这其中有几个问题：一是软件运行速度太慢了，体检量是大的，我一天要处理200个病例，需要快速响应；第二，系统是割裂的；第三，系统不会进步。所以我们没有再用CAD了，因为用过之后发现这个东西完全不靠谱。
但人工智能是不一样的，它会越来越聪明，我们起了一个很好的名字叫“遛狗”，意思是医学界的AlphaGo，需要每天溜一下，在这个过程中，它学习，然后变得越来越聪明，这个很重要，一开始不聪明没关系，经过3个月、6个月之后，它变得越来越聪明，能看到希望；其次，没有任何间隔时间，打开就能看到分析结果了，相应速度很快的；第三，这套系统与我们的工作流是契合的，扫描之后，能自动检测、生成报告，我能把其中的内容修订后复制到我的报告中，所以能帮医生节约大量的时间，而不是浪费时间，这是两者之间的区别。
雷锋网：既然系统嵌入临床流程中很重要，那么之前CAD没有嵌入的原因是什么？为什么AI系统就能做到？
龚向阳：嵌入临床流程门槛不高，也不需要太多支持，关键在于用户体验好不好。要让医生喜欢用，肯定要体验好嘛，产品功能与用户体验同时兼顾。之前的CAD都是大公司开发的，大公司的最终目的是卖产品，所以系统使用与临床工作流程不契合，只有我们去习惯它，我们不喜欢就不用了。
雷锋网：一篇文章谈了FDA对于机器学习在医疗领域应用风险考量，他们认为医生可能过于依赖AI系统，而放松警惕。
龚向阳：你说的问题我们也有考虑，医生可能粗心大意，有个AI助手帮忙之后，把事情全扔给他，自己喝咖啡去了。我想这种情况会有，但其中有几个问题：
第一，医生足够信任AI的时候，说明它已经比较能干、聪明，也很少犯错了，这是前提；第二，确实需要一些行业依据、法律法规来监管；第三，其实需要有一定的容错心态。就像Tesla的Modle3，撞了之后，不能说自动驾驶技术不行，不能因为个体事件否认技术的发展，而是要具体情况具体分析，致力消除这类风险。
总体来说，人体疾病千变万化，很难说每种疾病都有足够的数据训练AI系统，所以最终离不开医生是绝对的，但不需要那么多医生。
也有许多人问我，有了AI之后，放射科医生会不会失业。从放射科这个群体来讲，我估计它想当长的时间都会存在，但从放射科医生个体而言，是有可能失业的。所以我们要辩证看这个问题，同样的，医生不可能完全被机器取代，但个别医生还是有可能被取代。我认为可能是这样的：原来需要1万个医生，现在可能仅需要两千个，留下来的是很有经验、有创意、求上进的人，不思进取的人就被淘汰了。
正在生成分享图...
刘海涛