2018 全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR）于6月29日在深圳召開。本次大會(huì)共吸引超過(guò)2500余位 AI 業(yè)界人士參會(huì)，其中包含來(lái)自全球的 140 位在人工智能領(lǐng)域享有盛譽(yù)的演講與圓桌嘉賓。

在大會(huì)第二天的 【計(jì)算機(jī)視覺專場(chǎng)】中，上午計(jì)算機(jī)視覺前沿與智能視頻環(huán)節(jié)的演講嘉賓有：ICCV 2011和CVPR 2022大會(huì)主席權(quán)龍教授、曠視科技首席科學(xué)家孫劍等人。

下午環(huán)節(jié)為計(jì)算機(jī)視覺與醫(yī)學(xué)影像分析，出席的嘉賓分別是包攬7大模式識(shí)別與醫(yī)學(xué)影像Fellow的田捷教授，國(guó)際頂級(jí)醫(yī)學(xué)影像分析大會(huì)MICCAI 2019 聯(lián)合主席沈定剛教授，微軟亞洲研究院副院長(zhǎng)張益肇博士，飛利浦中國(guó)首席技術(shù)官王熙博士等。

作為計(jì)算機(jī)視覺與醫(yī)學(xué)影像分析環(huán)節(jié)的重量級(jí)嘉賓，本次大會(huì)，田捷教授向與會(huì)觀眾分享了題為“基于人工智能和醫(yī)療大數(shù)據(jù)的影像組學(xué)研究及其臨床應(yīng)用”的精彩專題報(bào)告。

田捷教授現(xiàn)任中國(guó)科學(xué)院自動(dòng)化所研究員、分子影像重點(diǎn)實(shí)驗(yàn)室主任。自2010年起，田捷教授連續(xù)獲得計(jì)算機(jī)視覺與醫(yī)學(xué)影像分析領(lǐng)域的7大Fellow：IEEE Fellow、IAMBE Fellow、SPIE Fellow、AIMBE Fellow、IAPR Fellow、OSA Fellow、ISMRM Fellow。同時(shí)也是兩項(xiàng)國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃（973計(jì)劃）首席科學(xué)家。

田捷教授認(rèn)為，人工智能等技術(shù)給醫(yī)學(xué)領(lǐng)域帶來(lái)的改變是毋庸置疑的，并列舉了幾個(gè)醫(yī)學(xué)常見案例進(jìn)行輔證。

在他看來(lái)，醫(yī)療大數(shù)據(jù)里最常見的是影像數(shù)據(jù)，而且影像數(shù)據(jù)格式標(biāo)準(zhǔn)，容易獲取、容易使用。但是醫(yī)療大數(shù)據(jù)不僅限于影像，還包括病理、臨床治療信息等，只有這些信息融合在一起，我們才能建模，才能解決人工智能真正在醫(yī)學(xué)上的應(yīng)用。

田捷教授在研究學(xué)術(shù)的同時(shí)，也在積極探索AI技術(shù)的應(yīng)用前景。他認(rèn)為，AI技術(shù)只有跟臨床掛鉤才有價(jià)值，經(jīng)過(guò)企業(yè)家的轉(zhuǎn)化才能變成生產(chǎn)力。

現(xiàn)在我們需要更多人工智能和大數(shù)據(jù)在醫(yī)療問(wèn)題上的典型應(yīng)用，來(lái)拉動(dòng)產(chǎn)業(yè)，拉動(dòng)人工智能進(jìn)一步深度應(yīng)用。這是相輔相成的，空喊方法，不形成規(guī)?；⒌湫蛻?yīng)用，是解決不了問(wèn)題的。只有得到外科、內(nèi)科大夫承認(rèn)的技術(shù)和臨床應(yīng)用，才能更加有意義。

與此同時(shí)，他還表示，人工智能在醫(yī)學(xué)上應(yīng)用一定要“醫(yī)工交叉”，工科的人要穿上醫(yī)學(xué)的馬甲，了解醫(yī)學(xué)的問(wèn)題，參加醫(yī)學(xué)的會(huì)，了解醫(yī)生的需求；作為醫(yī)生也要對(duì)工科的方法知其然，這樣才能源于臨床，高于臨床，又回歸臨床。

以下為田捷教授的現(xiàn)場(chǎng)演講內(nèi)容，雷鋒網(wǎng)作了不改變?cè)獾木庉嫾罢恚?nbsp;   

我下面匯報(bào)的是人工智能和醫(yī)療大數(shù)據(jù)在醫(yī)學(xué)上的應(yīng)用，這是大家比較關(guān)注的熱門話題，我想從“臨床”和“商業(yè)”兩個(gè)方面來(lái)做一下簡(jiǎn)要的歸納。

人工智能在醫(yī)學(xué)上的應(yīng)用和傳統(tǒng)中醫(yī)非常相像。我國(guó)中醫(yī)幾千年以來(lái)，通過(guò)“望聞問(wèn)切”的方式積累了幾百萬(wàn)人甚至幾千萬(wàn)人的醫(yī)療大數(shù)據(jù)，后期主要通過(guò)人腦來(lái)“加工”這些數(shù)據(jù)；現(xiàn)代社會(huì)與此前不同的是，我們使用電腦加人腦，利用此前積累的經(jīng)驗(yàn)以及大數(shù)據(jù)與人工智能技術(shù)，實(shí)現(xiàn)了現(xiàn)在所說(shuō)的智能醫(yī)療。

人工智能目前是國(guó)家戰(zhàn)略，健康中國(guó)2030也是國(guó)家戰(zhàn)略。從這兩個(gè)角度來(lái)說(shuō)，通過(guò)人工智能技術(shù)和醫(yī)療大數(shù)據(jù)，提高人們的健康水平是國(guó)家下一步的重點(diǎn)發(fā)展戰(zhàn)略；與此同時(shí)，國(guó)家也有計(jì)劃要將我們的醫(yī)療和健康占GDP的比重從3%提升到30%。

從商業(yè)角度出發(fā)，人工智能在醫(yī)學(xué)上的應(yīng)用機(jī)會(huì)很多，包括通過(guò)計(jì)算能力驅(qū)動(dòng)肺癌、糖網(wǎng)、乳腺癌等疾病的篩查。

今天，我想重點(diǎn)與大家分享的是人工智能對(duì)于臨床醫(yī)療的重要性，它能提高我們的臨床醫(yī)療水平，實(shí)現(xiàn)精準(zhǔn)醫(yī)療，具體涉及到術(shù)前、術(shù)中、術(shù)后三個(gè)方面。

從目前醫(yī)學(xué)發(fā)展背景來(lái)看，人工智能、大數(shù)據(jù)等技術(shù)在醫(yī)學(xué)上的應(yīng)用是眾勢(shì)所趨。去年北美放射醫(yī)學(xué)大會(huì)上給出描述：未來(lái)的影像中心就像飛機(jī)駕駛艙一樣，是各種各樣信息的綜合體；而未來(lái)的醫(yī)生則相當(dāng)于飛行員，要處理各種各樣的信息。這里還需重點(diǎn)闡述一個(gè)觀點(diǎn)：如今很多聲音表示，AI未來(lái)將要替代醫(yī)生。在我看來(lái)，AI不會(huì)替代醫(yī)生，只會(huì)更有效地輔助醫(yī)生。而醫(yī)生也不應(yīng)懼怕新興技術(shù)，而是積極地去利用它，使用它。

當(dāng)今，我們處于信息變革的時(shí)代，醫(yī)學(xué)大數(shù)據(jù)也在不斷的增長(zhǎng)和積累，平均每73天，醫(yī)學(xué)數(shù)據(jù)就會(huì)增長(zhǎng)一倍。因此，基于醫(yī)療大數(shù)據(jù)的人工智能醫(yī)療必將輔助甚至改變傳統(tǒng)的臨床診療流程。

國(guó)際影像戰(zhàn)略策略研討會(huì)副主席Donoso說(shuō)了一句很經(jīng)典的話，人工智能是否會(huì)完全替代影像科醫(yī)生無(wú)法下定論，但我們肯定的是，那些使用人工智能技術(shù)的影像科醫(yī)生，勢(shì)必會(huì)代替那些不使用人工智能技術(shù)的醫(yī)生。

不跟隨時(shí)代的發(fā)展，面臨的就是殘酷的淘汰，無(wú)論是北美放射年會(huì)，還是歐洲放射年會(huì)，都不斷的在突出人工智能在影像學(xué)中的異軍突起的作用。

所以，未來(lái)的影像科醫(yī)生，不僅僅要會(huì)看片子，還要從影像大數(shù)據(jù)中挖掘大量的潛在知識(shí)，學(xué)會(huì)利用人工智能技術(shù)，站在科技潮流的前端，不是懼怕新興的人工智能技術(shù)，而是利用它，使用它，成為新時(shí)代下的影像信息學(xué)專家。

上個(gè)月剛剛結(jié)束的美國(guó)臨床腫瘤年會(huì)ASCO2018，該年會(huì)的參與者大多為內(nèi)科大夫、腫瘤大夫，他們也提出，要將人工智能技術(shù)作為輔助新一代無(wú)創(chuàng)診療技術(shù)發(fā)展的重要工具。

Dana-Farber癌癥研究所首席研究員Geoffrey指出，無(wú)創(chuàng)的液體活檢技術(shù)可以更加便捷的實(shí)現(xiàn)肺癌的早期檢測(cè)和篩查，血液中游離DNA可以成功檢測(cè)出早期肺癌。而隨著這種無(wú)創(chuàng)檢測(cè)手段的進(jìn)步，醫(yī)學(xué)數(shù)據(jù)不斷積累，機(jī)器學(xué)習(xí)方法將有效提高檢測(cè)精度、提高測(cè)試性能。

此外，南加州大學(xué)生物科學(xué)學(xué)院院長(zhǎng)在大會(huì)指出，在腫瘤療效評(píng)估中，結(jié)合基于液體活檢技術(shù)的基因蛋白組學(xué)和基于深度學(xué)習(xí)方法的智能影像評(píng)估可有效預(yù)測(cè)患者的預(yù)后生存。

由此可見，無(wú)論是在癌癥診斷還是治療中，人工智能技術(shù)都是輔助新一代無(wú)創(chuàng)診療技術(shù)發(fā)展的重要工具。

一、影像組學(xué)的本質(zhì)

那么，人工智能在醫(yī)學(xué)領(lǐng)域到底如何應(yīng)用，接下來(lái)我會(huì)舉一些例子說(shuō)明。

舉例之前，我們首先必須了解影像組學(xué)概念，其2012年就被提出，是由英文“組學(xué)+放射”組合出來(lái)的新詞：“radiomics”，我們當(dāng)年認(rèn)為把它翻譯成“放射組學(xué)”比較準(zhǔn)確。

當(dāng)年為什么用了放射這樣一個(gè)詞匯？它是基于CT進(jìn)行掃描的數(shù)據(jù)，然后在PET和超聲上得到應(yīng)用，所以我們認(rèn)為將“radiomics”翻譯成影像組學(xué)可能更為精準(zhǔn)，它不僅僅融合了醫(yī)學(xué)影像、基因、臨床大數(shù)據(jù)，它也把組學(xué)的概念和組學(xué)的方法融合在一起。

它的工作流程與醫(yī)生日常讀片完全是一模一樣的方法，針對(duì)影像數(shù)據(jù)，提取特征，人工智能建模，然后再進(jìn)行臨床應(yīng)用、輔助決策。這個(gè)流程也是一個(gè)標(biāo)準(zhǔn)的計(jì)算機(jī)視覺流程，也是標(biāo)準(zhǔn)的模式識(shí)別流程。

但它相比醫(yī)生的高能之處在于計(jì)算機(jī)看到了高維信息，可能看到了蛋白基因在宏觀影像上的變化，這樣的寶貴數(shù)據(jù)可以輔助醫(yī)生提升臨床診斷的正確性和準(zhǔn)確性。

需要注意的是，人工智能技術(shù)在醫(yī)學(xué)上的研究、應(yīng)用，不是寫文章、不是談概念、也不是紙上談兵、更不僅僅是做篩查，而是要將技術(shù)與臨床緊密結(jié)合，解決實(shí)際臨床問(wèn)題。

二、典型臨床應(yīng)用

下面我就從臨床和技術(shù)兩個(gè)方面談一下人工智能在醫(yī)學(xué)上的具體應(yīng)用。

首先我想談?wù)勅斯ぶ悄茉谂R床上的應(yīng)用，在座各位很多都是技術(shù)人員，對(duì)于技術(shù)方法比較了解。其實(shí)我們?cè)诹私饧夹g(shù)本身的同時(shí)，更需要了解技術(shù)到底能夠解決什么問(wèn)題，或者說(shuō)目前醫(yī)學(xué)需要解決什么問(wèn)題。所以我先從問(wèn)題為導(dǎo)向，觀察臨床上有何需求。

在這里，我想舉一個(gè)細(xì)分例子，圍繞著臨床應(yīng)用的術(shù)前、術(shù)中、術(shù)后，來(lái)說(shuō)明人工智能如何使得醫(yī)學(xué)治療更加精準(zhǔn)。

第一個(gè)例子是結(jié)直腸癌。

外科大夫在為病患做手術(shù)之前都會(huì)為患者做一個(gè)輔助化療，以控制癌癥的發(fā)展，之后再為他進(jìn)行手術(shù)。

在這個(gè)過(guò)程中，一部分病患非常不幸，經(jīng)過(guò)輔助化療之后，他們病理上完全緩解，體內(nèi)也沒(méi)有癌細(xì)胞存在，但外科大夫無(wú)法憑借他的經(jīng)驗(yàn)來(lái)肯定判斷他們體內(nèi)是否還有癌細(xì)胞潛藏，所以不得不還為這些病人開刀（實(shí)際上病患身上已經(jīng)沒(méi)有癌細(xì)胞存在）。

從這來(lái)看，我們能否通過(guò)其他方式來(lái)準(zhǔn)確判別病人的實(shí)際數(shù)據(jù)，讓他們?cè)谕饪拼蠓虻慕?jīng)驗(yàn)無(wú)法準(zhǔn)確判定、常規(guī)的影像磁共振無(wú)法精確判別時(shí)，能夠非?？隙ǖ嘏卸ú∪说臄?shù)據(jù)。

通過(guò)人工智能分析，目前我們有90%的把握能把這些PCR緩解的病人挑選出來(lái)。換句話說(shuō)，系統(tǒng)能夠?qū)⒔?jīng)過(guò)輔助化療以后，體內(nèi)沒(méi)有癌細(xì)胞的病人找出來(lái)。后期，這部分病人就可以免受開刀，只需密切觀察隨訪即可。

所以，它的臨床意義非常大，人工智能未來(lái)不僅僅能夠做篩查，更重要是，它能針對(duì)臨床問(wèn)題來(lái)開展工作。這是我們配合北京大學(xué)腫瘤醫(yī)院放射科專家做的工作，這個(gè)結(jié)果已經(jīng)發(fā)表在臨床腫瘤研究的頂級(jí)雜志上。

第二個(gè)例子還是結(jié)直腸癌。

如果病患經(jīng)過(guò)化療之后并沒(méi)有PCR緩解（占比70%左右），那么他們是需要進(jìn)行手術(shù)的。開刀之后，醫(yī)生需要對(duì)他們做淋巴清掃，以防止癌細(xì)胞轉(zhuǎn)移。

問(wèn)題是：清掃完之后顯示，70%的淋巴是假陽(yáng)性。

這里需要說(shuō)明的是，假陽(yáng)性結(jié)果與中國(guó)醫(yī)生的開刀技術(shù)沒(méi)有直接關(guān)系，美國(guó)大夫開刀假陽(yáng)性也有70%左右。而這個(gè)問(wèn)題也可以用人工智能技術(shù)解決。

我們用人工智能技術(shù)處理500例臨床病理、影像數(shù)據(jù)完整的結(jié)直腸癌患者數(shù)據(jù)，經(jīng)過(guò)病理、影像，提取特征以后，在實(shí)測(cè)中，能把70%的淋巴假陽(yáng)性降到30%，這是醫(yī)學(xué)上非常巨大的進(jìn)步。

目前這項(xiàng)研究也發(fā)表在臨床腫瘤的頂級(jí)雜志JCO上。需要指出的是，其第一作者只是一個(gè)碩士二年級(jí)的小女孩，所以我們?cè)卺t(yī)學(xué)領(lǐng)域的研究并不需要多少臨床經(jīng)驗(yàn)，關(guān)鍵是先要找到臨床問(wèn)題，以問(wèn)題為導(dǎo)向來(lái)解決它，并不是一味的低頭專耕技術(shù)。

第三個(gè)例子依舊是結(jié)直腸癌。

剛才我已經(jīng)講了術(shù)前及術(shù)中，術(shù)前有沒(méi)有病理學(xué)的緩解，術(shù)中要不要進(jìn)行淋巴清掃。我們?cè)賮?lái)看術(shù)后，結(jié)直腸癌患者做了手術(shù)之后，外科大夫還可以給他做一個(gè)放化療控制遠(yuǎn)端轉(zhuǎn)移。

這里又出現(xiàn)了一個(gè)問(wèn)題，經(jīng)過(guò)手術(shù)后的結(jié)直腸癌患者遠(yuǎn)端轉(zhuǎn)移的概率只有20%，換句話說(shuō)，有80%的患者花了錢，忍受了放化療的痛苦，而去做在他身上也許不可能發(fā)生或者概率非常小的遠(yuǎn)端轉(zhuǎn)移。

就此，我們能否用人工智能技術(shù)把這些概率大的人挑選出來(lái)，再去做放化療，控制他遠(yuǎn)端轉(zhuǎn)移；而概率不大的人也就沒(méi)必要做遠(yuǎn)端轉(zhuǎn)移，后期觀察即可。

目前我們正在做相關(guān)的人工智能技術(shù)落地實(shí)驗(yàn)，希望這個(gè)概率可以提升更高，預(yù)測(cè)得更為精準(zhǔn)。

綜上，我舉了一個(gè)非常完整的例子，從術(shù)前、術(shù)中、術(shù)后來(lái)說(shuō)明人工智能、影像組學(xué)、醫(yī)療大數(shù)據(jù)到底怎么改變我們的醫(yī)學(xué)，改變我們的精準(zhǔn)診療。

剛才我所提到的都是手術(shù)方面的內(nèi)容。那么，人工智能能否解決不用開刀也能解決的問(wèn)題呢？也就是說(shuō)，其能否既可以輔助外科大夫，也可以輔助內(nèi)科大夫。

我們知道，即使是美國(guó)著名醫(yī)院的外科大夫得了肺癌，他也不知道該用什么樣的靶向藥，怎么預(yù)測(cè)他的生存期。

而這個(gè)工作可以用人工智能、大數(shù)據(jù)來(lái)解決，我們針對(duì)500余例晚期EGFR突變靶向治療患者多中心CT數(shù)據(jù)，利用LASSO-COX構(gòu)建反映靶向治療無(wú)進(jìn)展生存期預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)EGFR突變的晚期肺癌患者靶向治療無(wú)進(jìn)展生存期進(jìn)行個(gè)性化的精準(zhǔn)預(yù)測(cè)。

如果后期發(fā)現(xiàn)他無(wú)進(jìn)展，這時(shí)候我們就提醒他不要再用這個(gè)靶向藥，價(jià)格昂貴不說(shuō)，效果也不大。目前這項(xiàng)研究發(fā)表在CCR上，也是國(guó)內(nèi)學(xué)者解決的重點(diǎn)醫(yī)學(xué)工作。

舉例來(lái)說(shuō)，系統(tǒng)可以對(duì)病患的鼻煙癌給出判斷及生存期預(yù)測(cè)。

針對(duì)臨床指標(biāo)對(duì)晚期鼻咽癌的放療后預(yù)測(cè)精度低的現(xiàn)狀，我們對(duì)118例晚期鼻咽癌T1和DCE MR圖像做了超過(guò)3年時(shí)間的隨訪，并結(jié)合970個(gè)影像組學(xué)特征，和臨床病理信息進(jìn)行分析，在此有效預(yù)測(cè)該類患者的預(yù)后，準(zhǔn)確度超臨床指標(biāo)的10%。

再舉一個(gè)例子，我國(guó)是肝癌大國(guó)，肝纖維化、肝硬化、肝癌是肝癌患者的病變?nèi)角?/p>

所以，對(duì)于肝癌患者的治療，準(zhǔn)確判斷他們的肝纖維化非常重要。過(guò)去醫(yī)生一般用超聲診斷，但是超聲的判斷準(zhǔn)確率只有百分之六七十左右。想要準(zhǔn)確判斷還需要做一個(gè)痛苦的工作：肝穿。用一根穿刺針穿到病患肝里面用病理學(xué)組織來(lái)確定到底有沒(méi)有纖維化，從而決定用不用抗病毒的治療方法。

問(wèn)題來(lái)了：能不能用人工智能技術(shù)來(lái)處理這些數(shù)據(jù)，不做肝穿也能達(dá)到跟它一樣的病理學(xué)效果。

針對(duì)這個(gè)問(wèn)題，我們走訪了12家醫(yī)院，采取了600多份數(shù)據(jù)樣本，用深度學(xué)習(xí)來(lái)提取它的特征，實(shí)測(cè)表明，在使用過(guò)程中，人工智能的預(yù)測(cè)結(jié)果與肝穿方法非常一致。

換句話說(shuō)，它能夠代替以往的肝穿治療方式，讓病患不需忍受痛苦，用幾張圖片就能達(dá)到絕佳效果。

三、影像組學(xué)新模態(tài)應(yīng)用

在后來(lái)的研究過(guò)程中，有相關(guān)醫(yī)生提出，炎癥會(huì)不會(huì)對(duì)結(jié)果產(chǎn)生影響。可以肯定地說(shuō)，人工智能在對(duì)輕度炎癥困擾上沒(méi)有差別；對(duì)于重度炎癥有一些差別，但是影響不大，準(zhǔn)確率還是會(huì)遠(yuǎn)遠(yuǎn)高于人工判斷。

后來(lái)又有人提出，能否將該技術(shù)轉(zhuǎn)化為一個(gè)軟件，做商業(yè)化應(yīng)用。后期驗(yàn)證過(guò)程中，我們發(fā)現(xiàn)無(wú)論是輕度肝硬化還是重度肝硬化，效果都比較魯棒，適合醫(yī)院臨床應(yīng)用。

在這里我必須強(qiáng)調(diào)一點(diǎn)，人工智能在醫(yī)學(xué)上的應(yīng)用最好是以問(wèn)題導(dǎo)向，有了問(wèn)題再找方法，再去解決。我們可以源于臨床，高于臨床，這時(shí)候我們?cè)偕虡I(yè)化應(yīng)用，醫(yī)生們就不會(huì)抵觸，他會(huì)主動(dòng)來(lái)使用，因?yàn)榭梢院芎玫貛椭麄冚o助診斷。

以上是從臨床角度講了人工智能在醫(yī)學(xué)上的應(yīng)用。接下來(lái)我再?gòu)募夹g(shù)角度來(lái)講人工智能、模式識(shí)別、大數(shù)據(jù)在醫(yī)學(xué)上應(yīng)用的進(jìn)展。

四、影像組學(xué)的關(guān)鍵技術(shù)

以腫瘤治療為例來(lái)說(shuō)。

首先是腫瘤分割，一般可能需要醫(yī)生先進(jìn)行勾畫，然后可以用機(jī)器學(xué)習(xí)的方法進(jìn)行半自動(dòng)或者全自動(dòng)的分工，這些分割都可以提取相關(guān)的影像組學(xué)的特征，使得我們用人工智能的方法來(lái)建模分析。這一塊的技術(shù)方法有很多，但是坦率說(shuō)，哪種方法好，還得針對(duì)你遇到的問(wèn)題。

第二方面是特征描述，影像組學(xué)、人工智能并不是比人更加聰明，只不過(guò)醫(yī)生讀片時(shí)，人眼提取的信息永遠(yuǎn)是以形狀為主的，以結(jié)構(gòu)為主的。

而從影像組學(xué)提取的特征，是強(qiáng)度、紋理、小波，最大值、標(biāo)準(zhǔn)方差、灰度矩陣這些特征，人眼是沒(méi)法看的，同時(shí)人腦也難以加工。

對(duì)于計(jì)算機(jī)來(lái)說(shuō)，恰恰是它最為擅長(zhǎng)的。

所以在特征選擇上，計(jì)算機(jī)選擇的特征和人眼識(shí)別的特征形成了互補(bǔ)關(guān)系。如果我們能用計(jì)算機(jī)提取高維特征，包括毛刺、分葉等信息，再融合年齡、性別、家族史等信息，肯定是1+N>N，我們就能實(shí)現(xiàn)人機(jī)交互、計(jì)算機(jī)和人協(xié)同工作，從而使得我們的醫(yī)學(xué)更為精準(zhǔn)。

選擇特征的時(shí)候切記要多多益善，特別是把這些高維特征提取得越多越好。還有一個(gè)非常重要的點(diǎn)，為什么現(xiàn)在影像組學(xué)、人工智能熱，就是這些高維特征含有基因蛋白這些微觀信息，在這些宏觀的影像上的體現(xiàn)，只不過(guò)過(guò)去人眼提取不了，但現(xiàn)在計(jì)算機(jī)提取了，把這些信息來(lái)進(jìn)行系統(tǒng)加工，使得我們的預(yù)測(cè)更加精準(zhǔn)

提取特征之后，還有一項(xiàng)非常重要的工作是降維。共有四類主要特征降維方法：稀疏選擇、空間映射、神經(jīng)網(wǎng)絡(luò)、遞歸排除。

針對(duì)具體臨床問(wèn)題，業(yè)界還采用建立計(jì)算機(jī)定量影像特征與所研究臨床研究問(wèn)題標(biāo)簽之間的分類模型。主要運(yùn)用了兩類模型：

SVM模型：從影像大數(shù)據(jù)原始像素出發(fā)，提取高維手工設(shè)計(jì)特征并進(jìn)行特征選擇，構(gòu)建影像特征與臨床問(wèn)題的分類模型。

CNN模型：在影像大數(shù)據(jù)的原始像素的基礎(chǔ)上，該模型可自主挖掘與臨床問(wèn)題相關(guān)的影像組學(xué)特征，構(gòu)建影像特征與臨床問(wèn)題的分類模型。

至于建模部分，前面很多講者也講了很多模型，人工智能、深度學(xué)習(xí)有一系列的模型，無(wú)所謂哪種模型好，關(guān)鍵是針對(duì)你的問(wèn)題，你是要做生存期預(yù)測(cè)，還是要做療效評(píng)估，針對(duì)我們?cè)卺t(yī)學(xué)上不同的使用的對(duì)象和問(wèn)題，我們應(yīng)該選擇不同的方法。

有了方法之后，我們構(gòu)建的模型可以提高分類精度，甚至能達(dá)到主治醫(yī)生的水平，大家已經(jīng)看到了很多例子，我就不展開細(xì)說(shuō)。

但是這里面還有一個(gè)非常重要的環(huán)節(jié)，是我們做計(jì)算機(jī)、做工科最容易忽視的：我們往往把模型建出來(lái)，就直接把這些結(jié)果拿給醫(yī)生去看，希望醫(yī)生可以去使用。

這時(shí)候，你一定會(huì)吃閉門羹，因?yàn)獒t(yī)生肯定會(huì)說(shuō)這不是我需要的東西，你這些模型我看不懂，我根本沒(méi)法用。

所以后期非常重要的步驟就是：要讓他們看圖識(shí)字，要把這些數(shù)據(jù)可視化。你給醫(yī)生們一大堆模型，他會(huì)覺得很難懂，換成圖片之后，他就覺得非常好用，我們要從醫(yī)生的角度看問(wèn)題，把模型可視化。

另外，計(jì)算機(jī)處理離不開數(shù)據(jù)，這些數(shù)據(jù)質(zhì)量到底怎么樣，我們也要從醫(yī)生的觀點(diǎn)來(lái)看待它。

去年臨床腫瘤學(xué)雜志上發(fā)表了一篇文章，是以荷蘭大夫?yàn)橹靼l(fā)表的，他在談數(shù)據(jù)質(zhì)量標(biāo)準(zhǔn)的評(píng)價(jià)，給出了16個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，36分是滿分，進(jìn)行數(shù)據(jù)質(zhì)量打分，而且他也會(huì)編程序，編一些簡(jiǎn)單的程序，把它放到網(wǎng)上，你直接填表打分，最后告訴你數(shù)據(jù)質(zhì)量是怎么樣的，我覺得目前也是對(duì)醫(yī)學(xué)用人工智能判斷，用影像組學(xué)第一個(gè)比較公開的數(shù)據(jù)標(biāo)準(zhǔn)，值得大家借鑒、參考。

五、人工智能+醫(yī)學(xué)影像的未來(lái)展望

剛才我從技術(shù)方面談了人工智能怎么針對(duì)醫(yī)療問(wèn)題，用什么樣的方法解決。涉及分割、特征提取、模型構(gòu)建、模型可視化、質(zhì)量控制5個(gè)環(huán)節(jié)。

最后我想提一下人工智能在醫(yī)學(xué)影像應(yīng)用未來(lái)的發(fā)展方向，主要涉及到人工智能的方法、數(shù)據(jù)、軟件、共享平臺(tái)。

我們現(xiàn)在不缺方法，也有很多數(shù)據(jù)，也有各種各樣的軟件，但是我缺乏交流共享的平臺(tái)，我們這個(gè)會(huì)議也是一個(gè)交流共享的平臺(tái)，我也建議我們相關(guān)企業(yè)在會(huì)后把相關(guān)的資源共享出來(lái)，這樣可以更好地促進(jìn)人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用。

我先從模型講起，這幾年人工智能的模型有很多，有卷積神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)、博弈進(jìn)化模型，數(shù)據(jù)也在不斷地增多，智能程度也在不斷地提高，所以我做了一個(gè)二維的方陣來(lái)說(shuō)明這個(gè)問(wèn)題。

遷移學(xué)習(xí)經(jīng)過(guò)大數(shù)據(jù)訓(xùn)練，我們可以在醫(yī)學(xué)的小數(shù)據(jù)上提取到復(fù)雜的影像特征，而且這些特征還有很好的解釋性。與此同時(shí)，我們所提取的高維特征又會(huì)帶來(lái)一個(gè)挑戰(zhàn)，臨床醫(yī)生表示看不懂且不知道有何意義。

此時(shí)，我們無(wú)法對(duì)于醫(yī)生的困惑做出解釋，因?yàn)檫@是計(jì)算機(jī)分析出的結(jié)果，我們不能說(shuō)它跟肝的哪個(gè)血管對(duì)應(yīng)，跟腎的哪個(gè)細(xì)胞對(duì)應(yīng)。

但是我們也可以把這些特征，用強(qiáng)特征分布的熱點(diǎn)圖表達(dá)出來(lái)，它有一定的可視化，對(duì)這樣的強(qiáng)特征的熱點(diǎn)圖，你去做穿刺或者靶向治療的時(shí)候，穿刺效果就會(huì)非常好。

與此同時(shí)，我們還可以用遷移學(xué)習(xí)的深度學(xué)習(xí)方法來(lái)提高肺癌基因突變預(yù)測(cè)的精度。

遷移學(xué)習(xí)模型是經(jīng)過(guò)128萬(wàn)張圖片訓(xùn)練出來(lái)的，我們做肺癌的時(shí)候可能沒(méi)有這么多圖像，但是如果我們想要提高它的預(yù)測(cè)精度，我們用前面圖像訓(xùn)練過(guò)的模型可能也會(huì)得到比較好的效果。

另外，大家知道現(xiàn)在博弈進(jìn)化模型比較熱，它可以讓機(jī)器學(xué)習(xí)提高智能程度，這在醫(yī)學(xué)上的應(yīng)用也非常重要。

需要指出的是，我們用人工智能做組學(xué)分析，我們需要多病種、多模態(tài)、多中心、多參數(shù)的數(shù)據(jù)融合，在這一塊，還有非常重要的點(diǎn)是數(shù)據(jù)標(biāo)準(zhǔn)，雖然我們國(guó)家這一塊現(xiàn)在已經(jīng)非常重視，做了一系列的籌備，但是目前為止還沒(méi)有出來(lái)一個(gè)影像大數(shù)據(jù)的數(shù)據(jù)標(biāo)準(zhǔn)，或者數(shù)據(jù)規(guī)范化的行業(yè)標(biāo)準(zhǔn)，所以依然是一個(gè)挑戰(zhàn)。

目前，我們醫(yī)院有大量的數(shù)據(jù)，大量的數(shù)據(jù)不代表就是大數(shù)據(jù)，我們需要經(jīng)過(guò)數(shù)據(jù)清洗，影像的數(shù)據(jù)相對(duì)來(lái)說(shuō)還比較規(guī)范一些，但是病理的信息、治療的信息、預(yù)后的信息我們都需要有，才能使得人工智能做更準(zhǔn)確的預(yù)測(cè)。

所以在這里我也想說(shuō)，前面我舉的那些例子，淋巴清掃的工作，原來(lái)我們是想做生存期預(yù)測(cè)的，但生存期預(yù)測(cè)我們需要兩年以上的病人隨訪，因此很多信息的提取還需要醫(yī)療從業(yè)人員去科普，需要讓患者知道，我們做臨床研究需要大量的信息才能做綜合。

幸運(yùn)的是，我們國(guó)家人口多，病人多，所以數(shù)據(jù)也是我們的天然優(yōu)勢(shì)，這幾年我們配合不同的醫(yī)院采取的數(shù)據(jù)，包括兒童水果細(xì)胞瘤這樣一種眼底的腫瘤，我們都能收集相關(guān)數(shù)據(jù)；肺癌、乳腺癌的數(shù)據(jù)量更大。這些數(shù)據(jù)不太牽涉到隱私，我們提取的都是高維信息，我們也不需要存原始圖象，所以從某種意義上說(shuō)這些數(shù)據(jù)的隱私性是比較好解決的。

有了數(shù)據(jù)，我們還需要軟件，我們可以開發(fā)各種各樣的軟件，特別是醫(yī)學(xué)圖象處理的軟件，我們實(shí)驗(yàn)室有三個(gè)軟件，第一個(gè)是MITK，是醫(yī)學(xué)軟件的集成平臺(tái)，包含重建、分割可視化；還有一個(gè)是3D軟件；另外我們還有一個(gè)影像組學(xué)的軟件，全部是開源的，在我們的網(wǎng)站上可以下載。

人工智能在醫(yī)學(xué)上的應(yīng)用一定要醫(yī)工交叉，我們工科的人要穿上醫(yī)學(xué)的馬甲，了解醫(yī)學(xué)的問(wèn)題，參加醫(yī)學(xué)的會(huì)，了解醫(yī)生的需求，作為醫(yī)生也要對(duì)工科的方法知其然，你也許不知其所以然，但是你要知其然，這樣我們才能源于臨床，高于臨床，又回歸臨床，不只是看一個(gè)病，不只是一個(gè)軟件。

我就匯報(bào)到這里，敬請(qǐng)各位批評(píng)指正，謝謝大家。（完）

觀眾提問(wèn)：剛才您說(shuō)了要從影像里面提取高維信息，并且說(shuō)了要源于臨床，最后還要回歸臨床，這些高維信息是由誰(shuí)來(lái)提？是醫(yī)生來(lái)提，還是我們工科的人來(lái)提？我還聽說(shuō)您那里面有的有400個(gè)高維信息，我看到有的文章好像更多，這些信息是怎么提出來(lái)的？

田捷教授：這個(gè)問(wèn)題提得非常好，也非常關(guān)鍵。如果用計(jì)算機(jī)去做，還是停留在結(jié)構(gòu)特征上，我們能彌補(bǔ)一些醫(yī)生的錯(cuò)誤，但是不能輔助診斷。

剛才舉例子講的這些高維信息，它到底有沒(méi)有用，醫(yī)生也不知道，我們也不知道，但是用計(jì)算機(jī)、深度學(xué)習(xí)把它提取之后，我們只能嘗試，有些問(wèn)題可能能很好地解決，有些問(wèn)題現(xiàn)在還解決不了，我們只是提取這幾百個(gè)甚至上千個(gè)特征，跟那些特征、病理信息融合在一起，我們?cè)偃ズY選，把關(guān)鍵的信息提取出來(lái)，這是降維，最后再建模，然后取得一個(gè)好的結(jié)果。

跟醫(yī)生在交互的過(guò)程中，這些特征是人眼看不了的，醫(yī)生也搞不清楚，我們拿這些特征去投稿的時(shí)候，大部分醫(yī)生是看不懂的，我們投到醫(yī)療雜志上，他會(huì)問(wèn)你這到底有什么效果，我們說(shuō)不清楚，所以我們把那些東西變來(lái)變?nèi)ィK于變成熱力圖的模式，最后說(shuō)明這可能是腫瘤的中心地帶，它能反映這樣的問(wèn)題，他能看懂了，知道這是有問(wèn)題的，然后就接受了我們的論文。

我們這些特征不僅僅說(shuō)明它有用，還要想辦法跟醫(yī)生溝通，把這些特征變成可視化的，讓醫(yī)生能接受，說(shuō)明它的臨床意義。這也是一個(gè)痛苦的交互過(guò)程。

觀眾提問(wèn)：剛才我看到您的遷移學(xué)習(xí)的工作，把上百萬(wàn)張自然圖像遷移到肝臟的醫(yī)學(xué)圖像上，但是我看到有文章說(shuō)遷移學(xué)習(xí)必須要有醫(yī)學(xué)的意義，如果您這樣做的話，讓自然圖象遷移到醫(yī)學(xué)圖像上，它的臨床意義在哪兒？醫(yī)生會(huì)接受這樣做嗎？

田捷教授：醫(yī)生能不能接受，關(guān)鍵看臨床效果，關(guān)鍵看你能不能針對(duì)臨床解決問(wèn)題。

我沒(méi)有去計(jì)算機(jī)視覺的會(huì)議，我現(xiàn)在反而是跑到美國(guó)臨床腫瘤學(xué)會(huì)、美國(guó)腫瘤學(xué)會(huì)的會(huì)議上，你要到臨床醫(yī)生那里，讓他們“折磨”你，找出他們能接受的臨床效果和臨床意義，這時(shí)候你的模型才真正起作用，我們老在計(jì)算機(jī)視覺會(huì)議上談我的方法和參數(shù)好，我覺得意義不大，當(dāng)然能寫文章，只是把紙變成錢。

所以我說(shuō)我們技術(shù)人員要穿上醫(yī)生的馬甲，到醫(yī)學(xué)的會(huì)議上交流。我是工科生，但近些年我沒(méi)有發(fā)表一篇計(jì)算機(jī)方面的文章，都是醫(yī)學(xué)的文章。這一點(diǎn)我非常自豪，我能在醫(yī)學(xué)的雜志上發(fā)文章，就非常具有臨床意義，因?yàn)閷徃迦硕际轻t(yī)生，說(shuō)明我已經(jīng)穿上醫(yī)生的馬甲了。

我認(rèn)為，這是所有想在醫(yī)學(xué)領(lǐng)域深耕的工科生都需要做出的轉(zhuǎn)變，必須站在醫(yī)生的角度去思考問(wèn)題，讓他們來(lái)當(dāng)裁判，讓他們來(lái)鑒別。雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。