未来的医生不仅要能看得了片子，做得了诊断，很可能还要学会和人工智能更好地合作，在技术加持下让自己的医术更上一层楼。

6月2日消息，全世界最大的医学国际学会之一北美放射学会（RSNA, Radiological Society of North America）在5月31日-6月1日期间举行了第一届针对放射医学工作者的"AI大讲堂"（Spotlight Course on AI: Radiology in the Age of AI )，试图通过两天的课程，介绍放射医学与AI紧密结合的技术起源、现有应用及如何理解AI医学影像方面的学术进展，希望能够帮助医生们适应和新兴技术紧密合作的新时代。

毕竟，医疗拥有大量数据和技术需求，是最先接受大规模AI技术冲击的领域，也是许多技术最快走向应用的行业之一。

这个"AI大讲堂"包括简要介绍医学影像中的AI技术、探讨其对更好地保证人类健康的影响、如何在自己的医学实践中接入AI系统等多个部分，每个部分都邀请了AI行业领域的佼佼者来进行讨论或者演讲。我们摘录了一些重要观点：

AI正在不断影响医学影像行业

这次课程上，最明确的一点就是，在放射医学领域，AI已经是最重要的技术了。CT、MRI、PET等医学影像手段是医生做诊断的重要资料，而AI强大的数据处理能力能够在多个层面上帮助医生。

世界知名AI专家、斯坦福教授吴恩达介绍了AI和深度学习算法的发展以及AI影像技术的新进展。他所处的实验室和斯坦福医院合作，完成了ChestXnet,、Xray4all等用深度学习理解影像的工作。这些深度学习技术可以理解胸部X光中十一种不同的病理表现，检测出膝盖MRI中的异常、检测出在头部CT片子中指向动脉瘤的病理表现等等。

吴恩达在介绍AI在医学影像中的应用

"深度学习已经可以完成所有人类需要一秒钟能完成的基本任务，当然，AI想要完全替代医生进行诊断、判断还有很多路要走，有很多个突破需要做。"吴恩达说道。

本次课程的组织者之一，斯坦福大学医学院放射系副主任Curtis Langlotz教授提到他对AI完全替代临床影像医生的工作的危机并没有那么悲观。他强调影像科医生需要不断改变、多学习最前沿的AI知识与技能，但AI只是临床医学遇到的类似CT、磁共振、超声等新技术之后的又一个有价值的新技术、新发展。临床医生需要将AI新技术利用到临床工作中。"一些医生感觉到琐碎的任务、比如测量病灶大小、跟踪病灶位置大小在不同疾病周期的变化等，这些任务都是AI更擅长的且人不太喜欢和擅长做的。所以从一种角度上AI能让临床医生的工作更好。"他说道，"有了AI的协助，临床医生可以做一些在认知上更有趣更有挑战的任务。"

AI不会替代医生，但是会用AI的医生可能会替代那些不会的……

不可否认的是，医生仍旧面临一些新的挑战。面对AI不断地改变医疗领域的现状，作为近距离接触病患、提供日常医疗服务的医生，如何才能适应这样的时代？

首先，医生需要更多地了解新技术，以及技术如何应用在临床诊断、手术预后、提前筛查等领域。课程中多位医学影像AI的研究者分享了他们在这些领域的新研究。

"AI不会替代医生，但是会用AI的医生会替代不会用AI的医生。"Curtis Langlotz教授在讨论AI在医疗临床应用时金句频出。

吴恩达也表示："在科技世界里，每五年，我们的工作就会有巨大的变化。如今，技术也正让所有其他行业比以前变化的速度进一步加快。很多过去放射科医生做的事情会被自动化，然而如果这些医生愿意去思考真正重要的工作是什么，不断拓宽视野，把重心放在（和这些能够自动化的工作）有差异的工作上，他们就无需担心什么。"

其次，新技术本身也能进一步提升医生的专业水平。

英国Kheiron Medical的放射学专家Dr. Hugh Harvey指出，放射学医生需要更多地了解数据科学技术。放射科医生需要了解基础的数据科学、机器学习等方面知识，特别是对于数据的整理。他提到深度学习等AI技术对于数据量的要求很大，但人们讨论时往往只重视数量而忽略了质量。直接从临床系统中拿到的数据是远远不能真正用来做临床AI研究与应用的。

一般数据整理需要至少四层操作。

第一层是临床系统（PACS，电子病历系统）中直接拿到的数据，这些数据往往包含敏感信息，量很大但很杂，不能真用来做研究。

第二层是通过伦理委员会审查、去掉病人敏感信息的数据的数据，医生和研究者可以受限拿到，但是这类数据一般也还是非结构化的没发直接用来做研究。

第三层是将这些数据再进一步进行结构化清洗，进行可视化检验，从而保证图像数据质量等问题。

第四层是最终将这些数据与相应的临床信息匹配，通过人工或者自动的方法为数据打标签从而可以进行AI研究分析。但到这层最后还要确认数据的统计价值是否足够，以及是否有真正的标准来进行标签。比如病人疾病的判断需要根据多位医生读图的结果比照，以及通过后续发病或者随访得到的结果来确认疾病。

对于医生来说，对于技术持开放态度，通过课程、活动、项目交流等方式接触并掌握新兴技术，很可能会让未来的医疗服务"事半功倍"。

参加这次会议的斯坦福神经影像医生、前沿神经功能影像实验室主任、Greg Zaharchuk教授表示这类课程可以很好的将AI理论、应用、发展和局限讲解给临床医生，他很欣喜看到越来越多的影像科医生对AI的热情和想要获得更多这方面知识的态度。

临床医生要适应这个AI高速发展的时代，就必须要不断参加类似活动获取知识、并和同仁一起交流心得。与会者对记者表示，目前医院和医生对AI技术也越来越关注和接受，鼓励医生参与到类似的活动中来。

另一方面，他也强调临床AI的研究和真正的临床AI产品部署之间还有很大差距。如何确保算法在不同病例、设备、扫描参数等，都是现在面临的问题，需要再未来逐步解决。

"我很高效看到如此多的影像科医生和从业者参与到这个活动，这次是RSNA组织的第一次AI聚焦课程，我们希望能保持科研、临床与产业的交流。另外AI影像企业像深透医疗等在商业化的同时，还保持学术性的报告和论文发表。严谨地分析产品性能与临床价值，是一件很好的事情。"本次活动的组织者之一斯坦福Dr. Matthew Lungren教授表示。

医疗影像与AI技术结合后，人类的健康可能会获得更多、更可靠的保障

放射科医生在AI时代面临着更多的机会和挑战，而对更广阔的大众来说，技术能带来的是更多的保障与更高的医疗水平。

在这次活动中，来自吴恩达实验室的博士生Pranav Rajpurkar现场展示了Xray4All平台：上传用户截取的x光影像照片，一两秒传输后，就可以在线获得结果，检测出了异常，并且用高亮来标记出了异常部位。

Pranav Rajpurkar现场展示Xray4All平台

"这个技术的应用场景特别适合用于解决在发展中国家、全球卫生场景中临床医生资源短缺的问题。"Pranav介绍道。

另一家融资超过4500万美元的美国AI影像公司Arterys也主持了午餐会，介绍了他们的未来愿景：进一步推广他们的影像分析和AI产品，并逐步扩展平台。通过现实世界的数据来为全球人类提供医疗决策，自动化日常的医疗任务，进一步推动医疗平等化、民主化，提供预防性分析。特别的Arterys强调了其影像分析和AI产品都是基于云计算来处理的，特别强调了云计算相比在医院内部计算系统中计算其实更快捷、更安全可靠。

AI技术在美国临床应用：AI系统产业化的关键步骤

作为每年医疗投入占政府总支出最高的国家之一，美国在推广AI医疗领域技术方面走在全球前列。而中国作为平均医疗资源紧张的人口大国，对AI医疗也有很大的需求。

在这次课程上，国内的推想科技、美国的Nuance、以及在中美都快速推广AI影像处理的深透医疗Subtle Medical受邀报告，并以"Implementing AI: the last mile"为主题，探讨了临床部署AI系统产业化的最后关键步骤。

推想医疗介绍了其多款产品在中国接触到数百万的病历，并在美国4家医院/影像中心开展测试。Nuance在美国临床影像的语音识别工具、读图标记工具有很大的市场份额，也在推广其"Nuance AI market"医学影像AI应用商店。

深透医疗是三家中唯一有AI产品获FDA批准进行商业化的。深透医疗CEO宫恩浩博士介绍了如何临床部署其FDA获批的SubtlePET产品，以及对申请中的SubtleMR等产品进行临床测试。

深透医疗SubtlePET产品是第一个获批的医学影像增强应用以及第一个核医学的AI应用，其产品价值重点在于利用AI达到4倍左右的影像采集加速，也为减少辐射以及造影剂剂量提供了解决方案。这一软件方案让病人可以获得更便捷、更高质量、更安全、更智能的临床影像检查。FDA获批后已在美国以及全球的20家顶尖医院和影像中心开展了商业部署与临床合作。

在美国，真正要让医院应用AI并愿意付费有很高门槛，要医院信息系统深入融合，与临床医生确认系统效果，以及对医院论证AI系统购买可以带来的回报。

"在美国真正在医院部署需要和临床医生、信息系统负责人以及医院管理运营方面多方面沟通。以深透医疗为例，公司临床和销售负责人需要和医院进行快捷而有效的真实数据测试，在尽可能不影响医院现有运行的情况下，实时让医院用自己的数据进行临床测试。通过实际的测试以及真实可观的影像检查加速，可以很客观地让医院看到AI为医院带来新的临床价值以及经济价值，从而进展到采购与部署。"深透医疗CEO宫恩浩说道。

医学影像后处理公司TeraRecon的CEO，同时也是医学影像AI平台Envoy公司的CEO， Jeff Soreson与著名影像医生、影像AI推广者Eliot Siegal教授，也以互相采访的形式讨论了如何优化影像AI的工作流程、部署过程，以及不断验证。

"对AI算法深度的临床验证是推广医学AI非常关键的一步，我们在向这个目标不断发展。"Eliot Siegal教授强调。

技术局限性与我们面临的挑战

虽然医学影像已经是AI领域最适合、也能最快部署的领域之一，我们仍然面临着种种挑战。

首先，以深度学习为代表的的AI技术仍是一个"黑箱子"。这意味着技术能够让医疗影像检测达到较高的准确度，然而AI仍然很难理解数据之间的真正关系以及如何分类数据等等。

"在斯坦福，我们希望能够为医学影像感知打造更好的注意力分布图(attention map)，来避免黑箱效应。"斯坦福医学院教授Dr. Saafwan Halabi表示。最近有很多研究和报道讨论到基于数据的对抗攻击算法（Adverserial Attack）可以让识别路标的AI无法正常工作。在医疗AI中，如何保证AI不被误导是非常重要的一环，但目前这方面研究的还不够。

斯坦福AIMI人工智能医学影像研究项目负责人，本科课程的负责人之一Dr. Matthew Lungren也讨论了临床AI的偏见问题"bias and implications for medical imaging AI". AI在实际临床用时很可能引入数据偏差（bias)。比如很有可能对于医学影像识别的分类器，识别的是图像里的其他标记，而不是影像中的病灶本身。而目前的工具对于数据和算法中的偏差问题并不能很好的理解。实际临床应用的AI必须要让人能在使用中理解结果的可信性。在系统设计中考虑人机互动以及AI算法给出置信度分析可以大大帮助人来减少可能的偏差问题。

麻省总院机器学习实验室负责人之一Jayashree kalpathy教授讨论了如何打造一个更加鲁棒的模型、如何在多医院合作项目中通过转移学习以及联邦学习等算法，在不用分享敏感数据的情况下就能分享训练出的深度学习AI模型，来进行深度合作。

人工智能时代，技术正在不断渗透、变革各行各业。医学是与人类生活联系极为紧密的领域，而在这样一个庞大、重要、站在AI应用前沿的领域，我们正在看到越来越多帮助技术更好地和医学实践结合的努力。

比如本次RSNA提供的首个医学影像领域AI课程，吸引了超过200位美国顶尖医院医生参加，而行业中的技术人士也乐于提供更多的信息，帮助医生更好理解AI。除此之外，像深透这样的创业企业，也通过产品设计，尽量让医生能够将技术"无缝"接入过去的工作流程，无需额外精力去适应产品。医生对技术更加了解，创业者也为了医生和患者开发出更加优质的产品。

未来，人类的健康一定会有更多的技术支撑，但最重要的，还是由行业中的人类共同努力，带来一个更加有效率、有效果的健康医疗系统。