火狐直播:北京和睦家医院放射科陆菁菁：医师在医学印象 AI 研制中需求扮演什么样的人物？

　　雷锋网音讯，近来，第四届图画核算与数字医学世界研讨会（ISICDM 2020）在我国辽宁省沈阳市举办。

　　研讨会环绕图画核算和数字医学中的一些重要的理论、算法与运用问题进行学术评论，旨在促进电子信息（包含核算机、自动化与生物医学工程）、数学和医学等范畴学者的沟通与协作。

　　在 12 月 5 日下午举办的 智能辅佐治疗论坛 专场，北京和睦家医院陆菁菁教授向与会者共享了题为《医学印象人工智能研制之管窥：医师的人物》的精彩专题陈述。

　　医师在医疗 AI 产品研制中的人物十分多样，可以做最根底的的数据标示，也可以做临床架构的主张，医师还可所以运用者、建设者，乃至是执行者，一同也可以做 PI（principal investigator，首要研讨者）。

　　那么，医师关于现在 AI 的产品研讨有什么样的点评？作为医师，怎样才干参加到 AI 的研讨中，怎么完结双赢的长时刻协作关系？医师怎么看待医学印象的未来？

　　最终，我想给咱们提出一些主张，理工研制人员和医师协作时，怎么样才干成为医师的好朋友，让医师成为对项目更有建设性的人。

　　从 2016 年开端，以 AlphaGo 为代表的深度学习技能，在一部分范畴发生了摧枯拉朽的改动。从机器远不及人，到逐步彻底打败人类的成果来看，一些技能狂人以为深度学习将很快替代放射科医师的作业。

　　2018 年，由国家神经系统疾病临床医学研讨中心宣告举办了全球首场神经印象人工智能人机大赛举办。

　　人类这边，由 25 名全球神经印象范畴顶尖专家、学者和优异临床医师组成，在两轮竞赛中，BioMind 别离以 87%、83% 的准确率，打败医师战队 66%、63% 的准确率，人类完败。

　　听到这个音讯时，我真的感到了一丝惊惧，置疑医师是否真的不如神经网络。由于我记不住那么多文献常识，也没有看过神经网络练习那么多的医学图画，或许神经网络真的可以替代我的作业。

　　在我详细了解了竞赛以及评分规矩后，发现竞赛规矩既不老练，也不透明，更像是一个商业广告的炒作。

　　在曩昔的两年里，咱们发现人工智能的确能做不少作业，比方对骨龄的测验、小结节的确诊，对血肿巨细的判别，还有对糖尿病视网膜病变筛查以及前列腺的切割都可以做得很好。

　　可是，AI 往往在单任务上体现得十分超卓，但能做的多任务范畴的作业十分有限，并且有时分会犯一些很初级的过错。由于人具有笼统和直观的两种判别，看到一个图画感觉不对劲，就会经过细心研判、结合病史，给出一个有经历的、概括推理后的剖析。

　　这便是经历杰出的医师和缺乏经历的医师或许存在的一些差异。我以为，人类智能和机器智能现在依然存在必定的距离。

　　到现在 2020 年了，医师发现自己能从 AI 技能中获益良多，比方运用印象组学可以宣布许多文章，将 AI 软件运用在临床傍边，例如肺小结节的检测、前列腺的勾画，可以帮忙咱们削减许多的作业量。

　　咱们关于 AI 秉持着拥抱的情绪。在上一年的 RSNA 上，咱们一起的观念便是，掌握 AI 的医师比不掌握 AI 的医师愈加凶猛，这是咱们医师情绪上的改变。

　　我的作业便是没日没夜的勾画鸿沟。其时我就以为，这个项目可以经过 AI 对血肿密度凹凸的鸿沟加以差异。现在，现已诞生了这样的软件。

　　第二个，数字人薄层图画，比方 2019 年重庆的数字人项目。解剖学的教师就期望，树立一个真实的人体断层及其 CT 图画的相关，咱们要帮忙他画出这个结构，在 CT 图上也画起来，然后做成一个网页，作为教育网站或许是科研的根底。这个作业说起来很有价值，可是做的作业仍是适当琐碎。

　　其他，咱们还有一些参加临床实验的作业。比方，患者在承受靶向药或许免疫治疗三个月今后，医师需求调查患者身上的肿瘤改变，包含多规模肿瘤的巨细以及淋巴结的改变。

　　做这些项目时，CRA 公司需求招募具有相应资质的医师。比方看妇科肿瘤的医师就只接收妇科肿瘤专业的，并且还要能证明在这个范畴具有适当的造就，宣布过相应文章或许在学组担任委员。而医师的详细的作业便是找肿瘤、画巨细，然后标志性地得到必定的劳务费。

　　略微高档其他医工协作，包含了 3D 打印、盆腔核磁结构的自动识别，相对根底的减影图画比较等等，这也是咱们医师可以完结的。其他，还有像田捷教授他们所做的印象组学和印象基因组学。

　　现在 CT 的图画能扫得特别薄，再加上 3D 打印技能的呈现，这使得打印一个颅骨成为一件理论上很简略的作业。

　　此前，协和医学院解剖学系的主任找到我想做一个 3D 打印的颅骨模型，给每个学生课余时刻进行学习和了解。在曾经，这样的模型是很难获取的。

　　当然，咱们并不想靠非法手段获取数据。解剖学系主任对自己进行了一次 CT 扫描，图画处理专家拿到之后进行切割。由于骨骼的密度和周围安排相差很大，所以切割起来比较简略。可是颅底有许多的血管孔、神经走向，需求人来一点点抠细节。

　　实际上，这个脑壳里边的脑子的三维模型不是从 CT 图画得出来的，而是同一个人的核磁图画，经过脑切割的办法做了个 STL 的文件，一同组成起来。

　　这是咱们源于临床的问题。在协和的时分，咱们每天会签 100 多份 CT 和核磁的陈述，各个专业（头部、胸部、盆腔、骨关节）的都有。

　　上面这一张是经过双侧股骨头层面的盆腔磁共振图画，里边有膀胱及周围各种骨骼和肌肉。假如不是常常看肌肉、关节的医师，常常会对这些结构搞不清楚，比方哪些是缝匠肌，哪块是内收肌，仍是长收肌、短收肌；臀大肌、臀中肌、臀小肌差异还好记，其他肌肉时刻一长就糊涂了。

　　正常的人体解剖都是相同的，死记硬背就好了。机器学习或许深度学习应该在这些方面发挥相应的作用。

　　提出这个主意后，我和我的学生一同去勾画结构，这很费时。由于，一个患者有 20 层图画，每层图画上有五六十个结构。

　　假如是手动将结构切割出来，每一套图画就要花费一星期的时刻。其时，咱们的逻辑是数据越多越好，练习出来的神经网络功能就会更好。

　　可是对咱们医师来说，这个研讨由于没有后续的算法立异，咱们在此根底上做的临床运用的文章比较难宣布，这是咱们觉得有点儿惋惜的方面。

　　在拍胸片时，咱们会在图画上看到肋骨和肩胛骨，尤其是肋骨，假如重叠在肺纹理上，将会对病灶进行搅扰，影响对病灶的调查。咱们期望在胸片上去掉肋骨，但一般是没有双能量的胸片，假如有双能胸片，经过能量减影将其减掉。

　　因而，咱们用了一个比较奇妙的办法，用非配对的 CT 结构的 prior，算出骨骼的影子，在低分辨率上先做减影，进行上采样今后，在高分辨率上又进行减影，到达一个十分好的作用。

　　在钙化的显现上，咱们算法的钙化显现就相对明晰，并且骨头按捺的也十分好，可是其他算法的作用就差强人意。

　　其他，咱们还拿结核病灶进行了演示。当胸片有骨头挡着的时分，结核灶是什么样的？经过一些欠好的减影之后，结核灶显现不太清楚，可是在咱们的算法上，骨头被按捺下去，结核灶显现更清楚。

　　其时，咱们找了有两年作业经历的研讨生和十二年作业经历的进修生，别离对这些图画进行了判别。尽管看起来只要 99 幅图和 300 幅图画，可是经过不同的组合发生了许多的图画，每个片子大约要花 4~5 秒，让这些医师进行打分。

　　算法团队请咱们比较图画并进行点评，用的是 Excel 表，双盲的规划十分好，对伪影去得好坏与否进行打分。

　　在打分时咱们发现一些问题：有的算法尽管将伪影去得好，可是把重要的结构也去掉了，比方想看小关节或许想看脊柱里的脊髓，尽管伪影去得很漂亮，可是其间一些重要结构也看不清楚了，可是在咱们反响定见的时分，没有许多人注意到咱们的主意和需求。

　　这是未来医工协作还需求进一步进步的当地。假如两边可以更好、更深化的沟通，并且将医师的主张放在办法规划的过程中，信任会对文章将来的高度有所帮忙，更靠近临床的需求。

　　咱们和吕乐博士的团队每周都会花 3 个小时，在云端会议上评论现在协作进程中存在的一些问题。比方我会共享放射科医师怎么看图画，为什么放射科医师觉得，AI 不能像医师相同进行疾病的确诊。

　　不同的病种都可以体现成磨玻璃结节，比方 COVID-19 可所以磨玻璃的病灶，心衰或许肺堵塞时相同是磨玻璃病灶，所以光看图画是不行的。医师要学习许多根底性的东西，包含解剖、生理、药理、病理等等常识架构，这样才会辅导将来的确诊、经历剖析以及总结概括，然后运用于临床。

　　将来，人工智能的开发更需求人类的逻辑对其进行辅导。吕乐博士的团队也认识到，在神经网络的构建时，简略参加一些医师的逻辑，有时分会到达十分好的作用。

　　比方对一个图画的辨别，在 Deep Lesion 数据集里有许多期的图画混在一同，要发掘里边的病灶是很困难的。而比方肝癌的特征体现，从动脉期、门脉期到推迟期，是个动脉期会快速增强、门脉期快速澄清的，自有其规则在其间。

　　咱们医师提出的一个十分简略的参阅经历便是：看主动脉、门静脉和肾盂里边比照剂的散布，以区别是什么时相。

　　因而，在医师的提示简略总结一个逻辑，对不一同相的图画进行分类之后，课题的发展十分好。医工协作中，那种一起生长的感觉十分不错。

　　这是由于，搞研制、药物研讨的人都特别认可这件作业。针对药物是否有用的时分，医师常常要做许多、单调的丈量作业，需求一层层翻图画、一层层丈量，以判别肿瘤对药物是否有反响。有了这个算法，咱们就可以节约许多的人力。这也是他能拿到最佳论文的原因。

　　之前谈到盆腔的时分，我花费了大约好几个星期，才勾画了十几例的图画，练习网络让它知道肌肉长在什么部位。

　　从理论上来讲，人的头、鼻子这些特征，机器很简略学出来。假如这个点放在左面锁骨的中心，那么下一个人可以相同点到锁骨的中心，一些内涵的、很简略的逻辑存在其间。

　　在这个算法里还做了一些验证，比方在不同的图画里。在 X 光里边做，只用到一张符号的图画就到达了更好的作用。

　　运用 Deep Lesion 做一些病灶匹配的测验。第一次查看、第一次随诊时，AI 相同可以定位到相同的方位，这也很有帮忙。

　　从医师的视点而言，在比照老片的时分，咱们需求知道病灶本来的方位，现在要找到新的病灶并且进行上下匹配，随后进行丈量。假如人工智能可以做到，对咱们的帮忙是十分大的。

　　分数比较高的就匹配得比较好，相反便是不太好的。比方在最左下角的三幅图画上，在左面的腮腺周围绿圈便是 ground truth，可是算法猜测却匹配到主动脉弓上了，就得出 0.64 的分数。

　　咱们见证了这篇文章的宣布，也取得了 MICCAI、CVPR、RNSA 等顶会的摘要，收成十分大。

　　在与吕乐博士团队的协作过程中，咱们还有许多反响主张的时机。他们的服务器布置到咱们医院后，咱们也会弥补进更多的数据集，把咱们的运用感触或许研讨主张及时地进行沟通。

　　医师的人物是多样性的，可所以运用者和建设者，也可所以监督者和引领者。医师能做的详细帮忙也十分多，从根底作业开端，医师可以供给数据、对数据解剖标示，对图画进行真伪判别，还可以帮忙改文章，帮忙答复医学审稿专家的问题，对算法的开发提出主张，一起掌握研讨的方向，提出临床问题，将来也或许是临床验证的首要实施者。

　　相反，医师不期望仅仅只是成为工程人员取得数据的来历，或许是从事重复性的作业，不了解研讨的全貌，咱们的主意无法反响，或许没有可继续协作的长时刻打算。这些是咱们放射科医师不喜欢的。

　　并且，咱们期望理工团队可以专心在这个范畴。有的 PI 会有许多的 AI 项目，假如他的精力不能专心，就很难在一个方向上确保投入的时刻和精力。