核心观点：

• 医生认为存在哪些问题？第一是没有行业标准，第二是AI与临床医生承担的法律责任划分，第三是医生缺乏相应AI的知识，第四是AI产品的可信度还达不到。
• 离我们临床或者是落地最接近的AI技术就是肺结节，其次就是糖网筛查，其他还有骨骼，越往后的离我们临床越远。
• 中国医学影像AI公司是很多的，美国反而很少。但是要注意，美国的这些公司都是拿到FDA证的，中国的公司虽然多但还没有一个拿到证的。虽然我们繁荣，但还没有落地。
• 现在可能大家都意识到了，单病种是不符合我们临床场景的，需要多任务学习。多病种的学习才符合我们的临床场景。
• 现在核心是数据，是医生，但是未来核心在于科学家，只有最核心的算法突破、技术突破，才能带来行业的革命。
• 只要找到了付费的方式，才有AI企业的未来。

12月15日-16日，首届中国医学影像AI大会于上海召开。本文是大会主席、中国医学影像AI产学研用创新联盟理事长刘士远先生在大会上说作的主题演讲整理。

我讲的题目是“医学影像AI研发现状和展望”。北美放射学年会每年的主题大家都非常关注，应该说这个主题的演变代表着全球对于AI观念的转变。

2016年上半年，我第一次讲AlphaGo战胜李世石带给医学影像的挑战，当时有人不理解AI跟医学有什么关系。2016年的RSNA年会主题是Beyond Imaging，参加完之后大家觉得好像AI跟医学有关系。2017年，主题变成了Explore Invent and Transform，2018年的主题是Tomorrow’s Radiology Today。

现在大家觉得AI是我们人类的助手，AI会改变我们工作方式，改变医学影像的状态，所以我们要去拥抱它、参与它，对未来充满着憧憬。所以我觉得，从RSNA年会的主题就可以看到我们对于AI观念的转变。

大家都知道，发展AI作为国家战略是非常坚定的。中国从事AI的公司有1500多家，从事AI影像的公司也有很多。但是，AI在医学上到底有什么需求？今年，中国医学影像AI产学研用创新联盟（CAIERA）联合中华医学会放射学分会与中国医学装备协会人工智能联盟，联合搞了一个调研。

这次调研我们回收了医生问卷5142份，企业问卷50多份，研究所问卷120多份。其中，四川省和安徽省在参与和完成问卷数量上分别排第一位，云南在医生注册上排在前面，虽然云南省不大，但是填写问卷的数量排在第二位。 

在参与调研的医院中，二级医院占48.41%，三级医院占47.81%，基本上是五五开的样子。三级医院完成问卷的情况更好一些。这些医院是否跟相关企业或者科研院所合作过？结果显示，没有合作过的有84%，所以空间很大，值得大家去耕耘。 

在被调研的医生感兴趣AI领域，腹部最多，有56%；其次是心胸45%、骨关节36%、神经35%、头颈29%、乳腺14%、儿科12%等等。

AI应用过程中，医生认为存在哪些问题？第一个是没有行业标准，第二个是AI与临床医生承担的法律责任划分，第三个是医生缺乏相应AI的知识，第四个是AI产品的可信度还达不到。

这份调研报告加起来有50多页，还没有正式发布，我仅仅简单介绍了其中2页的内容，给大家透露一点信息。相关结果详情我们会选择一个合适的时机发布，希望调对医学影像AI的布局有所帮助。


中国医学影像需求很大，但是服务跟不上，很多AI公司在这个领域发展，是所有影像科医生的福音。大量的公司投入其中，必然有更多的机会解决我们的痛点。我们研究了一下中国医疗领域AI公司布局的方向，发现他们集中在头部、胸部、盆腔、四肢关节。最多投入的就是肺结节以及肺部相关疾病，其次是脑出血，盆腔的主要是前列腺、直肠，骨关节主要围绕骨折和骨龄。

大家可以看到，中国医学影像AI公司是很多的，美国反而很少。但是要注意，美国的这些公司都是拿到FDA证的，中国的公司虽然多但还没有一个拿到证的。虽然我们繁荣，但还没有落地。

中国AI企业的产品布局，最多的是肺结节等肺部疾病，几乎所有的AI公司都有，因为这一块大家都觉得门槛低，类似于黑纸上找白点，大家觉得比较容易，其他的眼底、皮肤、骨骼、脑出血等等虽然难度稍微大一些，但总体上图像维度都比较低，比较好识别，成为大家的切入点。复杂维度的地方，目前的算法还是解决不了，需要未来大家一起攻克。

因此，离我们临床或者是落地最接近的AI技术就是肺结节，其次就是糖网筛查，其他还有骨骼，越往后的离我们临床越远。

目前AI产品涉及成像、筛查、随访、诊断、治疗及疗效评估等各个环节。

成像环节，目前基于全迭代的图像重建一个病人要半个小时或更久，临床难以接受。用深度学习的方法有望实现类似于全迭代重建的效果，而时间大大缩短，能解决优质图像的瓶颈问题，可能给图像质量的重建带来一个革命。

病变的检测环节，人机协同一定会提升检测病变的敏感度。现在可能大家都意识到了，单病种是不符合我们临床场景的，需要多任务学习。多病种的学习才符合我们的临床场景，所以现在已经有多家公司来布局多任务的学习，对于肺里面的结节肿块、肺炎等等进行检测。另外还有骨折模型，胸部的肋骨骨折可能是急诊常常会出现漏诊的地方，基于深度学习的肋骨骨折模型显示了未来强大的应用潜力；有一些隐蔽的骨折，我们可以通过改变摄像的体位来进行证实。

对于基于CT的肺结节诊断模型，AI产品目前能够从发现结节、结节的排序、量化、随访，一直到提取一些结构化的信息或者是报告，甚至做一些危险度处理的建议。

在诊断环节，也在进行着各种探索。只要有大量手术证实的病例，机器学习是有希望的，目前有部分公司的产品在闭环数据上已经显示了非常好的敏感度和特异度（分别达到95%和70%），这样差不多就达到了主治医生的水平，如果解决了泛化性问题，前途是美好的。

预测环节，AI可用于肿瘤预后、治疗效果、能否手术等等，比如纯磨玻璃密度结节到底哪一个该开？哪一个不该开？能够真正判断出来的专家毕竟数量有限，作为普通的医生，怎么判断？我们外科医生怎么判断？如果有AI模型帮助他判断，这个结节可能是有风险的，那就可以帮助他来解决这个问题，减少误判。

在治疗环节，现在基于深度学习的图像重建，可以帮助医生重构更加直观的病变位置、形态以及信息，可以进行被切除部位残余正常器官组织的功能评价，可以进行年轻医生术前培训，可以进行术前模拟手术的导航以及路径训练，这些都是AI未来很有潜力的方面。

在放疗领域，当然可以在各个环节为放疗医生赋能，比如说通过深度学习推荐、自动勾画靶区等等。还可以进行评价，可以通过深度学习获得更加微观的信息，来提供诊断效果的评价。

尤其是靶向治疗，哪些适合，哪些不适合？我们要拿到病理才知道患者该用哪一种靶向药。微观和宏观之间的关系，可以通过深度学习的方法来获得，甚至不用做活检都可以知道哪些病人用靶向药，或者是哪些病人不用靶向药，这是非常有潜力的领域。

未来AI产品可能会基于整个医疗流程的全数据形成模型，从而为病人提供更加精准的个性化诊治方案。我们影像科医生面临了一个大好的机遇，未来值得期待。比尔·盖茨说过，任何新技术的短期影响都可能被高估，但长期的影响都可能被低估。AI将会带来我们影像科整个工作内容、工作效率、工作流程、工作方式的转变。


为什么医学影像AI中国迟迟拿不到证？第一，AI不同于传统医疗产品， AI如何定义？如何分级？如何测试？比如说，硬件只需要上报产品参数，经检测符合就可以给证，但是AI的模型敏感度可以在50%到99%之间进行调节， 相应的变化就是假阳性率由低到高的变化。这当中如何平衡和判断，需要相关专家和管理部门从新学习、选择和确定。

还有，我们是否具备了完整意义的AI产品？如何整合到医疗流程？拿到证后赚谁的钱？这些都是需要考虑的。我们常常说，现在单病种的模型不符合临床场景，覆盖现在几个病种还不够，要覆盖全病种；现在的单纯基于图像识别的产品还不够，需要基于工作全流程的产品。

肺结节的模型比较靠谱，给了我们4点启示。第一个就是开放、完整、高质量数据库是至关重要的，肺结节全球开放数据库多，大家的学习机会多。第二个是从源头进行顶层设计，进行高质量的标注，在当下是很重要的。第三个是找到明确的临床需求和使用场景，每个产品到底是解决什么问题，一定要和医生磨合才行。第四，进行大量训练和迭代，以便适合临床工作场景非常关键。

但是，现在作为AI产品核心的数据有很多不如意的地方，数据的数量、质量、标注、共享都是值得我们讨论的和重点解决的问题。

我想与各个公司和科学家们分享自己的一个观点：现阶段基于深度学习的AI核心是高质量数据，是医生；未来的核心在于算法科学家，只有最核心的算法突破、技术突破，才能带来真正的行业革命。

我注意到，浙江大学某附属医院出了一个多学科的人工智能会诊报价。这是一个很好的尝试和示范，AI怎么落地？你是直接给病人收费，还是直接绑在硬件和软件上收费，还是直接作为诊疗费付费，还是人机互动的付费，还是多学科的付费？不管怎么说，只有找到了付费的方式，才有AI企业的未来，才会给我们整个行业带来繁荣。

临床的使用环节，可能现阶段有很多的问题，我们要帮助企业去解决。可能是产品或者是流程的问题，可能是现在的临床医生训练不够，但科技发展会带来整个架构的改变。就像围棋下到中盘，要系统考虑后半盘如何下，我们也应该从更高的层次上来考虑，如何在现有的层面上来重塑我们的知识结构和方法。

我相信人工智能一定会带来重大的技术革新，也会带来我们行业的变革，未来发展会越来越好。