行業(yè)專(zhuān)家和影像專(zhuān)家對AI的感受和判斷并不一致，不乏有"AI是對影像醫生職業(yè)的威脅"的觀(guān)點(diǎn)，也有AI行業(yè)專(zhuān)家認為影像醫生將有可能被替代。目前主流的觀(guān)點(diǎn)認為醫學(xué)影像工作的復雜性，特別是在影像服務(wù)過(guò)程中，影像專(zhuān)家與臨床專(zhuān)家的合作、影像專(zhuān)家對患者提供的咨詢(xún)服務(wù)等，決定了影像醫生并不會(huì )輕易地被替代。同時(shí)，影像專(zhuān)家也充分認識到，拒絕和焦慮不會(huì )發(fā)揮任何自我保護的作用，應主動(dòng)積極的接納AI，利用它來(lái)提升現有的服務(wù)質(zhì)量。影像醫師既是影像信息的生產(chǎn)者、管理者，又可成為影像與臨床信息的整合者，借助AI拓展新的服務(wù)領(lǐng)域，有助于提高影像醫生在醫學(xué)服務(wù)中的核心地位。要做到這一點(diǎn)，作為影像專(zhuān)業(yè)的從業(yè)者，應盡快了解AI背后的技術(shù)，利用各種機會(huì )將其納入醫療實(shí)踐中，使患者真正受益。

以下是本人參會(huì )的部分體會(huì )和感想，需特別說(shuō)明的是，筆者以外行的身份去評價(jià)其他專(zhuān)業(yè)的進(jìn)展，所述內容必有一定的局限性和片面性，文中提及的知識、概念等不免有謬誤之處，懇請專(zhuān)家批評指正。

AI在醫學(xué)影像中的探索過(guò)程

1、AI技術(shù)概述

AI是指利用計算機系統完成一些通常需要人類(lèi)智力才能完成的任務(wù)，如視覺(jué)感知、語(yǔ)音和文字識別、決策制定等。AI是計算機科學(xué)的一個(gè)分支，與大數據等領(lǐng)域相互交叉，涉及內容廣泛，如計算機視覺(jué)（computervision）、自然語(yǔ)言處理（naturallanguageprocessing）、語(yǔ)音識別（speechrecognition）等，同時(shí)還包括機器人學(xué)、專(zhuān)家系統、知識圖譜、推理機等。

2、醫學(xué)領(lǐng)域的AI研究歷史

醫學(xué)領(lǐng)域的AI研究并不是一個(gè)新的概念，將AI應用于科學(xué)研究的思路已提出數十年，只是近幾年才實(shí)現了少數的臨床應用案例。在A(yíng)I的發(fā)展過(guò)程中，其方法學(xué)和研究方向均發(fā)生了較大的轉變。早期的研究方向主要是知識工程（knowledgeengineering），如專(zhuān)家系統、計算機輔助臨床決策支持系統、定性建模和推理等。近年來(lái)由于計算能力的提高、計算方法的優(yōu)化、數據量的增大，AI研究由知識驅動(dòng)轉變?yōu)閿祿寗?dòng)，技術(shù)手段則以機器學(xué)習（machinelearning）和數據挖掘（datamining）為主。

在A(yíng)I演變的同時(shí)，近年來(lái)的醫學(xué)模式亦發(fā)生了變化。與傳統的經(jīng)驗醫學(xué)模式不同，目前臨床決策的主流模式是基于循證醫學(xué)和臨床實(shí)踐指南。在群體和社會(huì )方面，全世界范圍內慢性疾病人群日益增長(cháng)，醫療保健成本上升，醫療服務(wù)與醫保支付的矛盾也日益顯著(zhù)。所以，當前AI在醫學(xué)領(lǐng)域主要研究的問(wèn)題是：指南和規范的應用、機器學(xué)習、語(yǔ)義學(xué)技術(shù)和生物信息學(xué)等。在醫學(xué)影像這個(gè)分支，從20世紀90年代初開(kāi)始，圖像和信號處理及自然語(yǔ)言處理等引起了較多關(guān)注。與此同時(shí)，迅速興起的CT、MRI技術(shù)較二維成像（如X線(xiàn)）產(chǎn)生更大量的數據，且圖像性質(zhì)多樣、更難以解讀。早期A(yíng)I主要研究基于模型的分割和分類(lèi)、基于知識的病灶檢出等，現今則是以數據驅動(dòng)的機器學(xué)習最常用。

醫學(xué)影像工作是高強度的技術(shù)性工作，醫務(wù)人員在日常工作中要準確、高效地完成大量的臨床檢查。目前新一代AI系統已逐漸顯示出越來(lái)越強的能力，有望從根本上改變這種狀態(tài)，從而引起行業(yè)內外的廣泛興趣。

醫學(xué)影像AI研究的現狀

1、醫學(xué)影像AI研究?jì)热菀杂跋裨\斷為主

2017年RSNA學(xué)術(shù)交流中使用機器學(xué)習進(jìn)行影像診斷的研究幾乎涵蓋所有影像診斷亞專(zhuān)業(yè)，近年來(lái)已有不少類(lèi)似的文獻報道，如乳腺疾病、肺部疾病、神經(jīng)系統疾病、骨關(guān)節系統疾病、心血管系統疾病和體部疾病等。這些研究通常的思路是：收集一定數量的圖像，經(jīng)過(guò)標注后（少量研究中不標注），使用機器學(xué)習得到優(yōu)化的算法模型參數（多數為卷積神經(jīng)網(wǎng)絡(luò )），經(jīng)過(guò)驗證和測試，最終以較高的預測效能識別某種疾病，得到影像診斷。除影像診斷外，也有少數AI研究涉及影像技術(shù)、結構式報告］等方面，影像與其他相關(guān)學(xué)科的關(guān)聯(lián)應用也偶有提及。

2、AI效能的臨床驗證尚不充分

當前醫學(xué)影像AI測試過(guò)程中的方法缺陷多很明顯，應通過(guò)更科學(xué)的試驗對其宣稱(chēng)的效能進(jìn)行評價(jià)。在RSNA上報告的研究通常為小樣本初步探索，多缺乏真實(shí)臨床場(chǎng)景中的驗證。雖然AI影像診斷的研究中基本都有驗證過(guò)程，但應注意，AI研究中定義的"驗證（validation）"階段與傳統的醫學(xué)影像研究中的驗證試驗是不同的，AI的驗證通常是指模型優(yōu)化過(guò)程中參數的微調過(guò)程。AI研究中定義的"測試（test)"階段是驗證模型效能的過(guò)程，常用ROC曲線(xiàn)和校準曲線(xiàn)作為評價(jià)指標。理論上來(lái)說(shuō)，以少量訓練數據集內部的樣本進(jìn)行測試是可行的，但在醫療工作中，很難保證提交做預測分析的實(shí)際病例與訓練所用的數據集來(lái)源于同一總體，所以臨床醫生多主張用訓練集外部的新數據進(jìn)行測試，且確認AI模型的性能時(shí)，還要結合疾病表現譜和疾病流行情況進(jìn)行綜合考慮。如果有可能，AI效能驗證試驗設計的主要終點(diǎn)應為可評測的臨床結局，研究AI是否可以改善臨床結局是最有意義的，但當前極少研究能提供這方面的證據。

3、AI應用于臨床的倫理和法規問(wèn)題尚待解決

當前醫學(xué)影像AI的能力是很弱的，其輸出的結果僅對醫生的診斷提供幫助，最終決策仍由醫生決定，所以臨床應用的倫理問(wèn)題尚不突出。但在其他AI預測能力較強的領(lǐng)域，關(guān)于A(yíng)I"自我意識"的風(fēng)險和倫理問(wèn)題已引起關(guān)注?？梢灶A見(jiàn)，如果未來(lái)醫學(xué)影像AI能力超越專(zhuān)家，同時(shí)將AI與智能硬件結合，其輸出的結果直接處理人體疾病時(shí)，AI以什么樣的邏輯做出決策應有明確的規定，否則必將帶來(lái)倫理風(fēng)險，而我們現在就應有所警醒和準備?，F階段關(guān)于醫學(xué)影像AI臨床驗證的法規問(wèn)題，是RSNA上廠(chǎng)家和業(yè)內專(zhuān)家的共同關(guān)注熱點(diǎn)。AI與傳統醫療器械明顯不同，且不同AI產(chǎn)品和服務(wù)之間的差距也很大，當前監管機構還沒(méi)有定義明確的AI臨床驗證方法，這對AI實(shí)際進(jìn)入臨床應用是不利的。隨著(zhù)AI引入臨床路徑中，支付體系將發(fā)生怎樣的變化，也是各方面關(guān)注的重要問(wèn)題。

4、非傳統醫療行業(yè)的資本和技術(shù)大量涌入帶來(lái)正反兩方面的影響

RSNA上有不少AI初創(chuàng )公司亮相，許多互聯(lián)網(wǎng)和信息產(chǎn)業(yè)的標志性企業(yè)也投入到AI研發(fā)中。在大會(huì )交流的論文中，有相當多的AI研究是由企業(yè)發(fā)起的。資本的巨大投入對AI的發(fā)展無(wú)疑是有益的--可吸引人才、凝聚資源、促進(jìn)AI成果快速轉化。但也要注意到，醫學(xué)的進(jìn)步有其自身規律，短期內大量資本的投入未必能帶來(lái)醫學(xué)進(jìn)步的質(zhì)變。在資本的裹挾下，對有些研究結果的過(guò)度解讀和不當宣傳，反而不利于學(xué)術(shù)本身的發(fā)展。

5、AI發(fā)展中的問(wèn)題遠多于答案

AI研究進(jìn)展迅速，顯示其潛在的臨床應用價(jià)值，RSNA期間所有AI會(huì )場(chǎng)的交流均引起參與者極大的興趣。但實(shí)際上，AI發(fā)展中給我們帶來(lái)的問(wèn)題遠遠多于答案。除了技術(shù)問(wèn)題，我們更關(guān)心：AI能否解決醫療實(shí)踐中的"痛點(diǎn)"，減輕醫生負擔，提升服務(wù)患者的效果？AI僅僅是預測，還是真正能夠改善患者的臨床結局？AI會(huì )加強還是減弱醫生與患者的溝通？AI會(huì )剝奪一些醫生的工作和/或降低醫生的價(jià)值（降低醫生的收入）嗎？醫生過(guò)度依賴(lài)AI是否會(huì )降低技術(shù)水平？醫生群體對AI接受度的不同，是否會(huì )造成醫生相對地位的改變？

醫學(xué)影像AI臨床研究的方向

AI研究方向的維度很多，在臨床實(shí)用的方向上，建立適合AI研究的標準數據庫、將AI植入實(shí)際工作中做出決策以及優(yōu)化工作流程等，都大有可為。

1、建立適合AI研究的標準數據庫和場(chǎng)景

缺乏大量的、標準的、有臨床結局的影像數據，是AI研究的難點(diǎn)之一。雖然中國絕大多數醫院并不缺少數字化圖像，但大量的病例資料并不一定能轉換為可供AI訓練和驗證的數據。大數據在氣象、金融、實(shí)驗物理、電信、軍事偵察和商業(yè)信息等多個(gè)領(lǐng)域的應用，得益于其標準化的數據定義和數據結構。醫療服務(wù)中，電子健康記錄、基因測序、數字成像、可穿戴設備等提供了多維的、海量的、但通常非結構化、非標準化的患者健康數據，對這些數據進(jìn)行分析和利用的難度顯而易見(jiàn)。為了將醫學(xué)影像數據順利地納入AI研究，需要提取影像的"組學(xué)"數據并與臨床數據相結合；需要深入地研究影像資料的數據結構和索引結構，并將其用于分布式和/或并行計算；需要將不同維度的數據納入統一的新模型；需要對海量的、不均勻數據集設計檢索語(yǔ)言等。除了橫斷面的數據分析，還應具備多時(shí)間維度的聯(lián)機分析處理、時(shí)間數據倉庫設計、時(shí)間數據挖掘和可視化、綜合挖掘和分析環(huán)境等方面的開(kāi)發(fā)。自上而下地組織這些跨學(xué)科研究是非常困難的，較實(shí)際的解決方案是先從某個(gè)小的、簡(jiǎn)單的、數據結構清晰的領(lǐng)域建立數據庫并發(fā)起研究，沿著(zhù)公認的本體框架逐步外推到不同領(lǐng)域，最終形成完整的數據結構。

2、將AI植入實(shí)際工作中做出決策

將AI研究融入循證醫學(xué)和臨床實(shí)踐指南中，可使臨床實(shí)踐直接受益。醫療服務(wù)過(guò)程中的決策，是在醫患充分溝通的基礎上，參考循證醫學(xué)研究證據和各種指南而做出的，堅持這一點(diǎn)對醫患雙方都是最有益的。但是循證醫學(xué)的發(fā)展提供了日益更新的證據，其應用場(chǎng)景更加細分，證據的數量也越來(lái)越大，同時(shí)各種規范和指南也層出不窮，醫務(wù)工作者在繁忙的日常醫療服務(wù)中持續進(jìn)行知識更新是一項艱苦的任務(wù)。隨著(zhù)電子病歷系統在臨床實(shí)踐中的廣泛應用，AI在證據確認和臨床決策支持方面有望提供實(shí)際的幫助。但是目前影像診斷AI的輸出結果中，多是對影像特征進(jìn)行識別和分類(lèi)，如果能進(jìn)一步將影像特征與現有指南、證據等整合，在計算機視覺(jué)分析輸出結果的基礎上，增加醫生認可的臨床信息，納入指南的判斷邏輯，則可基于規則做出決策，能明顯提升AI對醫生的服務(wù)效果。

3、將AI用于影像業(yè)務(wù)流程的優(yōu)化

除了用于影像診斷中，AI更應該盡可能地用于影像業(yè)務(wù)流程的優(yōu)化。在過(guò)去幾十年中，工程技術(shù)界的工作流建模和業(yè)務(wù)流程優(yōu)化使生產(chǎn)效率和質(zhì)量得到明顯提升。醫療領(lǐng)域的傳統業(yè)務(wù)模式使業(yè)務(wù)的數據化存在一定困難，業(yè)務(wù)的規范化也不夠，從而對數據采集和分析造成極大困難。幸運的是，為適應信息時(shí)代的各種要求，醫療業(yè)務(wù)的數據規范化程度正逐步提高，AI可以嘗試對管理水平較高的、醫療行為較規范的、信息化較完善的、覆蓋范圍明確且局限的業(yè)務(wù)進(jìn)行分析和優(yōu)化。與臨床其他業(yè)務(wù)流程相比，醫學(xué)影像檢查過(guò)程就是這樣一種流程，有可能用AI來(lái)輔助管理影像檢查業(yè)務(wù)的各個(gè)方面，如基于決策的流程管理、時(shí)間限制、運行模式切換、異常情況預警和處理、隱私和安全保護等，以規范影像檢查業(yè)務(wù)，提高影像服務(wù)的價(jià)值。如果AI能對影像業(yè)務(wù)流程進(jìn)行管理和優(yōu)化，則是對整體影像服務(wù)平臺的提升，其價(jià)值遠遠大于對單個(gè)疾病的診斷預測。

總之，醫學(xué)影像專(zhuān)業(yè)與其他領(lǐng)域一樣，傳統的方法和意識形態(tài)均面臨深層次的挑戰。目前多數學(xué)者認為，最好的認知能力是人類(lèi)專(zhuān)家大腦與AI的組合，其能力超過(guò)任何單獨的系統。不論是外因還是內因，都驅使影像醫師必須立即投入到這項新技術(shù)的學(xué)習和應用中。AI也許很快就能取代影像醫生完成一部分工作，也有潛力使我們將來(lái)的一部分工作得到提升，只有在A(yíng)I的幫助下開(kāi)拓新的服務(wù)領(lǐng)域，借助AI實(shí)現對醫療服務(wù)的創(chuàng )新，才能保證影像醫生擁有更美好的未來(lái)。