人工智能重塑三维医学影像
医学人工智能产研发展
人工智能技术正在以突破摩尔定律的速度蓬勃发展,这离不开政策、产业、学术研究三端的联合发力。
从政策端来说,2017年国务院颁布的新一代人工智能规划起到了决定性的中轴作用。规划中不仅提及了2025年整个智能社会的转型,还细化了在医疗垂直领域上从指导实施到落实的一系列政策法,扶持医院信息化远程诊疗,利好优秀的新一代医疗人工智能技术企业。
从产业端来说,尽管医学人工智能的发展面临着许多科学问题、技术曲线和伦理的挑战,在信通院、药监局、各地人工智能行业委员会与中国医师协会的不懈努力下,更好的审批规则和合理的流程帮助了医疗人工智能应用多点开花,蓬勃发展。随着这一技术的市场化,目前有近一半的医生在积极主动地拥抱人工智能技术,超过三分之二的医生在接触人工智能产品,其在辅诊与辅助领域的前景是被看好的。
从学术研究端来看,在医学顶会顶刊上,国内单位论文数与占比在人工智能技术正在以突破摩尔定律的速度蓬勃发展,这离不开政策、产业、学术研究三端的联合发力。
从政策端来说,2017年国务院颁布的新一代人工智能规划起到了决定性的中轴作用。规划中不仅提及了2025年整个智能社会的转型,还细化了在医疗垂直领域上从指导实施到落实的一系列政策法,扶持医院信息化远程诊疗,利好优秀的新一代医疗人工智能技术企业。
近十年成倍增长。研究的主要方向也从20年前最小成本路径、随机有限元等传统方法,发展到字典学习、压缩感知一类的悉数表达方法,再到如今热门的神经网络、对抗生成等深度学习技术。
医学人工智能发展面临的多元复合问题
以医学影像处理为例,医学影像从数据维度特征表达到数据量标注的难度都与普通视觉图像有很大差异。由于环境复杂多变,数据会受到拍摄过程中病人姿态、拍摄视野等等因素的影响,即便同一种类型病灶的图像,其影像学的表征也是各异的。在标注时,不同医生对病灶边界的标注往往也不完全一致,且常是局部性标注,这种有偏标注在恶性肿瘤或组织下血管标注的场景都十分常见。
对应解决方案
上述提到的一系列问题都需要一一梳理并制定针对性的方案来解决。例如表征差异大的多模态数据可以通过特征编码的多模态融合检出;稀疏有偏的标注问题可以提出一致性约束来构建半监督框架解决;不同中心的数据会非标化和孤岛问题,则可以提出基于联邦学习实现具有记忆能力的多中心联合训练。
同时,我们通过与训练大模型作为支持,快速孵化出了下游更多的轻量级医学方向的专才模型,从模型的开源替代数据的开源,促进医疗人工智能生态圈的快速发展,突破单一任务单一场景的局限,构造群体协同的通用模型。
案例:医疗人工智能助力放射科
以肝脏病变的智能分析辅助软件为例,我们通过加入临床常见肿瘤7分类亚型的预测以及美国放射医学协会颁布的标准指南中推荐的征象预测来精准化病灶评估。在大规模队列验证的第一轮阅片结束后,发现对于5毫米小病灶的发现医生加AI组相对医生独立组有20%的灵敏度的提升。临床上,也不乏AI检出转移漏诊的例子。在人工智能技术与医学影像的碰撞之下,放射影像科在学术界的地位也不断提升。
案例:医疗人工智能助力临床手术
3D影像除了辅助疾病诊断,也有协助手术的初衷。例如肝脏治疗领域,工作站的传统方式对血管重建的性能是不达标的,造成血管的缺失和动静脉之间的粘连未解决,就需要后期医生大量的交互去修补。为此我们提出了一个辅助诊疗一体化的发展策略,让人工智能帮助划分肿瘤边界,自动计算肿瘤的责任血管。在肺癌的治疗场景下,也汇集了肺结节分析、气管镜模拟解剖和COPD慢病管理等一系列AI应用。
未来展望:与手术机器人的结合
在后疫情时代未来的医院里,时间和空间的限制会进一步被打破,会出现更多轻巧的“手”和不会疲劳的“眼”来帮助精准治疗。
行业对谈集锦
AI病灶检出、定性与多模态融合
柏志安:目前的AI普遍用于检出,很难对病灶进行定性,想请问两位老师对相应原因的看法。有没有可能结合一些其他的模态,来对病灶进行定性?
林慧敏:专科医生在看片子的时候会很关心病人的病史,如果病人没有肿瘤病史,一个很小的富血供结节很可能不会有大问题。但如果病人有既往肿瘤病史,在看到非常小的病灶时,我们需要警惕它是不是一个微小的、非典型(病灶小于5毫米)的转移性肿瘤病灶,相对应的,会希望病人能在半年或一年多来随访,观察微小病灶的变化情况。如果模型纳入了对病史的考量,那么检出同样的病灶,其对应的倾向是完全不同的。
柏志安:类比AI的多模态,也就是说医生在实际诊断的时候,本身也类似多模态诊断的模式。未来,多模态也会成为放射影像AI发展的一个方向吗?
陈翼男:是的。其实医生需要参考病人的病史、生理、化学等指征,甚至参考基因蛋白质的信息,才能在整个临床链路的判据上形成一个完整精准的诊断。目前我们受限于只能抽取影像的数据,未来我们希望不只是做单模态,而是能够结合CT、核磁、超声等,尽量做成一个多模态联合诊断的结果,让医生能更放心地使用。同时我们也觉得,人工智能有它的极限,比如在没有病史、临床实验基线指标的情况下,我们希望能给出一系列可能的亚型,帮助医生结合他的脑力做出更好的诊断结果
医疗场景中的数据标准化问题
柏志安:AI算法在医院的实际应用中会面临各种各样的现实情况,DICOM文件的质量可能会参差不齐,但AI算法其实需要更好的通用性和泛化能力。请问陈老师对解决这方面的实际应用问题有什么样的考虑?
陈翼男:这确实是我们现阶段面临的一个问题。初期训练时,我们使用的往往是标准化质控比较好的样本,AI去学习它一些较为本质的特征。随着数据的引入,我们会发现它的特征越来越不稳定,可能由于病人自身情况各异,也可能还有扫描质控的难题。解决这类问题我认为需要两头发力,一是需要让AI有较为清晰的能力边界认识,即对于什么样的达标的数据,AI能给出一个良好的结论,在其边界范围之内给出一个尽量靠谱的结果。二是能够帮助医生去看,什么样的数据不能满足AI给出正确结论的可能性,反向告诉医生、医院可能存在的问题,进而改善扫描的质控。
但现阶段的一些成熟领域,如肺结节、肝脏、心脑血管,这类数据对AI的影响会越来越小。随着大数据的分析应用,AI对有效的数据进行了比较充分的训练和学习,多数据来源的影响就会相对逐渐降低。
影像AI的实际应用
柏志安:也请林博士为我们分享在实际工作中运用AI的体会。
林慧敏:目前我们医院在肺结节上运用AI较为成熟,一般用于检出病灶。临床工作中的病人量大,常规检出一般现在是用1毫米,AI能够帮我们挑选出所有可疑的病灶,在此基础上,我们会仔细查看每一个病灶,综合各项因素,考虑哪些结节是真正可疑的,给出相应的随访建议。对于医生来说,它的检出非常重要,而定性仍有很长的一段路要走。