機(jī)器之心報(bào)道

機(jī)器之心編輯部

3 月 23 日，在機(jī)器之心 AI 科技年會(huì)上，數(shù)坤科技研發(fā)副總裁危夷晨發(fā)表了主題演講《AI 在醫(yī)療影像的應(yīng)用和探索》，對(duì) AI + 醫(yī)療影像行業(yè)進(jìn)行了全面的介紹。

以下為危夷晨在機(jī)器之心 AI 科技年會(huì)上的演講內(nèi)容，機(jī)器之心進(jìn)行了不改變?cè)獾木庉嫛⒄恚?/span>

感謝機(jī)器之心邀請(qǐng)我來(lái)參加這次活動(dòng)，我是數(shù)坤科技的危夷晨。

我長(zhǎng)期從事計(jì)算機(jī)視覺(jué)方面的科研和產(chǎn)品研發(fā)，之前在曠視科技和微軟亞洲研究院工作。最近我加入了數(shù)坤科技，從事 AI 醫(yī)療影像方面的技術(shù)研發(fā)。

這次的分享主要是一個(gè)對(duì)于 AI + 醫(yī)療影像行業(yè)的全面介紹，由于時(shí)間的關(guān)系可能不會(huì)特別深入，但我希望能把這個(gè)行業(yè)的一些特點(diǎn)、發(fā)展歷史給大家做一個(gè)簡(jiǎn)明的介紹，因?yàn)楹芏嘤?jì)算機(jī)視覺(jué)、圖像領(lǐng)域的從業(yè)者對(duì)于醫(yī)療影像行業(yè)的了解相對(duì)較少。

第一部分是整個(gè) AI + 醫(yī)療的時(shí)代背景，眾所周知我國(guó)老齡化開(kāi)始加速，醫(yī)療健康的需求在急劇增加。同時(shí)我們的醫(yī)療資源非常不平衡，大醫(yī)院人滿為患，小醫(yī)院基本沒(méi)什么人去。為了解決這個(gè)突出的供需矛盾，國(guó)家提出需要把人工智能方向上升到國(guó)家戰(zhàn)略方向，需要跟一些重要的民生領(lǐng)域做深度的結(jié)合，其中就包括醫(yī)療健康，需要讓 AI 給醫(yī)療健康賦能，提升信息化智能化的程度，提升服務(wù)能力。

不僅是在中國(guó)，科技跟醫(yī)療健康產(chǎn)業(yè)進(jìn)行結(jié)合是全球的趨勢(shì)。如圖是研究機(jī)構(gòu) CB Insights 在 2021 年發(fā)布的全球數(shù)字健康產(chǎn)業(yè)的前 150 名公司名單，在醫(yī)療影像領(lǐng)域數(shù)坤科技是唯一入選的中國(guó)企業(yè)，這也代表了國(guó)際頂級(jí)研究機(jī)構(gòu)對(duì)數(shù)坤的認(rèn)可。

在國(guó)內(nèi)，也有很多的公司把 AI 技術(shù)跟醫(yī)療場(chǎng)景結(jié)合起來(lái)。其中，醫(yī)療影像是很大的一個(gè)賽道。

為什么做醫(yī)療影像？有兩個(gè)原因，第一個(gè)原因是有需求，因?yàn)樵谡麄€(gè)診療過(guò)程中，影像分析是第一個(gè)環(huán)節(jié)，目前來(lái)說(shuō)影像科的數(shù)據(jù)增長(zhǎng)率非常高、需求多，但是醫(yī)生的增長(zhǎng)相對(duì)緩慢很多，供需矛盾突出。同時(shí)，影像科的人力成本和設(shè)備成本較高，效率較低，所以有很強(qiáng)的降本增效的需求。

第二個(gè)原因是有條件，醫(yī)療影像分析的任務(wù)跟自然圖像視覺(jué)任務(wù)有很多共性，近年來(lái)隨著計(jì)算機(jī)視覺(jué)、深度學(xué)習(xí)技術(shù)的飛速發(fā)展，跟圖像相關(guān)的各個(gè)行業(yè)，都在迅速發(fā)展。這提供了很好的技術(shù)基礎(chǔ)和人才基礎(chǔ)，因此，相對(duì)來(lái)說(shuō)醫(yī)療影像這個(gè)行業(yè)的技術(shù)門(mén)檻不是特別高。

跟很多其它與圖像分析結(jié)合的行業(yè)一樣，每個(gè)行業(yè)都有各自的特點(diǎn)，醫(yī)療影像也不例外。下面我從行業(yè)本身的挑戰(zhàn)和優(yōu)勢(shì)角度做一個(gè)簡(jiǎn)要的介紹。

醫(yī)療影像領(lǐng)域第一個(gè)難點(diǎn)在于影像任務(wù)比較豐富多樣，比較碎片化。因?yàn)槊總€(gè)影像任務(wù)至少會(huì)受到三個(gè)主要因素的影響，第一是如何成像，第二是照哪個(gè)人體部位，第三是看哪種病。即使是一樣的成像方式（比如都是 X 光或者都是 CT），如果人體部位不一樣、病不一樣，所做的影像分析任務(wù)也不一樣。

第二個(gè)難點(diǎn)是數(shù)據(jù)門(mén)檻比較高，因?yàn)橛?AI 做醫(yī)療影像分析的歷史比較短，整個(gè)領(lǐng)域還比較缺乏數(shù)據(jù)的規(guī)范和體系。第一個(gè)問(wèn)題就是數(shù)據(jù)很難標(biāo)注，因?yàn)獒t(yī)療影像的標(biāo)注需要專業(yè)知識(shí)，并且往往是 3D 數(shù)據(jù)，標(biāo)注起來(lái)很慢。另外一個(gè)問(wèn)題在于標(biāo)注標(biāo)準(zhǔn)不夠統(tǒng)一，雖然醫(yī)療行業(yè)有比較統(tǒng)一的標(biāo)準(zhǔn)，但在實(shí)踐中不同的醫(yī)院不同的醫(yī)生有自己的一個(gè)相對(duì)標(biāo)準(zhǔn)，甚至可能同一個(gè)醫(yī)生兩次看同一個(gè) case，結(jié)論可能都不一樣，這就導(dǎo)致標(biāo)注的結(jié)果往往不是完全一致和確定的。另外，數(shù)據(jù)還很難收集，醫(yī)療數(shù)據(jù)相對(duì)比較隱私，存儲(chǔ)在醫(yī)院內(nèi)部，整個(gè)行業(yè)缺乏像 ImageNet 這樣的大型公開(kāi)數(shù)據(jù)庫(kù)，一個(gè)病種能夠收集到幾千個(gè)數(shù)據(jù)就已經(jīng)屬于大數(shù)據(jù)了。當(dāng)數(shù)據(jù)的廣度和深度都不足的時(shí)候就容易發(fā)生比較系統(tǒng)性的偏差，會(huì)依賴于收集設(shè)備，哪怕同一個(gè)設(shè)備掃描參數(shù)不一樣，甚至掃描技師不一樣，產(chǎn)生的數(shù)據(jù)質(zhì)量也不一樣。難以標(biāo)注和難以收集的問(wèn)題導(dǎo)致算法不太容易泛化。

第三個(gè)難點(diǎn)在于自然圖像跟醫(yī)療圖像有一些區(qū)別，對(duì)于算法存在一些特有的挑戰(zhàn)。第一點(diǎn)僅僅具備一些基本的常識(shí)不足以做醫(yī)療影像研究，需要學(xué)習(xí)一定的醫(yī)學(xué)知識(shí)，但難度不算太大。第二點(diǎn)是識(shí)別任務(wù)比如說(shuō)檢測(cè)、分割、分類(lèi)這些任務(wù)的描述跟自然圖像里面很相似，而難點(diǎn)在于：有一些病灶很小，會(huì)涉及到小到 4 個(gè)像素的病灶檢測(cè)，甚至小到 2-3 個(gè)像素的血管分割，對(duì)機(jī)器學(xué)習(xí)方法具有比較大的挑戰(zhàn)。另外一點(diǎn)醫(yī)療影像數(shù)據(jù)以 3D 為主，3D 圖像任務(wù)在視覺(jué)領(lǐng)域來(lái)說(shuō)，科研算法積累比較少，同時(shí)會(huì)缺乏一些好的開(kāi)源庫(kù)。同時(shí)在處理 3D 數(shù)據(jù)的時(shí)候 GPU 的顯存往往不足，對(duì)于算法、工程都會(huì)有更多的挑戰(zhàn)。涉及到重建任務(wù)時(shí)，因?yàn)?3D 重建需要理解人體結(jié)構(gòu)，所以跟自然圖像的 3D 重建區(qū)別是比較大的。涉及到圖像處理任務(wù)，因?yàn)樾枰私忉t(yī)療圖像的成像原理，跟自然圖像的原理也不一樣?？傮w來(lái)說(shuō)，相對(duì)之前做自然圖像所需要的算法能力來(lái)說(shuō)，醫(yī)療圖像對(duì)算法研發(fā)和工程能力要求會(huì)稍微高一點(diǎn)。

說(shuō)到這里，大家可能覺(jué)得 AI + 醫(yī)療影像的研發(fā)難度很大，其實(shí)仔細(xì)想想也不是這樣。如果我們對(duì)比其它行業(yè)，比如說(shuō)安防、零售、工業(yè)檢測(cè)、自動(dòng)駕駛，就會(huì)發(fā)現(xiàn)這些難點(diǎn)其實(shí)是普遍現(xiàn)象。需求碎片化，數(shù)據(jù)難標(biāo)注、難收集，缺乏統(tǒng)一的標(biāo)準(zhǔn)，需要把算法和領(lǐng)域知識(shí)結(jié)合，而不是直接可用，這些難點(diǎn)本身就很常見(jiàn)，但并不是高不可攀的障礙。

另一方面，醫(yī)療影像行業(yè)有一些特別的優(yōu)勢(shì)。

第一個(gè)優(yōu)勢(shì)就是這個(gè)行業(yè)本身是相對(duì)規(guī)范的。盡管不同的醫(yī)院之間可能有一些區(qū)別，但并不需要過(guò)度定制化?？傮w上一致的標(biāo)準(zhǔn)包括：

• 有標(biāo)準(zhǔn)的數(shù)據(jù)格式——dicom 格式；
• 同一個(gè)病在不同醫(yī)院的診療流程大概一致；

這樣一個(gè)相對(duì)來(lái)說(shuō)比較規(guī)范化的行業(yè)環(huán)境，提供了做產(chǎn)品的土壤和基礎(chǔ)，而不需要過(guò)度的定制化，因此能夠以成本比較低的方式做出比較好的產(chǎn)品。

第二個(gè)優(yōu)勢(shì)是醫(yī)療行業(yè)比較傳統(tǒng)，信息化、智能化的程度相對(duì)較低，進(jìn)步空間很大，存在一些「低垂的果實(shí)」。

第三個(gè)優(yōu)勢(shì)是 AI + 醫(yī)療行業(yè)目前發(fā)展時(shí)間較短，大概發(fā)展了 5-6 年的時(shí)間。整個(gè)行業(yè)依然是一片藍(lán)海，不像其他行業(yè)已經(jīng)出現(xiàn)了一些巨頭，例如安防的海康、自動(dòng)駕駛的特斯拉，因此 AI + 醫(yī)療行業(yè)內(nèi)還存在比較充分的機(jī)會(huì)。

最后一點(diǎn)，我希望分享一下，醫(yī)療行業(yè)有完整清楚的價(jià)值閉環(huán)，也就是我們能夠?yàn)獒t(yī)生、患者、醫(yī)院、國(guó)家創(chuàng)造什么樣的價(jià)值，這一點(diǎn)相對(duì)清晰。只要能夠完成這個(gè)閉環(huán)，產(chǎn)品就是可以落地的。這可能是我選擇加入醫(yī)療行業(yè)最核心的原因。

從 2015 年開(kāi)始深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)就開(kāi)始和醫(yī)療影像快速結(jié)合，這幾年整個(gè) AI 影像行業(yè)有了很快的發(fā)展，可以從幾個(gè)角度對(duì)比來(lái)看。

2016 年，很多大公司、創(chuàng)業(yè)公司開(kāi)始入場(chǎng) AI + 醫(yī)療領(lǐng)域，也存在一些同質(zhì)化的競(jìng)爭(zhēng)，例如當(dāng)時(shí)做肺結(jié)節(jié)影像的特別多，投資也非?？駸?。整個(gè)醫(yī)療行業(yè)包括醫(yī)院和醫(yī)生剛開(kāi)始接觸 AI，持著將信將疑的態(tài)度開(kāi)始嘗試。

經(jīng)過(guò) 5-6 年的迭代和耕耘，整個(gè)行業(yè)的狀態(tài)發(fā)生了很大的變化。從公司的層面講，大公司相比于創(chuàng)業(yè)公司競(jìng)爭(zhēng)力不足，創(chuàng)業(yè)公司的體系更為完整健全，沖勁更足。創(chuàng)業(yè)公司里面也有很多公司被逐漸淘汰，只剩下了少量頭部公司，他們之間的競(jìng)爭(zhēng)也從同質(zhì)化競(jìng)爭(zhēng)逐漸轉(zhuǎn)變?yōu)楦佣鄻踊?，更有自己的特色和?yōu)勢(shì)。行業(yè)內(nèi)的投資更為理性，更加向頭部公司靠攏。同時(shí)很多醫(yī)生真正使用 AI 產(chǎn)品之后體會(huì)到了 AI 的優(yōu)勢(shì)，開(kāi)始普遍接受這個(gè)新生事物，并對(duì)產(chǎn)品產(chǎn)生黏性。整個(gè)行業(yè)這幾年有了很大的發(fā)展和長(zhǎng)大。

下面我從產(chǎn)品本身如何去迭代和演化的角度做一個(gè)簡(jiǎn)要的介紹。從 2015 年開(kāi)始，產(chǎn)品從復(fù)雜程度、算法和產(chǎn)品設(shè)計(jì)的過(guò)程來(lái)看，大概經(jīng)歷了四個(gè)階段，我們稱之為 1.0-4.0，從最初 2015 年的單任務(wù)單環(huán)節(jié)，過(guò)渡到多任務(wù)全流程，再過(guò)渡到多模態(tài)多場(chǎng)景，到現(xiàn)在的跨模態(tài)復(fù)合流程。從僅限影像科，到現(xiàn)在進(jìn)入臨床手術(shù)，經(jīng)歷了比較大的變化。

在 1.0 階段，大家都扎堆做肺結(jié)節(jié)影像，這個(gè)任務(wù)相對(duì)來(lái)說(shuō)比較簡(jiǎn)單，在 CT 圖像上進(jìn)行結(jié)節(jié)的檢測(cè)、分割以及良惡性的分類(lèi)，只需要有一些數(shù)據(jù)和基本的深度學(xué)習(xí)、圖像的算法經(jīng)驗(yàn)就可以做起來(lái)，門(mén)檻低，同質(zhì)化競(jìng)爭(zhēng)嚴(yán)重。同時(shí)產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)力和盈利能力也是比較低的。

到了 2018、2019 年，AI 影像的產(chǎn)品開(kāi)始從單任務(wù)、單環(huán)節(jié)拓展到多任務(wù)、全流程的場(chǎng)景，我們稱之為 2.0 階段。其中一個(gè)比較有代表性的產(chǎn)品就是數(shù)坤科技做的冠脈和頭頸 CTA，涉及到多個(gè)算法任務(wù)串聯(lián)起來(lái)的流程，只有這個(gè)流程全部自動(dòng)化之后，才可以為醫(yī)生提供比較大的價(jià)值，解決醫(yī)療行業(yè)的痛點(diǎn)。如圖所示，傳統(tǒng)流程可能需要花 60 分鐘才能完成這些步驟，而在 AI 流程下，很多環(huán)節(jié)被自動(dòng)化的算法取代，因此只需花費(fèi) 10 分鐘，效率大大提高，這就是 2.0 產(chǎn)品帶給醫(yī)療場(chǎng)景的價(jià)值。

到了 3.0 階段，我們就不僅需要處理單一的場(chǎng)景單一的流程，而是過(guò)渡到一個(gè)更加復(fù)雜的診斷和治療任務(wù)。以腦卒中為例，我們要判斷病人是不是腦缺血，第一步首先要做 CT 的平掃，通過(guò) ASPECT 評(píng)分大概查看大腦內(nèi)部有哪個(gè)區(qū)域可能缺血，當(dāng)我們知道確實(shí)有一些區(qū)域有缺血癥狀之后。下一步需要找到哪一根血管發(fā)生堵塞導(dǎo)致缺血，因此要做一個(gè)腦部 CTA 來(lái)尋找原因。定位原因之后，下一步要確定治療方案，是打開(kāi)血管進(jìn)行手術(shù)，還是做保守治療，因此第三步是做一個(gè)更加復(fù)雜的腦部 CTP，在一個(gè)時(shí)間序列內(nèi)關(guān)注腦部所有區(qū)域缺血的嚴(yán)重程度，最右邊的圖中綠色區(qū)域就表示比較健康的供血正常區(qū)域，紅色就表示缺血區(qū)域。如果缺血的程度不是很?chē)?yán)重，就有可能采取一個(gè)比較激進(jìn)的治療方案，比如做手術(shù)取栓。如果缺血比較嚴(yán)重，那么做手術(shù)就可能有危險(xiǎn)，因此會(huì)采取一個(gè)相對(duì)保守的治療方案?？梢?jiàn)，對(duì)于這樣一個(gè)比較復(fù)雜的病種需要做三個(gè)不同階段的掃描，多模態(tài)數(shù)據(jù)分析和判斷過(guò)程是串聯(lián)起來(lái)的，每一個(gè)模塊都有各自的作用。

到了 4.0 階段，除了需要處理多模態(tài)數(shù)據(jù)之外，多模態(tài)數(shù)據(jù)之間的關(guān)系也不再是串聯(lián)和各司其職的簡(jiǎn)單關(guān)系，而是它們之間互相有關(guān)聯(lián)、互為因果。以核磁肝臟診療為例，每一個(gè) case 會(huì)拍多達(dá)十幾個(gè)序列，每一個(gè)序列是不同核磁的征象，AI 產(chǎn)品需要在不同的序列上找到病灶征象，并做出綜合的判斷和分析，不同序列之間的數(shù)據(jù)是要統(tǒng)合考慮的。醫(yī)生做出判斷和分析的整個(gè)過(guò)程是比較復(fù)雜的，因此必須要復(fù)雜程度 4.0 的產(chǎn)品才可以很好地實(shí)現(xiàn)自動(dòng)化。這是我簡(jiǎn)要介紹了一下從 2015 年開(kāi)始到現(xiàn)在的發(fā)展歷程。

下面我以一個(gè)比較有代表性的 2.0 產(chǎn)品為例作詳細(xì)的介紹，希望能讓大家理解如何做出一個(gè)有價(jià)值的 AI 影像產(chǎn)品。這個(gè)產(chǎn)品聚焦于心血管或腦血管疾病的診斷。選擇這兩種疾病的原因是心腦血管疾病是非常高發(fā)，并且后果嚴(yán)重的重要疾病。在中國(guó)這兩種病的死亡率也很高，基層醫(yī)院普遍缺乏診療能力，對(duì)設(shè)備和醫(yī)生的能力要求都很高，只有少數(shù)大醫(yī)院才能對(duì)血管做很好的疾病處理。提升大醫(yī)院、小醫(yī)院對(duì)心腦血管疾病的處理能力，對(duì)整個(gè)醫(yī)療現(xiàn)狀很重要。

首先簡(jiǎn)單介紹一下什么叫做血管疾病。血管疾病大體分為兩類(lèi)，一種是血管堵了，另外一種是血管破了（包括內(nèi)壁、外壁破了），這會(huì)導(dǎo)致各種各樣的問(wèn)題。我重點(diǎn)講一下針對(duì)冠心?。ㄐ呐K血管堵塞），AI 如何幫助醫(yī)生解決問(wèn)題。

冠心病的診斷是一個(gè)什么樣的過(guò)程？首先需要做一個(gè)冠脈 CTA，得到一個(gè)比較清晰的血管影像，醫(yī)生第一步需要在三維圖像里分割出血管，血管用紅色區(qū)域來(lái)表示，分割過(guò)程是醫(yī)生在一個(gè)傳統(tǒng)工作站上通過(guò)半手工加半自動(dòng)圖像處理算法完成的，一根一根血管去分割就可以重構(gòu)出整個(gè)心血管的樹(shù)狀結(jié)構(gòu)?；谶@個(gè)樹(shù)狀結(jié)構(gòu)醫(yī)生可以根據(jù)專業(yè)經(jīng)驗(yàn)判斷出要查看哪一根血管，看其中有無(wú)病灶或者鈣化，導(dǎo)致血管堵塞或血管狹窄。

上圖右上角是一張 CPR 圖的動(dòng)畫(huà)。通過(guò) CPR 這種可視化方法，醫(yī)生可以比較方便地針對(duì)某一根血管的某一個(gè)位置，找出病灶及其嚴(yán)重程度。除了 CPR，醫(yī)生還會(huì)借助一些其他視角的圖，例如短軸圖、拉直圖。傳統(tǒng)方法中，醫(yī)生結(jié)合上述三種三維數(shù)據(jù)可視化方法，用肉眼觀察病灶的位置、性質(zhì)，以及嚴(yán)重程度來(lái)做出判斷。

傳統(tǒng)方法中，醫(yī)生的工作流程是在工作站上主要基于手工，加上半自動(dòng)的算法輔助，依靠肉眼觀察數(shù)據(jù)做出判斷。這種方式首先工作量很大，處理一個(gè) case 可能需要幾十分鐘；另外重建血管的精度有限，容易發(fā)生一些斷裂，血管形態(tài)錯(cuò)誤，命名錯(cuò)誤，肉眼診斷精度不穩(wěn)定等問(wèn)題，并且醫(yī)生寫(xiě)報(bào)告的手寫(xiě)格式也缺乏統(tǒng)一的標(biāo)準(zhǔn)。

讓 AI 算法幫助醫(yī)生更加自動(dòng)化地、高效地、精準(zhǔn)地完成這個(gè)流程，其中有幾個(gè)難點(diǎn)。第一個(gè)難點(diǎn)是血管的重建，不同部位的血管尺度變化較大，粗的位置可以達(dá)到兩厘米，細(xì)的位置可能只有兩毫米。第二個(gè)難點(diǎn)是對(duì)于比較細(xì)的地方，我們需要比較精細(xì)的分割才能準(zhǔn)確判斷血管是不是有堵塞或狹窄。這種一到兩毫米的血管反映到 CT 的像素上只有兩到三個(gè)像素，深度學(xué)習(xí)算法需要精細(xì)到像素級(jí)別，才能對(duì)病灶的性質(zhì)做出判斷。第三個(gè)難點(diǎn)是整個(gè)血管重建的任務(wù)不是標(biāo)準(zhǔn)的三維幾何重建或者基于深度學(xué)習(xí)的圖像任務(wù)，非常依賴于人體的解剖知識(shí)，需要很多細(xì)節(jié)。此外，診斷標(biāo)準(zhǔn)本身不是特別的統(tǒng)一， 對(duì) AI 算法存在一些挑戰(zhàn)。

下面我簡(jiǎn)單描述一下我們的做法，如圖是基于神經(jīng)網(wǎng)絡(luò)對(duì)血管做分割、對(duì)病灶做檢測(cè)和分類(lèi)的網(wǎng)絡(luò)結(jié)構(gòu)。下圖上面一排是對(duì)病灶的軟斑和鈣化進(jìn)行分類(lèi)，下面是網(wǎng)絡(luò)模型在一個(gè)拉直圖上對(duì)血管做清晰的分割，分割的結(jié)果是一個(gè)紅色的 mask，用來(lái)判斷血管狹窄程度。

整個(gè)流程的詳細(xì)步驟是：第一步做預(yù)處理，然后提取冠脈樹(shù)，其中會(huì)有很多斷裂和各種各樣的瑕疵，需要基于解剖學(xué)知識(shí)的算法來(lái)做血管的修復(fù)和連接；另外，還需要給血管進(jìn)行命名，重建出冠脈樹(shù)，并在不同的血管上做病灶檢測(cè)以及分類(lèi)和識(shí)別，每一個(gè)環(huán)節(jié)都包含很多細(xì)節(jié)。

可見(jiàn)，2.0 產(chǎn)品相對(duì)于 1.0 產(chǎn)品有很大的區(qū)別，它由多個(gè)流程串聯(lián)而成，每一步之間都有一些關(guān)系和影響。

如圖是一個(gè)重建出來(lái)的三維血管圖示，左邊是血管的渲染效果，右邊增加了心肌之后整個(gè)心臟的重建效果。

基于這樣的三維重建，我們可以把 CPR 圖，短軸圖、拉直圖三種不同的可視化方法以一個(gè)統(tǒng)一的界面展現(xiàn)在產(chǎn)品中，方便醫(yī)生以更高的效率選擇觀察什么樣的血管，觀察什么位置以及分割的結(jié)果，結(jié)合醫(yī)生自己的經(jīng)驗(yàn)對(duì)病灶的情況做出判斷。這種方式既有算法自動(dòng)輸出的結(jié)果，同時(shí)也允許醫(yī)生基于自己的理解對(duì)于算法的結(jié)果做一些修改，這是一個(gè) AI 和醫(yī)生協(xié)同工作的過(guò)程。

最后一步基于算法的結(jié)果或者基于醫(yī)生的修改就可以自動(dòng)化地生成格式很標(biāo)準(zhǔn)的、符合醫(yī)療行業(yè)要求規(guī)范的報(bào)告，也就完成了從 CT 檢查到血管重建到做診斷寫(xiě)報(bào)告的整個(gè)過(guò)程。這種方式對(duì)于整個(gè)冠脈 CTA 診斷的降本增效非常明顯，傳統(tǒng)方法可能需要一個(gè)小時(shí)，現(xiàn)在用了 AI 之后中間很多環(huán)節(jié)被自動(dòng)化處理，可能只需要 10 分鐘。我們統(tǒng)計(jì)了一家醫(yī)院使用我們的 AI 產(chǎn)品前后的患者等待時(shí)間，之前是平均需要 2 天，之后平均需要 1 天，大幅縮短了患者的等待時(shí)間，提高了就醫(yī)體驗(yàn)。

這種方法的診斷精度和質(zhì)量跟比較資深的醫(yī)生差不多，比那些經(jīng)驗(yàn)較少的年輕醫(yī)生還要更準(zhǔn)確一些。在人機(jī)協(xié)同方面，我們的算法產(chǎn)品提供了一些診斷結(jié)果，允許醫(yī)生做出 double check，這種方法的效果一般來(lái)說(shuō)是優(yōu)于醫(yī)生自己用肉眼做判斷，因此診斷質(zhì)量也有所提升。

另一方面，醫(yī)院的成本降低、收入增加。之前醫(yī)院可能需要 10 臺(tái)或者 20 臺(tái)工作站，并且每臺(tái)都比較貴，可能需要 20-30 萬(wàn)，現(xiàn)在可以替換為一臺(tái)中央服務(wù)器，以私有云的方式在醫(yī)院部署起來(lái)，運(yùn)行我們的 AI 產(chǎn)品，使用算法的服務(wù)，每個(gè)醫(yī)生用一臺(tái)普通電腦只需要幾千塊錢(qián)的成本連到服務(wù)器，就可以完成跟之前一樣的事情，醫(yī)生的工作時(shí)間減少，工作質(zhì)量上升，醫(yī)院的收入增加。右邊的圖是一個(gè)對(duì)比，即不同類(lèi)型三甲醫(yī)院、基層醫(yī)院在使用冠脈 CTA 產(chǎn)品前后收入的變化，收入有顯著的上升，因?yàn)樵\斷的病人增多了。

這個(gè)產(chǎn)品是一個(gè)結(jié)合很多自動(dòng)化算法環(huán)節(jié)的典型例子，完成了全流程的自動(dòng)化，從輸入數(shù)據(jù)到最后得到報(bào)告，從 2018 年推出之后，已經(jīng)在超過(guò) 1600 家醫(yī)院完成部署，得到了很多醫(yī)生和領(lǐng)導(dǎo)的好評(píng)。這個(gè)產(chǎn)品引領(lǐng)整個(gè) AI 醫(yī)療影像行業(yè)從之前大家都去做肺結(jié)節(jié)的同質(zhì)化競(jìng)爭(zhēng)時(shí)代，進(jìn)入到了一個(gè)能創(chuàng)造很高價(jià)值的 2.0 時(shí)代。

簡(jiǎn)單總結(jié)一下整個(gè)行業(yè)目前的現(xiàn)狀、挑戰(zhàn)以及未來(lái)的發(fā)展方向。目前，行業(yè)條件逐漸成熟和完備，整個(gè)行業(yè)處于快速上升階段。

從公司層面來(lái)說(shuō)，從之前大量公司創(chuàng)業(yè)到今天少數(shù)公司已經(jīng)脫穎而出，他們完成了從 0 到 1 的驗(yàn)證過(guò)程，開(kāi)始在申請(qǐng)上市，初步獲得了資本的認(rèn)可。

從產(chǎn)品來(lái)說(shuō)，產(chǎn)品本身的價(jià)值和商業(yè)模式在大量的醫(yī)院和醫(yī)生使用過(guò)程中已經(jīng)得到了初步驗(yàn)證，用戶的習(xí)慣逐步養(yǎng)成，開(kāi)始有穩(wěn)定增長(zhǎng)的營(yíng)收。隨著 AI 產(chǎn)品在越來(lái)越多的醫(yī)院和醫(yī)生中得到認(rèn)可，需求也隨之增多。與此同時(shí)，AI 影像產(chǎn)品的類(lèi)型、形態(tài)，涉及病種，也在快速地發(fā)展和變化，從 1.0 到 4.0 以及更復(fù)雜的形態(tài)正在快速演化。國(guó)家對(duì)于醫(yī)療行業(yè)也給予了大力支持，包括開(kāi)始給這些 AI 醫(yī)療公司頒發(fā)三類(lèi)證，這是一個(gè)門(mén)檻很高的準(zhǔn)入資質(zhì)，并進(jìn)行了一些醫(yī)療服務(wù)收費(fèi)制度的改革，比如之前我們把一個(gè) AI 影像產(chǎn)品一次性賣(mài)給醫(yī)院可能價(jià)格幾十萬(wàn)、上百萬(wàn)，這樣的方式不太能持續(xù)，可能會(huì)演化成每使用這個(gè)算法為一個(gè)病人做一次診斷，就花費(fèi)一點(diǎn)點(diǎn)成本，從一次性買(mǎi)斷轉(zhuǎn)變成按例收費(fèi)，國(guó)家也開(kāi)始嘗試推動(dòng)這種收費(fèi)制度的改革。

從整體挑戰(zhàn)和發(fā)展趨勢(shì)來(lái)說(shuō)，技術(shù)方面的現(xiàn)狀是大家還是比較簡(jiǎn)單地把計(jì)算機(jī)視覺(jué)領(lǐng)域的技術(shù)（包括檢測(cè)、分割等）比較直接地用到了醫(yī)療影像的數(shù)據(jù)任務(wù)上，還沒(méi)有跟先進(jìn)的機(jī)器學(xué)習(xí)方法做出更好的融合。

我們需要針對(duì)這種數(shù)據(jù)少、數(shù)據(jù)難收集的問(wèn)題做更多的小樣本學(xué)習(xí)、遷移學(xué)習(xí)、聯(lián)邦學(xué)習(xí)?，F(xiàn)在在計(jì)算機(jī)視覺(jué)圖像領(lǐng)域非?；鸬淖员O(jiān)督學(xué)習(xí)，利用大量數(shù)據(jù)做預(yù)訓(xùn)練，能夠有效地提升預(yù)訓(xùn)練模型在不同下游任務(wù)上的泛化性能，這個(gè)范式在醫(yī)療影像領(lǐng)域同樣適用，可能是未來(lái)的趨勢(shì)。

由于醫(yī)療專業(yè)知識(shí)本身比較精細(xì)，需要跟算法做深度的融合。目前還沒(méi)有實(shí)現(xiàn)這一點(diǎn)，我們需要對(duì)人體結(jié)構(gòu)知識(shí)、醫(yī)療專業(yè)知識(shí)做一個(gè)很好的建模，并跟目前標(biāo)準(zhǔn)的，基于自然圖像的分割、檢測(cè)算法在算法層面完成融合。

醫(yī)療本身的結(jié)論是需要可解釋性的，未來(lái)在這方面也會(huì)有很多與醫(yī)療任務(wù)結(jié)合的先進(jìn) AI 方法，例如現(xiàn)在已經(jīng)有研究把因果推斷和醫(yī)療結(jié)合起來(lái)。

最后，軟硬一體化也是未來(lái)的一個(gè)發(fā)展方向，軟硬件將更好地融合，充分發(fā)揮硬件的能力，提升產(chǎn)品的整體效率。

從產(chǎn)品角度講，AI + 醫(yī)療影像的產(chǎn)品需要從現(xiàn)在的單部位單病種擴(kuò)充為多部位多病種。未來(lái)每次拍一個(gè)片子將不只看一種病，而是診斷出可能涉及到的多種病癥，大幅提升醫(yī)療效率，提高健康服務(wù)水平。

產(chǎn)品的設(shè)計(jì)需要跟醫(yī)生多年以來(lái)形成的工作習(xí)慣進(jìn)行深度的適配，在符合醫(yī)生習(xí)慣的前提下，把 AI 產(chǎn)品的使用方式完美融入到醫(yī)生的臨床工作流程中。

一個(gè)產(chǎn)品除了做診斷以外，我們還希望未來(lái)它能夠全流程覆蓋整個(gè)診療的閉環(huán)，從診前到診斷、治療、手術(shù)、術(shù)后的隨訪，做到全方位的覆蓋。現(xiàn)在很多 AI 產(chǎn)品依然是各自為戰(zhàn)的零散工具，給醫(yī)院和醫(yī)生的使用體驗(yàn)是不太方便的，需要有一個(gè)平臺(tái)化的解決方案，來(lái)統(tǒng)一入口和界面，把一個(gè)公司甚至不同公司的 AI 產(chǎn)品能夠無(wú)縫融合起來(lái)，提升整個(gè)產(chǎn)品的使用體驗(yàn)。

從行業(yè)角度、監(jiān)管角度、臨床準(zhǔn)入的角度看，我們也有很多需要做的事情，需要在多個(gè)因素共同成熟和配合下才能讓 AI + 醫(yī)療影像的產(chǎn)品進(jìn)一步發(fā)展和成熟。

雖然這個(gè)分享主要是關(guān)于影像的分析和診斷，但實(shí)際上整個(gè)醫(yī)療健康產(chǎn)業(yè)與技術(shù)融合是一個(gè)很大的愿景，也是行業(yè)的共識(shí)。我們要讓 AI 能夠參與臨床的決策和手術(shù)規(guī)劃，再進(jìn)一步從醫(yī)院內(nèi)部走向外部，在日常生活、家庭體檢等各種各樣的場(chǎng)景中提供個(gè)性化的、無(wú)處不在的精準(zhǔn)服務(wù)。這個(gè)過(guò)程可能會(huì)比較漫長(zhǎng)，我們目前只處于這條道路的左下角，即 AI 看懂和讀懂片子的階段，但這個(gè)過(guò)程已經(jīng)開(kāi)始了，并且在不斷發(fā)展。

最后，我簡(jiǎn)單介紹一下數(shù)坤科技公司的使命和愿景。我們不僅做醫(yī)療影像的分析，我們也希望能夠長(zhǎng)大為醫(yī)療健康智能化 AI 平臺(tái)。