近年來，隨著機器學習的深入發展，特別是在深度學習領域取得的突破，人工智能對各個行業發展產生了深遠影響。

2016年開始，AI技術在醫學影像領域引起了廣泛矚目，中國科學家、醫生和企業做了大量的探索與嘗試。

中國是個醫療資源缺乏且分佈極不平衡的國家，尤其是基層老百姓看病難看病貴問題，而互聯網+醫療可以幫助優質醫療資源下沉，實現分級診療，解決基層看病難問題，如果通過互聯網承載好的AI產品，則如虎添翼，能更好的賦能，更快速的提升基層水平。

為此，醫趨勢對劉士遠教授進行了專訪，劉教授是上海長征醫院影像與核醫學科主任、中華醫學會放射學分會候任主任委員、中國醫師協會放射醫師分會副會長，中國醫學影像AI產學研用創新聯盟的理事長。臨床醫生、協會領導、聯盟理事長的多重身份，使他對醫學影像AI的落地應用和發展困難有著深刻的見解。

作為致力於推動前沿技術落地應用的專家，劉士遠具有敏銳的行業嗅覺，很早洞見了AI和雲平臺在“

劉教授認為，醫療資源的互聯互通將成為大勢所趨，而AI技術和雲平臺的發展，將成為中國醫療行業“均貧富、提質量”的關鍵一招。

他相信，儘管當前醫療大數據、AI醫學影像等技術，在中國落地過程中存在難點，但隨著技術提供方與行業共識的推進，互聯網+AI醫學影像的前景是美好的。

影像科需求與供給間的巨大缺口，有望依靠互聯網+AI來解決

當前中國醫療衛生的服務水平仍不能滿足廣大人民群眾的實際需求，醫療資源配置不均是普遍存在的問題，在醫學影像行業，這點尤其突出。

醫學影像醫生缺口日益加重。據有關報告統計，中國醫學影像數據的年增長率約為30%，而影像醫生數量的增長率只有4.1%——醫學影像的需求與供給之間存在近乎十比一的巨大差距。

一方面，

中國醫院的放射科室裡，醫生常戲稱自己的工作狀態是“早晨提一提、中午連一連、晚上拖一拖”，意思是早上上班時間往前提一提，中午工作時間前後連一連，晚上下班時間往後拖一拖。

另一方面，基層醫學影像醫生短缺嚴重。近些年，國家對基層醫療機構投入了巨大的建設資金，目前基本鄉鎮衛生院都配備了DR等影像設備，但中國有70%的鄉鎮衛生院僅有影像技師，沒有具備診斷能力的影像醫生，區域間的醫療資源存在分佈不均的難題。

從2015年開始，衛計委規劃綱要指出，要“鼓勵醫共體、互聯網醫院和第三方醫療機構”，通過推進分級診療制度提升基層的診療服務能力。

分級診療制度的頂層規劃，一定程度上與利用醫療大數據、互聯網和AI來解決醫療資源稀缺的路徑不謀而合——都是通過使用一定技術手段，實現區域間數據資源的互聯互通，實現醫療水平的整體提升，促進醫療資源的合理配置。

▲未來能夠獲益於影像雲、AI的各方分佈及獲益方式

在實現區域間數據資源的互聯互通方面，劉士遠教授一直是積極推動者。

早在2014年，劉教授就牽頭，聯合上海長征醫院、上海交通大學醫學院附屬瑞金醫院、復旦大學附屬腫瘤醫院、華東醫院等七家三甲醫院發起《上海地區早期肺癌的影像學篩查及診斷研究》項目，初步構建上海地區早期肺癌影像數據庫。

劉教授直言：“消除醫療數據孤島，優化提升醫生工作流程，是提高醫療效率的有效途徑。如果能做到醫療數據的互聯互通，充分利用健康大數據，實施有效的疾病風險防控，將能節約大量的醫療支出和社會資源。”

他相信，在幫助中國醫療影像領域“均貧富、提質量”這件事情上，互聯網、雲平臺及AI大有可為。

互聯網助力下的AI影像醫療

AI影像若想落地，實現互聯互通的多維連接是其重要前提，這離不開醫療機構的互聯網化。

劉教授將理想化互通互聯的模式，簡化成一個“

鄉鎮衛生院和社區衛生服務中心，可以將採集到的影像數據傳輸到市/縣一級的區縣影像中心，或進一步傳輸至省市級或醫療集團影像中心，歸省/市級衛健委統一管理。

這些影像數據來自核磁共振、CT、血管機以及數字X光機等診療設備。採集到的數據，將被用作科研樣本、培訓材料或者用於標準流程的制定。

▲互聯互通的遠程醫療模式

構建一個高質量的互聯網傳輸存儲環境，有利於實現醫療影像數據的高保真傳輸與存儲，而基於這些數據與資料，可以減少醫師在診斷過程中對患者實體的依賴，簡化看病流程與成本。

在互聯網的助力下，一個三甲醫院的影像科醫師，不需要額外的場地、器材和助手，就能夠為遠在千里之外鄉鎮患者進行診斷。

而AI影像醫療技術的應用落地，同樣需要建立在一個存儲空間和運轉速率足夠強大的互聯網之上。

優質的互聯網環境+成熟的AI影像醫療，將使包括患者、醫生、醫院和技術服務廠商在內的行業上中下游均獲受益。

AI影像醫療發展過程中的困境

衛計委在2015-2020 年規劃綱要中明確提出：

• 開展健康中國雲服務計劃，積極應用互聯網、物聯網、雲計算等新技術，推動健康大數據的應用；
• 全面建成互聯互通的國家、省、市、縣四級信息平臺；
• 建立區域影像中心，推動建立“基層醫療衛生機構檢查、醫院診斷”的服務模式，提高基層醫學影像服務能力；
• 建立完善分級診療模式，實現不同醫療衛生機構間的分工協作機制；
• 積極探索科學有效的醫聯體、遠程醫療模式。

▲衛計委：未來基於醫聯體醫學影像分級診療工作框架

理想很豐滿，但是橫亙在現實面前，卻是來自技術、監管、數據安全等，各個維度的挑戰。

AI影像產品涉及的應用包括：

胸部影像的肺結節檢測和良惡性鑑別、神經系統的腦出血檢測、骨關節的骨折和骨齡的檢測，眼底疾病檢測、心血管冠脈領域等。

這些產品的成熟度不盡相同，多數產品集中在肺結節、眼底疾病和骨齡骨折等領域。

▲當前AI應用的醫療診斷領域

AI廠商在進軍醫療影像之初，大多會選擇肺結節作為切入點。因為醫學影像中肺結節與周圍正常組織對比度強，AI圖像識別技術很容易遷移到肺結節的檢測。

此外，存在眾多肺結節公開影像數據集，方便AI模型的訓練，也是眾多廠商扎堆肺結節產品研發的原因。

▲被標註出的肺結節影像

但即便是技術門檻相對較低的肺結節影像識別領域，隨著產品落地的深入，AI廠商發現要想達到理想的臨床實際應用效果並不是易事。

賴特·米爾斯在《社會學的想象力》提出，一個社會圈層中伴隨著形形色色的實用性。這些實用性的整合，往往是社會個體所難以預料的。

這種複雜性同樣體現在AI影像醫療產品的研發及落地過程中。對於一些AI影像產品的臨床表現，劉士遠教授評價：“在既定的訓練數據場景中表現良好，但面對複雜的臨床環境，有可能因為不能完全滿足臨床需求而表現參差不齊。”

從臨床應用角度看，單一病種產品（如肺結節篩查）不能完全滿足臨床診斷場景的需求。日常影像診斷工作中，肺結節本身只是一個徵象，影像科醫師需要對影像資料進行全面的評估和診斷，再結合患者的其他影像、病史、生化檢驗數據等做出綜合判斷。

國際頂級期刊《自然》近年發表的一篇題為《深度學習作為提高組織病理學診斷準確性和效率的工具》的研究文章中，研究人員表示

目前AI影像產品提供的診斷結果更多是的“建議參考”，醫生還需要進行復審，才能給出最終的診斷。另外AI產品還由於涉及的病種有限，技術成熟度不高等原因，在某些實際臨床場景中實際是增加了醫生的工作量，這是企業研發產品需要考慮和避免的。

因此，現階段對AI應用保持觀望態度的醫生並非少數，這一現狀背後的邏輯是，影像科醫生和臨床醫生才是AI產品價值判斷的真正裁判，AI、信息化、醫療器械廠家等只是技術方案提供方。

對於醫生來說，AI提供的診斷建議可信度高，才是有價值的。

拒絕因噎廢食，技術與商業需並行前進

新技術在發展過程中會遇到各種問題，但是這與積極擁抱新技術的態度並不相悖。

劉士遠認為，新技術的發展是社會潮流，其推動社會進步的價值不容否認，它終將改變人類的生活方式和工作模式。

當前AI深度學習的核心在於“算法+數據”，要結合先驗知識對模型進行訓練，訓練集需要事先標註，目前大多數標註依賴醫生。

就像孩子需要通過吃飯和模仿成人，才能成長和習得生活技能一樣，影像AI系統需要大量“餵食”經過標註的醫學影像數據，才能完成模型訓練和產品迭代更新。

在各種類型的醫療數據裡，醫學影像數據格式標準較為統一，但醫生受個人習慣、執業醫院、教育背景和導師等因素影響，不同醫生對徵象的認識不夠統一，其出具的影像報告標準不盡相同。

醫學影像標註的標準也存在較多爭議，不同的國家、國際組織、學會和醫院可能執行各自的體系。因此，將非結構化數據轉化為結構化數據，也是提升AI分析準確性的關鍵因素之一。

對於AI醫學影像來說，儘管技術上有互聯網、雲平臺做支撐，政策上有NMPA積極推進，但若想實現商業化落地，醫療AI行業仍需突破三大瓶頸：

• 首先，AI醫學影像產品品種需要繼續擴大；
• 其次，標準影像數據庫的建設亟待增加規模，提高質量；
• 第三，有關部門除了發證之外，還需建立醫療AI模型在臨床上的評價體系與風險控制機制。

從臨床應用角度看，單一病種AI醫學影像產品無法滿足臨床診斷場景的需求。

劉教授指出，AI醫療產品顛覆了傳統醫療產品“廠商生產、醫生使用”的簡單模式。醫生的參與貫穿AI產品從研發到應用的全流程——醫生是AI模型訓練數據和檢測數據的提供者，同時也是AI產品最終的使用者。

AI產品的臨床驗證過程中，廠商大多在用自己對醫學的理解解釋算法的科學性，用自己的方法做產品價值驗證和評價。缺乏符合臨床需求的評價體系阻礙了AI產品的快速落地，“因為醫生才是產品的最終使用者和價值判斷者。”

AI醫學影像產品需要醫生，尤其需要權威醫生，對產品的應用領域，徵象認識、標註方法，給出規範和標註。標準的影像數據和規範的數據標註是醫療影像AI發展的基礎。目前國內醫療影像質控缺乏完整統一的標準和切實可行的手段。

在解讀影像資料時，不僅要針對圖像進行分析，還要進行多模態融合，結合患者多種信息，如臨床信息、隨訪病歷信息等，同時，還需進行歷史回顧性分析，即需要時間維度的結構化數據。

儘管當前國家鼓勵第三方建庫，國家部委、地方政府、專業學會和醫院都在積極響應號召，但如何保證數據的安全和標準的統一，仍然是全行業需要通盤考慮的事情，這涉及從數據的質量、數量、分割方法，到徵象認識和標註方法等。

在數據的歸屬權、管理權和使用權方面，必須由政府行政部門負責來釐清。

建立中國的標準影像數據庫勢在必行，只有建立標準數據庫才能在質量上解決圖像的臨床代表性、圖像多樣性、標註的權威性與規範性及數據的可溯源性等問題，提高產品的魯棒性，才能加速AI醫療器械產品的研發和應用。

劉士遠告訴醫趨勢：“現階段AI醫學影像產品基於深度學習，強依賴於標註數據，發展受限。未來希望提升算法泛化能力，實現弱監督或無監督學習，從而找到AI影像更好的應用場景。”

2019年，中央下發《關於下達2019年醫療服務與保障能力提升補助資金預算的通知》，投入27億元，探索利用“互聯網+”提升基層診斷能力。

春天還會遠嗎？

劉士遠教授接受專訪時也呼籲，以雲平臺、AI為代表的互聯網+醫療的春天已經到來。

而醫院、醫師和患者都應該秉持開放的態度，積極應對與新技術並肩而來的挑戰，讓新技術更好服務於人類的生活。

· END ·

閱讀更多 MedTrend醫趨勢 的文章

關鍵字: 醫學影像 學習 上海