未來醫療圓桌對話：從醫學理論到醫療場景，AI還需要走多久？丨CCF-GAIR 2017

雷鋒網消息，7月9日，由 CCF 主辦，雷鋒網、香港中文大學（深圳）承辦的第二屆CCF-GAIR全球人工智慧與機器人峰會進入了第三天。在下午的未來醫療專場上舉行了題為「AI在醫療影像中的真實應用場景」的圓桌會議。

據雷鋒網了解，此次圓桌會議由清華x-lab健康醫療創新中心主任鍾宏主持， 廣東省人民醫院影像科主任、南方醫科大學副教授劉再毅，飛利浦大中華區臨床科學部高級總監周振宇，匯醫慧影CEO柴象飛，宜遠智能CEO吳博等四人參與討論。

從左至右為周振宇，劉再毅，柴象飛，CEO吳博。

以下為此次圓桌對話內容實錄，雷鋒網在不改變原意的基礎上進行了整理。

鍾宏：之前周院長提出人工智慧要分清是在醫學方面的應用還是醫療方面的應用，坦率的講，作為非醫療背景的人，我很難理解這個問題。不知道哪位願意講解一下，為什麼在人工智慧或者影像智能方向要分醫學和醫療兩個方向？

劉再毅：我們臨床工作還是常規的模式，基於人工的經驗進行圖像判斷。我們希望AI給我們很好的支撐，減輕工作量，把時間、精力更加聚焦到重要的臨床活動當中去。剛才田老師說了，這是學術方面的研究，我們發表文章之後，成果能不能拿給我們用。大家如果進入醫學影像裡面來，你會發現裡面的陷阱、難度很多。現在廠家的設備差異很大。我覺得這裡面更多是做學術研究，真正落地到臨床上是很難的，路還有很長。最近有很多創業公司的朋友拿產品過來讓我提意見，上午外國教授講了一點，我們失敗在什麼地方呢？沒有Follow臨床工作流程，肺結節檢測，我們檢測完了只是一個方面，我們看片子會調不同顏色一樣的東西，如果只做肺結節檢測沒有問題，但是病人一旦漏了另外一個疾病，就賠錢。這給我們帶來怎樣的科學進步？學術是我們最需要做的，但是學術到臨床，我感覺路還是蠻長的，需要工業界的朋友給我們提供更好的支撐，讓我們敢用，如果臨床不能通過，就拿不到證書，就不能做商業的開發。

鍾宏：前面三位嘉賓都來自醫學影像的技術公司或者研究院，都提到了一定要圍繞臨床醫生的需求。剛才劉主任的分享，我覺得非常坦誠，這個行業裡面有很多難點，從醫學到醫療，可能有很大的山峰要攀。周總作為GPS工作者，這麼多經驗，算是醫療影像的產品和服務的提供商，您怎麼看人工智慧在醫療影像中對我們的專家、患者會產生什麼樣的影響？或者多長時間能邁過從醫學到醫療的檻？

周振宇：過去9年，我都是在通用電器，今年因為飛利浦醫療在這方面的轉型相對更快，所以我到飛利浦醫療來從事這方面的工作。我們今天看到很多來到會議上的都是新的創投各方的人員，大家都非常年輕。但對於進入醫療、影像領域，我們面臨非常大的困難。

現代醫學有哪六大特點？這是上個月荷蘭衛生部和衛計委討論的問題。作為基因組學來說，全球範圍內成本大為削減，飛利浦攜手另外一家公司做全人類基因篩查的工作，未來有望把費用降到100美金以下。學術知識庫的膨脹，AI是基於大數據，特別是對於影像來說，是大健康數據，或者說檢驗檢疫的數據，數字病理、基因信息。在這種情況下，知識庫的積累更重要。像劉教授講的，醫生的知識儲備，這種相關疾病、相關臟器，剛才說的淋巴結的觀察，對於醫療的大數據都是特別重要的。

第二個特點，在知識庫中關於醫療的文章有2500萬篇，每年以120萬篇的速度激增，這是現代醫學的第二個特點。

第三個特點是田老師講的大量資料庫的建立，說到本土資料庫比美國國家資料庫多50%的病例，這是現代醫學非常重要的特點。

第四個是張院士講的生物感測器和穿戴式設備，可以使我們的院前、院中、院后的醫療信息得以共享。這樣子能夠真正實現全生命周期的檢測，這對醫療大數據，特別是很多創投公司來說非常重要的一點。影像主要是在院中，它的診斷治療是非常重要的。

第五點是機器學習和人工智慧，假設它可以在數據驅動和假設驅動兩個基礎上進行產業化，為什麼GE、西門子、飛利浦這樣的廠商不敢和大家高談闊論AI在醫療方面做了哪些事情。因為我們說的時候，客戶會說要。飛利浦醫療科技在數字DI、數字病理、數字基因方面，已經在美國拿到FDA的認證。進入，可能還需要一段時間，可能是兩三年之後。我看到很多創業公司走得更加激進，比我們更快，至少在市場上更早把這種信息發出去。

第六，作為新生代人，社會主體對醫療信息的開放程度越來越開放，我們願意把這些公司、這些資料庫共享，使醫療更開放。

這六點是傳統行業進入新的領域做AI的認識，但是困難很大，我們確實面臨著非常巨大的挑戰，我們也希望有更多的人才積累。我本人學生物、醫學工程和數學三個大學部的內容，其實AI在醫療方面的投入是需要更多跨界的綜合性人才的參與，才有可能做得更好。

鍾宏：一看就是大公司出來的，條理性很強。劉主任，剛才田博士講，我們和中科院自動化所有很多研究，而且發在很多知名雜誌上。我曾經問過你，你有沒有跟什麼樣機構合作，我們作為一個影像科的專家，您最希望找到什麼樣的機構和您共同做醫學影像方面的研究以及選擇的標準是什麼？

劉再毅：我非常希望有很好的機構和我合作，提供基礎的支持。在我看來，影像挖掘還是以臨床為主。如果東西做得再好，不能解決臨床問題，那肯定不行。我們現在也在做，我們組裡從開始一個工科的學生到現在有五個工科學生，他們都是剛剛從大學部轉變為研究所的過程，掌握的知識不夠多，如果我們加速研發進度，我就想找到能夠真正參與進來。但是有些公司找我做，我提供數據，然後給他分析，他分析完之後，就把數據拿走。我希望是互信，他給我數據，以我為中心，以臨床目的為中心共享這個成果。這是平等互助的形式，我們臨床的數據最寶貴，你光有技術沒有臨床數據，我想很多都是紙上談兵。你的演算法再好，我想最後也不能轉化。所以我希望如果有合作的機會，你們給我提供很好的人才，這個人才專職為研究項目服務。不能今天找你合作談工作，你還有其他的任務，應該積極推動，然後出很好的成果。

鍾宏：醫學創新的路徑一定是圍繞醫生這個主體，這是大家一致認同的。柴總在智能影像方向上算是創業老兵。我想代表創業者向您提問，您通過什麼樣的方式以及用什麼樣的產品來滿足專家的需求，讓專家願意和您合作？聽說有上百家醫院和我們做各種層面的合作，這方面的乾貨能不能和我們分享？

柴象飛：比如說劉教授這樣的專家，比如頂級三甲醫院，我們其實搭了通用化的醫學影像大數據和人工智慧的科研平台，我們發現其中有很多工作要做。但是我們做的過程中，正如劉教授所言，發現病種很散，其次很多疾病研究，或者想把它商品化和產業化是要以臨床大夫來牽頭提出需求和數據，我們來提供方法。因為合作者很多，我們做了一步很重要的事情，把原來內用的東西更加平台化，因為很多不同應用會有很強的通用性。我們有些人會覺得時間比較長，尤其發現很多70后、80后的醫生對新技術非常積極，也非常願意敞開懷抱去接觸、感知或者深度的參與，但往往缺乏工具性的東西。頂級醫生我們提供工具、方法來和他合作共贏，偏基層的醫院，我們提供了很多類似工具孵化的東西，比如影像網路化的工具，比如患者雲膠片這樣方便的工具，在工具上我們又幫他增加了防漏診的智能系統，或者初診的提示系統，不單單是基本的IT工具，而是更加智能化、自動化的工具。同時又跟他建立這樣的循環，演算法其實需要不停地來，以數據驅動的演算法，其實核心有人不停的給你糾錯，把新的數據進行正向的反饋。演算法也會正向迭代，這樣形成比較良性的狀態。簡要的回答是以工具切入，演算法逐步跟進。

鍾宏：確實不一樣，經過幾年商業化的打磨，已經找到有效路徑。而且很不容易，自己的產品線很長，為了滿足專家需要。劉主任，您覺得他剛才提的有哪些沒有滿足您的需求，或者您認為最重要的需求是哪些？

劉再毅：做平台是比較好的，因為我們現在做研究，要推廣大數據不可少，要把這個事情平台化，放到雲端讓別人用，提供免費分析，拿數據做建設模型。但是發現一個問題，我們研究的時候發現，數據規範的問題沒有辦法進行管控。大家如果沒有做過臨床研究，會發現臨床信息經常有誤。數據沒辦法保證，這樣的數據即使做大量的平台，質量得不到保證，最後的結果有多好，我們不清楚。我們數據多得不得了，我們影像科每天產生很多數據，但是有多少數據可以用？1%都不到，這裡面怎麼甄別錯誤的信息，這是大家要做的，要不然你做出來的東西，在這批數據裡面訓練的效果很好，拿到我們醫院用的時候，發現跟50%的篩選差不多，那就沒有任何轉化的價值。所以這個影像數據的規範，臨床數據的規範，可能是大家以後做的時候要注意的問題。

鍾宏：劉主任給我們很好的參考意見。吳總，您創業才2個月，您在雲棲大賽的成績還不錯，所有醫學相關和人工智慧相關都面臨三個難點，一是專家合作，這是最難的事；二是數據的難點；三是商業模式的難點。三個問題不都拋給你，就說說數據問題，初創公司如何解決？

吳博：我本人做數據很多年時間，醫療創業才2個月。回到最開始的問題，大家提醫療和醫學的差異，在我看來，其實它是有機結合的，特別是遊戲領域，遊戲領域大家經常提IP，開始張院士也提知識產權，在我看來醫學和醫療就是怎麼樣以醫學產生IP，把IP轉化到醫療，我覺得這是最大的痛點。臨床的規範肯定要守的。我們切入醫學影像、醫療影像，在目前階段還不是以工具見長，我們以貼身服務來做。我們現在為獲取數據，或者不一定獲取，是想使用數據，包括和南方醫科大學聯合參加比賽，臨床醫生找課題，我們出演算法和對數據的理解、規範。我們和醫生合作的過程中發現醫生還是遇到很多臨床問題，他們其實對於數據的共享持謹慎樂觀的態度和開放的態度，這無非是說我們怎麼樣依據做深度學習的經驗，把我們對於數據標註、數據整理、數據隱私保護的方法論也傳達給他們，把數據加上專家知識結合起來，用科研服務、課題服務的形式結合起來。其實醫生明白，商業化的構思對於轉化的訴求是一直推動的。

鍾宏：四位專家從不同的角度做了精彩分享。我想問兩個比較難的問題，兩個問題有相關性，我們一直說醫學智能影像，都不敢說醫療智能影像，一個問題是未來3-5年有沒有可能從患者的角度看到一些成果？醫療智能影像真正幫助患者解決一些問題？第二個問題，商業模式的問題，大家怎麼考慮？

柴象飛：這個問題特別好，醫學總體還是學術性的東西，但是醫療則是實際層面。我們要做商業化一定在醫療層面。我總體的看法比右邊兩位相對激進和樂觀，因為創業者一定是樂觀的。實際中一定有很多問題，像鍾主任剛才講的誰為人工智慧付費？你想這個東西無非是醫生、醫院和患者，我非常認同過程中有種種困難和問題，短期來講也是比較難的事。如果這個事沒有困難、沒有問題，這個事大公司就做完了，輪不到創業公司做。

回到場景來看，我們比較看重兩個場景：一是讓醫院付費，大家一直說滿足醫生的需求，但是在實際使用過程中，可能醫生的需求並不是商業需求，真正醫生的需求在醫院有很多，比如工作環境差等等。它沒有那麼大的商業性。最後有商業需求的是兩點：1.醫院買單。現在篩查類的影像裡面，提高效率、降低誤診率，以及幫助醫院對醫聯體、醫共體來擴展醫療服務範圍，在短期內還是可以買單的。2.匯醫慧影走向對C端收費的場景。患者對影像沒有感覺，他一定是對臨床決策、診斷的結論和對他非常重大的選擇最關心。而這點可能並不是醫療需求，也可能不是醫學需求。我們舉另外一個例子，剛才提到的基因診斷，基因診斷從醫學價值角度來講是非常巨大的。到如今，醫療的使用並沒有我們想象的那麼多，基因診斷用的最好的可能是華大基因，它最大的收入來自唐氏篩查，唐氏篩查滿足患者的心理需求。我們以一些重大決策的場景在積極的走對患者的心理需求和患者決策重大需求上，提供公正、客觀，並且是有權威性的指導，並且我們已經在幾個試點發現進行得很好，這是我們一線的經驗。

周振宇：從未來的場景來看，其實各個大公司都已經在這方面進行布局。我今天來到這個會場，想看到更多人工智慧在醫學方面的應用，但是我們看到還是和十幾年前一樣的，我們得到的結果還是停留在純粹數據驅動的結果上，100個肺結節找到多少百分比，這對於臨床知識來說沒有太大的價值。另外，從疾病和臟器來看，目前還是僅限於皮膚病、肺結節等相對容易做的器官。更多的人類疾病，人比較重要的肝臟、腎臟、乳腺等方面，其實各個廠家的涉足點都是比較緩慢的。我們一直做這方面的努力，這些疾病和基因有關，比如和疾病有關的基因已經明確有4940種，這些信息如何和現在的醫療診斷影像手段，比如CT、磁共振等結合，有效地把數據信息提取出來，基於醫療信息、知識資料庫形成統一有策略的答案，這是非常困難的。1949年的時候，當時更新一倍的醫學知識要50年時間，在1980年，大多數人出生的前後，它的更新速度是7年。到2010年，也就是大家工作的時候，更新一次醫療1倍的數據是3.5年，也就是一個醫學生博士還沒有讀出來，知識已經翻新一倍，2020年，醫療知識翻新的速度是7.3天，我們如何把影像學的知識以人工智慧的方式、假設驅動的方式、數據驅動的方式真正應用到醫療場景中，成為醫療場景中不可或缺的一部分，這是非常艱難和重要的一點。我們期待今天讓大家更多了解我們的困境，在醫療領域真的不容易。

劉再毅：影像是很重要，但不是最重要，我們做臨床治療決策一定是結合所有信息，這不僅是影像，有基因、血液檢查，甚至一些習慣，有些宗教禁止輸血，你就不能給他做輸血。任何一個治療決策裡面，影像佔一部分作用，但不是主要的。我們現在做影像，但以後的工作應該是整體的解決方案，我們從事的人很少，但是我們正在做基因到病理到影像的挖掘。昨天和周總說，我們的解決方案是他們的縮小迷你版，做單純的影像，我建議還是要考慮到人是一個整體，一定要結合其他的信息做綜合的判斷。我們臨床所說的臨床決策應該是整體信息的整合，這才是我們未來的方向，也是目前我們研究組正在做的事情。

吳博：談到兩三年之後的前景，我是新晉的創業者，我是更加樂觀派的。我回應劉教授說的，他提到一個系統只能找到一種病灶對於臨床醫療的價值不大。在我們看來，這波以深度學習為主導的AI浪潮，能在3年之內給醫學和醫療領域帶來突破。我和很多醫生朋友溝通AI領域的方法論，有時候醫生是做一些經驗判斷、經驗模型，人腦做模型很模糊，非常有經驗的可以效果很好。但是機器學習傾向於把問題分解成子問題，如果是肺結節，我可以做到全球第一，再把其他一個個子問題做到全球第一，組合起來的話可能會超過醫生的預期。現在很多情況是，大家只解決一個問題，沒有做到極致。圖象識別領域，大家覺得沒有搞頭，就是深度學習活生生拉了十幾個點，大家明顯感覺到人眼不如電腦。其實我們相信，至少影像這個標準化領域，通過大家建立方法論、分析臨床問題、分解問題，把一個問題通過集中行業力量做起來，3年之內肯定有比較整合的，在醫學和醫療領域形成效果的系統。這是我樂觀的看法。