近日，由中国医学影像AI产学研用创新联盟（CAIERA）主办的「第二届中国医学影像AI大会」，在上海国际会议中心隆重召开。本次大会以“AI助力健康中国”为主题，围绕2030年健康中国行动纲要，深入探讨了人工智能在“健康中国”行动中的实践、问题与对策。
作为本次大会的战略合作媒体，雷锋网(公众号：雷锋网)进行了全程报道。
“AI+科研”是医疗AI企业入局的重要一环。这是因为，医疗是一门经验学科，越来越多的医生不仅希望使用AI产品进行诊断、治疗，也希望结合自身的医疗大数据和临床经验优势，进行AI方面的自主临床研究。
在本次大会的AI临床及科研应用论坛上，围绕“AI+科研”，大会邀请了多位影像科主任和AI学者，进行了一场高质量的圆桌访谈。
本次圆桌由上海交通大学医学院附属瑞金医院放射科主任严福华教授担任主持，国家自然科学基金委六处处长李恩中教授、北航-首医大数据精准医疗高精尖创新中心主任田捷教授、中国科学院深圳先进技术研究院副院长郑海荣教授、东部战区总医院医学影像中心主任卢光明教授；华南理工大学医学院副院长梁长虹教授、北京大学人民医院放射科主任洪楠教授参与了圆桌访谈。
以下为圆桌访谈的现场内容，雷锋网做了不改变原意的编辑和整理
严福华：第一个问题想请问李恩中教授，能否从国家自然科学基金委的策略结构化的角度，谈谈对医疗AI的长远预期，同时，在基金委的立项策略上有哪些调整和倾向性？
李恩中：这要取决于AI在医学方面究竟有哪些突破。实际上，除了在医学部之外，我们的工程材料部也有一个重大研究计划是专门做机器人，其中就包含了医疗机器人。
大家可以想象，在今年疫情期间，如果用医疗机器人进行咽拭子检测，进入病房后不需要医生和护士进行护理，而是由机器人来完成相关工作，那么医护人员的感染率肯定会大幅度下降。
所以，我个人觉得，在具有高致病性传染源的场合，相关工作完全可以由机器人来替代。
这就涉及到人工智能，尤其是通过各种人工智能的手段，精细地操控这些机器人，这是未来可能的一个发展方向。基金委在相关的政策倾斜上，无论是常规的项目，以及在青年基金的项目上都有相关的布局。同时，大家还可以自由申请。
可以看到，在重点项目、重大项目，甚至在重大研究计划，例如我们的肿瘤演进与诊疗的分子功能可视化研究中，人工智能也占有很大的比例。
虽然是我组织了这个重大研究计划，但是最有发言权的是专家指导组的两位成员——田捷教授和郑海荣教授。所以，接下来就可以由他们两位来回答。
严福华：谢谢李恩中处长，又给我们指明了另外一个人工智能的发展方向——医疗机器人。在疫情期间，我们也的确看到在高致病性的传染病来临时，医疗机器人如何降低医务人员的感染风险。下一个问题想请教田捷教授，作为专家组的成员，能不能分享一下在分子影像学和人工智能研究的道路上有哪些机遇和挑战？
田捷：谢谢严主任。这个问题提得非常好。我觉得医生是双重角色，一方面是人工智能的使用者。外部的医疗AI公司研发了很多人工智能的硬软件，来减轻我们的劳动负担，我们也正在使用这些人工智能硬件或者软件。
另一方面，医生又是人工智能医学应用的主要研究者。医疗人工智能的研究需要结合临床问题，所以医生们都是研究的主力。在这种背景下，无论是科技部还是基金委，都提出了一系列人工智能在医学应用的研发项目。
刚才李处长讲到，在对这个项目进行领导的六年中，我们联合了信息学部、数理学部和化学部。刚开始，这个项目被称作分子影像，经过分析后大家觉得过于偏重影像，是跟设备相关的，而我们的研究对象是肿瘤。实际上，工具还是分子影像，还是属于人工智能，所以特别适合影像医生进行申请。
肿瘤演进的分子功能可视化，其中一个关键词是可视化。大家知道，计算机视觉是人工智能最重要的一个分支。在医学上，计算机视觉应用得更多。分子影像或者可视化，就是希望通过大数据、人工智能来提取高维信息进行建模分析，让我们在分子细胞水平看到变化。
在目前的情况下，肿瘤医生的手和眼睛已经用到极限。而中国病人数量庞大，所以医生也希望能有新的有效方法。影像科医生应该积极参与到其中，无论是看到也好，量化也罢，特别在量化方面，影像组学都是属于计划的内容。
在医疗人工智能上，医生是主力军，利用人工智能进行建模，使得医学在进入分子阶段的时候，能够看到或者量化分子细胞水平，对肿瘤、血管神经疾病的诊断都是极大地促进。所以，从这个角度而言，医生研究人工智能有远大前程。
严福华：谢谢田捷教授，总结得特别好。作为影像科的医生，不仅是AI的使用者，同时又是AI的研究者，因为他们既有临床的经验，又可以把AI作为一个研究的手段和平台。接下来，就请郑海荣教授剧透一下AI在前沿的创新技术方面有哪些应用的方向？
郑海荣：谢谢严主任。现在做研究想离开或者抛开AI都很难。在今年参与的几次基金评审中，我也发现很多项目里多少都包含了AI的元素，这给我们的研究带来新的活力。我觉得，AI的技术创新以及应用，在三个方向上有新的机会：
第一，AI在医学上面的主战场就是相关疾病的AI诊断。最近，大家都发现，多种模态的影像都在基于AI技术进行拓展和应用，包括与CTA相关的心脑血管和与CT相关的早期肺结节诊断，以及在更为复杂的磁共振领域的诊断。
此外，李睿教授做的血管斑块识别以及在超声领域，也有很多的AI应用。
举个例子，深圳妇幼中心的李胜利主任在做一个非常成熟的软件，对胎儿各个部位的尺寸进行精确的判定和量化。这种方法使得每个月的检查可比性非常好。
因此，随着模型的发展和机器质量的提升，我认为，诊断肯定还是AI的主战场。
第二，去年在《Cancers》杂志上发表的、影响因子达到150多分的一篇综述。我非常赞同文中提到的一个观点，也是我们在实践的一个方向，就是全面调整AI的应用思路，不仅仅是帮助医生减轻大量阅片的问题，而且在操作层面对参数的选择以及自动化的扫描，AI也可以发挥重要的作用。
举一个典型例子，这次疫情里，联影智能推出一个“智能天眼”的CT产品，结合人的体位，尽量减少病人和医生的接触，直接拍几张照片就知道怎么对病人进行扫描，这是一个往前拓展的重要方向。特别是超声、磁共振这些依赖于手位的复杂扫描时，完全可以把扫描数据采集的智能化纳入AI应用的范畴。
此外，在超声造影里面，如果心脏卵圆孔未闭合，经常导致中风。早期检查靠的是造影，而造影技术要通过几分钟甚至十几分钟的造影机观察有没有漏诊，单纯靠人眼，医生往往会因为几个看不见的微泡而漏诊。所以，用AI技术完成动态监测，也是一个发展方向。
第三，AI在医学上的发展现在是基于大量的影像数据。但是，真正对于预后、对于综合的判断，其他类型的数据也非常重要。例如基因数据、病理数据以及临床数据，需要把多种数据进行融合。将这些多源、多模态的数据融合起来，对临床、预后判定以及治疗方案的指导都能发挥实质性的作用。
AI，现在发挥更多的是锦上添花的作用，如何在临床上发挥更加重要的作用，可能还要将其进行全面的调整、融合。这些都离不开多学科的交叉，以临床的需求为最大的目标来融合多学科的力量。
如果大家在一个创新链上往前推动，将会有更多的有影响力的、医生爱用的、临床的AI成果落地，并且创造价值。
严福华：郑海荣教授给我们提出了三个好的思路。刚才提到的联影智能的天眼CT，我们对此深有感触。原来进行CT扫描需要两个技术员，一个摆位、一个操作。但是，有了天眼技术之后，我们只需要一个人，通过远程操控就能够给病人精确定位，不需要跟病人接触，后来根据我们的经验也写成了一篇文章，我觉得这个问题是临床应用中非常重要的一点。
第二点，让我们深受启发的就是多学科的融合。作为临床一线的工作人员，我们每天有很多任务是参加多学科会诊。在AI的研究方面，我们是不是也能很好地利用多学科的优势，把多模态的信息进行融合，在诊断之外进行疗效评估、预后预测，指导临床治疗，基于AI的手段让影像学发挥更大的作用和优势。
接下来，我想请教卢光明教授，从科学研究的方向来讲，您对人工智能有什么样的期许？
卢光明：谢谢严主任。刚才几位专家都讲到，从病变发现、早期诊断、分类分期、预后评估、疗效评估以及在疗效预测等方面都有很重要的价值。目前，很多AI成果都发表在顶级期刊上，敏感性、特异性都达到95%以上，但是我们却没法用。
假如这些文章有医生参与，结果绝对没那么高，因为工程人员只用算法求结果。
举个例子，我有一个哈工大的博士后，基于300多个病例进行肺结节的良恶性鉴别，敏感性、特异性已做到90%多，AUC值在0.94。但是，把病例数据量增加后，指标就难以提高。所以，单纯的工科生可能只追求一个好的结果，而医生要考虑落地应用。
现在有一些应用确实很好，例如肺结节的检测，可以减少漏诊。心血管系统也存在类似的问题，例如我们在看冠状动脉时，利用AI的方法可以达到年轻医生的诊断效果——不但可以看狭窄程度，而且可以看斑块的性质。
斑块的性质和狭窄结合起来，对病人的预后或者选择治疗方案，都很有价值。我们还可以将其跟血流储备分数FFR结合起来，现在做一次有创的FFR花费很贵，而且病人的意愿也不高。
前天，科技部评审该项目里是用OCT来做FFR，我们也做过把CT和FFR结合起来进行的项目：如果狭窄程度大于70%，建议病人做一个DSA治疗。而结合FFR之后，值大于0.8，病人就不需要做，因为发生风险的可能性很小。
所以，这种方法对于减少DSA检查是有好处的。此外，对于要不要做血溶重建，以及预测恶性的心肌事件都很有价值。另一方面，我们还可以根据计算血流的动力学和其他因素结合来进行。
目前，我们仍然需要机器的协助来完成一些事。但是，要针对其中不同的场景，例如在基层边远地区，是需要将诊断的特异性提高，还是将敏感性提高，相关的曲线是可以调整的。因此，针对不同的场景，人工智能有不同的应用价值。我相信，人工智能不仅能够帮助我们减轻工作压力，解决一些临床问题，今后还能够结合临床的数据，像年轻医生一样主动学习以及自主反馈，AI将会有非常美好的未来。
严福华：谢谢卢光明教授。实际上，不仅有科学家、工程师做算法，如何让医生参与，让AI更加贴近临床实际就显得非常重要。
刚才卢教授讲得非常重要，我们国家的医疗水平发展非常不平衡，有些地区经验丰富的医生也很少，在这样的情况下，AI会发挥其重要的作用，像一两毫米的肺结节都能被AI发现，所以不会有病灶的漏诊。但是，定性还要结合医生的经验对其进一步的判断。
另外，AI如何真正帮助改善我们的诊疗流程，以及能否让病人获益。以前病人可能要做很多不同的检查，以决定病人需要进行什么样的检查和治疗。
有了AI助力以后，特别是卢教授刚才讲的冠脉方面的问题，我们不仅要看形态学，还要结合血流动力、功能学的改变、使得信息更加全面，这样才是真正地为病人服务，让患者受益。所以，我觉得，在这个方面还有很多的科研的思路和项目可以进一步挖掘。
接下来，我想请教梁长虹教授，您觉得，目前人工智能在影像数据深度挖掘当中的价值和创新有哪些？
梁长虹：谢谢严福华教授！首先，什么叫做深度的数据挖掘，这件事情本身就让我有点迷茫。但是从人工智能、从放射科医生的角度来看，医学影像本身就是循证医学中非常重要的证据。那么，借助人工智能技术，把重要证据用好，我们就可以得到非常多的帮助。
第二，深度的数据挖掘可以让AI技术在医学影像的全链条上发挥作用。国内有一家医院做了一个非常好的研究，患者进到医院，通过照相就能预测出是否有冠心病，也就是大家可能想象不到的用科学“看相”。
对于医学影像AI，大家都怀着无比希望的心情。但是，往往是理想很丰满、现实很骨感。有一次，我引用过一篇文章，文章当年就对人工智能给予无限的希望。但是，受制于算法、算力，最终没有得以实现。
现阶段而言，算法、算力的进步，已经可以让AI实现很多东西。但正如前几位专家所说的，很多问题还没有完全得到解决，我们还没有得到一个很完善的工具。
比如看胸片，难道只是看到一个肺结节就ok了吗？肯定是不可以的。分享一些个人想法：
我们希望提高医疗数据的质量，实现“小数据、大任务”。我们现在实现的是“大数据、小任务”；在创新方面，除了多模态的数据，还要有多模态的专家；最为重要的一点，是真正在算法上实现创新。
我们医院和田捷教授、郑海荣教授以及华南理工大学的工科团队和其他的工科团队进行了合作。目前，除了影像数据的分析外，还涵盖了病理科。香港中文大学也跟着我们进行科研，把基因信息的挖掘跟影像结合起来。到目前为止，在我们的科研经费里，大概用了1000多万进行影像基因的测序。
因此，不能是做医学影像的人，就只用影像数据来挖掘，还要将临床医生的观察、基因信息以及病理等多维的信息综合起来。围绕临床需求，才可能在未来解决更多的问题。不光是Deep Learning的算法，还要提出一个Chinese的算法，这样才能够真正解决我们的问题。
严福华：虽然算法算力提高了，但是什么时候能出现中国独立自知识产权的算法，将来更加助力医生在AI的研究道路上越走越顺。另外，梁教授又特别强调了多维度的融合，让不同的人在一起工作，才能够使得研究具有高水平，同时真正的符合临床的需求。
最后一个问题，想请教一下洪楠教授，在AI影像结构报告的方面，有没有什么经验可以分享。在实际工作当中，AI对于放射科的工作带来了哪些价值？
洪楠：谢谢严福华教授。人工智能能否帮助我们做结构化报告，答案是肯定的。但是，在现阶段肯定还是有一些限制。放射科的工作实际上是一个流水线，从患者进科室、进行检查再到后处理和读片，最后才能得出一份完整的报告。怎么出更好的报告？还需要结合临床。
到目前为止，对于人工智能而言，无论是看肺结节、冠脉还是看其他器官，都只是进行图像识别，没有完整地把病人的检验、病史以及其他的指标考虑进来。所以，AI得出的报告是不完整的。如果数据不完整、不规范，人工智能得出的报告也一定是不可信的。
回到结构化报告，实际上，我们科室里尝试了很多工作。为什么要做结构化报告？因为常规的报告有优缺点。常规报告的优点是上手快，缺点是书写过于随意，缺乏对整体思路的引导。
因此，我们探索结构化报告有将近10年的时间，成功的和不成功的案例都有。成功之处在于对一些比较简单、单一的器官，比如乳腺、前列腺甚至结直肠癌，都得出了内科、外科公认的结构化报告。
而缺点在于如何实现复杂器官、复杂部位的结构化报告，尤其是在出现疫情以后不做平片，只做CT。那么，CT可能不仅仅看出肺结节和肺炎，还可能是对颈、胸、腹、盆的连扫。这种情况下，我们怎么能够出结构化报告，我觉得很难实现各地的统一。
对我们来说，首先必须要掌握临床的需求，包括我们是不是真的需要结构化报告，如果真的需要，该怎么做？是按部位、按区域、按地区来做，或者是儿童医院、肿瘤医院以及综合医院。
目前，我们觉得按照各地的需要来做，更贴近现实。
那么，人工智能对我们工作有没有影响，答案也是肯定的。我们科现在的主要工作就是把几家AI公司的产品整合到信息系统里，主要是看肺结节，这样每个病人做完之后都可以处理一些数据。
使用的结果是，我们的一线大夫非常喜爱用结节筛查工具，因为不用再看片子了。只要是经过AI处理之后，他接受并提交报告就完成了工作。但是，对于二线大夫，因为全部是二线的分析，可能以前看一遍就够了，现在可能看两遍、三遍甚至需要花费更多时间，一线和二线大夫的感官不一样。
那么，带来的问题是，有了AI之后，一线大夫都不看片子了，那么不会读片了该怎么办？对于这个问题，可能不仅仅在国内有这，国外也一定存在。
所以，去年在北美发展年会上的一个专场，就是人工智能如何改变我们的继续教育培训。对于这个问题，需要我们的厂商以及几位学者，考虑今后怎么能够把AI用得更好。
刚才我主持了一个讲座，讲者是冯晓源校长。我觉得他讲得非常好，题目是人工智能和人类智慧的关系，他的结论是应当相辅相成。
我认为，人工智能应当不给我们麻烦，我们也希望利用人工智能做一些目前不愿意做甚至不能做的工作，使我们从常规的图像识别里摆脱出来，利用时间完成一些创新性的工作，多走出放射科，多进入临床，与病人和医生沟通。
这样，才能使我们放射科的工作变得不可或缺、不可替代，使我们立于不败之地。雷锋网
雷锋网原创文章，未经授权禁止转载。详情见转载须知。
