贊助本站
一位在廣州一家三甲醫(yī)院影像科從業(yè)8年的醫(yī)生，用“先進門瞧瞧”來形容他的工作，“我們需要經(jīng)過歷史影像對比、定量分析等步驟，才能對患者拍完的片子做一個基礎(chǔ)的診療判斷”，然后，決定患者需要什么樣的治療方案。
在醫(yī)療診斷依據(jù)中，影像的價值是無法取代的。90%的醫(yī)療數(shù)據(jù)是影像，它們來自CT、X線、磁共振、超聲、PET等。如為一個癌癥患者實施手術(shù)前，要拍片，以腫瘤的狀況、血管狹窄程度等信息為依據(jù)，判斷手術(shù)方案，用藥方案及后續(xù)風(fēng)險。
人工智能（AI）技術(shù)和圖像識別技術(shù)的進步，讓這項工作有了一個得力助手——人工智能醫(yī)學(xué)影像分析系統(tǒng)。
同一張二維醫(yī)學(xué)圖像，醫(yī)生需要花費十幾分鐘來觀察和推理，而人工智能經(jīng)過深度學(xué)習(xí)訓(xùn)練能在幾十秒就可“讀”出來。在充足的大數(shù)據(jù)支持下，人工智能有望將診斷速度提升10倍，且由此大幅壓縮診療成本。
對于醫(yī)生而言，高效的分析，能幫助他們節(jié)省讀片時間、降低誤診率、提供更豐富的歷史圖像比對。醫(yī)院也樂于看到人工智能對醫(yī)學(xué)影像處理的數(shù)字化成果，便于醫(yī)療數(shù)據(jù)庫的構(gòu)筑，借此降低診療方案的成本。
資本、技術(shù)和醫(yī)療數(shù)據(jù)三者的匯集，是當(dāng)下人工智能醫(yī)學(xué)影像起飛的三股東風(fēng)，這位還處于實習(xí)期的“讀片”助手能否最終獨當(dāng)一面？
搶欄快馬，勝在數(shù)據(jù)
與2016年相比，2017年的人工智能醫(yī)療行業(yè)熱度更加高漲，同時渴求能落地的成果。
“大家都談膩了。畢竟沒人可以靠‘雞血’過日子。”億歐智庫醫(yī)療產(chǎn)業(yè)分析師尚鞅告訴《財經(jīng)》記者，“有沒有在應(yīng)用層面可以稱得上‘拿得出手’的呢？我認為就是人工智能醫(yī)學(xué)影像分析。”
和人工智能醫(yī)療的其它領(lǐng)域相比，人工智能醫(yī)學(xué)影像的優(yōu)勢部分在數(shù)據(jù)。影像學(xué)的數(shù)據(jù)不像一份病歷一樣，包含病史、病人信息、癥狀、治療手段、愈后恢復(fù)等多方面的零散信息，它本身的信息集成度高——一張醫(yī)學(xué)病理片子就包含大量高價值信息。因此，和其他的醫(yī)療數(shù)據(jù)相比，影像數(shù)據(jù)處理難度更小，處理價值卻更高。
“醫(yī)學(xué)影像原始圖片是很高維、很復(fù)雜的，而人工智能把高維的數(shù)據(jù)，變換成一個低維度的、更容易處理的問題。”零氪科技有限公司首席架構(gòu)師王曉哲對《財經(jīng)》記者說，醫(yī)學(xué)影像數(shù)據(jù)本身很好地契合了人工智能表征模型算法。
影像數(shù)據(jù)標準統(tǒng)一，對于算法來說更易“入口”，輔助診斷模型的構(gòu)建更為輕松。
各家醫(yī)院的影像數(shù)據(jù)，不只在放射科一個科室，幾乎涉及到每個臨床科室，這也意味著影像數(shù)據(jù)不單單存在一個信息區(qū)域里。北京大學(xué)腫瘤醫(yī)院信息部部長衡反修告訴《財經(jīng)》記者，醫(yī)學(xué)影像數(shù)據(jù)在醫(yī)院是數(shù)據(jù)量最大的，而且是標準化的，更便于機器閱讀，這非常重要。
動醫(yī)學(xué)影像腦筋的大有人在。早在2003年，飛利浦健康科技臨床科學(xué)部高級總監(jiān)周振宇和他的導(dǎo)師就有一個創(chuàng)建影像大數(shù)據(jù)平臺的想法，但“在那個年代，很多挑戰(zhàn)我們都無法克服，比如成像質(zhì)量、數(shù)據(jù)和計算機的不匹配，診斷的邏輯思路也不規(guī)范，這些都導(dǎo)致15年前我們無法做到真正的智慧醫(yī)療。”周振宇告訴《財經(jīng)》記者。
正如影像科醫(yī)師需要閱讀大量的臨床醫(yī)學(xué)圖像，“喂食”病理圖像數(shù)據(jù)，是人工智能系統(tǒng)最主要的學(xué)習(xí)方式。和周振宇與他的導(dǎo)師起念頭時相比，目前能“喂食”的病理圖像數(shù)據(jù)越來越充足，人工智能分析能力才能茁長成長。
由于數(shù)據(jù)相對充足，開發(fā)者們得以向垂直領(lǐng)域聚攏。2016年，貝斯以色列女執(zhí)事醫(yī)學(xué)中心（BIDMC）與哈佛醫(yī)學(xué)院公布，二者合作研發(fā)一個人工智能乳腺影像診療平臺。研發(fā)人員不斷輸入大量的病理圖像，讓系統(tǒng)完成對片子的癌細胞識別和健康領(lǐng)域劃分，并在深度學(xué)習(xí)技術(shù)框架中完成自我完善，提高識別準確率和效率。該平臺負責(zé)人Andrew Beck稱，該平臺對患者乳腺的影像分析準確率能達到92%，與病理學(xué)家的分析結(jié)合后診斷準確率可達99.5%。