独家专访| 权威解读医学影像AI路线图:AI未来会在很大程度上取代医生读片

计算
独家专访| 权威解读医学影像AI路线图:AI未来会在很大程度上取代医生读片
麻省理工科技评论 2019-05-06

2019-05-06

AI 正在对医学成像领域深度渗透,这已是业内共识。根据市场调查公司 Signify Research 报告,包括自动检测、量化、决策支持和诊断软件在内,全球医学影像 AI 市场在 2023 年将达到 20 亿美元。如今除了通用电气公司(GE)、西门子和谷歌等大公司,大量的新创公司正在涌入到这个领域来。
人工智能
AI 正在对医学成像领域深度渗透,这已是业内共识。根据市场调查公司 Signify Research 报告,包括自动检测、量化、决策支持和诊断软件在内,全球医学影像 AI 市场在 2023 年将达到 20 亿美元。如今除了通用电气公司(GE)、西门子和谷歌等大公司,大量的新创公司正在涌入到这个领域来。

AI 正在对医学成像领域深度渗透,这已是业内共识。

根据市场调查公司 Signify Research 报告,包括自动检测、量化、决策支持和诊断软件在内,全球医学影像 AI 市场在 2023 年将达到 20 亿美元。如今除了通用电气公司(GE)、西门子和谷歌等大公司,大量的新创公司正在涌入到这个领域来。

权威解读医学影像AI路线图:AI未来会在很大程度上取代医生读片

图:全球医学成像软件的收入预测(Signify Research)。

然而,很少有人能看清渗透将如何发生。

4 月 16 日,一篇题为《医学影像 AI 路线图》的报告在业内顶级杂志《放射学杂志》(Radiology)上发布。这份攸关医学影像 AI 应用未来发展方向的路线图,厘清了未来数年医学影像 AI 可能重点突破的技术主题,应为业内重点关注。它是 2018 年 8 月一次研讨会的成果,当时美国国立卫生研究院、北美放射学会 (RSNA)、美国放射学院 (ACR) 和放射学与生物医学成像研究学院在华盛顿特区联合主办这次会议。

路线图指出了 5 个关键主题:1)图像重建:如何从源数据生成适合解释的图像;2)图像自动标记和注释:从临床影像、电子档案和结构化图像中提取信息;3)临床影像机器学习新方法:包括定制的、预先训练的模型架构和分布式机器学习方法等;4)机器学习人工智能方法的解释性;5)图像识别和数据共享:以促进临床影像数据应用和学科发展。

如何解读这份路线图?这份路线图对于下一步的医学影像 AI 应用有多大的指导价值?为此 DeepTech 专访了路线图作者之一、美国纽约伦斯勒理工学院讲席教授王革。

DeepTech:为什么放射医学更热衷 AI 应用?

王革:这和图像性质有关。在医院,成像技术会产生大量的图像数据,而图像数据分析正是 AI 相对成熟的技术。医学成像相当于是现代医学中的眼睛,可以把人的五脏六腑看得一清二楚。无论做手术,还是开药方,或者是放疗都离不开图像。所以人工智能介入进来理所应当,于是就变成了很热的一个领域。

此外,在医疗数据里边,断层扫描图像应该是最精确的数据了,因此利于 AI 研发。其他如电子病历或者是保险数据可能都会有较大误差,这也让医学影像领域在 AI 方面走得较快。不过那些不太精确的数据并非没用,如果这些数据分析和精确的图像数据结合起来分析,就会让医生有一个整合性的更精准的决策。

权威解读医学影像AI路线图:AI未来会在很大程度上取代医生读片

图:ImageNet大规模视觉识别挑战错误在过去6年中下降了8倍以上,2017年低于3%,好于人类错误率5%的表现。尤其是2012年引入深度学习后,识别准确性大大提高。

DeepTech:AI 在医学影像中的应用达到了什么阶段,是否还处于初级阶段呢?

王革:是的,还是初级阶段。比如说图像重建的问题,现在 AI 用在医学图像品质提升方面进展稍微快一些。比如说,对于一张模糊的医学影像,我们可以增强它的清晰度。原来用经典的 CT 影像分析方法可以将清晰度增强 30% 左右,现在我用深度学习分析 CT 图像或核磁共振图像,能增强 100% 甚至到 200%。这个进步是显著的,但还需深入研究与严格检验。

图像增强对病患者是有实际收益的。比方说 X 光 CT 筛查癌症。因为大部分来体检的人是没有癌症的,在这个过程中人们会担忧 X 射线的安全性。因为 X 光照射本身可能会引发基因变异以及增加癌变的可能性。尽管这个可能性很小,但是毕竟让人们有所顾虑。在这种情况下,我们就考虑用比较少的 X 光剂量来做癌症筛查。问题是把剂量减少之后,就会得到背景嘈杂的影像。那么我们可以用机器学习来减少低剂量照射的噪音和伪影。也就是说,低剂量照射得到的原始图像是模糊的,有噪音的,经过机器学习处理这个图像就变得清楚了。

这也是 2018 年 8 月 NIH 会议说的第一个要点,低剂量造影图像的重建。图像重建是机器学习的一个新领域。我们正在和 GE 合作研究基于 AI 的 CT 图像的重建。

另外,如何审批这类应用产品还没有明确规则。美国 FDA 正在考虑这个方向。AI 研究结果看着很好,但要是用到病人身上,万一有失误怎么办?而且 AI 产品的监管和传统产品监管不一样,以前的产品的发布和修改是很明确的,但是 AI 产品是交互式的和自适应的,它会不断从现实环境中学习迭代,因此给 FDA 监管带来新挑战。所以说,AI 在医学影像中距离广泛应用还有工作要做。

在非医学图像数据库 ImageNet 大规模 AI 识别中,错误率已经低于人类的错误率。这是机器学习的结果,而错误率的降低对患者的健康至关重要。要知道,诊断错误造成了不少病患者死亡,而放射科医生的读片常有错误。

在某些特定的图像识别中,现在人工智能已经超过人类了。将来机器一定程度上甚至是很大程度上会取代医生来读片。我认为这正在发生或迟早会发生。

DeepTech:AI 将来能全面取代医生吗?

王革:至少目前看我们还不能完全让机器来做复杂的处理,现在的 AI 还有可解释性、鲁棒性(即系统稳定性)等在医学影像领域尤其重要的问题需要解决。AI 的介入希望能提高医生的诊治效率。我认为,最终这样的半自动化技术会在很多场景下变为全自动。也就是说,在一些特定场合取代医生是可以实现的。

一些很常规的分析,比方说骨头在 X 照射中看得很清楚。机器分析会明确诊断出有没有骨折。这种情况下,我觉得医生就可以相信机器。那么,医生的重要性怎么体现呢?在整个诊断过程中,将来医生的角色可能更宏观一些,进行一些有创造性、有想象力的分析。

DeepTech:你刚才说医学影像的 AI 发展还是初级阶段,那么路线图是如何描述下一个阶段要解决的问题的?

王革:这份路线图是行业专家告诉美国相关机构下一步要怎么走,侧重的是接下来几年要关注的要点以及可实现的改进,而不侧重 AI 的远景。

除了刚才说的图像重建问题,还有一个当前重要的问题是黑匣子问题,就是说机器学习的可解释性。医生可以和患者沟通病情、病因以及诊治的依据,但机器学习只会给出一个结论,这不容易让患者放心,会让人感觉把自己完全交给未知了。但这其实也是一个进步,以前患者只能听到医生的判断,现在患者还能听到 AI 的判断。我们现在正与 IBM 合作研究神经网络可解释性的问题。

另外一个问题是图像数据库。机器学习需要用大数据,来保证训练分析是合理的。还有外国的数据库拿到能不能用,要不要监管部门来审批,公司能不能开放数据,这都是问题。

再一个问题是硬件。机器学习用到大量的数据,所以对硬件的要求越来越高,尽管这几年硬件在快速升级,但对于普通机构可能就要负担不起。

还有,数据库会涉及病患者隐私,现在机器学习可能猜出患者的身份信息。对于隐私问题,我们可以借助于模拟计算来解决。比如用 10 个病人的图像,根据特征随机构造出一个新的患者(他不是这 10 个病人中的任何一个)。然后,我们用这个模拟患者来训练分析,这样就规避了数据隐私的问题。当然这个也会有弊端,它毕竟不是实际的病例,这就需要强大的数字模拟能力。

DeepTech:目前美国的医学影像数据库足够大了吗?还需要哪些完善措施?

王革:美国有一些公开的数据库,但更多数据库是不让别人用的。医院出于隐私的考虑很少开放其数据库。他们担心病人的诉讼。如果要把病人的身份信息去掉,以及标注这些数据,要花大量的时间精力。

DeepTech:你怎么看待中国在这方面的研究?

王革:中国国内的应用研究很好,前景广阔。但源头创新比方说神经网的基础理论以及硬件芯片还是落后的,这方面定会进步。

DeepTech:你怎么看待美国 FDA 去年批准了 AI 在糖尿病视网膜病变中的应用?怎么看待医学 AI 商业化发展趋势?

王革:因为视网膜图像是两维的,相对比较简单,不像那种三维的甚至动态的图像分析那么复杂。另外糖尿病视网膜病变数据也比较丰富,又不是那么隐私敏感,所以这类应用已有很好的结果,甚至在智能手机上就能使用,很贴近老百姓。

我觉得发展都是从易到难。将来 AI 能不能精准地预测心脏病,预测中风以及癌症,就要一步一步来。我们和康奈尔大学在心脏疾病方面有些合作。

对于放射影像而言,放射科的主流机器都是由大公司来做。我们从两年前开始与 GE 合作人工智能成像方面的研究。而 IBM 侧重于大数据和推理,属于自然语言理解分析。有人说自然语言理解的进展没有图像领域进展大,但是我认为这事也不能急,时机成熟自然就会有好的结果。

权威解读医学影像AI路线图:AI未来会在很大程度上取代医生读片

王革(右)于2014年当选美国科学促进会会员。

王革(Ge Wang),美国纽约伦斯勒理工学院(RENSSELAER POLYTECHNIC INSTITUTE)的讲席教授(Clark & Crossan Chair Professor),也是生物医学影像中心主任。他于 1982 年毕业于西安电子科技大学电子工程系,于 1991 年和 1992 年在美国纽约州立大学获得硕士和博士学位,现为 IEEE、AAPM、AIMBE、SPIE、OSA,和 AAAS 多个国际学术组织的 Fellow。他专注于 X 射线计算机断层扫描、光学分子成像、多尺度和多模态成像、机器学习等方面研究。他的团队在医学成像方面进行了一系列开拓性的研究工作,提出了螺旋状锥束 CT 重建、自发荧光断层成像、CT 内重建理论和方法等。他发表了 450 多篇期刊论文,主持多个大型 NIH 和 NSF 项目。其团队与哈佛、斯坦福、康奈尔、MSK、UTSW、耶鲁、GE 全球研究中心、 Hologic 和 IBM 等均有活跃的合作。


麻省理工科技评论

From Tech to Deeptech