医学影像和人工智能：了解历史，找准方向，稳步前进

吴山东， 夏黎明

人工智能(artificial intelligence，AI)目前在健康领域不断渗透，特别在医学影像方面显现出一种改变当前临床诊断流程的潜力。人工智能不是新概念，但是2012年开始变得火热的深度学习技术的出现，给人工智能的概念输入了新的燃料，相关的研究和应用落地都得到了极大的推动。学术界的研究现在基本都在向深度学习聚焦，而传统的机器学习迅速降温。工业界出现了一大批AI新创公司，积极探索不同国情下的AI临床应用场景和落地。由于深度学习的技术门槛并不高，因此也出现了一窝蜂的现象，大大小小的公司都在寻找成功的机会。在表面繁荣火爆的情况下，人工智能在医学影像领域的发展却充满很多挑战，真正的落地并不可能一蹴而就，医疗领域对于新技术的接受也相对缓慢。在开始的激情和热情慢慢褪却后，尊重新技术发展的规律，充分了解实际的临床需求和痛点，找到医学思维和计算技术的学科交叉路径，医生和工程技术人员深度协作，踏实前进，才有机会真正把这波人工智能的潜力转化成生产力，切实提高当前医学影像疾病诊断的精度、读片的效率、图像中信息解读的深度、以及影像在引领整个疾病管理诊治流程中的巨大作用。

本期杂志刊发了一些AI在医学影像方面文章，期待从不同的国情、不同的角度、不同的体会等方面给读者就人工智能在医学影像方面的发展提供讨论素材，扩大认知领域，交流实际经验和遇到的问题，碰撞火花，助力AI在医学影像相关方面的进一步研究和应用。在檀韬等的文章中，作者就人工智能在医学影像方面发展的历史进行了梳理，这其中最重要的基础是基于计算机的辅助检测和诊断(computuer-aided detection/diagnosis，CAD)。CAD在欧美已研究发展了几十年，一批有物理或计算背景的学者在医疗领域内倡导和发展了这一概念，并有实际的产品在临床部署。但是客观上CAD的临床使用并没有得到期待的效果，这一度使得不少人怀疑CAD可达到多大的高度，相关研究也几乎处在瓶颈阶段。深度学习的出现无疑给CAD提供了最新的燃料，不少有深度技术背景的专业人士开始憧憬先进的深度学习在技术层面提升传统CAD临床效果的前景。这也是目前AI应用于医学影像领域的助推力。虽然目前很多学者已经不再纠结于CAD的概念，但是了解CAD的历史和瓶颈，对目前AI技术开发和临床落地是有很大的积极借鉴作用的。当然，CAD或者AI的应用绝对不是单纯的技术问题，至少在可预见的短期内不是，只要有人(也就是医生)的参与，人机的有机协同作业带来的挑战更大，因为人的学习、决策和思维过程很多时候是定性的也很难建模的。在同一篇文章中，作者也探讨了AI在手术机器人方面的技术发展和应用场景。人工智能对专家医生的手术经验的学习，某种程度上类似于对放射科医生的读片经验的学习，但是由于手术场景带来的特殊性，这其中蕴含的困难实际上更多。另外，檀韬等作者文中对欧洲AI方面的独特视点，也非常有参考价值。

吕乐等的文章着重探讨了AI和医学影像在预防医学中的机会。这个视点更多是从美国的医疗情况出发。疾病筛查(如乳腺癌)在美国有国家层面的指南和推动，也形成了事实上的大量人群的筛查体系。筛查过程中产生的大量数据，会切实促进深度学习中数据驱动的学习这一理念，同时创造利用大数据分析的方法发现新的基于影像的标志物。吕乐等在文中更进一步提出了一些AI实际应用的场景，这些场景超越了计算机辅助检测和诊断的基本范畴，对整个疾病管理流程中的影像AI的角色指出了更多的可能性，也代表了对基于影像数据的精准医学的重要解读。吕乐等更在文中阐明了一些当前的研究难点和机会，比如数据共享、标注、精准分割、建模和可视化等问题，也包括对非结构化数据的使用等问题，特别值得研究人员关注和思考。

中国目前在医学影像AI方面的研究、应用以及工业界的积极参与程度方面非常突出，在某些方面处于领先位置。但是当中的过热、跟风、急功近利、不切实际的期望、不够深入的行业理解、对CAD或者AI不够清晰的角色定位等种种因素，处理不好会对AI的发展起到反作用。当前某些AI辅助工具的确在临床测试上表现了让人印象深刻的效果，这也是AI给人以期待的原由。但是即便如此，这样的AI还是在初级甚至比较粗糙的阶段，真正满足于临床诊断要求AI的临床研究目前还不到位，没有大规模、正规的临床测试研究的科学数据，以及第三方的客观数据的检验，还很难下确定的结论。即便是有了较为成熟的产品，产品的健壮性、普适性以及临床监管等，都需要大量而艰巨的工作来检验、规范，才能无缝融入临床工作流程并发挥作用。涉及到AI和临床医学的共生和交互问题。因此，来自临床一线医生的理性声音，对于AI的健康发展至关重要。可赞的是目前相当一部分医生也开始关注人工智能甚至深度学习技术，医院和工业界的合作更是比比皆是。学科的交叉带来进步，但也要防止一方由于对非自身专业知识的不够了解而产生的冒进甚至错误判断。针对医学影像的分析而言，AI可以做什么，不能做什么，以及深度学习的本质和优缺点的理解是对行业研究人员、医生以及工业界的共同要求，也是尊重AI新技术发展的理性思考。

人工智能如一道曙光，目前吸引了众多行业人员的追随。医学是不同于其它行业的特殊学科，根本目的是对人的关怀。技术的发展应遵循规律，AI造福人类健康，需要以符合医学本质的角度切入临床流程。目前的AI医学影像发展，需要激情，也需要理性，更需要踏踏实实、坚持不懈地把工作做严谨。还有很多问题值得在以后深入探讨和展开。我们也希望共同思考，共同进步，把AI医学影像诊断领域的发展推向纵深。