<mark id="oztn4"></mark>
0
第二屆圖像計算與數字醫學國際研討會（ISICDM 2018）雖已告一段落，但本次大會所帶來的信息，仍值得深思與回味。
醫工交叉與產學結合，這兩個由來已久的問題隨著人工智能的興起，讓醫學影像分析面臨著全新的機遇與挑戰。
隔行如隔山，這對IT界和醫學界來說尤為貼切，當雙方團隊共同打造一個產品時，面臨著話語體系不同、評價方式不同、誰來主導等諸多問題。
目前這個市場還處于初期，各路玩家相繼入場，產品仍處于科研摸索期。
在此大環境下，電子科技大學李純明教授作為ISICDM會議的發起人和程序主席，匯聚了理、工、醫三方知名專家，力促人工智能+醫學圖像的進一步研究與應用落地。
電子科技大學李純明教授
會上，眾多專家指出，目前企業開發的醫學影像AI產品，離臨床實際應用還有一定的距離。
其主要體現在兩點：一方面是工程技術尚未成熟；另一方面則是產品開發者對臨床需求的理解和認知有限。
首先，深度學習的不可解釋性和調參難題仍未被實質性地解決，甚至研究成果的可重復性都時常被質疑。算法和軟件的性能穩定性和魯棒性在理論和應用實踐上均缺乏有力的支持。
而上述問題的本質是，由于科研人員做的研究總體偏工程，較為缺乏原創性和突破性的基礎研究，導致工程技術開發正在進入瓶頸期。
十分注重理論基礎的李純明教授深感基礎研究的重要性，因此在會議中加強了數學理論與方法的內容，邀請了國內著名的優化理論與算法專家何炳生等數學領域的專家做了圖像科學的數學理論與方法系列講座。
此外，李純明教授也特地安排了“臨床醫生談需求與挑戰專場”和“醫工交流會專場”，聚集眾多醫生與工科人，共同探討臨床問題的技術解決方案。
為了更加全面地促進理工醫深度融合，整個大會在3天內共設置了24個主題專場，100多位海內外知名講者向與會者分享了他們的最新研究成果以及對理工醫交叉的看法。
雷鋒網作為兩屆ISICDM的獨家媒體，透過這兩年的報告內容，總結出以下四個趨勢：
羅切斯特大學羅杰波教授
ISICDM期間，Baba Vemuri、羅杰波等嘉賓公開指出，利用大量標注醫學圖像數據做訓練，這并不是一種長久的研究方式。
首先，由于隱私問題，目前醫院方不太可能開放出太多高質量的數據供開發人員訓練和使用。與此同時，深度學習的不可解釋性，無法循證，這在解決醫學問題當中非常受限。而這兩項也嚴重制約了醫學影像分析的發展。
因此，開拓基礎理論研究，而非單一在數據上解決問題，成了學者們新的征途。
四川大學華西醫院步宏教授曾在第一屆ISICDM大會中指出：醫生應用AI，最怕的就是別人對我們說，你們什么都不用管，只要給我數據，我就一定能做出成果來。這類人我遇到很多。醫學并不是一門純粹的科學，還涉及很多人文、倫理等因素。理工科的人也許認為，只要把數據給他們即可進行訓練模型。但醫生還必須考慮哪些信息必須隱去，因為涉及到倫理。
“很多醫生也在做人工智能方面的研究。我的學生也經常看理工科學者發表的論文，他們有時候會拿著論文跑過來對我說，‘老師，你看！這篇論文連基本的醫學常識都沒有。是不是該給它加一個醫學的reviewer呢？’如果真的這么做，很多論文其實根本發表不出來。論文成功發表并不代表取得了成果，只說明在你reviewer的知識范疇中這種方法是可行的，實際應用到臨床當中，就會暴露很多問題。”
“矛盾的核心在于，理工科學者和醫生之間的聯絡太少，我絕不相信隨便拿一堆片子就能做出研究成果來。”
除了醫學圖像數據的特殊性外，深度學習本身也存在諸多弊病。
2017年，雷鋒網赴夏威夷參加CVPR期間，明顯感受到了基于深度學習的計算機視覺技術研究已進入瓶頸。
CVPR會場上，港中文-商湯聯合實驗室主任林達華教授曾向雷鋒網介紹到：“今年并沒有一個特別讓人興奮、驚喜的成果出來。”包括「Densely Connected Convolutional Networks」等最佳論文在內，我們看到了很多不同的網絡設計的想法和切入角度，這些扎實的工作推動了現有體系、架構的一步前進，但是，卻普遍缺乏一個fundamental breakthrough。
如今似乎是有新的成果誕生但又有所停滯的狀態，雖然各種思路百花齊放，但是很多核心問題都尚未取得新的突破性進展。”
今年Baba Vemuri和林達華教授的觀點相似，兩人均提到了fundamental這個詞，意在表明多數學者更多停留在工程問題，而非基礎學術問題層面。
現在的深度學習其實是一個有問題的框架，多用大數據和很多標注數據來訓練，這在過去幾年很成功，但不代表是正確的方向。當前計算機視覺的系統是一個（特征為）training system的訓練，而不是一個learning system，我們要從training system變成learning system，讓機器主動，并結合數據的結構、時間空間結構去學習，而不是被動地用人工訓練來標注它。
徐立曾向雷鋒網介紹到“現在，基礎研究不能丟，才能帶來足夠的時間窗口。AI的發展需要產業和研究相結合，以定義問題，解決問題。”
在大家聚焦于data set的大環境下，ISICDM卻逆潮流而上，連續在兩屆大會中設置了數學以及基礎理論的分論壇，意在讓更多工科學者站在理科的視角去重新看待問題。
現場情況也印證了工科學者對基礎理論的熱枕。
大會報告嘉賓南京大學數學系教授何炳生向ISICDM大會程序主席李純明感嘆道“我完全沒有想到自己的報告會有那么多人來聽講，開講前座位就已經被占完，后來的人只能站在會議室門口。臺下聽眾大多是研究生和教授。一般在會場作報告，都是PPT講解演示。但PPT演示的效果哪里抵得上教室加黑板？所以我讓會務工作人員在演講臺上給我加了塊可以寫字的白板，我在上面用黑筆寫公式推導。總共講了一個半小時，下面不少人站著聽了一個半小時。你可以看到，他們往白板越走越近，一是因為擠，二是因為真心想學。”
眾多醫生談到，首先，人工智能在醫療領域的應用必須充分全面，不能只針對單一場景。因為醫療的對象是人，人的生命只有一次，一旦犯錯就無法彌補。
以肺部為例，開發AI系統的工作人員開發出來的系統不能只會檢查肺部，還要確保其他地方不出問題。現有的肺結節篩查系統大都只重點關注肺部，但醫生在檢查期間仍需要觀察軟組織、縱膈有沒淋巴結腫大。此外，還要觀察骨骼是否有轉移或其他病變，所有場景和情況都要考慮進去。
有些影像，有經驗的醫生一看就知道是胰尾有問題。但當時醫生由于只看了肺部，沒注意其他部位，就漏檢了。如果AI系統只是針對肺的檢測，估計也不能檢出胰腺的病變。
這對AI來說既是機遇也是挑戰。未來我們能否用AI幫助醫生發現上圖中的病變呢，即使無法診斷，能對醫生進行提醒也是好事。
廣東省人民醫院影像醫學部主任兼放射科主任梁長虹
與此同時，梁長虹、王霄英、陸菁菁等醫生談到，AI不能單單作為第三方獨立產品存在，而應該嵌入在工作流程中才能最大程度地發揮它的作用。
AI醫學影像如何嵌入在醫生流程中，最重要的一點便是每一步都可解釋，每一個問題都能夠定義正確。
此外，醫療人工智能產品不僅要輸出一個輔助診斷信息，還應把多模態的臨床信息結合進來，輔助臨床醫生做出決策。
在ISICDM大會中，中檢院等機構也談到了醫學影像AI產品的監管流程和監管現狀。
AI技術在NMPA過去批準的產品中其實已經有所應用，但深度學習是一項新技術，需要從風險的角度界定它是二類器械還是三類器械。出于謹慎，中檢處傾向認定其為三類器械，但隨著對深度學習技術有更多認知，也不排除會將其列入二類器械。目前，我國對醫療AI產品的分類界定仍是個例處理，缺少統一的標準。
為了應對新版《醫療器械分類目錄》，國內大部分企業采取增刪診斷功能的辦法， 將產品同時申報二、三類器械。上工醫信等多家企業已經率先獲得了二類證書。據中檢院披露，目前一共有40多款產品到中檢院報檢，雅森科技、匯醫慧影、圖瑪深維、推想等都在積極申報三類證書。
我國的醫療器械注冊流程分為注冊檢驗、臨床評價、技術審評、行政審批四大步。目前，申報三類器械的醫療人工智能產品大多還停留在注冊檢驗階段。
FDA認為，真實世界數據和回顧式臨床數據可用于AI產品的評價。在這點上，中美兩國的認識是一致的。
另外，AI具有快速迭代的特性，從研發階段、注冊上市、上市后到產品變更，質量評價應該貫徹它的整個生命周期。
中檢院目前主要是采用基于標準數據集的測試方法和模擬對抗的方法進行AI產品的質量評價。
基于標準數據集的測試方法，其總體思路是在模擬臨床的條件下評價AI算法的性能，減少對臨床試驗的壓力，降低質量評價的成本，同時加速產品上市。
這對標準數據集提出了很高的要求，既要考慮數據的合規性，又要保證數據容量充分、具備多樣性，標注過程嚴謹、可追溯等。
中檢院目前已經與多家醫院和企業合作初步完成了眼底和肺結節兩個病種的標準數據集建設。
作為標準測試集評價方法的補充，中檢院在AI產品的質量評價過程中也用到了模擬對抗的方法，以擴充樣本量和模擬真實世界的波動。比如，中檢院通過控制變量的方法對機型以及壓縮、平滑、背景填充等預處理算法對AI產品性能的影響進行了研究。
對于醫療AI產品的審評，未來將分兩步走。
第一步需要制定出相關指導原則和標準，把檢驗、檢測標準進行統一，第二步才開始對達到標準的產品“放行”，部分符合條件的，或許可以被批準免去臨床試驗。據悉，中檢院已經成功申報了標準化歸口管理單位，正在公開征集專家組專家，規劃布局AI產品質量評價的標準體系。
種種跡象表明，醫療AI企業離獲得三類證還有一段距離，企業或許不得不做好打“持久戰”的準備。
北卡羅萊納大學沈定剛教授
去年的ISICDM大會期間，施俊教授與沈定剛教授在晚宴中聊到一個話題，后者問前者：“你在學術界做研究，能做得過工業界嗎？深度學習把門檻拉得很低，你能做的AI影像方面的研究，任何一家企業都能做。人家錢比你多，投資速度比你快，你做出成果的時候，人家早已經產品化了。”
去年的一句玩笑話，卻在ISICDM的多個嘉賓身上逐漸成為現實。
一個月后，沈定剛正式宣布出任聯影智能CEO；中山大學陸瑤教授創辦柏視醫療，隨后也引入IEEE Fellow徐晨陽；羅杰波教授也出任騰訊優圖顧問。而在近期，Dimitris Metaxas與張少霆師徒二人加盟商湯科技。此外，邢磊也在早期出任匯醫慧影首席科學家。
而在這個學術界與工業界互相融合，也同時相互競爭的大時代下，德國Surpath Medical創始人謝衛國在2017 ISICDM中總結了這么一句話：我認為學術創新一定是高校先行，工業界看到可用的學術成果后才推動產品化。以西門子為例，他們有一個龐大的團隊專門負責收集專業的期刊。如果一項創新已經在論文上發表了，學術界千萬不要再去追趕潮流，因為肯定會被企業碾壓。企業和學術界的驅動力不一樣。在高校做研究，發不了論文大不了不評教授，企業如果盈不了利則關乎生死存亡。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
