辅助医疗下的AI破题路

叶涛 乔幕

“请把这些算法在课后再多复习，谢谢。”与很多大学老师一样，章毅喜欢在上课的时候穿着休闲外套和牛仔裤。当记者进入他的办公室时，他的周围还围绕着很多学生，纵使行程满满，他依然面色红润，表情放松，丝毫觉察不出人们身上常见的忙碌。作为四川大学计算机学院学术院长，章毅比大多数的人更清楚人工智能技术广阔的应用前景和重大的战略意义。

在他主创的“章毅智能医学”平台上，“医学数据任我游，智能谱写万家春”十四个大字赫然放在首页上。“这是一个很现实的问题，随着生活水平的提升，人口老龄化的到来，大家对于医疗健康的需要日益增长。现在医疗行业面临着医疗资源无法完全满足民众对高水平医疗需求的问题。”如何让更多的人以更简单的方式获得医疗服务，是章毅在接触人工智能技术后所一直探索的方向。

作为行业中相对成熟的领域，医疗如今被认为是人工智能最有可能先落地的部分。当前，许多国家正进行医疗改革，不断将新技术应用到包括医院管理、药物挖掘、临床决策支持、医学影像、健康管理、语音识别、病理学在内的多个领域。中国作为世界第二大经济体，于2017年7月发布《新一代人工智能发展规划》，提出发展智能治疗模式、智能医疗体系、智能医疗机器人、智能可穿戴设备、智能诊断、智能多学科会诊、智能基因识别、智能医药监管、智能疾病预测等。

AI医学影像或成首个应用场景

与记者聊天期间，一位业界非常有实力的医生发来一条态度足够诚恳的微信，希望能够在专业领域上有所合作。章毅非常客气地回复后，感叹自从自己带领团队，运用人工智能技术做出乳腺癌、肺癌等筛查工具以后，时常会收到医疗界的各位专家伸来的橄榄枝。

关于人工智能在医疗领域的应用，其实在1972年就已开始，英国利兹大学尝试用人工智能的算法进行腹部疼痛的判断。在2011年，IBM公司正式启动人工智能认知系统Watson，IBM Watson可以在10分钟内阅读和剖析20万份医学文献、论文和病理，协助医生提供个性化专业治疗建议……如今在国内，人工智能在医疗领域的发展同样是如火如荼。

目前AI医学影像已经成为中国人工智能与医疗行业应用结合最成熟的领域，市场规模大、收入和融资情况表现亮眼。据第三方统计，从100家与人工智能相关的非上市企业2018年预计营收来看，100强中共有10家AI医疗公司，这10家AI医疗公司里有6家属于AI医学影像领域。而在融资方面，AI医学影像是获得融资最多的医疗领域，数据显示，2018年截至第三季度，国内AI医学影像行业公布的融资事件近20起，融资总额超过26亿元。

当国外以AI药物研发为主时，中国则借助医疗影像大数据及图像识别技术的发展优势，发展AI医学影像，其产品主要应用在疾病筛查方面，以肿瘤和慢病领域为主。章毅带领的技术团队正是通过与华西医院展开广泛合作，在乳腺癌、肺癌方面创造出较为成熟的产品。

其中，针对目前世界上增长最快的致盲病变糖尿病性视网膜病变，章毅与其技术团队研发了Deep DR系统，这是一套基于眼底彩照进行糖尿病性视网膜病变的智能检测系统。系统采用的深度神经网络技术是目前大数据处理领域中最为成功的方法，通过对大量资深眼科专家标注的眼底彩照数据进行学习，深度神经网络可以自发地学习到数据中病变特征与病变程度之间的复杂关系，从而提高病变检测的准确率，为眼科医师节省宝贵的时间和精力，为患者提供及时、准确的诊断结果。并且，Deep DR系统使用简便，用户只需将照相设备采集到的眼底图像通过浏览器上传到Deep DR系统，系统将自动地对每一张传入的图像进行计算和分析，自动给出病变程度的诊断结果，并实时返回给用户，这能帮助人们及时发现并诊治。

同时，章毅与其技术团队还研发了Deep BC（乳腺癌彩超智能诊断系统：移动版），“虽然现在B超/彩超是最方便和常见的乳腺癌检查手段，但B超读片需要经验丰富的专业医师。很多小城市没有足够的专家为潜在人群服务。在这种情况下，Deep BC乳腺癌彩超智能诊断系统应运而生，目前也已经在我们的官微中上线。”采用神经网络模型方法的Deep BC搭载于手机上后，只要用户上传手机端拍下的B超/彩超图像，或者纸质报告，就能立刻获得检测结果。其拥有不亚于专业医师的准确率，操作方便，又简单提高了乳腺癌诊断的准确性以及诊出率。

人工智能与医生的关系论

当Deep BC（乳腺癌彩超智能诊断系统：移动版）第一代产品刚出来时，医生团队曾组织了一次人机大战。但让人惊讶的是，初代Deep BC以两分钟一张的速度和极高的准确率获得了大胜。“当时我自己都吓了一跳，”章毅说，“很快便有人问我，未来人工智能是不是能取代医生，当然，我的回答是不能的。”

在章毅眼中，虽然人工智能技术有望提高医疗诊断的准确性，但它们和创造它们的人类一样并非绝对可靠，研究者、开发者和决策制定者都有必要以批判的眼光评估和实施人工智能技术，明白其局限性所在。放射学、病理学、眼科学和皮肤病学等被认为是将最早实现人工智能技术转化的临床领域，这些主要基于影像的领域非常适合训练人工智能技术实现自动分析或诊断预测。对于医院来说，人工智能技术可以提高医生的工作效率，比如医学影像的识别。但是因为医疗的严谨性，仍需要医生下达最后的诊断结果。更不用说，在需要整合多种类型数据的领域（例如内科）或以手术程序为必要组成的领域（例如外科专业），人工智能技术仍然尚处理论阶段，距离实际运用还有相当大的距离。

因此，人工智能仅仅可以看做是辅助医生的工具，帮助提高医生的工作效率，并不能替代医生。与Deep BC（乳腺癌彩超智能诊断系统：移动版）相对的，还有一个由章毅及其技术团队开发的Deep BC+（智能乳腺癌辅助诊断平台医生版）。两者区别在于，Deep BC是一款搭载在手机上，可供任何人随时使用的人工智能乳腺癌辅助诊断系统，而Deep BC+则主要面向彩超科的医生。由于彩超诊断中很难避免因经验差距或主观判断引起的误诊，Deep BC+这个利用大量高清的数据和疾病信息建立神经网络的模型，结合高性能的GPU大数据分析平台，能为彩超科医生提供简便的辅助，减少无用的穿刺检查的同时提高诊断的可靠性。

临床实践实施AI技术尚存挑战

虽然人工智能正日益得到社会各界的高度关注，越来越多的企业加入人工智能产品的战场中。但AI+医疗行业本身仍旧存在许多困难与挑战。“一方面是因为医疗健康本身就是容错率极低的领域，需要数据真实合法，算法准确有效以及足够强大的计算能力。另一方面，人才培养、行业信息获取等都是一道道门槛。”深耕于这一领域的章毅非常理解这一状况，认为当前医疗相关的人工智能技术虽不断实现突破，但要把技术“转化”为真正实施于临床的应用，目前还存在一定距离。“我们需要解决很多现实问题，比如数据共享、数据和算法的准确性和透明度、患者的安全保障等。”

作為四川大学计算机学术院长，章毅表示无论是对AI的初始训练还是对算法的验证和改进，数据都是核心依托，要在医疗健康领域更广泛的采纳AI技术，数据共享的程度还需要进一步加大。在他将人工智能技术运用到医疗领域时，获得数据的开放、共享是极为重要且谨慎的一步。

在乳腺癌、肺癌等多个专业的技术研发中，章毅获得了华西医院相关科室甚至院长的支持，其算法中所使用的多个数据均来自于该机构。“采用的数据可能会使人工智能技术存在算法偏差，会放大地域、性别或其他特征造成的差异。”章毅表示在监督式学习中，预测准确性很大程度上依赖于输入到算法中的注释的准确性。大量（上万至十万级）高质量标注好的数据是算法准确性的根本条件，也是稀缺资源。“我们采用的华西医院的数据，主要汇集了西南地区的患者情况，这使得我们的产品具有当地特色。但这也意味着，这项产品更适用于西南地区的患者，其他地区的患者使用可能会出现偏差。”

另一方面，人工智能技术正在改变传统的医患关系。问责制度一直是与患者安全有关的一个重要问题，当人工智能技术对患者身体造成伤害时，谁应该为此负责成为一个新的问题。目前多国政府和WHO的监管机构正在做出努力，试图在保护患者安全和促进技术创新之间取得微妙的平衡。

章毅表示，在早期人工智能与医疗健康领域的合作，的确存在很多挑战。很长一段时间内对数据的理解、清理，以及准确度的把控，直接决定了产品可用性的大小。但随着人工智能技术的不断发展，医疗健康领域数据对科研人员的进一步开放，人工智能终将会从概念、技术到产品落地，再到最后实现产业化，真正服务于人们的生活。