AI 正在對醫(yī)學成像領域深度滲透，這已是業(yè)內共識。

根據市場調查公司 Signify Research 報告，包括自動檢測、量化、決策支持和診斷軟件在內，全球醫(yī)學影像 AI 市場在 2023 年將達到 20 億美元。如今除了通用電氣公司（GE）、西門子和谷歌等大公司，大量的新創(chuàng)公司正在涌入到這個領域來。

圖：全球醫(yī)學成像軟件的收入預測（Signify Research）。

然而，很少有人能看清滲透將如何發(fā)生。

4 月 16 日，一篇題為《醫(yī)學影像 AI 路線圖》的報告在業(yè)內頂級雜志《放射學雜志》（Radiology）上發(fā)布。這份攸關醫(yī)學影像 AI 應用未來發(fā)展方向的路線圖，厘清了未來數年醫(yī)學影像 AI 可能重點突破的技術主題，應為業(yè)內重點關注。它是 2018 年 8 月一次研討會的成果，當時美國國立衛(wèi)生研究院、北美放射學會 (RSNA)、美國放射學院 (ACR) 和放射學與生物醫(yī)學成像研究學院在華盛頓特區(qū)聯合主辦這次會議。

路線圖指出了 5 個關鍵主題：1）圖像重建：如何從源數據生成適合解釋的圖像；2）圖像自動標記和注釋：從臨床影像、電子檔案和結構化圖像中提取信息；3）臨床影像機器學習新方法：包括定制的、預先訓練的模型架構和分布式機器學習方法等；4）機器學習人工智能方法的解釋性；5）圖像識別和數據共享：以促進臨床影像數據應用和學科發(fā)展。

如何解讀這份路線圖？這份路線圖對于下一步的醫(yī)學影像 AI 應用有多大的指導價值？為此 DeepTech 專訪了路線圖作者之一、美國紐約倫斯勒理工學院講席教授王革。

DeepTech：為什么放射醫(yī)學更熱衷 AI 應用？

王革：這和圖像性質有關。在醫(yī)院，成像技術會產生大量的圖像數據，而圖像數據分析正是 AI 相對成熟的技術。醫(yī)學成像相當于是現代醫(yī)學中的眼睛，可以把人的五臟六腑看得一清二楚。無論做手術，還是開藥方，或者是放療都離不開圖像。所以人工智能介入進來理所應當，于是就變成了很熱的一個領域。

此外，在醫(yī)療數據里邊，斷層掃描圖像應該是最精確的數據了，因此利于 AI 研發(fā)。其他如電子病歷或者是保險數據可能都會有較大誤差，這也讓醫(yī)學影像領域在 AI 方面走得較快。不過那些不太精確的數據并非沒用，如果這些數據分析和精確的圖像數據結合起來分析，就會讓醫(yī)生有一個整合性的更精準的決策。

圖：ImageNet大規(guī)模視覺識別挑戰(zhàn)錯誤在過去6年中下降了8倍以上，2017年低于3％，好于人類錯誤率5%的表現。尤其是2012年引入深度學習后，識別準確性大大提高。

DeepTech：AI 在醫(yī)學影像中的應用達到了什么階段，是否還處于初級階段呢？

王革：是的，還是初級階段。比如說圖像重建的問題，現在 AI 用在醫(yī)學圖像品質提升方面進展稍微快一些。比如說，對于一張模糊的醫(yī)學影像，我們可以增強它的清晰度。原來用經典的 CT 影像分析方法可以將清晰度增強 30% 左右，現在我用深度學習分析 CT 圖像或核磁共振圖像，能增強 100% 甚至到 200%。這個進步是顯著的，但還需深入研究與嚴格檢驗。

圖像增強對病患者是有實際收益的。比方說 X 光 CT 篩查癌癥。因為大部分來體檢的人是沒有癌癥的，在這個過程中人們會擔憂 X 射線的安全性。因為 X 光照射本身可能會引發(fā)基因變異以及增加癌變的可能性。盡管這個可能性很小，但是畢竟讓人們有所顧慮。在這種情況下，我們就考慮用比較少的 X 光劑量來做癌癥篩查。問題是把劑量減少之后，就會得到背景嘈雜的影像。那么我們可以用機器學習來減少低劑量照射的噪音和偽影。也就是說，低劑量照射得到的原始圖像是模糊的，有噪音的，經過機器學習處理這個圖像就變得清楚了。

這也是 2018 年 8 月 NIH 會議說的第一個要點，低劑量造影圖像的重建。圖像重建是機器學習的一個新領域。我們正在和 GE 合作研究基于 AI 的 CT 圖像的重建。

另外，如何審批這類應用產品還沒有明確規(guī)則。美國 FDA 正在考慮這個方向。AI 研究結果看著很好，但要是用到病人身上，萬一有失誤怎么辦？而且 AI 產品的監(jiān)管和傳統(tǒng)產品監(jiān)管不一樣，以前的產品的發(fā)布和修改是很明確的，但是 AI 產品是交互式的和自適應的，它會不斷從現實環(huán)境中學習迭代，因此給 FDA 監(jiān)管帶來新挑戰(zhàn)。所以說，AI 在醫(yī)學影像中距離廣泛應用還有工作要做。

在非醫(yī)學圖像數據庫 ImageNet 大規(guī)模 AI 識別中，錯誤率已經低于人類的錯誤率。這是機器學習的結果，而錯誤率的降低對患者的健康至關重要。要知道，診斷錯誤造成了不少病患者死亡，而放射科醫(yī)生的讀片常有錯誤。

在某些特定的圖像識別中，現在人工智能已經超過人類了。將來機器一定程度上甚至是很大程度上會取代醫(yī)生來讀片。我認為這正在發(fā)生或遲早會發(fā)生。

DeepTech：AI 將來能全面取代醫(yī)生嗎？

王革：至少目前看我們還不能完全讓機器來做復雜的處理，現在的 AI 還有可解釋性、魯棒性（即系統(tǒng)穩(wěn)定性）等在醫(yī)學影像領域尤其重要的問題需要解決。AI 的介入希望能提高醫(yī)生的診治效率。我認為，最終這樣的半自動化技術會在很多場景下變?yōu)槿詣印Ｒ簿褪钦f，在一些特定場合取代醫(yī)生是可以實現的。

一些很常規(guī)的分析，比方說骨頭在 X 照射中看得很清楚。機器分析會明確診斷出有沒有骨折。這種情況下，我覺得醫(yī)生就可以相信機器。那么，醫(yī)生的重要性怎么體現呢？在整個診斷過程中，將來醫(yī)生的角色可能更宏觀一些，進行一些有創(chuàng)造性、有想象力的分析。

DeepTech：你剛才說醫(yī)學影像的 AI 發(fā)展還是初級階段，那么路線圖是如何描述下一個階段要解決的問題的？

王革：這份路線圖是行業(yè)專家告訴美國相關機構下一步要怎么走，側重的是接下來幾年要關注的要點以及可實現的改進，而不側重 AI 的遠景。

除了剛才說的圖像重建問題，還有一個當前重要的問題是黑匣子問題，就是說機器學習的可解釋性。醫(yī)生可以和患者溝通病情、病因以及診治的依據，但機器學習只會給出一個結論，這不容易讓患者放心，會讓人感覺把自己完全交給未知了。但這其實也是一個進步，以前患者只能聽到醫(yī)生的判斷，現在患者還能聽到 AI 的判斷。我們現在正與 IBM 合作研究神經網絡可解釋性的問題。

另外一個問題是圖像數據庫。機器學習需要用大數據，來保證訓練分析是合理的。還有外國的數據庫拿到能不能用，要不要監(jiān)管部門來審批，公司能不能開放數據，這都是問題。

再一個問題是硬件。機器學習用到大量的數據，所以對硬件的要求越來越高，盡管這幾年硬件在快速升級，但對于普通機構可能就要負擔不起。

還有，數據庫會涉及病患者隱私，現在機器學習可能猜出患者的身份信息。對于隱私問題，我們可以借助于模擬計算來解決。比如用 10 個病人的圖像，根據特征隨機構造出一個新的患者（他不是這 10 個病人中的任何一個）。然后，我們用這個模擬患者來訓練分析，這樣就規(guī)避了數據隱私的問題。當然這個也會有弊端，它畢竟不是實際的病例，這就需要強大的數字模擬能力。

DeepTech：目前美國的醫(yī)學影像數據庫足夠大了嗎？還需要哪些完善措施？

王革：美國有一些公開的數據庫，但更多數據庫是不讓別人用的。醫(yī)院出于隱私的考慮很少開放其數據庫。他們擔心病人的訴訟。如果要把病人的身份信息去掉，以及標注這些數據，要花大量的時間精力。

DeepTech：你怎么看待中國在這方面的研究？

王革：中國國內的應用研究很好，前景廣闊。但源頭創(chuàng)新比方說神經網的基礎理論以及硬件芯片還是落后的，這方面定會進步。

DeepTech：你怎么看待美國 FDA 去年批準了 AI 在糖尿病視網膜病變中的應用？怎么看待醫(yī)學 AI 商業(yè)化發(fā)展趨勢？

王革：因為視網膜圖像是兩維的，相對比較簡單，不像那種三維的甚至動態(tài)的圖像分析那么復雜。另外糖尿病視網膜病變數據也比較豐富，又不是那么隱私敏感，所以這類應用已有很好的結果，甚至在智能手機上就能使用，很貼近老百姓。

我覺得發(fā)展都是從易到難。將來 AI 能不能精準地預測心臟病，預測中風以及癌癥，就要一步一步來。我們和康奈爾大學在心臟疾病方面有些合作。

對于放射影像而言，放射科的主流機器都是由大公司來做。我們從兩年前開始與 GE 合作人工智能成像方面的研究。而 IBM 側重于大數據和推理，屬于自然語言理解分析。有人說自然語言理解的進展沒有圖像領域進展大，但是我認為這事也不能急，時機成熟自然就會有好的結果。

王革（右）于2014年當選美國科學促進會會員。

王革（Ge Wang），美國紐約倫斯勒理工學院（RENSSELAER POLYTECHNIC INSTITUTE）的講席教授（Clark & Crossan Chair Professor），也是生物醫(yī)學影像中心主任。他于 1982 年畢業(yè)于西安電子科技大學電子工程系，于 1991 年和 1992 年在美國紐約州立大學獲得碩士和博士學位，現為 IEEE、AAPM、AIMBE、SPIE、OSA，和 AAAS 多個國際學術組織的 Fellow。他專注于 X 射線計算機斷層掃描、光學分子成像、多尺度和多模態(tài)成像、機器學習等方面研究。他的團隊在醫(yī)學成像方面進行了一系列開拓性的研究工作，提出了螺旋狀錐束 CT 重建、自發(fā)熒光斷層成像、CT 內重建理論和方法等。他發(fā)表了 450 多篇期刊論文，主持多個大型 NIH 和 NSF 項目。其團隊與哈佛、斯坦福、康奈爾、MSK、UTSW、耶魯、GE 全球研究中心、 Hologic 和 IBM 等均有活躍的合作。