“到目前为止,人工智能还只是一种大数据处理工具。”
在2019年由中国计算机学会(CCF)主办,雷锋网、香港中文大学(深圳)承办,深圳市人工智能与机器人研究院协办的CCF-GAIR大会上,腾讯AI Lab & Robotics X 主任张正友在畅谈AI发展40年后,对如今的“Artificial Intelligence”做出了以上总结。他认为,要重现影视作品中的想象力,如今的人工智能还远在道路的开端。
不过虽说是初级阶段,AI也已在我们的生活中的大展拳脚。NLP、深度学习、大数据挖掘三大技术分支均在医疗、安防、金融、无人驾驶等领域广泛应用,不少技术已经实现商用,成为我们生活的一部分。
而在本次大会中的“AI+医疗”分论坛中,众人则把眼光聚焦到了医疗人工智能下的影像分支,到底是实在医生工具还是资本的游戏,来自企业、高校、医院的教授、学者们纷纷现身说法,动脉网对其主要观点进行了梳理与分析。
在医疗之中,人工智能能够处理的影像主要分为眼科影像、放射科影像和病理影像,其中放射科影像的数据量远超过病理影像——许多AI企业所处理的放射科影像数量已经达到亿级(器械巨头可达千亿),但病理影像处理量则不足其百分之一。
影像数据的获取与处理难度制约着病理人工智能的发展。腾讯AI Lab AI+医疗专家研究员姚建华表示:“病理诊断是诊疗流程中非常重要的一个环节,但中国的病理医生极其缺乏。而医学影像的标记不同与无人驾驶数据的标记,需要经验丰富的医生来完成这项工作。因此可供AI训练的训练数据成本更高,标注更困难,因而更难以取得。”相比之下,眼科AI、放射科AI的发展速度便要迅速许多。
腾讯AI Lab AI+医疗专家研究员姚建华
其次是算法,姚建华表示:“我们常常需要识别病理图像中一些非常细微的组织的变化。过去在自然图像中应用比较成功的算法,往往在病理图像中达不到相应的效果。同时,为了消除不同病理切片的染色偏差;制作病理预后预测模型;预测患者的五年生存率,我们还需要对算法进行更精确的修改。”
疗效预测方法概述
以813例直肠癌病人为样本的疗效预测结果
总的来说,在产品设计时,主要存在的便是数据和算法两个层面的问题,但当AI尝试进入市场,问题便接踵而来。
当完成训练阶段,人工智能产品终究需要进入真实世界,但这也是许多AI产品水土不服的地方。“许多AI已经可以在实验中将AUC提升到99%的水平,远超过病理医生,但在实际之中,这个数字是没有意义的,实验室水平不等于真实世界水平。”香港大学统计与精算科学系主任尹国圣教授在演讲中谈到,“关键还在于如何在识别影像过程中作出有效的判断。”
香港大学统计与精算科学系主任尹国圣
所以,AI进入医院的关键在于实现“切入医生痛点”与“满足医生需求”两个方面。中华医学会放射学分会副主任委员梁长虹在演讲中举了一个例子:医生的误诊率是7.5%,AI的误诊率是3.5%,而“医生+AI”的误诊率为1.5%。
因此,AI研究人员首先要与医生沟通,以辅助医生诊断出发,了解医生操作需求进行产品设计;其次,打铁还需自身硬,AI产品还需按照NMPA规定临床标准推动临床研究;或以多中心研究等创新的方式确保产品的品质。
在未来,用混合现实与增强现实指导、教学介入过程;智能导引;建立数据库模型支持粒子植入;基于临床数据支持介入诊治决策;基于RECIST智能评价系统化;植入器械智能评价和选择系统等等场景均有可能获得。而我国几十年积累的来之不易的经验,完全可用来指导上述人工智能的设计、测试、验证和监管。
那么,在如今这个阶段,AI企业应该如何构筑自己的壁垒呢?翼展医疗集团CMO高云龙给出了不同的答案。
“过去专精于人工智能影像数年的公司被新成立的初创企业赶上,这已经不是特例。实际上,只要拥有优质的数据,很多企业都能跑出相对理想的结果。但这个数字如何?医生并不关心。所以,数据并不能成为企业的壁垒。”高云龙认为。
翼展医疗集团CMO高云龙
“以翼展医疗集团为例,我们与移动、联通、电信、浪潮合作,使用他们的云平台;我们自己处于中间层,开发AI应用的同时搭建云PACS;在云PACS之上我们合作了许多AI企业,他们用优秀的应用为我们提供诊断支持。所以,就壁垒而言,我们想搭建的是一个医疗生态圈,以共赢的方式创造AI的未来。”
简单的来说,高云龙眼中看到的是一个各司其职的AI生态,即平台厂商做云PACS,软件厂商做软件。这种情况下,参与的越多AI玩家越多,整个平台乃至行业便愈发活跃。但现在问题在于,每一个企业都想做医疗AI界的APP Store,生态的壁垒又该如何构建?在没有明确的联盟模式前,更多、更深入的合作或许是拉开生态与生态间差距的关键。
