專訪萬里雲首席研究員：當AI席捲醫療影像，傳統醫療器械商如何「攻」與「守」？

新聞 07-22

2016年，智能影像領域公司還以創業公司為主，到了2017年，智能就變成了各大醫院、醫療器械商口中的高頻詞。

「現在好像不提智能，大家都沒法說話了。」萬里雲首席研究員顏子夜笑道，於是我們談起了AI。

作為在醫療影像行業做了很久的人工智慧博士，談起AI來雲談風輕，不像在聊「即將崛起的智能時代」，「AI對於我們來說僅是一個工具而已，工具沒必要每天拿來說。我們提供的是醫療影像整體解決方案，包括雲端存儲、診斷、質控、培訓等。」

「我們是真正要走萬里長征的，口頭上的革命和真正槍杆子的革命是有區別的。」顏子夜告訴雷鋒網。

押寶AI，以提高遠程診斷效率

萬里雲是萬東醫療旗下子公司，阿里健康持股25%，09年時，從為萬東醫療產品鏈做配套軟體開發起家，14年轉型互聯網方向，布局遠程影像診斷。目前，其業務以2B 為主，提供面向患者、醫院、醫生的全方位影像服務，稱之為萬里雲CBD，通過SaaS服務模式為醫療機構及患者提供醫學診斷相關服務，包括影像雲端存儲、診斷、分享、質控、培訓和大數據服務等，二級及以下的醫療機構是主要客戶群。「我們在影像質控方面是非常完備的，而且絕對是硬門檻。」他說道。

2017年4月，萬東醫療發布了2016年年報，儘管作為「全球最大影像產品製造基地之一」，儘管2016年毛利率和凈利率有所提升，但與國際頂尖醫療器械生產企業相比仍然偏低，在表述了加大銷售力度和嚴格控制成本的決心後，重點提到了萬里雲和人工智慧，做遠程診斷的萬里雲被賦予重望，希冀通過人工智慧技術的引進，通過開展機器智能診斷學習，大幅提高遠程診斷的效率和準確率，從而降低對專家人數和工作時間的要求，以解決限制其遠程影像診斷增長的長期限制因素——影像專家數量。顏子夜稱，「萬東也是在向智能和服務在轉型，萬里雲是一個落地點。」

5月15日，萬里雲與阿里健康合力打造的人工智慧精準醫療平台——「i影像」發布，據稱，平台內已上線肺部DR篩查和CT檢測功能，通過對實際診斷數據的對比，智能診斷功能可顯著降低醫生的漏診率，特別在一些細小的肺結節上避免50%以上的遺漏，檢測的準確率達到90%以上，同時最多可以提升醫生效率3倍以上。顏子夜稱，「目前業內的情況是，去掉前置條件，在通用條件下，智能影像診斷系統的準確率能達到80%多，接近90%就已經很不錯了。」

基於自身資源，選擇不同的產品路線

一般來說，影像智能分析市場公司可分為兩類：一類是通過大量電子病歷的積累，實現對醫學影像的診斷分析，主要以幫助醫生提升影像診斷效率為目的；另一類是通過對醫學影像數據本身的解讀，主要以幫助醫生提高影像診斷的精準度為目的。目前，這兩類發展方向均有市場。對此，顏子夜稱，前者對醫學知識要求更多一些，後者對智能尤其是圖像技術要求更多一些。

雷鋒網：AI在萬里雲戰略中佔有什麼地位？

顏子夜：我們把雲服務稱為智慧雲。智能這件事情，我們是腳踏實地往前走，而且走得靠前。萬東風格就是踏實、低調，我們的智能診斷去年年底就上線了，但並不像其他公司那樣大肆宣傳這件事。我自己是國內做智能診斷比較早的博士，大概在2000年我就開始做了，所以這裡面有多少水分還是很容易估量的。我們現在做的對病歷文本的分析、影像病灶分析都已經上線了，我們網站的醫生已經開始用了，這都是我們踏踏實實做的一個個具體功能。我認為智能技術只是一個工具，是輔助醫生診斷、多快好省進行醫療處理的工具。就商業意義上說，並不是說我有這個工具就要天天說，關鍵是具體能做什麼，我們把智能技術定位為一個工具。

目前，我們雲平台上的智能工具有數據處理、病歷知識圖譜的文本處理、影像篩查和影像病灶檢測，這都是工具性的，最終目標是輔助醫生做一些事情，並不會拿來炒作。就像開飯店一樣，人家並不關心你有什麼樣的炒鍋、爐子啥的，人家要過來吃飯，最終還是要能夠真正做出菜來，真正解決飢餓需求。

未來，「i影像」平台將持續在知識圖譜，自然語言處理等技術上進行深入研究，實現對病例文本、影像症象等診斷判據的自動識別和提取，結合豐富的專家知識庫，利用知識推理系統達到輔助醫生診斷的目的。

雷鋒網：結合病例和影像等信息，做整體處理，具體過程是怎樣的？

顏子夜：病例中包含很多信息，有很多關鍵詞或代表實際意義的實體，我們把它們以及它們之間的關係抽取出來，結合影像中的信息，通過評估這些關鍵信息，進而判斷疾病。就像做數學題一樣，我們要把所有的信息、數據判據抽取出來，無論是影像還是文本信息。

我們是綜合影像、文本等多種信息來源，進行整體處理，我們的目標是提供影像整體解決方案，通過雲服務的輸出，我們並不是口頭上的革命，是真正要走萬里長征的。

雷鋒網：您認為人工智慧與遠程影像診斷的關係是什麼？AI是否是後者的救命稻草？

顏子夜：人工智慧和遠程影像診斷，是對影像服務新模式下兩個不同側面的問題，智能診斷是一個技術性的問題，遠程影像是個業務模式的問題，AI和遠程影像服務相結合是兩個新模式的有機組合。智能診斷尤其是現在流行的基於深度學習架構的方法，在訓練過程中需要大量計算資源和數據樣本，在應用過程中的也需要一定硬體支持才行，同時機器的學習過程是不斷迭代更新的，需要形成一個數據閉環的，因此智能診斷是非常適合以雲服務的模式來實現，也很適合融入到遠程影像平台中。另一方面，遠程影像診斷我按照計算機科學的思維來說，就是將原來具體化的醫生診斷抽象化為一種服務能力，並且通過互聯網技術將這種能力遠程化、虛擬化，所以這種抽象化的服務除了利用醫生人工服務之外，加入智能處理技術，或者以後更多的新科技，都是為了更好的為影像服務提供更強的能力。兩者最終目標是為醫患提供更高效、更準確的影像服務。

與準確率有關的「數字遊戲」

此前，拍醫拍首席科學家楊瓊博士曾告訴雷鋒網，智能影像產品的準確率來源有兩種：一種是基於臨床應用測出的；一種是基於測試集數據得出的。但通常來說，智能影像公司在宣傳其準確率時並不會說其準確率來源。

雷鋒網：在這個領域，幾乎家公司都宣稱其產品診斷準確率在90%以上，有的甚至稱其準確率達98%，這是否意味著這樣的準確率很容易達到？

顏子夜：實際上，準確率這個指標並不規範，更準確的指標應該是敏感性和特異性，準確率作為一個整體指標受到數據來源、陽性率分布等多種因素的影響。很多公司宣稱的準確率都加了很多前置條件的，出於簡便或者宣傳目的而籠統地進行說明。比如所謂的「準確率超過人類醫生」，不僅現在，在10多年以前，某些疾病診斷演算法的準確率就已經超過人了，只不過沒有媒體宣傳,顯得陽春白雪。這個東西並不新鮮，如果去掉前置條件，在通用條件下，能夠達到80%多，接近90%就已經很不錯了，很多公司宣稱他們效果好，但不能拿到真實的臨床場景來測，萬里雲現在就是要從實際應用場景出發的。

雷鋒網：那相對於2000年，有什麼進步嗎？

顏子夜：相對來說，以前針對某種疾病的演算法是在特定條件下，並且需要對分類特徵進行人工的選取，演算法技術也有很大突破，現在限制條件少了很多，應用場景更廣泛了，演算法能力提高了。

智能影像領域「地頭蛇」與「過江龍」的角逐

AI浪潮興起，醫療行業湧入一大批AI創業公司，這些「外來龍」對醫療行業產生了很大的影響，打著「變革」的口號，打造出一個個「準確率超過人類醫生」的智能產品；與此同時，基於其在醫療行業的沉澱，西門子、飛利浦、萬東醫療等傳統的醫療影像設備商也在其影像解決方案中增加了AI工具。智能影像行業熱鬧非凡，同時也意味著競爭加劇，這場「地頭蛇」與「過江龍」的角逐成了繞不開的話題。

雷鋒網：萬東深耕醫療行業多年，再從事智慧醫療，有什麼優勢呢？

顏子夜：我一直說很多智能影像創業公司存在兩個問題，智慧醫療中包含兩個詞，一個是智慧，一個是醫療。最好兩個方向都有積累才能融會貫通。業內有一個說法是只有水平稍遜一些的研究者才去做醫療研究。頂尖的智能研究學者他們樂於聚焦於底層技術或者去做更廣闊的應用場景，比如說自動駕駛、人臉識別，其市場空間、想像空間都比醫療更大。所以你智能這塊都沒有做好，醫療這條也是空白，那就是一條腿沒有，一條腿是拐子。實際上像萬東和萬里雲我們在醫療的這條腿我們是很強勢，在智能這邊我們並不落後。按這樣的話，我兩條腿是可以很平穩的邁步的。

雷鋒網：醫療強勢在那些具體的方面呢？

顏子夜：大家都在說影像處理，但很多人連醫療成像的原理都不太清楚。我們在醫療影像鏈技術上有多年的積累，從醫療數字化開始，到如今有60多年的圖像積累，我本人也是作過多年影像設備研發，對設備和臨床應用都有深入了解。但是國內整體上這種對醫療和智能處理都有積累經驗的還是很少的。

雷鋒網：那智能影像創業公司相對於大公司來說有什麼優勢嗎？

顏子夜：有，他們的優勢是敢想敢幹，抓住機會可以找到一個好的點，尤其是創業公司自主度比較大，可以快速的插進去，但後續怎麼辦？第二步是個問題。

雷鋒網：您認為他們會遇到什麼問題呢？

顏子夜：對於創業公司，不論商業還是技術的成功都可以從數據、計算模型和應用場景這個三個人工智慧要素來進行分析。在數據上，如何獲得高質量的標註數據，並能進行持續的更新和反饋，將是一個問題。影像數據儘管體量很大，但是其中有效數據尤其是經過精細標註和具備病史資料的數據很少，如何從大量數據中淘金，還需要做技術研究並大量醫生進行標註。

在演算法模型上，目前流行的是基於深度學習技術架構進行。深度學習實際上只是智能演算法中的一個分支，儘管在通用領域取得很好的結果，但是其對計算能力、訓練數據的要求很高，並且作為一種端到端的分類演算法，其一般不能給出對判別結果的解釋。實際上醫療診斷過程是一個需要可解釋判據的過程。因此，如何利用深度學習和其他演算法模型例如SVM、推理機等進行可解釋的輔助診斷還是需要進行研究的課題。

在應用場景上，智能診斷的目的是為醫患提供更好的影像服務，在準確性和效率上提供幫助，從而產生價值。現在各公司的產品主要還是集中有限的病種，例如肺癌的早期篩查，帕金森診斷、糖尿病視網膜等有限的場景，這既有技術傳承的因素，也受到數據的限制和有待於對醫療需求進行更深入的挖掘。對這些病種的輔助診斷，除了處理結果是否可信之外，在臨床上所佔的比例並不大，整體上對醫生的幫助還有待提高。所以，如何與醫生場景進行深度的溝通，開發符合醫生需求的場景，例如一些定量化的處理功能、對常見病的處理等將是關鍵性問題。