医疗影像与AI技术结合后，人类的健康可能会获得更多、更可靠的保障

放射科医生在AI时代面临着更多的机会和挑战，而对更广阔的大众来说，技术能带来的是更多的保障与更高的医疗水平。

在本次活动中，来自吴恩达实验室的博士生Pranav Rajpurkar现场展示了Xray4All平台：用户上传截取的x光影像照片，约1秒的传输后，用户就可以在线获得结果。若检测影片出现了异常，平台将用高亮标记异常部位。

“这个技术的应用场景特别适合用于解决发展中国家、全球卫生场景中临床医生资源短缺的问题。”Pranav总结到。

另一家融资超过4500万美元的美国AI影像公司Arterys则计划通过现实世界的数据来为全球人类提供医疗决策，自动化日常的医疗任务，进一步推动医疗平等化、民主化，并提供预防性分析。

Arterys如今的AI产品均基于云计算进行处理，这种模式的处理速度远比医院内部计算系统中计算更快捷、更安全可靠。

AI技术在美国临床应用：AI系统产业化的关键步骤

作为医疗投入占政府总支出最高的国家之一，美国在AI技术的推广上一直走在了世界前列，而中国作为平均医疗资源紧张的人口大国，同样对AI医疗存在巨大的需求。

这次课程上，国内的推想科技、美国的Nuance、以及在中美协同推广的深透医疗（Subtle Medical）受邀进行了报告，会议尾声，三家企业以“Implementing AI： the last mile”为主题，探讨了临床部署AI系统产业化的最后关键步骤。

推想科技在中国处理了数百万的病历，并在美国多家医院／影像中心开展测试。Nuance则在美国临床影像的语音识别工具、读图标记工具占领了巨大的市场份额，也在推广其“Nuance AI market”医学影像AI应用商店。

深透医疗是三家中唯一有AI产品获FDA批准进行商业化的。深透医疗CEO宫恩浩博士介绍了如何临床部署其FDA获批的SubtlePET产品，以及对申请中的SubtleMR等产品进行临床测试。

深透医疗SubtlePET的AI产品是首个获批的医学影像增强应用，也是首个获批的核医学的AI应用，其产品价值在于可利用AI达到4倍左右的影像采集加速，为减少辐射以及造影剂剂量提供解决方案。这意味着，病人将获得更便捷、更高质量、更安全、更智能的临床影像检查。

在美国，AI要迈进医院必须跨过严格的门槛，必须与医院信息系统深入融合；与临床医生确认系统效果；并给出购买AI系统后，医院将收获的回报。

“在准备部署时，我们需要和临床医生、信息系统负责人以及医院管理运营方面多方面沟通。以深透医疗为例，公司临床和销售负责人需要和医院进行快捷而有效的真实数据测试，在尽可能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。通过实际的测试以及真实可观的影像检查加速，可以很客观地让医院看到AI为医院带来新的临床价值以及经济价值，从而进展到采购与部署。”深透医疗CEO宫恩浩告诉记者。

医学影像后处理公司TeraRecon的CEO，同时也是医学影像AI平台Envoy公司的CEO， Jeff Soreson与著名影像医生、影像AI推广者Eliot Siegal教授，同样以互相采访的形式讨论了如何优化影像AI的工作流程、部署过程。

“对AI算法深度的临床验证是推广医学AI非常关键的一步，我们在向这个目标不断发展。”Eliot Siegal教授强调。

技术局限性与面临的挑战

虽然医学影像已经是AI领域最适合、也能最快部署的领域之一，我们仍面临着重重挑战。

首先，以深度学习为代表的的AI技术仍是一个“黑箱子”。这意味着技术能够让医疗影像检测达到较高的准确度，然而AI仍然很难理解数据之间的真正关系以及如何分类数据。

“在斯坦福，我们希望能够为医学影像感知打造更好的注意力分布图（attention map），来避免黑箱效应。”斯坦福医学院教授Dr． Saafwan Halabi表示，“最近有很多研究和报道讨论到基于数据的对抗攻击算法（Adverserial Attack）可以让识别路标的AI无法正常工作。而在医疗AI中，如何保证AI不被误导是非常重要的一环，这方面研究的显然远远不够。”

斯坦福AIMI人工智能医学影像研究项目负责人，本科课程的负责人之一Dr． Matthew Lungren讨论了临床AI的偏见问题“bias and implications for medical imaging AI”。 AI在实际临床用时很可能引入数据偏差（bias），比如对于医学影像识别的分类器，识别的是图像里的其他标记，而不是影像中的病灶本身。

目前的工具对于数据和算法中的偏差问题并不能很好的理解，实际临床应用的AI必须要让人能在使用中理解结果的可信性。在系统设计中考虑人机互动以及AI算法给出置信度分析可以大大帮助人来减少可能的偏差问题。

麻省总院机器学习实验室负责人之一Jayashree kalpathy教授则希望打造出一个鲁棒性更强的模型，并通过转移学习以及联邦学习完成多医院合作项目，实现在不用分享敏感数据的情况下分享训练出深度学习AI模型，进而推动医院间的深度合作。

总的来说，人工智能还有诸多不完美之处有待突破，但在未来，AI必定能成为健康生活的重要支撑。当然，这需要行业中的从业者共同努力，共同带来更加有效率、有合理的健康医疗系统。

文 ｜ 赵泓维