如何讓AI在臨床上發揮更加重要的作用，需將其進行全面的調整、融合。這些都離不開多學科的交叉，以臨床的需求為最大的目標，進而融合多學科的力量。

近日，由中國醫學影像AI產學研用創新聯盟（CAIERA）主辦的「第二屆中國醫學影像AI大會」，在上海國際會議中心隆重召開。 本次大會以“AI助力健康中國”為主題，圍繞2030年健康中國行動綱要，深入探討了人工智能在“健康中國”行動中的實踐、問題與對策。 作為本次大會的戰略合作媒體，雷鋒網《醫健AI掘金志》進行了全程報道。 “AI+科研”是醫療AI企業入局的重要一環。這是因為，醫療是一門經驗學科，越來越多的醫生不僅希望使用AI產品進行診斷、治療，也希望結合自身的醫療大數據和臨床經驗優勢，進行AI方面的自主臨床研究。 在本次大會的AI臨床及科研應用論壇上，圍繞“AI+科研”，大會邀請了多位影像科主任和AI學者，進行了一場高質量的圓桌訪談。 本次圓桌由上海交通大學醫學院附屬瑞金醫院放射科主任嚴福華教授擔任主持，國家自然科學基金委六處處長李恩中教授、北航-首醫大數據精準醫療高精尖創新中心主任田捷教授、中國科學院深圳先進技術研究院副院長鄭海榮教授、東部戰區總醫院醫學影像中心主任盧光明教授；華南理工大學醫學院副院長梁長虹教授、北京大學人民醫院放射科主任洪楠教授參與了圓桌訪談。

以下為圓桌訪談的現場內容，醫健AI掘金志做了不改變原意的編輯和整理

嚴福華：第一個問題想請問李恩中教授，能否從國家自然科學基金委的策略結構化的角度，談談對醫療AI的長遠預期，同時，在基金委的立項策略上有哪些調整和傾向性？李恩中：這要取決于AI在醫學方面究竟有哪些突破。實際上，除了在醫學部之外，我們的工程材料部也有一個重大研究計劃是專門做機器人，其中就包含了醫療機器人。 大家可以想象，在今年疫情期間，如果用醫療機器人進行咽拭子檢測，進入病房后不需要醫生和護士進行護理，而是由機器人來完成相關工作，那么醫護人員的感染率肯定會大幅度下降。 所以，我個人覺得，在具有高致病性傳染源的場合，相關工作完全可以由機器人來替代。這就涉及到人工智能，尤其是通過各種人工智能的手段，精細地操控這些機器人，這是未來可能的一個發展方向。

基金委在相關的政策傾斜上，無論是常規的項目，以及在青年基金的項目上都有相關的布局。同時，大家還可以自由申請。 可以看到，在重點項目、重大項目，甚至在重大研究計劃，例如我們的腫瘤演進與診療的分子功能可視化研究中，人工智能也占有很大的比例。 雖然是我組織了這個重大研究計劃，但是最有發言權的是專家指導組的兩位成員——田捷教授和鄭海榮教授。所以，接下來就可以由他們兩位來回答。嚴福華：謝謝李恩中處長，又給我們指明了另外一個人工智能的發展方向——醫療機器人。在疫情期間，我們也的確看到在高致病性的傳染病來臨時，醫療機器人如何降低醫務人員的感染風險。下一個問題想請教田捷教授，作為專家組的成員，能不能分享一下在分子影像學和人工智能研究的道路上有哪些機遇和挑戰？

田捷：謝謝嚴主任。這個問題提得非常好。我覺得醫生是雙重角色，一方面是人工智能的使用者。外部的醫療AI公司研發了很多人工智能的硬軟件，來減輕我們的勞動負擔，我們也正在使用這些人工智能硬件或者軟件。 另一方面，醫生又是人工智能醫學應用的主要研究者。醫療人工智能的研究需要結合臨床問題，所以醫生們都是研究的主力。在這種背景下，無論是科技部還是基金委，都提出了一系列人工智能在醫學應用的研發項目。 剛才李處長講到，在對這個項目進行領導的六年中，我們聯合了信息學部、數理學部和化學部。剛開始，這個項目被稱作分子影像，經過分析后大家覺得過于偏重影像，是跟設備相關的，而我們的研究對象是腫瘤。

實際上，工具還是分子影像，還是屬于人工智能，所以特別適合影像醫生進行申請。 腫瘤演進的分子功能可視化，其中一個關鍵詞是可視化。大家知道，計算機視覺是人工智能最重要的一個分支。 在醫學上，計算機視覺應用得更多。分子影像或者可視化，就是希望通過大數據、人工智能來提取高維信息進行建模分析，讓我們在分子細胞水平看到變化。在目前的情況下，腫瘤醫生的手和眼睛已經用到極限。而中國病人數量龐大，所以醫生也希望能有新的有效方法。影像科醫生應該積極參與到其中，無論是看到也好，量化也罷，特別在量化方面，影像組學都是屬于計劃的內容。 在醫療人工智能上，醫生是主力軍，利用人工智能進行建模，使得醫學在進入分子階段的時候，能夠看到或者量化分子細胞水平，對腫瘤、血管神經疾病的診斷都是極大地促進。

所以，從這個角度而言，醫生研究人工智能有遠大前程。嚴福華：謝謝田捷教授，總結得特別好。作為影像科的醫生，不僅是AI的使用者，同時又是AI的研究者，因為他們既有臨床的經驗，又可以把AI作為一個研究的手段和平臺。接下來，就請鄭海榮教授劇透一下AI在前沿的創新技術方面有哪些應用的方向？鄭海榮：謝謝嚴主任。現在做研究想離開或者拋開AI都很難。在今年參與的幾次基金評審中，我也發現很多項目里多少都包含了AI的元素，這給我們的研究帶來新的活力。 我覺得，AI的技術創新以及應用，在三個方向上有新的機會： 第一，AI在醫學上面的主戰場就是相關疾病的AI診斷。最近，大家都發現，多種模態的影像都在基于AI技術進行拓展和應用，包括與CTA相關的心腦血管和與CT相關的早期肺結節診斷，以及在更為復雜的磁共振領域的診斷。

此外，李睿教授做的血管斑塊識別以及在超聲領域，也有很多的AI應用。 舉個例子，深圳婦幼中心的李勝利主任在做一個非常成熟的軟件，對胎兒各個部位的尺寸進行精確的判定和量化。這種方法使得每個月的檢查可比性非常好。因此，隨著模型的發展和機器質量的提升，我認為，診斷肯定還是AI的主戰場。第二，去年在《Cancers》雜志上發表的、影響因子達到150多分的一篇綜述。我非常贊同文中提到的一個觀點，也是我們在實踐的一個方向，就是全面調整AI的應用思路：不僅僅是幫助醫生減輕大量閱片的問題，而且在操作層面對參數的選擇以及自動化的掃描，AI也可以發揮重要的作用。 舉一個典型例子，這次疫情里，聯影智能推出一個“智能天眼”的CT產品，結合人的體位，盡量減少病人和醫生的接觸，直接拍幾張照片就知道怎么對病人進行掃描， 這是一個往前拓展的重要方向。特別是超聲、磁共振這些依賴于手位的復雜掃描時，完全可以把掃描數據采集的智能化納入AI應用的范疇。

此外，在超聲造影里面，如果心臟卵圓孔未閉合，經常導致中風。早期檢查靠的是造影，而造影技術要通過幾分鐘甚至十幾分鐘的造影機觀察有沒有漏診，單純靠人眼，醫生往往會因為幾個看不見的微泡而漏診。 所以，用AI技術完成動態監測，也是一個發展方向。 第三，AI在醫學上的發展現在是基于大量的影像數據。但是，真正對于預后、對于綜合的判斷，其他類型的數據也非常重要。例如基因數據、病理數據以及臨床數據，需要把多種數據進行融合。 將這些多源、多模態的數據融合起來，對臨床、預后判定以及治療方案的指導都能發揮實質性的作用。AI，現在發揮更多的是錦上添花的作用。如何在臨床上發揮更加重要的作用，可能還要將其進行全面的調整、融合。這些都離不開多學科的交叉，以臨床的需求為最大的目標來融合多學科的力量。

如果大家在一個創新鏈上往前推動，將會有更多的有影響力的、醫生愛用的、臨床的AI成果落地，并且創造價值。

嚴福華：鄭海榮教授給我們提出了三個好的思路。剛才提到的聯影智能的天眼CT，我們對此深有感觸。原來進行CT掃描需要兩個技術員，一個擺位、一個操作。 但是，有了天眼技術之后，我們只需要一個人，通過遠程操控就能夠給病人精確定位，不需要跟病人接觸，后來根據我們的經驗也寫成了一篇文章，我覺得這個問題是臨床應用中非常重要的一點。 第二點，讓我們深受啟發的就是多學科的融合。作為臨床一線的工作人員，我們每天有很多任務是參加多學科會診。在AI的研究方面，我們是不是也能很好地利用多學科的優勢，把多模態的信息進行融合，在診斷之外進行療效評估、預后預測，指導臨床治療，基于AI的手段讓影像學發揮更大的作用和優勢。

接下來，我想請教盧光明教授，從科學研究的方向來講，您對人工智能有什么樣的期許？盧光明：謝謝嚴主任。剛才幾位專家都講到，從病變發現、早期診斷、分類分期、預后評估、療效評估以及在療效預測等方面都有很重要的價值。 目前，很多AI成果都發表在頂級期刊上，敏感性、特異性都達到95%以上，但是我們卻沒法用。假如這些文章有醫生參與，結果絕對沒那么高，因為工程人員只用算法求結果。 舉個例子，我有一個哈工大的博士后，基于300多個病例進行肺結節的良惡性鑒別，敏感性、特異性已做到90%多，AUC值在0.94。 但是，把病例數據量增加后，指標就難以提高。所以，單純的工科生可能只追求一個好的結果，而醫生要考慮落地應用。

現在有一些應用確實很好，例如肺結節的檢測，可以減少漏診。心血管系統也存在類似的問題，例如我們在看冠狀動脈時，利用AI的方法可以達到年輕醫生的診斷效果——不但可以看狹窄程度，而且可以看斑塊的性質。 斑塊的性質和狹窄結合起來，對病人的預后或者選擇治療方案，都很有價值。我們還可以將其跟血流儲備分數FFR結合起來，現在做一次有創的FFR花費很貴，而且病人的意愿也不高。 前天，科技部評審該項目里是用OCT來做FFR，我們也做過把CT和FFR結合起來進行的項目：如果狹窄程度大于70%，建議病人做一個DSA治療。而結合FFR之后，值大于0.8，病人就不需要做，因為發生風險的可能性很小。 所以，這種方法對于減少DSA檢查是有好處的。

此外，對于要不要做血溶重建，以及預測惡性的心肌事件都很有價值。另一方面，我們還可以根據計算血流的動力學和其他因素結合來進行。 目前，我們仍然需要機器的協助來完成一些事。但是，要針對其中不同的場景，例如在基層邊遠地區，是需要將診斷的特異性提高，還是將敏感性提高，相關的曲線是可以調整的。 因此，針對不同的場景，人工智能有不同的應用價值。我相信，人工智能不僅能夠幫助我們減輕工作壓力，解決一些臨床問題，今后還能夠結合臨床的數據，像年輕醫生一樣主動學習以及自主反饋，AI將會有非常美好的未來。嚴福華：謝謝盧光明教授。實際上，不僅有科學家、工程師做算法，如何讓醫生參與，讓AI更加貼近臨床實際就顯得非常重要。

剛才盧教授講得非常重要，我們國家的醫療水平發展非常不平衡，有些地區經驗豐富的醫生也很少，在這樣的情況下，AI會發揮其重要的作用，像一兩毫米的肺結節都能被AI發現，所以不會有病灶的漏診。但是，定性還要結合醫生的經驗對其進一步的判斷。 另外，AI如何真正幫助改善我們的診療流程，以及能否讓病人獲益。以前病人可能要做很多不同的檢查，以決定病人需要進行什么樣的檢查和治療。 有了AI助力以后，特別是盧教授剛才講的冠脈方面的問題，我們不僅要看形態學，還要結合血流動力、功能學的改變、使得信息更加全面，這樣才是真正地為病人服務，讓患者受益。所以，我覺得，在這個方面還有很多的科研的思路和項目可以進一步挖掘。

接下來，我想請教梁長虹教授，您覺得，目前人工智能在影像數據深度挖掘當中的價值和創新有哪些？梁長虹：謝謝嚴福華教授！首先，什么叫做深度的數據挖掘，這件事情本身就讓我有點迷茫。但是從人工智能、從放射科醫生的角度來看，醫學影像本身就是循證醫學中非常重要的證據。那么，借助人工智能技術，把重要證據用好，我們就可以得到非常多的幫助。 第二，深度的數據挖掘可以讓AI技術在醫學影像的全鏈條上發揮作用。國內有一家醫院做了一個非常好的研究，患者進到醫院，通過照相就能預測出是否有冠心病，也就是大家可能想象不到的用科學“看相”。 對于醫學影像AI，大家都懷著無比希望的心情。但是，往往是理想很豐滿、現實很骨感。

有一次，我引用過一篇文章，文章當年就對人工智能給予無限的希望。但是，受制于算法、算力，最終沒有得以實現。 現階段而言，算法、算力的進步，已經可以讓AI實現很多東西。但正如前幾位專家所說的，很多問題還沒有完全得到解決，我們還沒有得到一個很完善的工具。 比如看胸片，難道只是看到一個肺結節就ok了嗎？肯定是不可以的。分享一些個人想法：我們希望提高醫療數據的質量，實現“小數據、大任務”。我們現在實現的是“大數據、小任務”；在創新方面，除了多模態的數據，還要有多模態的專家；最為重要的一點，是真正在算法上實現創新。 我們醫院和田捷教授、鄭海榮教授以及華南理工大學的工科團隊和其他的工科團隊進行了合作。

目前，除了影像數據的分析外，還涵蓋了病理科。香港中文大學也跟著我們進行科研，把基因信息的挖掘跟影像結合起來。 到目前為止，在我們的科研經費里，大概用了1000多萬進行影像基因的測序。 因此，不能是做醫學影像的人，就只用影像數據來挖掘，還要將臨床醫生的觀察、基因信息以及病理等多維的信息綜合起來。圍繞臨床需求，才可能在未來解決更多的問題。不光是Deep Learning的算法，還要提出一個Chinese的算法，這樣才能夠真正解決我們的問題。嚴福華：雖然算法算力提高了，但是什么時候能出現中國獨立自知識產權的算法，將來更加助力醫生在AI的研究道路上越走越順。 另外，梁教授又特別強調了多維度的融合，讓不同的人在一起工作，才能夠使得研究具有高水平，同時真正的符合臨床的需求。最后一個問題，想請教一下洪楠教授，在AI影像結構報告的方面，有沒有什么經驗可以分享。在實際工作當中，AI對于放射科的工作帶來了哪些價值？洪楠：謝謝嚴福華教授。人工智能能否幫助我們做結構化報告，答案是肯定的。

但是，在現階段肯定還是有一些限制。放射科的工作實際上是一個流水線，從患者進科室、進行檢查再到后處理和讀片，最后才能得出一份完整的報告。怎么出更好的報告？還需要結合臨床。 到目前為止，對于人工智能而言，無論是看肺結節、冠脈還是看其他器官，都只是進行圖像識別，沒有完整地把病人的檢驗、病史以及其他的指標考慮進來。 所以，AI得出的報告是不完整的。

如果數據不完整、不規范，人工智能得出的報告也一定是不可信的。 回到結構化報告，實際上，我們科室里嘗試了很多工作。為什么要做結構化報告？因為常規的報告有優缺點。常規報告的優點是上手快，缺點是書寫過于隨意，缺乏對整體思路的引導。 因此，我們探索結構化報告有將近10年的時間，成功的和不成功的案例都有。成功之處在于對一些比較簡單、單一的器官，比如乳腺、前列腺甚至結直腸癌，都得出了內科、外科公認的結構化報告。 而缺點在于如何實現復雜器官、復雜部位的結構化報告，尤其是在出現疫情以后不做平片，只做CT。那么，CT可能不僅僅看出肺結節和肺炎，還可能是對頸、胸、腹、盆的連掃。

這種情況下，我們怎么能夠出結構化報告，我覺得很難實現各地的統一。 對我們來說，首先必須要掌握臨床的需求，包括我們是不是真的需要結構化報告，如果真的需要，該怎么做？是按部位、按區域、按地區來做，或者是兒童醫院、腫瘤醫院以及綜合醫院。目前，我們覺得按照各地的需要來做，更貼近現實。那么，人工智能對我們工作有沒有影響，答案也是肯定的。我們科現在的主要工作就是把幾家AI公司的產品整合到信息系統里，主要是看肺結節，這樣每個病人做完之后都可以處理一些數據。 使用的結果是，我們的一線大夫非常喜愛用結節篩查工具，因為不用再看片子了。只要是經過AI處理之后，他接受并提交報告就完成了工作。

但是，對于二線大夫，因為全部是二線的分析，可能以前看一遍就夠了，現在可能看兩遍、三遍甚至需要花費更多時間，一線和二線大夫的感官不一樣。 那么，帶來的問題是，有了AI之后，一線大夫都不看片子了，那么不會讀片了該怎么辦？對于這個問題，可能不僅僅在國內有這，國外也一定存在。 所以，去年在北美發展年會上的一個專場，就是人工智能如何改變我們的繼續教育培訓。對于這個問題，需要我們的廠商以及幾位學者，考慮今后怎么能夠把AI用得更好。 剛才我主持了一個講座，講者是馮曉源校長。我覺得他講得非常好，題目是“人工智能和人類智慧的關系”，他的結論是應當相輔相成。 我認為，人工智能應當不給我們麻煩，我們也希望利用人工智能做一些目前不愿意做甚至不能做的工作，使我們從常規的圖像識別里擺脫出來，利用時間完成一些創新性的工作，多走出放射科，多進入臨床，與病人和醫生溝通。 這樣，才能使我們放射科的工作變得不可或缺、不可替代，使我們立于不敗之地。

責任編輯：xj

原文標題：7位醫工專家激辯：什么樣的AI產品，才能滿足醫生的科研與臨床雙需求？| 中國醫學影像AI大會

文章出處：【微信公眾號：IoT科技評論】歡迎添加關注！文章轉載請注明出處。