杜湘珂:北京大学公民医院教授、主任医师;中华放射学会磁共振学组委员、北京市放射学会委员、中华医师协会放射分会委员;北京大学医学部传授教化委员会影像医学与核医学组及北京市住院医师培训基地影像医学与核医学组组长;中华放射学杂志、实用放射学杂志、中国医学影像学杂志等十余部杂志的编委。
杜教授认为,虽然 AI 在肺结节的检出上比人工快,但是肺结节的检出并不是那么大略,5毫米以下的小结节,尤其是1-3毫米的结节,情形更为繁芜,并且肺本身的疾病分类就多达200多种,数据量非常弘大。“以是 AI 进入医疗影像领域运用的方向和切入点一定是在单一且规律性强的领域。”
同时,杜教授表示,“ AI 并不能完备替代年夜夫。年夜夫看病不止于看图这么大略,AI完成的仅仅是诊断环节中的一部分事情。同时,AI的盈利与能源花费也是一个巨大的现实问题。IBM沃森年夜夫与安德森癌症中央的互助已经停息,花费了6200万美金。“
以下为高朋演讲实录,雷锋网做了不改变原意的编辑。
杜湘珂:尊敬的袁主任、葆青主任,以及其他老师,还有一些公司的代表。大家早上好!
我很诧异本日能来这么多人,我以为是一个小型的研讨会,可能对这个题目感兴趣的人不会特殊多,但没想到本日人还挺多。
作为一名年夜夫我本没有资格在这里评论辩论这么前沿的IT技能,我本日的目的大概是抛砖引玉,我作为一个影像科大夫,从影像科大夫的角度去看人工智能,本日跟大家一起分享一下,我们是怎么看待人工智能的。
“婴儿期”的医学影像 AI
第一:我们非常惊诧,人工智能成长速率太快了,它在深度学习和大数据的推动下,成长速率真的非常快。我大概翻阅了一下从2016年开始到现在的资料,人工智能险些无处不在,你问问所有的放射科大夫,放射科主任都会跟你说,我们也在跟AI互助,某某公司在找我们,彷佛哪儿都有AI参与。
第二:我觉得到 AI 跟我们专业有这么密切的干系性,实际上这也对,由于医疗影像的数据体量是非常大的,它占到医院全体数据的75%-80%,它的体量非常大。而且在所有的数据里,影像的证据跟临床病理比较起来,它的标准化、格式化、统一性还是最强的。说实在的,目前的病理数据仍旧过于缭乱,无法与数字影像数据比较。
第三:觉得到这些影像数据还是非常伶仃的,一个一个孤岛,一个一个的碎片,每个医院都是在做自己的事。现在卫生部有数据中央,有一部分医院的数据进入了那里。听说移动等国有机构在整合这些数据,但是否整合成功,还须要进一步理解。
第四:实际上我们认为,人工智能在我们眼里它还是一个小“baby”,还是在襁褓中的,可能它须要面对繁芜的算法,面对将很多打算办法跟临床接轨;这里就面临一个业务化的问题,还有打算机的瓶颈问题,可能目前还都制约着它的发展。但不管怎么说,AI的生命力是不可阻挡的。AI彷佛要影响到我们做影像科大夫的每一个人,我们没有办法,我们只有主动学习!
人工智能技能研发与运用概览
我看到现在国内外从去年开始可以搜索到很多干系内容,首先是谷歌,谷歌在2016年2月成立了 DeepMind Health,正式把人工智能的技能运用到了医疗康健领域,得到了英国的皇家理工学院、伦敦皇家自由医院和英国的医疗做事系统数据的支持。
我大概浏览了一下它在做的东西,比如说在2016年底时,它揭橥了《 AI 在糖尿病视网膜病变上的引用进展》。大概包括智能引擎培训了8个月,有54名美国的眼科专家把12000多份的视网膜照片分级分类,CNN对我们眼科大夫而言是非常陌生的技能,它是一个算法叫“卷积神经网络”,用来演习AI自动检测糖尿病视网膜病变和视网膜黄斑水肿,大概能够达到87%旁边的灵敏度和特异度。
谷歌还干了别的事,比如在乳腺癌病理的人工智能方面,在与病理学家互助的根本上,人工智能在基于灵敏度和假阳性的乳腺癌病例剖析中的准确率能达到88%,而病理学家准确率为73%,看了这么多人机对话,大概人工智能都会高一点,包括有90%的。
2017年1月开始, Nature 就开始连篇刊登这些文章了,我查到的这三篇分别是:
第一篇:《 AI 在先天性白内障的研究》,这是我们中山大学的临床实验,它也是利用神经卷积算法(CNN),做了410张各种程度的先天性白内障图片和476张正常的图片演习,它的准确率达到了92%。
第二篇:《对脑瘤病理切片的快速诊断》,仿照传统的 HE 染色切片,通过万张以上图片演习,把AI区分脑胶质瘤和非胶质瘤的准确率提到了90%。
第三篇:《对神经假体进行精确掌握》,我以为这挺有用的,神经假体在人的身上,如果能够用智能去掌握,将来对这种类型的残疾人会带来多大的帮助。
还有便是 IBM 的 AI ,即叫沃森肿瘤诊断机器人或沃森年夜夫,这个演习比较深入,它不仅仅是一个纯挚的领域或仅仅是乳腺癌研究的检出的演习。
沃森年夜夫根据患者的症状、病史和诊断数据,自动去搜索海量的病例和医学图书、论文数据库,进行比拟匹配,得出它认为最得当的诊断和治疗方案。沃森机器人学习了很多东西,它学习200多种肿瘤专业领域的教科书,培训了300多种医学期刊,1500多种肿瘤文献的关键信息和临床实验中的60多万条的医疗证据,它的演习在医学界来说是比较完全的。它最开始是跟MD Anderson互助,大概花了很多很多钱。
去年它在中国,2个小时为21名癌症患者做了义诊,包括胃癌、肺癌、直肠癌、结肠癌、乳腺癌和宫颈癌等,它现场和有名年夜夫的对话结果成功率达到90%。
但沃森年夜夫目前实际上也存在跟临床互助非常纠结、非常尴尬的事情。我们到后面再谈。
在超声上,浙大理工学院的团队,通过对机器人的开拓和识别,他开拓了一个叫“-DE超声机器人”,紧张是探索甲状腺,从甲状腺的超声图片中快速检出和勾勒出结节。比如:
第一:对结节的特色,比如钙化、边缘、毛刺、灰度等进行了一个分类处理。
第二:对层次构造,浅层次和深层次进行了一个分类和梳理。
末了在人机对话中,它的效果能够达到85%,资深超声年夜夫效果是75%,但这里面的演习是非常艰巨的。
我不知道浙大的超声年夜夫团队是若何给它筛查病理的,但我知道有的医院在筛查病理时,如果用1000份病例,便是有病理结果的甲状腺结节来输入这个机器,他在1000份里最少要输入30%不合格的病理,比如他虽然有病理结果,但病理结果很模糊,或者各个方面临床认为不合格。
以是,我知道病例的真实性是非常主要的。如果不是这么严格的去筛选病例,叫一个公司来,帮我实验一个什么软件的话,我想它数据的真实性会有很大的问题。
当然末了真实的结果,同济医院会给我们详细讲述,他们是怎么演习机器人,怎么去从临床供应真实数据。
阿里最近信息比较多,我创造实际上它现在还是在肺结节的检出上比人工快,但肺结节检出有那么大略吗?肺结节是5mm以下的小结节,尤其是1-3mm的结节,有各种性子。怎么分类?我以为这里面是非常繁芜的。以是我们期待着看同济医院是怎么做的。
我以为肺本身就存在非常繁芜的疾病,有一个公司跟我说,他们准备搞肺的疾病研究,200多种疾病,我说那是不可能的,现在的AI进入医疗往后,一定会选择单一领域。
比如它在肺癌里就选肺结节,它绝对不应该选肺间质病变,同样一个肺间质病变,在我们90年代写的书里有216种,仅病因的筛查那便是个非常繁芜的事情,那不是目前通过大略地演习机器人就能干的事,它一定是有一个非常明确的、单一的领域。
比如乳腺癌,大家现在做乳腺癌都选择核磁,要把超声和钼靶检讨都席卷进来的话,这个事情量和繁芜程度将会非常非常大。
病理智能诊断系统实在也做了不少,AI的病理年夜夫读片是北京友情医院、北京协合协和医院的四名资深病理年夜夫,与羽医甘蓝研制的宫颈细胞癌涂片的智能赞助筛查系统在互助。它们大概对7份宫颈癌的TCT病理涂片进行了读片,速率也是 AI 更快一些,人工用20分钟,纯挚的AI还不到5分钟。
纯挚的人机这一块得到了认可,但在临床流程的探索可是另一个跟 AI 的互助办法。
第一:能不能检出,能不能分辨良恶性,分辨良恶性到什么程度。
第二:临床流程。从目前来看,我们能够认出的还是 AI 系统的筛查和检出,这个检出的图片是要留给上级病理年夜夫再次审核的,同时要删除掉阴性细胞,估量能够节省读片韶光。
下面是Nature上发的《 AI 深度识别皮肤癌的进展》,它大概是12000张的涵盖2000多种皮肤病的临床图片,进行了AI机器的分辨。
通过对话有两场比赛:
第一场:差异角质细胞癌和良性脂溢性角化病。
第二场:区分恶性玄色素瘤和良性痣。
所有的结果,人工智能的灵敏度都能达到90%,基本与病理年夜夫诊断的精确性是相持平的。
AI 该从哪些点切入医疗影像运用?
刚才主持人也深入地问了一下皮肤科的年夜夫面对AI的寻衅问题。皮肤科年夜夫认为,看皮肤远远不止看皮肤那么大略,当患者就诊时,年夜夫要理解他的饮食、旅行、打仗、家人、穿着衣物、既往病史、家族史等等尽可能详细的问题。 AI 完成的便是诊断的一部分事情,它只完成了一部分事情,这是我们要知道的。
本日来的除了临床的年夜夫,还有各个做 AI 的科技公司,他们现在最关注的实在是从哪个点切入。以是,一下子临床年夜夫有一些好的运用可以供应给大家。
从哪个点切入?现在看来比较多的比如,超声是从甲状腺切入,影像比较多的是做肺、乳腺等,我相信现在做前列腺结节比较多。袁主任你以为肿瘤、骨折有没有可能切入进来,实在骨折现在还好一点,有核磁了,过去在我没退休以前,我以为统计起来,在科室里最常出的医疗事件倒不是那么繁芜的病变,繁芜的病变反而我们通过多方会诊不会有那么多的事件,倒是大略的骨折,尤其是没有移位的骨折、隐形骨折或介于骨挫伤和骨折之间的骨折,患者一活动就移位了,就要打起官司了,这个方面AI有没有可能参与。中枢神经系统-急性出血和缺血性病变的警示有没有可能等,这个是 AI 在影像领域切入的方向点,一开始一定要非常单一,能够规范到几点上去做。
其余,我们在跟自己的网络工程师评论辩论的时候,就关于大数据问题,大数据现在不是说数据大就行,更的主要的是数据的质、数据的成色。
影像医师怎么看 AI ?
那影像医师是怎么看待 AI 的呢? AI 一开始的状态便是小成品临床验证,局限于病灶检出。随着技能能力的提成,人工智能险些无处不在,很多医院的放射科大夫都已经接管这个新事物。其次, AI 还须要更大的根本研究,须要更大的数据源进行演习,和更多的医疗科医院进行互助。我们末了的目标是要让 AI 在医疗领域能够达到标准化、量化和构造化,末了成为一个高水平的AlphaGo。末了,我们还要思考一下临床 AI 往后的发展方向,由于现在这些数据还是非常隔离的,以是未来 AI 可能会参与提炼和梳理数据,把控数据的成色。
过去我们影像科的年夜夫都是通过影像数据和自己的主不雅观履历进行诊断,但是现在 AI 以超乎我们想象的速率和能力进入传统领域,这场变革是由技能推动的,但是我们年夜夫的事情不会丢失,但可能会换一种形式,我们要保持自己的初心,须要记住的是:有时候治愈,常常关怀,永久抚慰。
感激大家!
(以上内容为杜湘珂主任原创,雷锋网编辑整理)