用AI看片子，医生不再为眼花而头疼了！

阿尔法狗让人工智能技术成为全球关注的焦点，但人工智能技术的未来肯定不只是下棋。只有和行业应用紧密结合，人工智能技术才能够产生更大的价值。

而在众多传统行业中，医疗行业无疑是对人工智能技术需求比较迫切的领域。而在医疗行业中，目前与人工智能技术有可能快速结合的，医疗影像分析首当其冲。

首先，从需求上来看，十分迫切。每个患者的片子从几十张到几百张甚至上千张，都需要通过医生的眼睛去逐张的看。每个患者平均花费的时间10-15分钟，600、700个病人，总共要170多个小时。而每个医生每天工作8小时，至少要21个人不停的看。所以很多医院的影像科，基本很少准时下班，有时甚至加班到晚上12点。对于医生而言，每天在眼力和脑力的强大压力下非常容易疲劳疲惫，正是因为这些疲劳和疲惫，也很容易造成对片子的漏诊和误诊，引起一些不必要的医患关系的紧张。

“如何把医生从繁重甚至简单重复的工作中解脱出来，让他更有时间做一些精准医疗，有时间去教学育人。同时有更多的时间去关爱病人，提高我们的服务质量，也提高了医疗效率。”作为医院医学影像科负责人，厦门市第二医院医学影像科主任、教授郭岗对此深有感触。

那么，是否有可能用人工智能技术来解决这一问题呢？

答案是肯定的。

事实上，在医生所看的海量的片子中，绝大部分是常见病和多发病，这种片子的特征，有比较典型的影像表现，诊断上不是太难。这也给人工智能介入提供了一个很好的基础。

在汇医慧影ceo柴象飞看来，医学影象天生适合互联网+大数据+人工智能。医学影像具有“4V性(volume数量、variety多样性、velocity速度、veracity真实性)”，从数量上讲，超过80%的医疗数据来自医学影像数据，多样性指多模态影像、病理、检验、基因及随访信息等数据的种类繁多。高性能计算多层神经网络模型能应用在影像数据。影像的数字化及报告后结构化确保数据最真实可用。

柴象飞认为，在整个医学影像中，医学大数据一定会影像先行，利用云计算的方法增加连接性，利用深度学习的方法挖掘大数据的价值，利用发数据的方法在更多的维度中挖掘原来浅关联或弱关联的关系，利用三者的关联大大提高医疗诊疗效率，并达到精准医疗。“我们在实践中发现，优质、大量的数据的积累;高性能计算环境;优化的深度学习方法;三者资源配齐就会构建不断提高的状态的模型，这正是人工智能的魅力所在。”柴象飞介绍说，汇医慧影公司正在利用网络的层级模拟了人脑对图像的认识过程，人脑对图像会分为如颜色、形状、抽象识别等五部分进行处理，因此在不同的区域，模拟认知的过程的算法也会不一样。

在国外，人工智能在医疗影像方面的应用也开始普及。

2016年11月，以色列的AI影像分析公司Zebra Medical Vision就宣布推出新平台。这个平台允许人们通过互联网从任何地方上传和接收他们的医疗影像分析。Zebra于2014年建立，目的是让电脑自动分析医学影像，诊断包括骨骼健康和心血管疾病在内的各种疾病。该公司已经稳步建立了一个影像数据库，结合深入学习技术，算法来自动检测和诊断病症。

而在医疗行业和人工智能的结合方面，IBM无疑更有发言权。自沃森问世之后，IBM便一直在大力推动沃森在医疗行业的落地应用。过去三年，IBM斥资数十亿美元进行收购。

2015年4月初，IBM宣布了两宗初创公司收购案，一家是可以查看5000万份美国患者病例的分析公司Explorys，另一家是提供云计算软件，可以把各种类型的健康数据进行处理，为医生提供数据方面的分析的Phytel。之后，又分别斥资26亿美元和10亿美元，收购了医疗数据公司Truven、医疗影像与临床系统提供商Merge Healthcare Inc。

2016年，IBM还成立了沃森健康医学影像合作组织，这个合作组织由15个领先的卫生机构、医学学术中心、流动放射学提供商和成像技术公司组成。到目前为止，该组织研究的病种已经涵盖乳腺癌、肺癌、糖尿病、眼病、脑病、中风和心脏病等疾病。

显然，IBM看到了这一市场的机会，并且正在全力布局。

那么，人工智能技术又是如何应用于影像分析和判断中呢？

人工智能在医学影像的应用主要分为两个部分：一是图像识别，应用于感知环节，其主要目的是将影像这类非机构化数据进行分析，获取一些有意义的信息；二是深度学习，应用于学习和分析环节，是AI应用的最核心环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握“诊断”的能力。

通过这两项技术的应用，人工智能便可在医学影像领域大显身手。

以Enlitic公司开发的恶性肿瘤检测系统为例，它通过使用肺癌相关图像数据库 “LIDC（Lung Image Database Consortium）”和 “NLST（National Lung Screening Trial）”进行验证，结果发现，该公司开发的系统的肺癌检出精度比一名放射技师检查肺癌的精度高5成以上。

厦门市第二医院也是人工智能技术的受益者。

“我们第一部分实现了人工智能辅助系统读片的功能，它的时间非常快，甚至到秒级、毫秒级的速度，这样一来极大的提升了我们的工作效率。在此基础上我们准备把自己的数据和专家经验提供给人工智能设备，让它慢慢成长，将来这个系统具有专家的水平，这是从速度和质量上来整个提高我们的服务质量。通过这些真正实现有智能化的专家。”郭岗介绍道。

而尝到甜头之后，接下来，厦门市第二医院还准备在人工智能上继续探索。

“接下来我们将在完善目前开发的这套设备的基础上，再开发基于CT的人工智能的平台，基于磁共振的人工智能平台，基于科研的人工智能平台。现在基于CT的人工智能平台是热点，但是目的不同，这个处于科研和前瞻性研究阶段，我相信一定会出现一个很好结果。基于磁共振，基于科研的平台，一旦成功了以后，它可以帮助医生提高他的工作效率，也尽可能提高他的准确率。尤其是在缓解现在基层医院医技人员缺乏的问题，同时对国家的分级诊疗政策非常有积极作用。再进一步把磁共振、科研平台搭建起来以后对目前关注的慢性病，比如慢性支气管炎、痴呆症等等，这些国际性难题，通过一些大数据的、格式化的研究，可能会提前干预、提前治疗，减少这种危害人身健康的病的进一步发展，将来有很好的社会和经济效益。”郭岗说道。

不过，目前也面临着一些问题。

中国虽然医疗数据量特别庞大，但根据IDC Digital的预测，其中80%的数据均是非结构化数据。

医学影像数据实际上是报告+影像。单单分析影像本身还不够，更重要的是对影像本身所对应的诊断报告也加以分析。而中国的影像诊断报告呈现出因医生而异的显著特点，由于影像诊断医生的个人习惯，执业医院，教育背景，导师影响等因素导致了不同地区不同医院的影像报告不同标准的情况。

所以将AI具体应用在医学影像诊断上，除了通行的图像识别和深度学习之外，还有一个前提：即如何将80%的非结构化数据转化为结构化数据。

此外，医学影像的分析，单纯的图像识别只是一部分，更重要的是如何对识别结果进行分析，判断，而这就需要具有很强的专业知识和经验积累，在这方面，国内的人工智能企业还比较缺乏。

因此，AI和医学影像的融合之路才刚刚开始，未来还有很长的路要走。