雷鋒網消息， 近日， 北京大學醫學部影像醫學學系第二次學術年會在北京舉行。 當天上午舉行了“醫學影像與人工智慧論壇”。 北京大學人民醫院放射科原主任杜湘珂教授參與此次論壇， 並在會上發表了題為《醫學影像中的人工智慧技術》的主題演講。
杜湘珂：北京大學人民醫院教授、主任醫師；中華放射學會磁共振學組委員、北京市放射學會委員、中華醫師協會放射分會委員；北京大學醫學部教學委員會影像醫學與核醫學組及北京市住院醫師培訓基地影像醫學與核醫學組組長；中華放射學雜誌、實用放射學雜誌、中國醫學影像學雜誌等十餘部雜誌的編委。
杜教授認為， 雖然 AI 在肺結節的檢出上比人工快， 但是肺結節的檢出並不是那麼簡單， 5毫米以下的小結節， 尤其是1-3毫米的結節， 情況更為複雜， 並且肺本身的疾病分類就多達200多種， 資料量非常龐大。
同時， 杜教授表示， “ AI 並不能完全替代醫生。 醫生看病不止于看圖這麼簡單， AI完成的僅僅是診斷環節中的一部分工作。 同時， AI的盈利與能源消耗也是一個巨大的現實問題。 IBM沃森醫生與安德森癌症中心的合作已經暫停， 花費了6200萬美金。 “
以下為嘉賓演講實錄， 雷鋒網做了不改變原意的編輯。
杜湘珂：尊敬的袁主任、葆青主任， 以及其他老師， 還有一些公司的代表。 大家早上好！
我很詫異今天能來這麼多人， 我覺得是一個小型的研討會， 可能對這個題目感興趣的人不會特別多， 但沒想到今天人還挺多。
作為一名醫生我本沒有資格在這裡談論這麼前沿的IT技術，
第一：我們非常驚詫， 人工智慧生長速度太快了， 它在深度學習和大資料的推動下， 生長速度真的非常快。 我大概翻閱了一下從2016年開始到現在的資料， 人工智慧幾乎無處不在， 你問問所有的放射科大夫， 放射科主任都會跟你說， 我們也在跟AI合作， 某某公司在找我們， 好像哪兒都有AI參與。
第二：我感覺到 AI 跟我們專業有這麼密切的相關性， 實際上這也對， 因為醫療影像的資料體量是非常大的， 它占到醫院整個資料的75%-80%， 它的體量非常大。
第三：感覺到這些影像資料還是非常孤立的， 一個一個孤島， 一個一個的碎片， 每個醫院都是在做自己的事。 現在衛生部有資料中心， 有一部分醫院的資料進入了那裡。 據說移動等國有機構在整合這些資料， 但是否整合成功， 還需要進一步瞭解。
第四：實際上我們認為， 人工智慧在我們眼裡它還是一個小“baby”， 還是在繈褓中的， 可能它需要面對複雜的演算法， 面對將很多計算方式跟臨床接軌；這裡就面臨一個業務化的問題， 還有電腦的瓶頸問題， 可能目前還都制約著它的發展。
我看到現在國內外從去年開始可以搜索到很多相關內容， 首先是谷歌， 穀歌在2016年2月成立了 DeepMind Health， 正式把人工智慧的技術應用到了醫療健康領域， 獲得了英國的皇家理工學院、倫敦皇家自由醫院和英國的醫療服務系統資料的支援。
我大概流覽了一下它在做的東西， 比如說在2016年底時， 它發表了《 AI 在糖尿病視網膜病變上的引用進展》。 大概包括智慧引擎培訓了8個月， 有54名美國的眼科專家把12000多份的視網膜照片分級分類， CNN對我們眼科大夫而言是非常陌生的技術， 它是一個演算法叫“卷積神經網路”，用來訓練AI自動檢測糖尿病視網膜病變和視網膜黃斑水腫，大概能夠達到87%左右的靈敏度和特異度。
穀歌還幹了別的事，比如在乳腺癌病理的人工智慧方面，在與病理學家合作的基礎上，人工智慧在基於靈敏度和假陽性的乳腺癌病例分析中的準確率能達到88%，而病理學家準確率為73%，看了這麼多人機對話，大概人工智慧都會高一點，包括有90%的。
2017年1月開始， Nature 就開始連篇刊登這些文章了，我查到的這三篇分別是：
第一篇：《 AI 在先天性白內障的研究》，這是我們中山大學的臨床實驗，它也是利用神經卷積演算法（CNN），做了410張各種程度的先天性白內障圖片和476張正常的圖片訓練，它的準確率達到了92%。
第二篇：《對腦瘤病理切片的快速診斷》，模擬傳統的 HE 染色切片，通過萬張以上圖片訓練，把AI區分腦膠質瘤和非膠質瘤的準確率提到了90%。
第三篇：《對神經假體進行精確控制》，我覺得這挺有用的，神經假體在人的身上，如果能夠用智慧去控制，將來對這種類型的殘疾人會帶來多大的幫助。
還有就是 IBM 的 AI ，即叫沃森腫瘤診斷機器人或沃森醫生，這個訓練比較深入，它不僅僅是一個單純的領域或僅僅是乳腺癌研究的檢出的訓練。
沃森醫生根據患者的症狀、病史和診斷資料，自動去搜索海量的病例和醫學圖書、論文資料庫，進行對比匹配，得出它認為最合適的診斷和治療方案。沃森機器人學習了很多東西，它學習200多種腫瘤專業領域的教科書，培訓了300多種醫學期刊，1500多種腫瘤文獻的關鍵資訊和臨床實驗中的60多萬條的醫療證據，它的訓練在醫學界來說是比較完整的。它最開始是跟MD Anderson合作，大概花了很多很多錢。
去年它在中國，2個小時為21名癌症患者做了義診，包括胃癌、肺癌、直腸癌、結腸癌、乳腺癌和宮頸癌等，它現場和知名醫生的對話結果成功率達到90%。
但沃森醫生目前實際上也存在跟臨床合作非常糾結、非常尷尬的事情。我們到後面再談。
在超聲上，浙大理工學院的團隊，通過對機器人的開發和識別，他開發了一個叫“-DE超聲機器人”，主要是探索甲狀腺，從甲狀腺的超聲圖片中快速檢出和勾勒出結節。比如：
第一：對結節的特徵，比如鈣化、邊緣、毛刺、灰度等進行了一個分類處理。
第二：對層次結構，淺層次和深層次進行了一個分類和梳理。
最後在人機對話中，它的效果能夠達到85%，資深超聲醫生效果是75%，但這裡面的訓練是非常艱苦的。
我不知道浙大的超聲醫生團隊是怎樣給它篩查病理的，但我知道有的醫院在篩查病理時，假如用1000份病例，就是有病理結果的甲狀腺結節來輸入這個機器，他在1000份裡起碼要輸入30%不合格的病理，比如他雖然有病理結果，但病理結果很模糊，或者各個方面臨床認為不合格。
所以，我知道病例的真實性是非常重要的。如果不是這麼嚴格的去篩選病例，叫一個公司來，幫我實驗一個什麼軟體的話，我想它資料的真實性會有很大的問題。
當然最後真實的結果，同濟醫院會給我們詳細講述，他們是怎麼訓練機器人，怎麼去從臨床提供真實資料。
阿裡最近資訊比較多，我發現實際上它現在還是在肺結節的檢出上比人工快，但肺結節檢出有那麼簡單嗎？肺結節是5mm以下的小結節，尤其是1-3mm的結節，有各種性質。怎麼分類？我覺得這裡面是非常複雜的。所以我們期待著看同濟醫院是怎麼做的。
我覺得肺本身就存在非常複雜的疾病，有一個公司跟我說，他們準備搞肺的疾病研究，200多種疾病，我說那是不可能的，現在的AI進入醫療以後，一定會選擇單一領域。
比如它在肺癌裡就選肺結節，它絕對不應該選肺間質病變，同樣一個肺間質病變，在我們90年代寫的書裡有216種，僅病因的篩查那就是個非常複雜的工作，那不是目前通過簡單地訓練機器人就能幹的事，它一定是有一個非常明確的、單一的領域。
比如乳腺癌，大家現在做乳腺癌都選擇核磁，要把超聲和鉬靶檢查都囊括進來的話，這個工作量和複雜程度將會非常非常大。
病理智慧診斷系統其實也做了不少，AI的病理醫生讀片是北京友誼醫院、北京協合協和醫院的四名資深病理醫生，與羽醫甘藍研製的宮頸細胞癌塗片的智慧輔助篩查系統在合作。它們大概對7份宮頸癌的TCT病理塗片進行了讀片，速度也是 AI 更快一些，人工用20分鐘，單純的AI還不到5分鐘。
單純的人機這一塊得到了認可，但在臨床流程的探索可是另一個跟 AI 的合作方式。
第一：能不能檢出，能不能分辨良惡性，分辨良惡性到什麼程度。
第二：臨床流程。從目前來看，我們能夠認出的還是 AI 系統的篩查和檢出，這個檢出的圖片是要留給上級病理醫生再次審核的，同時要刪除掉陰性細胞，預計能夠節省讀片時間。
下面是Nature上發的《 AI 深度識別皮膚癌的進展》，它大概是12000張的涵蓋2000多種皮膚病的臨床圖片，進行了AI機器的分辨。
通過對話有兩場比賽：
第一場：區別角質細胞癌和良性脂溢性角化病。
第二場：區分惡性黑色素瘤和良性痣。
所有的結果，人工智慧的靈敏度都能達到90%，基本與病理醫生診斷的正確性是相持平的。
AI 該從哪些點切入醫療影像應用？剛才主持人也深入地問了一下皮膚科的醫生面對AI的挑戰問題。皮膚科醫生認為，看皮膚遠遠不止看皮膚那麼簡單，當患者就診時，醫生要瞭解他的飲食、旅行、接觸、家人、穿著衣物、既往病史、家族史等等盡可能詳細的問題。 AI 完成的就是診斷的一部分工作，它只完成了一部分工作，這是我們要知道的。
今天來的除了臨床的醫生，還有各個做 AI 的科技公司，他們現在最關注的其實是從哪個點切入。所以，一會兒臨床醫生有一些好的應用可以提供給大家。
從哪個點切入？現在看來比較多的比如，超聲是從甲狀腺切入，影像比較多的是做肺、乳腺等，我相信現在做前列腺結節比較多。袁主任你覺得腫瘤、骨折有沒有可能切入進來，其實骨折現在還好一點，有核磁了，過去在我沒退休以前，我覺得統計起來，在科室裡最常出的醫療事故倒不是那麼複雜的病變，複雜的病變反而我們通過多方會診不會有那麼多的事故，倒是簡單的骨折，尤其是沒有移位的骨折、隱形骨折或介於骨挫傷和骨折之間的骨折，患者一活動就移位了，就要打起官司了，這個方面AI有沒有可能介入。中樞神經系統-急性出血和缺血性病變的警示有沒有可能等，這個是 AI 在影像領域切入的方向點，一開始一定要非常單一，能夠規範到幾點上去做。
另外，我們在跟自己的網路工程師談論的時候，就關於大資料問題，大資料現在不是說資料大就行，更的重要的是資料的質、資料的成色。
影像醫師怎麼看 AI ？那影像醫師是怎麼看待 AI 的呢？ AI 一開始的狀態就是小成品臨床驗證，局限於病灶檢出。隨著技術能力的提成，人工智慧幾乎無處不在，很多醫院的放射科大夫都已經接受這個新事物。其次， AI 還需要更大的基礎研究，需要更大的資料來源進行訓練，和更多的醫療科醫院進行合作。我們最後的目標是要讓 AI 在醫療領域能夠達到標準化、量化和結構化，最後成為一個高水準的AlphaGo。最後，我們還要思考一下臨床 AI 以後的發展方向，因為現在這些資料還是非常隔離的，所以未來 AI 可能會參與提煉和梳理資料，把控資料的成色。
過去我們影像科的醫生都是通過影像資料和自己的主觀經驗進行診斷，但是現在 AI 以超乎我們想像的速度和能力進入傳統領域，這場變革是由技術推動的，但是我們醫生的工作不會丟失，但可能會換一種形式，我們要保持自己的初心，需要記住的是：有時候治癒，經常關懷，永遠撫慰。
謝謝大家！
（以上內容為杜湘珂主任原創，雷鋒網編輯整理）
它是一個演算法叫“卷積神經網路”，用來訓練AI自動檢測糖尿病視網膜病變和視網膜黃斑水腫，大概能夠達到87%左右的靈敏度和特異度。穀歌還幹了別的事，比如在乳腺癌病理的人工智慧方面，在與病理學家合作的基礎上，人工智慧在基於靈敏度和假陽性的乳腺癌病例分析中的準確率能達到88%，而病理學家準確率為73%，看了這麼多人機對話，大概人工智慧都會高一點，包括有90%的。
2017年1月開始， Nature 就開始連篇刊登這些文章了，我查到的這三篇分別是：
第一篇：《 AI 在先天性白內障的研究》，這是我們中山大學的臨床實驗，它也是利用神經卷積演算法（CNN），做了410張各種程度的先天性白內障圖片和476張正常的圖片訓練，它的準確率達到了92%。
第二篇：《對腦瘤病理切片的快速診斷》，模擬傳統的 HE 染色切片，通過萬張以上圖片訓練，把AI區分腦膠質瘤和非膠質瘤的準確率提到了90%。
第三篇：《對神經假體進行精確控制》，我覺得這挺有用的，神經假體在人的身上，如果能夠用智慧去控制，將來對這種類型的殘疾人會帶來多大的幫助。
還有就是 IBM 的 AI ，即叫沃森腫瘤診斷機器人或沃森醫生，這個訓練比較深入，它不僅僅是一個單純的領域或僅僅是乳腺癌研究的檢出的訓練。
沃森醫生根據患者的症狀、病史和診斷資料，自動去搜索海量的病例和醫學圖書、論文資料庫，進行對比匹配，得出它認為最合適的診斷和治療方案。沃森機器人學習了很多東西，它學習200多種腫瘤專業領域的教科書，培訓了300多種醫學期刊，1500多種腫瘤文獻的關鍵資訊和臨床實驗中的60多萬條的醫療證據，它的訓練在醫學界來說是比較完整的。它最開始是跟MD Anderson合作，大概花了很多很多錢。
去年它在中國，2個小時為21名癌症患者做了義診，包括胃癌、肺癌、直腸癌、結腸癌、乳腺癌和宮頸癌等，它現場和知名醫生的對話結果成功率達到90%。
但沃森醫生目前實際上也存在跟臨床合作非常糾結、非常尷尬的事情。我們到後面再談。
在超聲上，浙大理工學院的團隊，通過對機器人的開發和識別，他開發了一個叫“-DE超聲機器人”，主要是探索甲狀腺，從甲狀腺的超聲圖片中快速檢出和勾勒出結節。比如：
第一：對結節的特徵，比如鈣化、邊緣、毛刺、灰度等進行了一個分類處理。
第二：對層次結構，淺層次和深層次進行了一個分類和梳理。
最後在人機對話中，它的效果能夠達到85%，資深超聲醫生效果是75%，但這裡面的訓練是非常艱苦的。
我不知道浙大的超聲醫生團隊是怎樣給它篩查病理的，但我知道有的醫院在篩查病理時，假如用1000份病例，就是有病理結果的甲狀腺結節來輸入這個機器，他在1000份裡起碼要輸入30%不合格的病理，比如他雖然有病理結果，但病理結果很模糊，或者各個方面臨床認為不合格。
所以，我知道病例的真實性是非常重要的。如果不是這麼嚴格的去篩選病例，叫一個公司來，幫我實驗一個什麼軟體的話，我想它資料的真實性會有很大的問題。
當然最後真實的結果，同濟醫院會給我們詳細講述，他們是怎麼訓練機器人，怎麼去從臨床提供真實資料。
阿裡最近資訊比較多，我發現實際上它現在還是在肺結節的檢出上比人工快，但肺結節檢出有那麼簡單嗎？肺結節是5mm以下的小結節，尤其是1-3mm的結節，有各種性質。怎麼分類？我覺得這裡面是非常複雜的。所以我們期待著看同濟醫院是怎麼做的。
我覺得肺本身就存在非常複雜的疾病，有一個公司跟我說，他們準備搞肺的疾病研究，200多種疾病，我說那是不可能的，現在的AI進入醫療以後，一定會選擇單一領域。
比如它在肺癌裡就選肺結節，它絕對不應該選肺間質病變，同樣一個肺間質病變，在我們90年代寫的書裡有216種，僅病因的篩查那就是個非常複雜的工作，那不是目前通過簡單地訓練機器人就能幹的事，它一定是有一個非常明確的、單一的領域。
比如乳腺癌，大家現在做乳腺癌都選擇核磁，要把超聲和鉬靶檢查都囊括進來的話，這個工作量和複雜程度將會非常非常大。
病理智慧診斷系統其實也做了不少，AI的病理醫生讀片是北京友誼醫院、北京協合協和醫院的四名資深病理醫生，與羽醫甘藍研製的宮頸細胞癌塗片的智慧輔助篩查系統在合作。它們大概對7份宮頸癌的TCT病理塗片進行了讀片，速度也是 AI 更快一些，人工用20分鐘，單純的AI還不到5分鐘。
單純的人機這一塊得到了認可，但在臨床流程的探索可是另一個跟 AI 的合作方式。
第一：能不能檢出，能不能分辨良惡性，分辨良惡性到什麼程度。
第二：臨床流程。從目前來看，我們能夠認出的還是 AI 系統的篩查和檢出，這個檢出的圖片是要留給上級病理醫生再次審核的，同時要刪除掉陰性細胞，預計能夠節省讀片時間。
下面是Nature上發的《 AI 深度識別皮膚癌的進展》，它大概是12000張的涵蓋2000多種皮膚病的臨床圖片，進行了AI機器的分辨。
通過對話有兩場比賽：
第一場：區別角質細胞癌和良性脂溢性角化病。
第二場：區分惡性黑色素瘤和良性痣。
所有的結果，人工智慧的靈敏度都能達到90%，基本與病理醫生診斷的正確性是相持平的。
AI 該從哪些點切入醫療影像應用？剛才主持人也深入地問了一下皮膚科的醫生面對AI的挑戰問題。皮膚科醫生認為，看皮膚遠遠不止看皮膚那麼簡單，當患者就診時，醫生要瞭解他的飲食、旅行、接觸、家人、穿著衣物、既往病史、家族史等等盡可能詳細的問題。 AI 完成的就是診斷的一部分工作，它只完成了一部分工作，這是我們要知道的。
今天來的除了臨床的醫生，還有各個做 AI 的科技公司，他們現在最關注的其實是從哪個點切入。所以，一會兒臨床醫生有一些好的應用可以提供給大家。
從哪個點切入？現在看來比較多的比如，超聲是從甲狀腺切入，影像比較多的是做肺、乳腺等，我相信現在做前列腺結節比較多。袁主任你覺得腫瘤、骨折有沒有可能切入進來，其實骨折現在還好一點，有核磁了，過去在我沒退休以前，我覺得統計起來，在科室裡最常出的醫療事故倒不是那麼複雜的病變，複雜的病變反而我們通過多方會診不會有那麼多的事故，倒是簡單的骨折，尤其是沒有移位的骨折、隱形骨折或介於骨挫傷和骨折之間的骨折，患者一活動就移位了，就要打起官司了，這個方面AI有沒有可能介入。中樞神經系統-急性出血和缺血性病變的警示有沒有可能等，這個是 AI 在影像領域切入的方向點，一開始一定要非常單一，能夠規範到幾點上去做。
另外，我們在跟自己的網路工程師談論的時候，就關於大資料問題，大資料現在不是說資料大就行，更的重要的是資料的質、資料的成色。
影像醫師怎麼看 AI ？那影像醫師是怎麼看待 AI 的呢？ AI 一開始的狀態就是小成品臨床驗證，局限於病灶檢出。隨著技術能力的提成，人工智慧幾乎無處不在，很多醫院的放射科大夫都已經接受這個新事物。其次， AI 還需要更大的基礎研究，需要更大的資料來源進行訓練，和更多的醫療科醫院進行合作。我們最後的目標是要讓 AI 在醫療領域能夠達到標準化、量化和結構化，最後成為一個高水準的AlphaGo。最後，我們還要思考一下臨床 AI 以後的發展方向，因為現在這些資料還是非常隔離的，所以未來 AI 可能會參與提煉和梳理資料，把控資料的成色。
過去我們影像科的醫生都是通過影像資料和自己的主觀經驗進行診斷，但是現在 AI 以超乎我們想像的速度和能力進入傳統領域，這場變革是由技術推動的，但是我們醫生的工作不會丟失，但可能會換一種形式，我們要保持自己的初心，需要記住的是：有時候治癒，經常關懷，永遠撫慰。
謝謝大家！
（以上內容為杜湘珂主任原創，雷鋒網編輯整理）