《中國醫學影像AI白皮書》發布：行業標準、市場准入、政策條件，還有哪些問題待解？

3月26日，由中國醫學影像AI產學研用創新聯盟牽頭，彙集了國內三甲醫院的影像專家、科研專家和AI醫學公司的《中國醫學影像AI白皮書》在北京發布，劉士遠教授、沈定剛教授分別作為白皮書的主編和副主編，出席了此次發布會。

中國醫學影像AI產學研用創新聯盟成立於2018年4月12日，聯盟理事長單位為上海長征醫院。

擔任中國醫學影像AI產學研用創新聯盟理事長的劉士遠教授在現場說到，該聯盟由從事醫學影像AI最核心的公司、專家、醫生組成，包括國內55家從事醫學影像AI的企業，35家包括清華、復旦、交大等相關的科研機構，以及120家全國的著名醫院。「可以說，代表了目前國內醫學影像AI領域最權威的聲音。」

醫學影像AI發展到今天已經自成一脈，成為醫學AI中最為繁盛的分支，值得單獨拿出來深入剖析。在此次《中國醫學影像AI白皮書》發布之前，雷鋒網曾在2018年底推出《2018醫學影像AI行業研究報告》。可以看到的是，這兩份報告都將重心落在了醫學影像AI這一話題上，探討了醫學影像AI的問題與發展之路。

劉士遠教授在會上表示，「我們希望白皮書的發布，能對行業產生一定的指導作用，對企業能有參考價值，對國內想了解醫學影像AI、但不明了的人，或者跨學科的人，起到知識普及的作用。」

劉士遠教授從事醫學影像診斷工作30餘年，同時也是AI技術的觀察者和參與者。

2018年7月，雷鋒網受邀參加了第五屆醫學圖像計算青年研討會（MICS 2018），並且圍繞醫學影像AI的發展和劉士遠教授進行了一次深入對話。在那次對話中，劉士遠教授坦率地說，醫學影像AI的形勢很好，但是醫學的術語、識別、標記標準制定等基礎工作對醫學影像AI公司是一件非常重要的事情。現在一些公司的演算法模型是通過什麼樣的數據、怎樣做出來的，很多醫生都不知道，在一個封閉的環境中，容易做出一個高準確率的模型，但在真實世界中就不一定經得起檢驗。

「產品要有生命力，首先要保持這個種子是對的，培養、施肥、修剪方式是合適的，才可能讓它長起來。」

因此，2018年4月，聯盟成立後，劉士遠教授就打算匯聚各方力量，把行業的現狀、問題以及未來記錄下來。在白皮書的發布會上，劉士遠感慨道，經過半年左右的醞釀、努力、耕耘，《中國醫學影像AI白皮書》這塊「寶貝疙瘩」終於落地。同時，他也說，白皮書是第一次發布，也是第一版，「但以後我們每年都會做」。

隨後，中國醫學影像AI產學研用創新聯盟副理事長錢大宏教授，對《中國醫學影像AI白皮書》的部分重要內容進行解讀，分析了醫學影像AI在15大臨床應用中的發展價值所在。

他說到，從技術層面來看，影像的技術也在不斷發展，從圖像的分割、配准到識別、映射，各種模型和技術的應用都是AI影像不可缺少、並且不斷發展的重要因素。

錢大宏教授分別從心血管疾病AI、乳腺AI、骨齡判讀AI、前列腺癌AI、病理AI等幾個方面進行了解讀，這幾個部分中，部分領域的產品已經開始落地，但是行業標準以及影像資料庫等方面的工作還遠遠沒有完成。

錢教授也說，AI也開始逐步跟傳統的PACS系統進行對接。尤其是區域里開放式的AI的PACS系統。「可以看到這麼多AI診斷模塊，都處在不同的發展階段，進展非常迅速。」

在此次發布會上，還有一位值得關注的嘉賓——沈定剛教授，上文提到的醫學圖像計算青年研討會正是由沈教授倡議發起。作為此次《中國醫學影像AI白皮書》的副主編，沈教授撰寫了白皮書中「人工智慧在醫療領域的應用概述」和「醫療影像AI演算法的最新進展」兩章。

去年，在雷鋒網承辦的2018 CCF-GAIR全球人工智慧與機器人峰會上，沈定剛教授曾發表主題演講《深度學習在醫學影像分析中的應用》。可以看到的是，從去年到今天，沈教授的很多觀點都沒有變。

在他看來，現在國內很多初創公司的發力點集中在診斷環節，但醫學是一個很長的鏈條，成像、檢測、診斷、治療、預後每個環節都大有文章可做。

因此，沈教授提出，我們必須要搭建平台，一個平台裡面有相應的分割、配准、分類和一系列診斷的演算法，有了新的應用以後，把相應的模塊像搭積木一樣搭起來就可以做應用。所以「平台化、全棧式的人工智慧肯定是未來趨勢。」

醫學印象AI的進步很大程度上得益於醫學影像的演算法，那麼到目前，用於醫學影像的演算法都有哪些進展？作為醫工交叉的專家，沈教授作出了解答：「醫學影像AI的每個應用都不一樣，所以方法非常多。還有同一個AI應用，用的都是非常某一點片面的開發。為了解決這兩方面的問題，我們要做很多的研究來應對挑戰。」

沈教授提出，過去的一年裡面，在影像AI領域至少有幾個方面的發展值得關注，包括小數據訓練、分散式計算、多模態判斷、可解釋化等。其中，小數據訓練在醫學領域是一個重要的問題。「我們開發一個新的應用，有時候數據非常多，但是標註的數據非常少，或者有些疑難疾病的數據量比較少。」

數據的問題一直存在。此前，雷鋒網的《2018醫學影像 AI 行業研究報告》曾指出，大型三甲醫院一年產生的影像數據在10T以上，但是卻存在數據不準、數據不全的問題。

據南方醫科大學副教授劉再毅介紹，醫院影像科每天產生很多數據，但其中能用的連1%都不到。而且，影像學診斷有兩大難點——異病同影和同病異影。 影像數據需要與後期準確的診斷治療結果進行關聯才有價值。但醫院裡的數據往往不完整，拿肺癌或其他腫瘤來說，在大醫院，滿足要求的可能只有10%~20%。在二甲等地方醫院，很多病人做完檢查之後，轉移到上級醫院看病，有完整資料的病人可能只有1%~2%。

考慮到數據缺失的情況，近幾年，出現了幾種解決小樣本問題的方法，這些方法被稱為Fewshot learning（若只有一個標註樣本，則稱為Oneshot learning）。沈教授說到，「我們要嘗試把大數據已經學習好的東西遷移到小數據裡面。」

除此以外，分散式的學習也非常重要。當前國內醫院的數據是不出院的，但是醫療AI模型要需要足夠多的多中心樣本進行訓練，那麼怎樣訓練一些方法來達到訓練模型的目的？

沈教授提出三個方法，可以考慮在多中心訓練時，貢獻用於優化的梯度或者是在模型訓練結束後，通過模型的集成達到模型共享的目標以及將上述兩種方法結合起來。

總的來看，醫療AI產品屬於新生事物，無先例可循，准證審批規則有待成熟，仍需要數據標準及輔助診斷性能評價標準等。從技術到市場的全面理解，更好地建立行業共識，繼而推動技術革命，走向產業化落地，是中國醫學影像AI產學研用創新聯盟希望看到的事情。

劉士遠教授說到，醫療AI很火，但也存在被消費的情況，做企業的人也很辛苦。企業需要行業幫它們提供一些燃料或者營養，而不是一直地消耗它。只有醫工結合，企業壯大，未來實現盈利，才能夠讓醫療AI更加活躍。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！