智能化医学影像设备的发展机遇和挑战

邱陈辉，孔德兴,2

1. 浙江大学 a. 数学科学学院；b. 理学部图像处理研发中心，浙江 杭州 310027；2. 浙江大学医学院附属第一医院 放射科，浙江 杭州 310003

引言

人工智能（Artificial Intelligence，AI）诞生于计算机科学与技术领域，现已发展成为一门交叉前沿学科。《人工智能标准化白皮书（2018版）》[1]给出如下AI定义：AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

2017年12月，国家卫生计生委办公厅印发的《医院信息化建设应用技术指引》[2]将AI在医院信息化建设中的应用分为健康医疗服务、医疗智能应用、医院智能管理三大块，又把医疗智能应用划分成智能医学影像、人工智能辅助诊疗、虚拟助理。从美国食品药品监督管理局（Food and Drug Administration，FDA）和中国国家药品监督管理局（National Medical Products Administration，NMPA） 的监管角度，医学影像设备是医疗器械中极其重要的组成部分，更是医院综合实力的重要体现，为临床诊断与治疗提供重要保障。文件中的智能医学影像是指AI技术在医学影像设备中的应用，是高端医疗器械的重要发展方向之一。

智能化医学影像设备既包括纯软件产品（独立软件），又包括软硬件相结合产品。前者是具有一个或多个医疗目的、却无需医疗器械硬件就能完成自身预期功能的程序。后者是具有一个或多个医疗目的、控制/驱动医疗器械硬件或运行于医用计算机平台的程序，亦即软件组件[3]。医学影像设备的智能化主要体现在软件上，而AI算法和模型是其关键核心部分。

迄今为止，大多数的智能化医学影像设备是指采用AI技术的医学影像软件系统（独立软件）。为此，2021年7月，NMPA发布《人工智能医用软件产品分类界定指导原则》[4]，明确了文件的适用范围是AI医用独立软件，并且指出含有人工智能软件组件的医疗器械可以参考该文件。

1 机遇

1.1 临床需求迫切

首先，医疗行业长期存在专业医生资源稀缺且分配不均的问题，而医学影像领域专业医生的供需缺口更是巨大。据悉，我国医学影像数据的年增长率达到30%，而影像医生的数量增长缓慢，年增长率只有4%左右[5-6]。其次，放射科、超声科、核医学科和病理科等作为医技科室，要为整个医疗机构的临床科室提供影像辅助诊疗支持，影像医生的读片工作量繁重，大型医院的影像医生经常超负荷工作，导致读片疲劳。并且，人工判读依赖于经验，存在较大的主观性。此外，医学成像存在“同病异影”和“异病同影”现象，这些因素导致漏诊率和误诊率偏高。最后，医生读片耗时较长，对急诊患者的救治更加不利。以2018年全国首届超声读片大赛——甲状腺癌的超声影像诊断为例，来自100多家顶级医院的200多名医生的平均读片时间是45 min，平均准确率是74.46%，而作者所在团队研发的DEMETICS®超声诊断机器人的平均读片时间是1.5 min，平均准确率达到90%。又如，在图像引导放疗的靶区勾画方面，医生的手动勾画时间也远远超过智能化医学影像软件的自动勾画时间。因此，弥补医学影像领域专业医生的供需缺口、降低漏诊率与误诊率、减少读片时间是医学影像辅助临床诊疗的迫切需求。

1.2 国家政策支持

2016年8月，国务院印发《“十三五”国家科技创新规划》[7]，提出要大力发展人工智能等新一代信息技术、精准医学关键技术、数字诊疗设备。特别地，要以早期、精准、微创诊疗为方向，重点推进多模态分子成像、新型磁共振成像系统、新型X射线计算机断层成像、新一代超声成像、低剂量X射线成像、复合窥镜成像、新型显微成像、大型放射治疗装备、手术机器人、医用有源植入式装置等产品研发，加快推进数字诊疗装备国产化、高端化、品牌化。同年10月，中共中央、国务院印发《“健康中国2030”规划纲要》[8]，提出要加强高端医疗器械创新能力建设，大力发展高性能医疗器械，加快医疗器械转型升级，提高具有自主知识产权的医学诊疗设备的国际竞争力；健全质量标准体系，提升质量控制技术，实施绿色和智能改造升级。

在国家部委层面，2017年12月，工信部印发的《促进新一代人工智能产业发展三年行动计划（2018-2020年）》[9]对医疗影像辅助诊断系统进行专门阐述，要推动医学影像数据采集标准化与规范化，支持脑、肺、眼、骨、心脑血管、乳腺等典型疾病领域的医学影像辅助诊断技术研发，加快医疗影像辅助诊断系统的产品化及临床辅助应用。2018年11月，工信部办公厅印发《新一代人工智能产业创新重点任务揭榜工作方案》[10]，将上述医学影像辅助诊断系统的研发作为重点揭榜任务。2019年8月，国家发改委等二十一部委联合印发《促进健康产业高质量发展行动纲要（2019-2022年）》[11]，提出要加快人工智能技术在医学影像辅助判读、临床辅助诊断、多维医疗数据分析等方面的应用，推动符合条件的人工智能产品进入临床试验。

上述国家级文件从数字诊疗设备、智能改造升级、医学影像辅助诊断系统等角度对智能化医学影像设备进行了论述和强调，为智能化医学影像设备高效发展提供了宏观指引与顶层设计，为高端医疗器械的科学研究与成果转化指明了重点实施方向，营造了良好的研发氛围，提供了重要的政策保障。

1.3 AI技术支撑

AI发展史上存在“功能模拟”和“结构仿真”两条路线，并逐渐诞生了符号主义、连接主义、行为主义和统计主义四个学派。符号主义学派掀起了AI的第一次浪潮，贯穿于20世纪50年代至80年代初，后续的发展较为缓慢。连接主义学派直到20世纪80年代才逐渐流行起来，并掀起了AI的第二次浪潮，持续至21世纪初。期间，行为主义和统计主义学派逐渐兴起，但至今仍不成熟[12-13]。2006年，Hinton团队在两篇论文中分别提出深度置信网络模型和神经网络中的数据降维方法[14-15]，标志着以深度学习为代表的AI第三次浪潮开始。2016年，谷歌公司DeepMind团队研发的计算机程序AlphaGo以4∶1战绩击败了顶级围棋棋手李世石。该程序使用了深度学习、强化学习和蒙特卡罗树搜索等技术[16]，该事件被《Nature》杂志以封面形式进行报道。至此，AI迎来了井喷式发展，连接主义学派再度盛行。机器学习研究怎样利用经验（以数据的形式存在）来改善系统自身的性能，吸收了连接主义、行为主义和统计主义三个学派的重要思想，在AI第二、三次浪潮中不断发展壮大。玻尔兹曼机算法、贝叶斯网络、支持向量机等都是传统机器学习的代表性技术。强化学习、迁移学习、深度学习亦属于机器学习范畴，在AI第三次浪潮中被高度关注和使用，逐渐成为与传统机器学习并驾齐驱的细分领域[17]。在智能化医学影像设备研发领域，面向各种医学成像与影像处理、医学影像辅助临床诊疗任务，传统机器学习、强化学习、迁移学习和深度学习被广泛应用。目前，已有较多关于AI技术在智能化医学影像设备中应用的综述[18-23]。典型地，Shen等[21]在其综述中阐述了深度学习的研究进展，尤其对前馈神经网络、堆栈自动编码器、深度玻尔兹曼机、深度置信网络、卷积神经网络（Convolutional Neural Network，CNN）等进行了较详细的介绍；并且列举了多种CNN模型在医学影像处理与分析中的具体应用案例，包括基于医学影像的配准与定位、组织分割、解剖结构（人体器官、细胞）检测、计算机辅助诊断与预后等。

1.4 发展环境良好

从全球大环境看，全球工业生产面临巨大挑战，制造业增长乏力，经济持续低迷，安全事件频发。AI成为国际竞争的新焦点、经济发展的新引擎、社会建设的新机遇，是新一轮科技革命与产业变革的重要驱动力量。根据《2020人工智能医疗产业发展蓝皮书》[24]的论述，相较于制造业、金融、零售、教育等AI应用领域，全球AI医疗尚处于早期阶段，商业化程度相对偏低，发展空间广阔，市场规模高速增长，大量的初创企业不断涌现，预计到2025年AI应用市场总值将达到1270亿美元，其中AI医疗将占据市场规模的五分之一。根据《中国人工智能医疗白皮书》（2019）[5]的论述，AI医学影像市场是AI医疗应用领域第二大细分市场，以超过40%的增速发展，预计2024年市场占比将达到25%，市场规模将达到25亿美元。《中国人工智能医疗白皮书》（2019）和《2020人工智能医疗产业发展蓝皮书》还指出，AI医学影像领域市场竞争较为激烈，清晰的盈利模式和可持续的商业变现能力成为AI医学影像的关键竞争要素，经过多轮洗牌已经出现领跑企业，除了全球老牌医疗器械公司德国西门子和美国通用电气，中国的兰丁高科、医诺科技、深睿医疗和推想科技、美国的Vida Diagnostics、韩国的Lunit等企业都已获得C轮融资，发展势头强劲[5,24]。

除了市场环境，科技创新基地的作用亦不容小视。2017年8月，科技部等三部委联合印发《国家科技创新基地优化整合方案》[25]，将国家临床医学研究中心定位成技术创新与成果转化类国家科技创新基地，面向重大临床需求和产业化需要，开展大样本临床循证、转化医学和战略防控策略研究，推动医学科技成果转化推广和普及普惠，为提高我国整体医疗水平提供科技支撑。为了进一步完善医疗服务体系建设，缩小区域间医疗技术水平差距，促进医疗资源合理分布和均衡发展，推进分级诊疗制度建设，国家卫健委于2019年1月印发《国家医学中心和国家区域医疗中心设置实施方案》[26]。智能化医学影像设备的研发依赖于医学、数学、信息科学和工程科学的交叉融通，这些国家级医疗中心连同相关的国家重点实验室、国家工程研究中心、国家技术创新中心在国家政策引导下，能够为智能化医学影像设备的研发全过程（AI技术的研究及应用、影像数据采集与数据库建设、技术和设备的测评及落地使用等）提供良好条件。

2 挑战

尽管智能化医学影像设备领域拥有良好的发展机遇，但不可否认该领域的发展尚处于起步阶段，面临诸多较为严峻的挑战。作者结合自身的科研经历、合作交流体会以及相关文献资料，总结成以下四点，并给出相应的发展方向，供研究者参考。

2.1 AI技术层面

AI第三次浪潮使深度学习、强化学习、迁移学习的算法与模型得到了充分发展，使传统机器学习焕发出新的生机。然而这些算法与模型的性能高度依赖于训练数据。由于医学成像的模态多种多样，成像设备的厂商与型号各不相同，医生对扫描参数的设置不尽相同，医生的从业经验与操作技能存在差异，因此难以采集得到高质控、规范化的影像大数据，而关于疑难病症的影像大数据更难获取。当前，很多在实验室测试效果上佳的算法与模型一旦应用到临床实际中，算法与模型的性能明显下降，可见鲁棒性偏弱。另外，深度学习等AI技术可解释性差的问题已成为监管部门（美国FDA、中国NMPA等）审批智能化医学影像设备的重要障碍。该问题虽然被较多的研究者钻研，在某些特定任务中取得了较为满意的成果[27]，但我们更期待里程碑式的研究成果，类似于ACM图灵奖得主Valiant提出的概率近似正确模型、Pearl提出的因果理论和基于结构化模型的反事实推理，从根本上推动整个AI领域的发展[13]。建立基于小样本数据、具有可解释性、鲁棒性强的AI算法与模型是未来的重要发展方向。特别指出，符号主义虽然沉寂了30多年，但其作为人类高等智能的抽象，在AI领域永远有其地位。符号主义的知识驱动和连接主义的数据驱动相结合是推动AI发展的重要路径。

2.2 医学影像数据库（集）层面

高质控、规范化的医学影像数据贯穿于智能化医学影像设备研发的全过程。在科研探索阶段，利用医学影像数据库（集）训练得到AI算法与模型的参数；在测试验证阶段，使用医学影像数据库（集）对AI算法与模型进行测试和优化；在产品审批阶段，监管部门利用封闭的医学影像数据库（集）对智能化医学影像设备进行测试审评；在产品上市应用阶段，当设备在医疗机构部署、安装时，利用医学影像数据库（集）对设备性能进行再评价。2016年6月，国务院办公厅印发的《关于促进和规范健康医疗大数据应用发展的指导意见》[28]对健康医疗大数据的发展作了宏观指引。当前，医学影像数据库（集）的建设普遍存在数据质控标准不统一、数据类型比例不均、病种不全且分类不细、采集范围较为狭窄、同质化现象较为严重、共享程度不高等问题。由国家卫生健康委能力建设和继续教育中心和作者所在团队共同建设的《国家医学图像数据库》是这方面的代表性工作，试图从标准制定、数据收集、数据存储和数据应用四个环节实现医学图像数据库建设的全程质控，确保影像数据的真实性、准确性、完整性、可溯性、多元性和合法性。构建高质控、规范化、大样本、多病种、跨区域、多中心的医学影像数据库（集）是未来的重要发展方向。

2.3 伦理与安全层面

智能化医学影像设备的伦理与安全包括AI技术和医学场景两个方面。在AI技术方面，2017年7月，国务院印发的《新一代人工智能发展规划》[29]指出，加强人工智能相关法律、伦理和社会问题研究，建立保障人工智能健康发展的法律法规和伦理道德框架。开展与人工智能应用相关的民事与刑事责任确认、隐私和产权保护、信息安全利用等法律问题研究，建立追溯和问责制度，明确人工智能法律主体以及相关权利、义务和责任等。2019年，国家人工智能标准化总体组发布《人工智能伦理风险分析报告》[30]，国家新一代人工智能治理专业委员会发布《新一代人工智能治理原则——发展负责任的人工智能》[31]。在医学场景方面，主要涉及数据采集与处理、临床应用两个环节。《关于促进和规范健康医疗大数据应用发展的指导意见》[28]指出建立健全健康医疗大数据开放、保护等法规制度，强化标准和安全体系建设，强化安全管理责任，妥善处理应用发展与保障安全的关系，增强安全技术支撑能力，有效保护个人隐私和信息安全。2016年10月，国家卫计委印发《涉及人的生物医学研究伦理审查办法》[32]。2021年1月，国家卫健委等三部委联合印发修订的《医学科研诚信和相关行为规范》[33]。目前，我国的伦理法规与安全保障体系比较薄弱，尤其缺乏智能医疗交叉领域的伦理与安全规范。现实中，整个医疗行业的数据泄漏事故时有发生，AI医疗设备使用过程中责权不明、影像数据的脱敏清洗过程不规范、数据存储安全没有保障等问题十分突出。国家标准化管理委员会等五部委于2020年7月印发《国家新一代人工智能标准体系建设指南》[34]，对安全/伦理标准的建设重点进行了详细规划，建立更加完善、细致的伦理与安全政策法规体系是未来的重要发展方向。特别指出，开展医学影像数据的稳妥存储、脱敏清洗、安全防控等关键信息技术的科研攻关也是重要方面。

2.4 创新发展模式层面

“产学研”深度融合是典型的促进科学技术研究与成果转移转化的创新发展模式。“产”是指生产制造商（企业），“学”是指高等院校，“研”是指科研院所。然而，该模式在智能化医学影像设备的研发应用领域不足以发挥作用。根本原因在于智能化医学影像设备的研制和使用都具有很高的专业门槛，还应接受监管部门的严格审批。具体地，智能化医学影像设备的主体用户是医疗机构，研发过程中需要的影像数据主要从医疗机构采集、遴选得到，智能化医学影像设备的客观需求和临床效果评价又与医疗机构直接相关。另外，智能化医学影像设备作为高端医疗器械，必须通过政府监管部门的严格审批，获得相应的医疗器械注册证、生产许可证、经营许可证和配置许可证，才能开展生产、销售、购置等活动。因此，智能化医学影像设备的高效、持续、稳步发展需要“政产学研用”协同合作。“政”是指政府部门，“用”是指医疗机构。当前，智能化医学影像设备领域面临研发周期长、审批进程慢、产业化落地艰难等问题。医疗科技创新类企业难以获得持续稳定的融资，较多的科技巨头高调进军、低调淡出，一定程度上使该领域发展前景难以捉摸。2018年11月，NMPA修订发布《创新医疗器械特别审查程序》[35]，并且为加快AI医疗器械的审批进度开辟了审评绿色通道。而“产学研用”四方虽然已经有较大程度的协同合作，但由于资源分享、任务责权、成果分配等因素，大多数情况下合作的深度和力度不够，特别是在申报项目课题方面，存在强行捆绑、拉郎配的现象。在深化科教融合、产教融合、医教协同的新形势下，“政产学研用”五方一体的创新发展模式亟待推广，政府部门宜加强引导和协调工作，在明确各方责权利益的同时，注重优势互补、资源共享，推动各种创新要素的深层次融合，打造优良的创新生态系统。这是未来智能化医学影像设备高效、持续、稳步发展的重要保障。

3 总结

2020年9月，习近平总书记在主持召开科学家座谈会时提出，我国科技事业发展要坚持“四个面向”——面向世界科技前沿、面向经济主战场、面向国家重大需求、面向人民生命健康，不断向科学技术广度和深度进军。智能化医学影像设备是高端医疗器械的重要组成部分，其发展与应用在“四个面向”中处于交汇地位，对全面推进健康中国建设具有重要的推动和支撑作用。伴随着AI第三次浪潮进入冷静期，智能化医学影像设备的发展进入了深水区，尽管政策利好，但机遇与挑战并存，研究者和资本市场都已回归理性，期待“政产学研用”五方联合、协同创新，强化顶层设计，完善政策制度，瞄准关键科学技术的难题和成果转化应用的痛点，攻坚克难，深耕细作，促使越来越多的智能化医学影像设备达到国际领先水平，并且切实有效地应用到临床诊疗中。