可用于第三部分职业转型方向内容

[hyacinth0906]

业界频传放射科医生会被取代

• 李开复，Geoffrey Hinton说五年内放射科医生会被取代，找截图
• 。2017年，Arterys公司的影像平台Cardio AI成为FDA批准的首例人工智能辅助诊断工具，用于帮助医生分析心脏核磁共振图像，可自动化描绘图像中的心室轮廓线，并计算心室功能相关参数；随后其Lung AI和Liver AI也陆续获得FDA的批准，用于辅助医生分析肺结节和肝脏损伤。今年2月份，Viz.AI公司的ContaCT也获得FDA批准用于分析大脑CT的扫描图像，用以发现与中风相关的信号（如可疑的大血管堵塞），及时通知医生。令人振奋的是，近日，FDA批准IDx公司的IDx-DR可独立用于初步筛查糖尿病视网膜病变，判断是否需要医生的进一步评估和诊断。而国内公司如阿里健康的“Doctor U”、腾讯的“觅影”都达到医生阅片水平。

[hyacinth0906]

医疗影像AI真正要商业化运用于临床，仍面临多重挑战。

• （1）数据标准化问题。 从医疗影像AI进行计算机辅助训练，需要对医疗影像数据进行预处理，其目的是定位病变位置，让计算机从复杂的解剖背景中将病变及可疑结构识别出来。针对不同的病变，CADx需要采用不同的图像处理方法，基本原则包括图像质量评价、图像增强、图像滤波。影像数据标准化是训练成功的关键因素。而异地就医的人都有经验，在一家医院拍摄的影像图片，不论以胶片形式还是DICOM电子形式拿到另一家医院，许多医院都会要求患者重新摄片，除了利益原因外，更重要的是影像标准不一样。临床数据的采集并不标准化，CT剂量不同、机器不同、图像显示精准度、病灶大小都会不同，在这种情况下，影像科医生也束手无策，人工智能又如何能从图像训练中得到突破？
• （2）医疗影像AI多样性难以满足临床需求。 人工智能在影像诊断方面的优异表现是毋庸置疑的。运用某些疾病的影像诊断有较为清晰的标记，以及足够的训练集，人工智能可以在影像数据集上达到与医生不相上下的正确率，这已经在很多的人工智能大赛上获得了印证。然而，现实环境往往比文献或者诸多人机大赛中严格控制的条件要更为复杂，数据多样性的不足仍然会导致人工智能存在偏向性，泛化能力不足，以至于对罕见病更是束手无策。 当前的人工智能智能从事制定类型的智能行为。目前许多人工智能训练团队都专注于单病种，如肺部结节、乳腺癌、糖尿病视网膜病变等。对于医生阅片来说，在几百张CT和MRI影像资料中，不仅仅是要识别出肺部结节，需要将所有胸部相关疾病都识别出来，或排除所有相关疾病病灶，以确认这是完全健康的器官。单一或几个病种的识别，远不能满足临床使用的需求。许多AI企业已经意识到这一问题，正纷纷向全病种延伸，并逐渐扩展至多部位。
• （3）医疗影像AI复杂性难以满足临床需求。 遇到模棱两可的疾病影像，通常需要医生在读片时参考问询患者，结合患者之前的病历报告来综合判断，单一影像资料在临床中往往不能作为某疾病的唯一判断标准。例如不同人有不同表型，同病异症、异症同病以及合并症等，对于人工智能来说都是比较棘手的问题。另外，阅片结论甚至需要结合常识来理解，例如对于一个小型病灶，怀疑在十年之后可能发生病变，这个病灶如果存在于一个80岁的患者，就大概率不需要进行什么干预，而在年轻人身上则要采取一定治疗方案。疾病的诊断治疗还有很多社会人文因素，不能单纯依赖技术环节完成诊疗服务。
• （4）人工智能的运用的限制条件，需要人为排除。 当前的人工智能只能从事指定类型的智能行为，有诸多的使用条件和范围，例如运用人工智能识别糖尿病视网膜病变，除了需要专业人员标准化操作保障眼底照相机拍摄保质量图像，还需要在使用之前排除许多不适用的状况，如持续性实力丧失、视力模糊、增值性视网膜病和视网膜静脉阻塞等症状。而这些操作很有可能没有给予医生帮助，而是在增加工作量。

• （5）人工智能遵循的临床指南，需要医生制定和重新标识。 所有的人工智能都需要遵循一定的临床指南，才可能运用于临床。而医学在不断发展，对于疾病的筛查指征等会发生变化。这时候人工智能所有的训练标记都需要重新来过。医学类数据标记是劳动密集型工作，专业性极强，需要很多专业医生群体来完成标识。

  医疗影像AI是一个大势所趋的发展方向，但目前人工智能要走的路还很长，并且人工智能的出现其本质不是为了替代医生，而是帮助医生更好地完成诊疗工作。医疗影像AI的出现，可以帮助医生提升效率，做掉一些基础工作，节省医生的劳动力。但从这一个方面来说，我们也还没有达到这个目标，更何况“替代”医生。

长征医院影像科主任刘士远教授说：“人工智能现在还是喊口号、插旗子阶段，还需要踏实的积累，特别是病历的积累和数据的共享。反倒是我们医生的心态很开放，因为我们的饭碗你们抢不掉。只有和医生充分地沟通，才能基于临床思维、专业知识做数据，才能接近临床场景，才能解决临床问题。”

[hyacinth0906]

[hyacinth0906]

各方专家对目前影像AI的观点及认识

人工智能离不开医生的专业“知识”

身为影像科专家，张志勇副校长坦言，自己看过不少人工智能医学影像的产品，但是总体感觉“也没有解决什么大的问题”。张志勇由衷期待，AI真的能够替代放射科医生的部分工作，特别是那些让放射科医生很吃力的部分，比如成百上千幅图像如何在有限的时间内快速看完。

上海市公共卫生临床中心主任、兼任上海申康医院发展中心副主任、复旦大学附属中山医院副院长朱同玉说：“AI培养成后，瞬间就是老医生。医生下岗是早晚的事情。但这其中非常大的挑战是各家医院的电子病历和数据共享问题，算法再厉害也无法发挥作用。”

长征医院影像科主任刘士远教授说：“人工智能现在还是喊口号、插旗子阶段，还需要踏实的积累，特别是病历的积累和数据的共享。反倒是我们医生的心态很开放，因为我们的饭碗你们抢不掉。只有和医生充分地沟通，才能基于临床思维、专业知识做数据，才能接近临床场景，才能解决临床问题。”

刘雷教授认为，认知智能时代医学诊断辅助系统涵盖三大核心技术体系：知识库（知识应用）、人工智能（数据挖掘）、统计建模（辅助决策）。有美国学者提出，医学正在经历从循证医学（EBM）到模型医学（MBM）的转变。即以前是基于经验的，未来越来越多是理性的，因为数据量有了，让医疗更加客观、理性、个性化。大量的医疗数据为真实世界的研究提供了可能。

中国不少医学影像专家们对AI的认知或许令IT业界感到“惊讶”。广东省人民医院医学影像部主任兼放射科主任梁长虹旁征博引了多位国内外信息界专家对 AI的论断：医学是人与人的社会学活动，是有温度的，AI难以体现温度。只有打了标签的数据，才有价值。“目前，我们是基于有限的病历，做医学影像的特征提取，结合各种算法、融合模型来解决临床评价与预测。对影像打上标签，找到病灶，需要大量的临床经验积累，要设法把特征泛化。”梁长虹说。

复旦大学附属肿瘤医院放射诊断科主任彭卫军说：“计算机不会负责任，医生要负责任。将来住院医生一定是要失业的，因为语音识别技术日益成熟，将来就不需要住院医生了，副高直接读报告。”

中国科学院苏州医工所研究员高欣介绍了他们的一项研究工作：将肝癌影像组学和基因组学数据进行关联分析。肿瘤诊断的挑战在于寻找肿瘤标记物。目前主要是两种方法找寻：一种是分子类方法；一种是影像学方法。二者各有优劣势，能否将两种方法有机结合起来，是高欣他们的研究目标。该研究从美国TCGA数据库抽取317个样本，包含了两万多个基因的数量，同时找到相对应的38个病例的CT影像。通过一系列分析找出了6个基因模块对通路进行解释。然后对影像进行分析，基于肿瘤体素特征。最后将肿瘤影像特征与基因特征进行关联分析。“人工智能绝对不能替代医生，医生在高层次可以获得很好感知，AI在低层次上获得很好的结果，将来应该是人机协同工作。”高欣说。

刘士远教授说，“年轻医生更需要AI减轻负荷，但还存在优化医生工作流的问题。”他介绍，放射科医生和AI公司合作，首先要选择病例数据作为验证集，包括确定疾病的种类和数据量，还有图像要标准化。第二，医生要对病变进行标记；第三，要设定一定的金标准，比如平片需要金标准。这当中最难的是验证及分类分层，人工标记很花气力，而且标记得准不准非常关键。靠谱的老师、靠谱的方法，训练出来的模型才会靠谱。所以“请老师”很重要。

对于肺结节，现在人工智能不是不能标注，而是标注太多了。肿瘤病人经过化疗之后全是结节，这种情况下AI还不能发挥作用。”复旦大学附属肿瘤医院放射诊断科主任彭卫军说：“如果AI的准确率能够真正达到90%，甚至只要85%，假设在我们医院验证达到了，我愿意帮助在全国推广。”

目前放射科医生的看家本领，还是通过大小、体积、实性等判断良性恶性。“大部分医生能够做到70%-80%的准确性，人工智能产品宣称能到90%，感觉太过了。”中山大学附属第五医院医学影像部副主任及放射科副主任柳学国说。该院和GE公司开展了相关研究，第一期提取了329个特征，发现有12个特征和良性、恶性高度相关。“该模型对于回顾性应用有很好的效果，但对于前瞻性用，还有很长的路走。现在的问题是数据不够丰富，单中心要扩大。针对不同密度结节，建立不同的影像组学鉴别模型。”柳学国说。

“医疗人工智能研究一定要经过临床的检验。今年在美国做的一个测试结果表明，现在最流行的肺结节，只有一个软件真正达到了85%以上，其他都差得一塌糊涂。”北京大学健康医疗大数据中心李全政教授介绍。

事实上，AI在医学影像领域面临诸多瓶颈。据梁长虹介绍，该院也做了非小细胞肺癌生存期预测研究，他归纳了AI在医学影像领域面临的挑战：1、影像学是基于体素的运动；2、相同设备不同厂家，相同设备同一厂家的因素；3、不同设备、多模态数据的融合；4、不同的特征提取算法；5、如何将特征泛化；6、如何将模型泛化等。“AI在医学影像领域需要标准的数据采集、标准的算法、标准的应用。如果能够实现特征的泛化，就是大牛了，否则就只会在深度学习的环节转圈子，很难突破。AI在医学影像领域的道路是曲折的，前途是光明的。”梁长虹说。

梁长虹说：“计算机人员帮医生分割图像，做特征提取。分得对不对，还需要医生参与。对于影像进行分类建模，也需要放射科医生。再好的计算机技术，没有医学知识参与，也解决不了问题。”

为了克服医学影像数据标注的挑战，李全政教授通过机器学习的方式加速标注。比如，对于某个疾病10%的病人进行标注，通过机器学习来增加新的标签。对于不确定的再通过医生来人工标注。这样下来80%的病人可以由机器标注，10%交给医生标注，大大促进影像科的AI发展。李全政教授认为，未来人工智能的机器人，并不一定需要看图。看图是基于人类认知世界的行为方式。“是不是直接从原始数据开始判别？将来所有关于病理、基于图像的，都会走这条路，并不需要看图、做重建，而是重点研究怎么把人的知识传递过去。这种直接的方式，更有利于识别。”

中国医学科学院罕见病研究中心项目办公室主任弓孟春认为，当前各种组学数据都有融合交叉分析的可能，使得医学面临很大的挑战。比如，发现一些病灶容易接受，但是出一个判断就有很大争议，从知识到动作变得非常困难。临床决策支持对于信息学的挑战非常大，因为这是一个连续的管理的问题，如何利用IT架构把这个过程串起来是一个挑战。

[hyacinth0906]

国外学者观点

哈维博士是一名放射科专家和临床学者，在英国国民健康服务体系和欧洲领先的癌症研究机构 ICR 的培训。 他曾在巴比伦健康公司(Babylon Health)工作，领导着监管事务小组，为 AI- 支持的分诊服务获得了世界第一个 CE 标记，现在是一名放射科顾问，皇家放射科学院信息学委员会成员，也是包括 Algomedica 和 Kheiron Medical 在内的人工智能创业公司的顾问。 Dr Harvey is a board certified radiologist and clinical academic, trained in the NHS and Europe’s leading cancer research institute, the ICR, where he was twice awarded Science Writer of the Year. He has worked at Babylon Health, heading up the regulatory affairs team, gaining world-first CE marking for an AI-supported triage service, and is now a consultant radiologist, Royal College of Radiologists informatics committee member, and advisor to AI start-up companies, including Algomedica and Kheiron Medical.

---

随着人工智能成为放射科的新常态，随着扫描时间和等待名单的减少，以及放射学报告变得更加准确和有用，我们将继续看到对我们服务的需求增加。 除此之外，随着年龄和复杂性的增长，人口不断增长，对我来说，需求的增长是百分之百的必然，也可能是我仍然看好放射学作为职业选择的主要原因。 As AI becomes the new normal in radiology, as scan times and waiting lists reduce, and as radiology reports become more accurate and useful, we will continue to see an increase in demand for our services. Add to this the ever increasing population growing in age and complexity, it is to me 100% inevitable that demand increases, and probably the major reason why I remain bullish on radiology as a career choice.

在医学领域，目前简单地把人工智能系统限制为提供"决策支持"，把所有最终的"决策"都留给一个合格的人来做，要容易得多。 目前还没有一个获得医疗监管机构批准的 AI 系统声称自己是"决策者"，我真心怀疑这种说法是否属实，除非这些决策是微不足道的，不太可能对生命产生决定性影响。 这是因为人工智能系统不可能在解决医疗诊断问题时达到100% 的准确率，因为，正如我以前讨论过的，医学在某种程度上仍然是一门永远无法完全量化或解决的艺术。 总是会有一个异常值，总是一个利基情况，总是混杂因素。 仅仅因为这个原因，我们将永远需要某种形式的人类监督。

我们将需要培养更多的放射科医生，以应对成像请求和数据产生的浪潮，甚至可能在其他产生数据的专业，如病理学和基因组学方面考虑双或商学院三重认证。 在遥远的未来,"放射科医师"甚至可能不再被称为放射科医师——至少这是我去年在 RSNA 会议上听到的一个理论，但这并不能否认一个事实，即人类仍将控制数据流。 We will need to train more radiologists to combat the tidal wave of imaging being requested and data being produced, and may even consider dual or triple accreditation in other data-producing specialities such as pathology and genomics. ‘Radiologists’ may not even be called radiologists in the far future — at least that’s one theory I heard talked about at RSNA last year, but that doesn’t negate the fact that someone human will still be in control of the flow of data.

在接下来的几十年里，放射线学家将越来越多地从过去的世俗工作中解放出来，他们会不惜花费大量精力去核实预先填写的报告，以及时髦的分析工具，这些工具可以让他们在海量迷人的"放射线"数据中进行分析。 它不会像《少数派报告》那样，但如果你想把自己想象成汤姆•克鲁斯(Tom Cruise)在屏幕上快速地挥动手臂，并用手指示意未来可塑的实时数据，那么就这么做吧。 The radiologists of the next few decades will be increasingly freed from the mundane tasks of the past, and lavished with gorgeous pre-filled reports to verify, and funky analytics tools on which to pour over oceans of fascinating ‘radiomic’ data. It won’t quite be like Minority Report, but if you want to imagine yourself as Tom Cruise swiping and gesturing away at a screen of futuristic malleable real-time data, then go right ahead.

放射科人工智能的发展方向是对放射科医生进行数字化增补，直到他们的工作变成监视和评估机器输出，而不是像现在这样人工处理每一个可能的普通发现。 就个人而言，我张开双臂欢迎这一点ーー我已经浪费了太多的工作时间，通过多次 CT 扫描来测量淋巴结，或者通过计算脊椎数量来报告淋巴结转移的程度。 我宁愿检查一个系统已经测量了正确的淋巴结，并确定了所需的所有椎骨，然后在结果上签字。 放射科医生将从使用粗糙工具的'伐木工人'，转变为处理日益复杂的量化结果的'数据斗士'。 Where radiology artificial intelligence is heading towards is digital augmentation of radiologists, to the point at which their job becomes to monitor and assess machine outputs, rather than manually go through every possible mundane finding as they do now. Personally, I welcome this with open arms — I have wasted far too much of my working life measuring lymph nodes on multiple CT scans or counting vertebrae to report the level of a metastasis. I would much rather check a system has measured the correct lymph nodes and identified all the vertebrae required, and sign off on the findings. Radiologists are going to be transformed from ‘lumpologists’ with crude tools, to ‘data wranglers’ dealing with ever more sophisticated quantified outputs.

放射科医师也将被授权成为比以往任何时候都更多的医生，生产率的提高，让更多的时间交流结果给临床医生和患者。 我当然可以设想放射学家作为数据传播者，直接向临床团队的查房和肿瘤板，甚至直接向病人提供信息。 目前，这个职业只会因为在黑暗的房间里躲藏太多而受到损害，如果有什么损害的话，那就是人工智能有能力让放射科医生重见光明。 这才是真正的力量所在。 Radiologists will also be empowered to become more ‘doctor’ than ever before, with productivity gains allowing more time communicating results to both clinicians and patients. I can certainly envisage radiologists as data communicators, both directly to clinical teams on their rounds and tumour boards, and even direct-to-patient information-giving. The profession at the moment is only harmed by too much hiding away in dark rooms and, if anything, artificial intelligence has the capability of bringing radiologists back out into the light. That’s where it’s true power lies.

[hyacinth0906]

从生物统计和信息方面，来判断医学数据统计信息分析方面需要哪些技能和能力

[hyacinth0906]

人类放射学家对胸部 x 光片的解释和(或)对他们能看到的发现表示赞同都很糟糕，以至于数字图像附带的"报告"往往要么完全错误，要么部分错误，要么省略了信息。 这不是人类的错... ... 他们尽了最大的努力！ 当您的工作是在大约30秒内将数千个黑白像素处理成几个自然语言文本单词时，信息丢失和错误产生是可以理解的。 写一份放射学报告是21数据压缩的一种极端形式ーー你要把大约2mb 的数据转换成几个字节，实际上是以一个巨大的压缩比率来执行有损数据压缩。 这就像试图通过16K 的调制解调器让某人窃听莫尔斯电码一样。 更别提这一切的主观性了。 Human radiologists are so bad interpreting chest X-rays and/or agreeing what findings they can see, that the ‘report’ that comes with the digital image is often either entirely wrong, partially wrong, or omits information. It’s not the humans’ fault… they are trying their best! When your job is to process thousands of black and white pixels into a few words of natural language text in approximately 30 seconds, it’s understandable that information gets lost and errors are made. Writing a radiology report is an extreme form of data compression — you are converting around 2 megabytes of data into a few bytes, in effect performing lossy compression with a huge compressive ratio. It’s like trying to stream a movie through a 16K modem by getting someone to tap out what’s happening in Morse code. Not to mention the subjectivity of it all.

1. 周围的元数据和发现底层真相，而不是依赖于人类衍生的报告，这是产生与数据挖掘的想法。 一个理想的数据集应该包括所有患者的详细资料、流行病学、病史、血液测试、随访 CT 结果、活检结果、遗传学等等。 遗憾的是，这种经过验证的匿名数据并不存在，至少在机器阅读所需的格式中是不存在的。 因此，基础结构应该最低限度地整理和验证这个元数据，最好是按比例进行。 The surrounding metadata and finding a ground truth, rather than relying on a human-derived report that wasn’t produced with data-mining in mind. An ideal dataset would include all the patient’s details, epidemiology, history, blood tests, follow up CT results, biopsy results, genetics and more. Sadly, this level of verified anonymised data doesn’t exist, at least not in the format required for machine reading. Infrastructure should therefore be put into collating and verifying this metadata, at a bare minimum, preferably at scale.

• 放射自然语言挖掘综述 2016_Natural Language Processing in Radiology_Pons et al.pdf

[hyacinth0906]

看一下现在的影像AI公司招哪方面的人，就知道他们的需求在哪里了