手机网站
手机网站
未来的医生不仅可以看电影，还可以诊断，学会更好地与人工智能配合，在技术上可以进一步提高自己的医疗技术。
6月2日，世界上最大的医学国际学会之一北美放射学会( RSNA，Radiological Society of North \r ) America于5月31日~6月1日首次为放射医学家举办了“AI大讲堂”( spotlightcourseonai:radio ology\r ) inageofai\r (2)通过两天的课程，试图介绍放射医学与AI紧密结合的技术的起源、现在的应用以及在AI医学影像方面的学术进展，希望医生们能够适应与新兴技术密切合作的新时代。
结果，医疗保健具有大量的数据和技术需求，最初是受到大规模AI技术冲击的领域，也是许多技术应用最快的行业之一。
这个“AI大讲堂”简要介绍了医学影像中的AI技术，探讨了更好地保证人类健康的影响，包括了自己的医学实践中访问AI系统的方法等多个部分，各部分邀请了AI行业的领导进行了讨论和演讲。 我们摘录了一些重要的观点
AI影响着医学影像行业
这次课程中最明确的一点是，在放射线医学领域，AI是最重要的技术。 CT、MRI、PET等医学成像手段是医生诊断的重要资料，AI的强大数据处理能力可以在很多层面帮助医生。
世界着名的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。 他的研究室与斯坦福医院合作，完成了ChestXnet、Xray4all等深度学习理解影像的工作。 这些深度学习技术理解胸部x线11种不同的病理表现，检测膝部MRI异常，头部CT电影检测指向动脉瘤的病理表现。
吴恩达介绍AI在医学影像中的应用
“深度学习完成了每个人一秒钟就能完成的基本任务。 当然，AI代替医生完全诊断，判断还需要很多途径，需要很多突破，”吴恩达说。
本课程的主办者之一，斯坦福大学医学院放射系副主任Curtis \r Langlotz教授说，AI完全取代临床影像医生的工作危机并不那么悲观。 他强调影像科医生需要不断变化，学习最先进的AI知识和技能，而AI只是临床医学遇到的CT、磁共振、超声波等新技术后有价值的新技术、新发展。 临床医师需要将AI的新技术用于临床工作。 “一些医生细致的任务，如测量病灶的大小，跟踪病灶位置的大小在不同的病周期变化等，这些任务都很擅长AI，觉得不太喜欢人。 因此，从某种角度来说，AI可以使临床医师的工作更好。 “有了AI的协助，临床医生就可以在认知上做出更有趣的挑战性任务。”
AI不能代替医生，但也许不能代替AI的医生……
医生还面临着新的挑战是不可否认的。 面对AI不断改变医疗领域的现状，作为一名近距离接触患者、提供日常医疗服务的医生，如何适应这样的时代？
首先，医生需要进一步了解新技术和技术如何应用于临床诊断、手术预后、早期筛查等领域。 在课堂上很多医学影像AI的研究者共同在这些领域进行了新的研究。
“AI代替不了医生，不使用AI的医生代替了AI的医生”，Curtis Langlotz教授在研究AI的医疗临床应用时经常出现金文。
吴恩达也表示:“在科学技术的世界里，每五年我们的工作就会有很大的变化。 目前，技术使所有其他行业变化得比以前快。 很多过去的放射科医生所做的事情都是自动化的，但是如果这些医生能够思考什么是真正重要的工作，开阔视野，把焦点放在不同的工作上，他们就什么都不用担心了。”
其次，新技术本身也可以进一步提高医生的专业水平。
英国Kheiron Medical的放射学专家Dr. Hugh \r Harvey表示，放射学医师需要更多的了解数据科学技术。 放射科医师需要了解基础数据科学、机器学习等方面的知识，特别是数据的整理。 他说深度学习等AI技术对数据量的要求很大，但人们往往只注重数量而忽视质量。 直接从临床系统获得的数据，很少用于临床AI的研究和应用。
一般的数据整理至少需要4个阶段的操作。
第一层是临床系统( PACS、电子病历系统)直接获得的数据，常常包含机密信息，大量复杂，不能用于实际研究。
第二层是通过伦理委员会审查患者的敏感信息，删除的数据，医生和研究人员可以限制获得，但是这些数据一般以没有结构化的状态用于研究。
第三层是进一步结构化清洗这些数据，进行可视化检查，保证图像数据的质量等问题。
第四层最终将这些数据与相应的临床信息相匹配，用人工或自动的方法标记数据，可以进行AI研究分析。 但是，最后，您需要确定数据的统计价值是否足够，标签是否有真正的标准。 例如，患者疾病的判断需要与多位医生读图的结果进行对照，与后续的发病和随访得到的结果进行对照，确认疾病。
对于医生来说，对技术持开放态度，通过授课、活动、项目交流等接触和掌握新技术，很可能会使未来的医疗服务“倍增工作”。
参加本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 \r Zaharchuk教授表示，这样的课程可以向临床医生说明AI的理论、应用、发展和局限性，并且愿意获得越来越多的影像科医生对AI的热情和更多的知识。
临床医生要适应这个AI快速发展的时代，必须不断参与类似的活动获得知识，与同事交流心得。 与会者鼓励记者，现在医院和医生越来越关注和接受AI技术，鼓励医生参加同样的活动。
另一方面，他强调了临床AI的研究与真正的临床AI产品的配置之间有很大的差异。 如何在不同的病例、设备、扫描参数等中确保算法是当前面临的问题，需要在未来解决。
“我有效地看到了这么多影像科医生和员工参与了这项活动，这次是RSNA组织的首个AI聚焦课程，希望能够保持科研、临床和产业的交流。 另外，AI影像企业在深透医疗等商业化的同时，还保持着学术报告和论文发表。 严格分析产品的性能和临床价值是很好的。 这个活动的主办者之一，斯坦福Dr. \r Matthew Lungren教授说。
医学影像与AI技术相结合，人的健康更多，更有可靠的保障
放射科医师在AI时代面临着很多机会和挑战，对更广大的群众来说，技术带来了更多的保障和更高的医疗水平。
在这次活动中，吴恩达研究室的博士课程的学生Pranav \r Rajpurkar在现场展示了Xray4All平台。 上传用户拍摄的x射线照片，用一两秒在线取得结果，检测到异常，高亮显示异常部位。
Pranav Rajpurkar现场展示了Xray4All平台
“该技术的应用场景特别适合在发展中国家、全球卫生场景中解决临床医师资源短缺”，Pranav介绍。
另一家融资超过4500万美元的美国AI影像公司Arterys也主办了午餐会，介绍了他们未来的愿景:进一步推进了他们的影像分析和AI产品，逐步扩展了平台。 通过现实世界的数据为世界人类提供医疗决策，自动化日常医疗任务，进一步推进医疗平等化、民主化，提供预防性分析。 特殊的Arterys强调图像分析和AI产品是基于云计算处理的，特别是云计算比医院内的计算系统更快更安全。
AI技术在美国临床应用: AI系统产业化的关键步骤
作为每年医疗投资政府总支出最高的国家之一，美国在推进AI医疗领域的技术方面处于世界领先地位。 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。
本课程包括国内视觉技术、美国Nuance，以及深层医学Subtle \r，在中美迅速推进AI影像处理 Medical委托报告，以“Implementing AI: the last mile”为主题，探讨了临床引入AI系统产业化的最后一步。
推想医疗在中国介绍了数百万人的病历，在美国的4家医院/影像中心进行了测试。 Nuance凭借美国临床影像的语音识别工具、读图标记工具拥有很大的市场份额，其“Nuance \r”也在普及 AI market”医学影像AI应用店。
深透医疗是三家中唯一的AI产品在FDA的认可下商业化。 深透医疗CEO宫恩浩博士介绍了如何在临床上引进经FDA认可的SubtlePET产品，以及在临床上测试正在申请的SubtleMR等产品。
深透医学subtitle产品是首批被认可的医学影像增强应用和首批核医学的AI应用，其产品价值利用AI加速了4倍左右的影像采集，为减少放射线和造影剂量提供了解决方案。 该软件方案使患者更方便、更高质量、更安全、更智能的临床影像检查成为可能。 FDA获得认可后，在美国和世界20家一流医院和影像中心开展了商业布局和临床合作。
在美国，在医院应用AI，希望付款有很高的门槛，要深入融合医院的信息系统，确认临床医生和系统效果，论证给医院购买AI系统带来的收益。
“美国真正需要在医院配备的是临床医师、信息系统负责人、医院管理运营方面进行多方面的交流。 以深层医疗为例，公司临床和销售主管需要与医院进行快速有效的实证数据测试，在尽量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。 通过实际测试和真实的影像检查加速，AI能给医院带来新的临床价值和经济价值，让医院客观地看到购买和引进。 医疗首席执行官宫恩浩说。
Jeff \r是医疗影像后处理公司TeraRecon的首席执行官，也是医疗影像AI平台Envoy的首席执行官 Soreson和着名的影像医生、影像AI推进者Eliot Siegal教授也讨论了如何以互相采访的方式优化影像AI的工作流程、部署流程和持续验证。
Eliot Siegal教授强调，“AI算法深度的临床验证是推进医学AI的重要一步，我们正朝着这一目标发展”。
技术局限性与我们面临的挑战
医学影像已经是最适合AI领域、最快可开展的领域之一，但我们仍面临各种挑战。
首先，以深度学习为代表的AI技术是“黑匣子”。 这意味着技术提高医疗图像的检测精度，但是AI难以理解数据间的真实关系和数据的分类方法等。
“斯坦福大学医学教授Dr. Saafwan \r希望为医学影像感觉制作更好的注意分布图( attention map )，以避免黑盒效应。” Halabi说。 最近，许多研究和报道都在讨论基于数据的反攻算法( Adverserial \r ) Attack )防止标识路标的AI正常工作。 在医疗AI中，使AI不被误解是很重要的一环，但是现在在这方面的研究还不够充分。
斯坦福AIMI人工智能医学影像研究项目负责人，本科课程负责人之一Dr. Matthew Lungren也讨论了临床AI的偏见问题”bias and \r “implnotificationsforemedicalimaging”.\r AI在实际临床中引入数据偏压( bias )的可能性很高。 例如，对于医学图像识别的分类器，很可能识别出图像中的其他标记，而不是图像中的病灶本身。 现在的工具不太理解数据和算法的偏差。 实际临床应用的AI必须在使用中理解结果的可靠性。 在系统设计中给出考虑人与人的交互和AI算法的可靠性分析，有助于减少可能的偏差问题。
麻省理工大学机械学习实验室的负责人之一杰西·施莱 kalpathy教授探讨了如何构建更健壮的模型，如何通过在多个医院合作项目中迁移学习和联邦学习等算法，共享在不共享机密数据的情况下训练的深度学习AI模型，进行深度合作。
人工智能时代，技术不断渗透，变革着各行业。 医学是与人类生活非常密切的领域，是这样巨大而重要，站在AI应用前沿的领域，我们正在努力更好地结合越来越多的技术和医学实践。
例如，这次RSNA提供的第一个医学影像领域的AI课程，有200多名美国一流医院的医生参与，业内技术人员也乐意提供更多信息，帮助医生理解AI。 此外，深入人心的创业企业也通过产品设计，让医生能够“无缝”地访问过去的工作流程，不需要为了适应产品而付出多馀的劳动力。 医生更了解技术，创业者也为医生和患者开发了更好的产品。
未来，人类的健康肯定得到了更多的技术支持，但最重要的还是由行业人员协作，带来更加高效有效的健康医疗体系。
