根据市场调查公司 Signify Research 报告，包括自动检测、量化、决策支持和诊断软件在内，环球医学影像 AI 市场在 2023 年将达到 20 亿美元。
如今除了通用电气公司（GE）、西门子和谷歌等大公司，大量的新创公司正在涌入到这个领域来。

图：环球医学成像软件的收入预测（Signify Research）。

然而，很少有人能看清渗透将如何发生。

4 月 16 日，一篇题为《医学影像 AI 路线图》的报告在业内顶级杂志《放射学杂志》（Radiology）上发布。
这份攸关医学影像 AI 运用未来发展方向的路线图，厘清了未来数年医学影像 AI 可能重点打破的技能主题，应为业内重点关注。
它是 2018 年 8 月一次研讨会的成果，当时美国国立卫生研究院、北美放射学会 (RSNA)、美国放射学院 (ACR) 和放射学与生物医学成像研究学院在华盛顿特区联合主理这次会议。

路线图指出了 5 个关键主题：1）图像重修：如何从源数据天生适宜阐明的图像；2）图像自动标记和注释：从临床影像、电子档案和构造化图像中提取信息；3）临床影像机器学习新方法：包括定制的、预先演习的模型架构和分布式机器学习方法等；4）机器学习人工智能方法的阐明性；5）图像识别和数据共享：以促进临床影像数据运用和学科发展。

如何解读这份路线图？这份路线图对付下一步的医学影像 AI 运用有多大的辅导代价？为此 DeepTech 专访了路线图作者之一、美国纽约伦斯勒理工学院讲席教授王革。

DeepTech：为什么放射医学更热衷 AI 运用？

王革：这和图像性子有关。
在医院，成像技能会产生大量的图像数据，而图像数据剖析正是 AI 相对成熟的技能。
医学成像相称于是当代医学中的眼睛，可以把人的五脏六腑看得一目了然。
无论做手术，还是开药方，或者是放疗都离不开图像。
以是人工智能参与进来理所应该，于是就变成了很热的一个领域。

此外，在医疗数据里边，断层扫描图像该当是最精确的数据了，因此利于 AI 研发。
其他如电子病历或者是***可能都会有较大偏差，这也让医学影像领域在 AI 方面走得较快。
不过那些不太精确的数据并非没用，如果这些数据剖析和精确的图像数据结合起来剖析，就会让年夜夫有一个整合性的更精准的决策。

图：ImageNet大规模视觉识别寻衅缺点在过去6年中低落了8倍以上，2017年低于3％，好于人类缺点率5%的表现。
尤其是2012年引入深度学习后，识别准确性大大提高。

DeepTech：AI 在医学影像中的运用达到了什么阶段，是否还处于低级阶段呢？

王革：是的，还是低级阶段。
比如说图像重修的问题，现在 AI 用在医学图像品质提升方面进展轻微快一些。
比如说，对付一张模糊的医学影像，我们可以增强它的清晰度。
原来用经典的 CT 影像剖析方法可以将清晰度增强 30% 旁边，现在我用深度学习剖析 CT 图像或核磁共振图像，能增强 100% 乃至到 200%。
这个进步是显著的，但还需深入研究与严格考验。

图像增强对病患者是有实际收益的。
比方说 X 光 CT 筛查癌症。
由于大部分来体检的人是没有癌症的，在这个过程中人们会担忧 X 射线的安全性。
由于 X 光照射本身可能会引发基因变异以及增加癌变的可能性。
只管这个可能性很小，但是毕竟让人们有所顾虑。
在这种情形下，我们就考虑用比较少的 X 光剂量来做癌症筛查。
问题是把剂量减少之后，就会得到背景喧华的影像。
那么我们可以用机器学习来减少低剂量照射的噪音和伪影。
也便是说，低剂量照射得到的原始图像是模糊的，有噪音的，经由机器学习处理这个图像就变得清楚了。

这也是 2018 年 8 月 NIH 会议说的第一个要点，低剂量造影图像的重修。
图像重修是机器学习的一个新领域。
我们正在和 GE 互助研究基于 AI 的 CT 图像的重修。

其余，如何审批这类运用产品还没有明确规则。
美国 FDA 正在考虑这个方向。
AI 研究结果看着很好，但假如用到病人身上，万一有失落误怎么办？而且 AI 产品的监管和传统产品监管不一样，以前的产品的发布和修恰是很明确的，但是 AI 产品是交互式的和自适应的，它会不断从现实环境中学习迭代，因此给 FDA 监管带来新寻衅。
以是说，AI 在医学影像中间隔广泛运用还有事情要做。

在非医学图像数据库 ImageNet 大规模 AI 识别中，缺点率已经低于人类的缺点率。
这是机器学习的结果，而缺点率的降落对患者的康健至关主要。
要知道，诊断缺点造成了不少病患者去世亡，而放射科年夜夫的读片常有缺点。

在某些特定的图像识别中，现在人工智能已经超过人类了。
将来机器一定程度上乃至是很大程度上会取代年夜夫来读片。
我认为这正在发生或迟早会发生。

DeepTech：AI 将来能全面取代年夜夫吗？

王革：至少目前看我们还不能完备让机器来做繁芜的处理，现在的 AI 还有可阐明性、鲁棒性（即系统稳定性）等在医学影像领域尤其主要的问题须要办理。
AI 的参与希望能提高年夜夫的诊治效率。
我认为，终极这样的半自动化技能会在很多场景下变为全自动。
也便是说，在一些特定场合取代年夜夫是可以实现的。

一些很常规的剖析，比方说骨头在 X 照射中看得很清楚。
机器剖析会明确诊断出有没有骨折。
这种情形下，我以为年夜夫就可以相信机器。
那么，年夜夫的主要性怎么表示呢？在全体诊断过程中，将来年夜夫的角色可能更宏不雅观一些，进行一些有创造性、有想象力的剖析。

DeepTech：你刚才说医学影像的 AI 发展还是低级阶段，那么路线图是如何描述下一个阶段要办理的问题的？

王革：这份路线图是行业专家见告美国干系机构下一步要怎么走，侧重的是接下来几年要关注的要点以及可实现的改进，而不侧重 AI 的远景。

除了刚才说的图像重修问题，还有一个当前主要的问题是黑匣子问题，便是说机器学习的可阐明性。
年夜夫可以和患者沟通病情、病因以及诊治的依据，但机器学习只会给出一个结论，这不随意马虎让患者放心，会让人觉得把自己完备交给未知了。
但这实在也是一个进步，以前患者只能听到年夜夫的判断，现在患者还能听到 AI 的判断。
我们现在正与 IBM 互助研究神经网络可阐明性的问题。

其余一个问题是图像数据库。
机器学习须要用大数据，来担保演习剖析是合理的。
还有外国的数据库拿到能不能用，要不要监管部门来审批，公司能不能开放数据，这都是问题。

再一个问题是硬件。
机器学习用到大量的数据，以是对硬件的哀求越来越高，只管这几年硬件在快速升级，但对付普通机构可能就要包袱不起。

还有，数据库会涉及病患者隐私，现在机器学习可能猜出患者的身份信息。
对付隐私问题，我们可以借助于仿照打算来办理。
比如用 10 个病人的图像，根据特色随机布局出一个新的患者（他不是这 10 个病人中的任何一个）。
然后，我们用这个仿照患者来演习剖析，这样就规避了数据隐私的问题。
当然这个也会有弊端，它毕竟不是实际的病例，这就须要强大的数字仿照能力。

DeepTech：目前美国的医学影像数据库足够大了吗？还须要哪些完善方法？

王革：美国有一些公开的数据库，但更多数据库是不让别人用的。
医院出于隐私的考虑很少开放其数据库。
他们担心病人的诉讼。
如果要把病人的身份信息去掉，以及标注这些数据，要花大量的韶光精力。

DeepTech：你怎么看待中国在这方面的研究？

王革：中国海内的运用研究很好，前景广阔。
但源头创新比方说神经网的根本理论以及硬件芯片还是掉队的，这方面定会进步。

DeepTech：你怎么看待美国 FDA 去年批准了 AI 在糖尿病视网膜病变中的运用？怎么看待医学 AI 商业化发展趋势？

王革：由于视网膜图像是两维的，相比拟较大略，不像那种三维的乃至动态的图像剖析那么繁芜。
其余糖尿病视网膜病变数据也比较丰富，又不是那么隐私敏感，以是这类运用已有很好的结果，乃至在智好手机上就能利用，很贴近老百姓。

我以为发展都是从易到难。
将来 AI 能不能精准地预测心脏病，预测中风以及癌症，就要一步一步来。
我们和康奈尔大学在心脏疾病方面有些互助。

对付放射影像而言，放射科的主流机器都是由大公司来做。
我们从两年前开始与 GE 互助人工智能成像方面的研究。
而 IBM 侧重于大数据和推理，属于自然措辞理解剖析。
有人说自然措辞理解的进展没有图像领域进展大，但是我认为这事也不能急，机遇成熟自然就会有好的结果。

王革（右）于2014年当选美国科学促进会会员。

王革（Ge Wang），美国纽约伦斯勒理工学院（RENSSELAER POLYTECHNIC INSTITUTE）的讲席教授（Clark & Crossan Chair Professor），也是生物医学影像中央主任。
他于 1982 年毕业于西安电子科技大学电子工程系，于 1991 年和 1992 年在美国纽约州立大学得到硕士和博士学位，现为 IEEE、AAPM、AIMBE、SPIE、OSA，和 AAAS 多个国际学术组织的 Fellow。
他专注于 X 射线打算机断层扫描、光学分子成像、多尺度和多模态成像、机器学习等方面研究。
他的团队在医学成像方面进行了一系列开拓性的研究事情，提出了螺旋状锥束 CT 重修、自发荧光断层成像、CT 内重修理论和方法等。
他揭橥了 450 多篇期刊论文，主持多个大型 NIH 和 NSF 项目。
其团队与哈佛、斯坦福、康奈尔、MSK、UTSW、耶鲁、GE 环球研究中央、 Hologic 和 IBM 等均有生动的互助。