阿里巴巴中文站
阿里巴巴中文站

影像醫生組團向吳恩達學AI?北美放射學會舉辦首個醫生的AI課程

2019-06-05 09:59:04 來源:動脈網
未來的醫生不僅要能看得了片子,做得了診斷,很可能還需學會如何與人工智能更好地合作,在技術加持下讓自己的醫術更上一層樓。




這個趨勢已在全球范圍內引起關注。6月2日,北美放射學會(RSNA)在5月31日-6月1日期間舉行了第一屆針對放射醫學工作者的“AI大講堂”(Spotlight Course on AI: Radiology in the Age of AI ),試圖通過兩天的課程介紹放射醫學與AI緊密結合的技術起源、現有應用及如何理解AI醫學影像方面的學術進展,希望能夠幫助醫生們適應和新興技術緊密合作的新時代。

 

本次“AI大講堂”包括“簡要介紹醫學影像中的AI技術”、“探討其對更好地保證人類健康的影響”、“如何在自己的醫學實踐中接入AI系統”等多個部分,每個部分都邀請了AI行業領域的佼佼者來進行討論或者演講。

 

這正是趨勢所在:醫療領域所面臨的大量數據和技術需求讓其成為最先接受大規模AI技術沖擊的領域,這一趨勢也孕育了眾多最快走向應用的技術。

 

AI正在不斷影響醫學影像行業

 

CT、MRI、PET等醫學影像手段是醫生做診斷的重要資料,而AI強大的數據處理能力則能幫助醫生在分析影像時更顯游刃有余。

 

世界知名AI專家、斯坦福教授吳恩達在會上介紹了AI深度學習算法的發展以及AI影像技術的新進展。他所處的實驗室和斯坦福醫院合作,完成了ChestXnet,、Xray4all等用深度學習理解影像的工作。這些深度學習技術可以區分胸部X光中十一種不同的病理表現;檢測出膝蓋MRI中的異常;檢測出在頭部CT片子中指向動脈瘤的病理表現等等。

 

吳恩達介紹AI在醫學影像中的應用

 

深度學習已經可以完成人類一秒鐘內完成的基本任務,但AI想要完全替代醫生進行診斷,還有很長的路要走,有很多的突破需要攻克。”吳恩達說道。

 

對于AI技術可能引發的醫生替代危機,本次課程的組織者之一,斯坦福大學醫學院放射系副主任Curtis Langlotz教授則沒那么悲觀。他認為:“影像科醫生需要不斷改變、多學習最前沿的AI知識與技能。但AI只是臨床醫學中,類似CT、磁共振、超聲等新技術之后,又一個有價值的新技術、新發展,臨床醫生需要將AI新技術利用到臨床工作中。”

 

測量病灶大小、跟蹤病灶位置大小在不同疾病周期的變化等任務往往枯燥而乏味,AI比人類更擅長處理這樣的工作。所以,從某種角度上談,AI能讓臨床醫生的工作更好,有了AI的協助,臨床醫生可以做一些在認知上更有趣更有挑戰的任務。”

 

醫生所需技能在不斷迭代

 

面對AI不斷改變醫療領域的現狀,作為近距離接觸病患、提供日常醫療服務的醫生,如何才能適應這樣的時代?

 

首先,醫生需要更多地了解新技術,并學習如何將其應用于臨床診斷、手術預后、提前篩查等領域。課程中多位醫學影像AI的研究者分享了他們在這些領域的新研究。

 

AI不會替代醫生,但會用AI的醫生會替代不會用AI的醫生。”Curtis Langlotz教授在討論AI在醫療臨床應用時再次引用了這句AI時代的金句。

 

吳恩達也表示:“在科技世界里,每隔五年,我們的工作就會發生巨大的變化。如今,技術正讓所有各行各業變化的速度進一步加快。很多放射科醫生做的事情將被自動化,但只要醫生愿意去思考工作的真正價值,不斷拓寬視野,把重心放在更有價值的工作上,他們就什么也不需要擔心。”

 

其次,新技術本身也在進一步提升醫生的專業水平。

 

英國Kheiron Medical的放射學專家Dr. Hugh Harvey指出,放射學醫生需要更多地了解數據科學技術。放射科醫生需要了解基礎的數據科學、機器學習等方面知識,特別是對于數據的整理。他提到深度學習AI技術對于數據量的要求很大,但人們討論時往往只重視數量而忽略了質量。直接從臨床系統中拿到的數據是遠遠不能真正用來做臨床AI研究與應用的。

 

一般數據整理需要至少四層操作

 

第一層是臨床系統(PACS,電子病歷系統)中直接拿到的數據,這些數據往往包含敏感信息,數量大質量低,不能真用來做研究。

 

第二層是通過倫理委員會審查、去掉病人敏感信息的數據的數據,醫生和研究者可以受限拿到,但是這類數據一般缺乏結構化,無法直接用來做研究。

 

第三層是將這些數據進一步進行結構化清洗,進行可視化檢驗,從而保證圖像數據質量等問題。

 

第四層是將這些數據與相應的臨床信息匹配,通過人工或者自動的方法為數據打標簽,以便于進行AI研究分析。在這一層中,研究人員還要確認數據的統計價值是否足夠,以及是否有真正的標準來進行標簽。比如病人疾病的判斷需要根據多位醫生讀圖的結果比照,并通過后續發病、隨訪得到的結果確認疾病。

 

對于醫生來說,以開放態度對待技術,以課程、活動、項目交流等方式接觸并掌握新興技術,很可能會讓未來的醫療服務“事半功倍”。

 

參加此次會議的斯坦福神經影像醫生、前沿神經功能影像實驗室主任、Greg Zaharchuk教授對這類課程的重要性表示贊同。他認為,研究人員需要很好的將AI理論、應用、發展和局限講解給臨床醫生。

 

另一方面,他也強調臨床AI的研究和真正的臨床AI產品部署之間還有很大差距。如何確保算法在不同病例、設備、掃描參數等,都是現在面臨的問題,需要在發展中逐步解決。

 

醫療影像與AI技術結合后,人類的健康可能會獲得更多、更可靠的保障

 

放射科醫生在AI時代面臨著更多的機會和挑戰,而對更廣闊的大眾來說,技術能帶來的是更多的保障與更高的醫療水平。

 

在本次活動中,來自吳恩達實驗室的博士生Pranav Rajpurkar現場展示了Xray4All平臺:用戶上傳截取的x光影像照片,約1秒的傳輸后,用戶就可以在線獲得結果。若檢測影片出現了異常,平臺將用高亮標記異常部位。

 

“這個技術的應用場景特別適合用于解決發展中國家、全球衛生場景中臨床醫生資源短缺的問題。”Pranav總結到。

 

另一家融資超過4500萬美元的美國AI影像公司Arterys則計劃通過現實世界的數據來為全球人類提供醫療決策,自動化日常的醫療任務,進一步推動醫療平等化、民主化,并提供預防性分析。

 

Arterys如今的AI產品均基于云計算進行處理,這種模式的處理速度遠比醫院內部計算系統中計算更快捷、更安全可靠。

 

AI技術在美國臨床應用:AI系統產業化的關鍵步驟

 

作為醫療投入占政府總支出最高的國家之一,美國在AI技術的推廣上一直走在了世界前列,而中國作為平均醫療資源緊張的人口大國,同樣對AI醫療存在巨大的需求。

 

這次課程上,國內的推想科技、美國的Nuance、以及在中美協同推廣的深透醫療(Subtle Medical)受邀進行了報告,會議尾聲,三家企業以“Implementing AI: the last mile”為主題,探討了臨床部署AI系統產業化的最后關鍵步驟。

 

推想科技在中國處理了數百萬的病歷,并在美國多家醫院/影像中心開展測試。Nuance則在美國臨床影像的語音識別工具、讀圖標記工具占領了巨大的市場份額,也在推廣其“Nuance AI market”醫學影像AI應用商店。

 

深透醫療是三家中唯一有AI產品獲FDA批準進行商業化的。深透醫療CEO宮恩浩博士介紹了如何臨床部署其FDA獲批的SubtlePET產品,以及對申請中的SubtleMR等產品進行臨床測試

 

深透醫療SubtlePET的AI產品是首個獲批的醫學影像增強應用,也是首個獲批的核醫學的AI應用,其產品價值在于可利用AI達到4倍左右的影像采集加速,為減少輻射以及造影劑劑量提供解決方案。這意味著,病人將獲得更便捷、更高質量、更安全、更智能的臨床影像檢查。

 

在美國,AI要邁進醫院必須跨過嚴格的門檻,必須與醫院信息系統深入融合;與臨床醫生確認系統效果;并給出購買AI系統后,醫院將收獲的回報。

 

“在準備部署時,我們需要和臨床醫生、信息系統負責人以及醫院管理運營方面多方面溝通。以深透醫療為例,公司臨床和銷售負責人需要和醫院進行快捷而有效的真實數據測試,在盡可能不影響醫院現有運行的情況下,實時讓醫院用自己的數據進行臨床測試。通過實際的測試以及真實可觀的影像檢查加速,可以很客觀地讓醫院看到AI為醫院帶來新的臨床價值以及經濟價值,從而進展到采購與部署。”深透醫療CEO宮恩浩告訴記者。

 

 

醫學影像后處理公司TeraRecon的CEO,同時也是醫學影像AI平臺Envoy公司的CEO, Jeff Soreson與著名影像醫生、影像AI推廣者Eliot Siegal教授,同樣以互相采訪的形式討論了如何優化影像AI的工作流程、部署過程。

 

“對AI算法深度的臨床驗證是推廣醫學AI非常關鍵的一步,我們在向這個目標不斷發展。”Eliot Siegal教授強調。

 

技術局限性與面臨的挑戰

 

雖然醫學影像已經是AI領域最適合、也能最快部署的領域之一,我們仍面臨著重重挑戰。

 

首先,以深度學習為代表的的AI技術仍是一個“黑箱子”。這意味著技術能夠讓醫療影像檢測達到較高的準確度,然而AI仍然很難理解數據之間的真正關系以及如何分類數據。

 

“在斯坦福,我們希望能夠為醫學影像感知打造更好的注意力分布圖(attention map),來避免黑箱效應。”斯坦福醫學院教授Dr. Saafwan Halabi表示,“最近有很多研究和報道討論到基于數據的對抗攻擊算法(Adverserial Attack)可以讓識別路標的AI無法正常工作。而在醫療AI中,如何保證AI不被誤導是非常重要的一環,這方面研究的顯然遠遠不夠。”

 

斯坦福AIMI人工智能醫學影像研究項目負責人,本科課程的負責人之一Dr. Matthew Lungren討論了臨床AI的偏見問題“bias and implications for medical imaging AI”。 AI在實際臨床用時很可能引入數據偏差(bias),比如對于醫學影像識別的分類器,識別的是圖像里的其他標記,而不是影像中的病灶本身。

 

目前的工具對于數據和算法中的偏差問題并不能很好的理解,實際臨床應用的AI必須要讓人能在使用中理解結果的可信性。在系統設計中考慮人機互動以及AI算法給出置信度分析可以大大幫助人來減少可能的偏差問題。

 

麻省總院機器學習實驗室負責人之一Jayashree kalpathy教授則希望打造出一個魯棒性更強的模型,并通過轉移學習以及聯邦學習完成多醫院合作項目,實現在不用分享敏感數據的情況下分享訓練出深度學習AI模型,進而推動醫院間的深度合作。

 

總的來說,人工智能還有諸多不完美之處有待突破,但在未來,AI必定能成為健康生活的重要支撐。當然,這需要行業中的從業者共同努力,共同帶來更加有效率、有合理的健康醫療系統。


免責聲明:本文由作者原創。文章內容系作者個人觀點,轉載目的在于傳遞更多信息,并不代表EETOP贊同其觀點和對其真實性負責。如涉及作品內容、版權和其它問題,請及時聯系我們,我們將在第一時間刪除!

全部評論

X