影像科劉再毅教授：助推精準醫學，AI的「能」與「不能」

當下人工智慧概念火熱，尤其是在醫療領域。未來人工智慧與醫生之間的關係成為科技圈和醫學界熱議的話題。

圍繞這一話題，此前雷鋒網對廣東省人民醫院影像科副主任劉再毅教授進行了一次專訪，訪談中劉再毅教授指出了當前醫療AI存在的諸多問題（影像科劉再毅教授自述：為什麼我是AI醫療的「旁觀者」？）。

近日，在2017 小蠻腰科技大會全球移動開發者大會暨人工智慧高峰論壇上，劉再毅教授再次談到了自己對於醫療人工智慧的理解和認識。他表示，要了解未來人工智慧與醫生之間的關係，首先要弄清楚放射科醫生究竟是做什麼的。

劉再毅教授認為，放射科醫生的工作就是為臨床醫生的臨床決策提供輔助指導。具體來說主要有以下幾個方面：

病灶檢出。比如根據病理影像觀察病人的肺部有沒有病變，很多影像公司正在嘗試用人工智慧進行肺結節篩查。

定性診斷。比如判斷病灶的良惡性；患者病情的嚴重程度，是處於早期還是晚期。

治療規劃。比如病人的肝臟造影中有一個異常的血管，但它不是病變而是變異。那麼放射科醫生就要提醒臨床醫生注意，否則如果臨床醫生將其意外切除了，後果將非常嚴重。

此外還有療效評估、指導活檢等等。這些都需要放射科醫生通過肉眼觀察並做出判斷。人工智慧還遠遠沒有達到能替代放射科醫生的程度。

如何挖掘醫療大數據

但為什麼有這麼多人研究人工智慧在醫學領域的應用呢？因為我們已經邁進了精準醫學時代，醫生不僅要判斷病人得了什麼病，還要提供精準化的治療方案。2015年，奧巴馬提出了「精準醫學計劃」，很多專家也表示，要通過對組織基因測序、臨床病理信息以及可穿戴設備等手段採集到的個人信息進行分析，對醫療大數據進行挖掘，才能實現精準醫學。而這個過程就可能需要用到人工智慧。

那麼醫生究竟是如何通過大數據挖掘來給病人提供精準化治療方案的呢？下面我們用一個例子來說明。

上圖是兩例非小細胞肺癌患者的CT掃描影像。兩位患者年齡相仿，臨床分期都是IB期，針對這類病人需要進行手術治療。但在提倡精準醫學的時代，病人手術之後，醫生還需要評估病人的預後情況：什麼時候可能複發？什麼時候可能死亡？假如醫生能夠準確地預測複發概率，就可以對病人進行積極干預治療。

那麼，醫生究竟該如何預測呢？劉再毅教授介紹道：「我們做了一些研究。通過對病人的影像數據進行挖掘，我們發現病人的影像表型是由基因決定的，反過來我們也可以根據影像表型推斷出病人的基因情況，從而可以挖掘影像及臨床信息進行患者預後的個體化預測。」

醫生或者工程人員拿到影像數據之後，首先要建立相應的模型，之後就可以預測某個病人癌症轉移的概率是95%還是5%了。這和醫生的主觀判斷方式完全不同，但意義十分重大。相關的研究成果已經發表在了頂級醫學期刊上。

去年，行業內發表了兩篇關於用深度學習進行醫療數據挖掘的論文。其中一篇是關於皮膚病的研究，其研究成果達到了21個專業皮膚科醫生的水平，非常厲害。另一篇是谷歌團隊做的關於糖尿病視網膜病變的研究，發表在JAMA雜誌上。論文中提到，AI可以達到97-98%的準確率。但這是否意味著AI能夠取代醫生了呢？

上面是一張新興技術的Hype Cycle曲線圖。曲線顯示，深度學習的發展還處於第二階段，距離成熟應用還有2-5年時間。但劉再毅教授結合自身的研究經驗，認為影像及臨床數據的挖掘非常複雜、麻煩，包含很多的不可控因素。比如，對於CT影像，不同的機型和掃描方式都會對結果產生非常大的影響。因此深度學習在醫療領域的應用必須慎之又慎，說不定還需要5-10年的時間。

新醫學雜誌是非常頂級的醫學雜誌，最近該雜誌發表了一篇文章，認為醫療行業必須充分了解人工智慧的缺點和優點是什麼，才能真正將其應用到臨床當中。

前面提到，谷歌團隊關於糖尿病視網膜病變的研究成果很厲害。但據雷鋒網了解，JAMA雜誌同時也指出了幾點問題：

首先是數據量的問題。據雷鋒了解，這項研究用到了128000張圖片，可以說是非常多了。但其中嚴重的病變事實上只有200多個，這是遠遠不夠的。

疾病種類繁多，誰能保證病人檢測出不是糖網後就不需要看醫生了？一個模型是無法解決所有問題的，我們還需要更加龐大的數據量。

而且，一項研究成果究竟好不好，不是工程人員說了算，也不是數據漂亮就行，而是要經過一系列的驗證。任何新葯臨床應用之前，都需要經過一系列的研究和驗證，證明安全、有效之後才能在臨床中應用。人工智慧同樣如此。

AI系統——比如糖網診斷系統應用到醫院的診斷流程中之後，對於其診斷結果醫生到底該不該相信呢？如果系統給出了一個病變結果，醫生是否還需要再看一遍呢？這些問題都值得行業深思。

劉再毅教授以肺部結節篩查為例，還舉了一個很生動的例子：一個患者今年初做肺部CT體檢，醫師報告診斷肺部未見異常。如果用現在工業界很多公司做的肺結節篩查系統來做檢測，估計也是顯示肺部篩查正常結果（因為他們的軟體多針對肺部進行分析）。但事實上，他的肺部影像是這樣子的：

開發AI系統的工作人員懂不懂這些影像非常關鍵，因為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第一張圖片，只看肺部。但醫生在檢查的時候還要看第二張圖片，觀察軟組織、縱膈有沒有淋巴結腫大。此外，還要觀察骨骼（第三張圖像為骨窗），看有沒有轉移或其他病變。所有場景和情況都要考慮進去，因為一旦漏檢，醫生是要擔責任的。

比如上圖中的最後一張影像，有經驗的醫生一看就知道，胰尾有問題。但當時 醫生由於只看了肺部，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幫助醫生髮現上圖中的病變呢，即使無法診斷，能對醫生進行提醒也是好的。

劉再毅教授此前在接受雷鋒網採訪時指出，人工智慧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。

那麼，假設未來我們能夠研發出非常優秀的機器人——就像電影《異形》里展示的那樣，病人躺在機器里，機器就能自動完成手術。這時候，AI是否就能夠取代醫生了呢？

劉再毅教授認為，這還不夠。他說道：「醫生和醫學應該富有人文情懷和溫度，而這些東西在機器上是缺失的。」

醫生常常需要安慰病人。比如，有一個兩歲的小女孩得了病要做手術，進到手術室後她非常恐慌。假如在這種情況進行手術，效果肯定不理想，而且可能會給小女孩造成心理陰影，影響她今後的成長。這時候醫生想到一個辦法，給小女孩看她父親拍給她的視頻，趁她注意力分散的時候進行麻醉。最終，手術效果非常好。

看完這個故事，我們不禁要問自己，機器真的能完全替代醫生嗎？假如我以後去看病，是選擇相信醫生還是冷冰冰的機器呢？答案不言而喻。

但這並不意味著人工智慧毫無用處。劉再毅教授引用馬里蘭大學教授Eliot Siegel的話說道：「人工智慧短期內替代醫生是不太可能的，但它一定會給醫療行業帶來改變，比如改變醫院的工作流程。」

現在醫院看病，一方面患者抱怨「排隊三小時，看病三分鐘」；另一方面醫生也很累，需要看很多病例，手寫很多材料。假如人工智慧可以幫助醫生收集、分析信息，醫生就能騰出更多時間和患者交流。多交流3分鐘或者10分鐘，最終取得的效果肯定是不同的。改變醫生的工作流程也是人工智慧的意義所在。

此外，人工智慧還可以促進精準醫學的發展。所謂精準醫學，不是指針對每個患者開發一套設備或者一種藥品，而是對患者的病情進行精準的量化，並提供個體化的治療方案。比如，高危的肺癌患者需要化療，低危的就沒有必要化療。

具體到醫療影像領域，則是影像的量化，通過挖掘和融合影像、基因和病理等臨床信息，指導臨床決策。現在很多從事圖像分析的企業正在進行這方面的研究，未來前景非常光明。

最後，人工智慧還可以用於發現基因標誌。比如，EGFR突變的患者才可以採用TKI治療，但有些基因標誌醫生拿不到，又不能老是做穿刺。這時就可以通過人工智慧影像獲取基因的標記物，並進行相應的治療，這是非常有價值的。劉再毅教授認為，人工智慧將改變醫生的工作和生活，起到互補的作用。

醫學影像行業發展至今不過100多年，短短100多年的時間裡，從結構影像發展到了功能成像，徹底改變了醫療行業的進程。現在，離開了影像外科醫生就不敢做手術，可見其重要性。但目前醫療影像還是以信息採集分析為主，未來隨著時間的推移，將進入數據挖掘階段。

到時我們可以把影像、病理、基因、臨床檢查等數據結合起來，用人工智慧進行分析挖掘，最終實現精準醫學的願景。

過去我們經常討論，人工智慧時代來了，誰是贏家？醫生還是公司？都不是，事實上獲益最多的應該是病人。只有病人能夠從人工智慧中獲益，我們所有人的努力和工作才有價值。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！