99精品在线观看-99精品在线免费观看-99精品在线视频观看-99精品这里只有精品高清视频-99九九精品国产高清自在线

這個趨勢已在全球范圍內(nèi)引起關(guān)注。6月2日，北美放射學(xué)會（RSNA）在5月31日-6月1日期間舉行了第一屆針對放射醫(yī)學(xué)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(yī)學(xué)與AI緊密結(jié)合的技術(shù)起源、現(xiàn)有應(yīng)用及如何理解AI醫(yī)學(xué)影像方面的學(xué)術(shù)進展，希望能夠幫助醫(yī)生們適應(yīng)和新興技術(shù)緊密合作的新時代。

 

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

 

這正是趨勢所在：醫(yī)療領(lǐng)域所面臨的大量數(shù)據(jù)和技術(shù)需求讓其成為最先接受大規(guī)模AI技術(shù)沖擊的領(lǐng)域，這一趨勢也孕育了眾多最快走向應(yīng)用的技術(shù)。

 

CT、MRI、PET等醫(yī)學(xué)影像手段是醫(yī)生做診斷的重要資料，而AI強大的數(shù)據(jù)處理能力則能幫助醫(yī)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和深度學(xué)習(xí)算法的發(fā)展以及AI影像技術(shù)的新進展。他所處的實驗室和斯坦福醫(yī)院合作，完成了ChestXnet,、Xray4all等用深度學(xué)習(xí)理解影像的工作。這些深度學(xué)習(xí)技術(shù)可以區(qū)分胸部X光中十一種不同的病理表現(xiàn)；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(xiàn)等等。

 

“深度學(xué)習(xí)已經(jīng)可以完成人類一秒鐘內(nèi)完成的基本任務(wù)，但AI想要完全替代醫(yī)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(shù)可能引發(fā)的醫(yī)生替代危機，本次課程的組織者之一，斯坦福大學(xué)醫(yī)學(xué)院放射系副主任Curtis Langlotz教授則沒那么悲觀。他認為：“影像科醫(yī)生需要不斷改變、多學(xué)習(xí)最前沿的AI知識與技能。但AI只是臨床醫(yī)學(xué)中，類似CT、磁共振、超聲等新技術(shù)之后，又一個有價值的新技術(shù)、新發(fā)展，臨床醫(yī)生需要將AI新技術(shù)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(wù)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(yī)生的工作更好，有了AI的協(xié)助，臨床醫(yī)生可以做一些在認知上更有趣更有挑戰(zhàn)的任務(wù)。”

 

醫(yī)生所需技能在不斷迭代

 

面對AI不斷改變醫(yī)療領(lǐng)域的現(xiàn)狀，作為近距離接觸病患、提供日常醫(yī)療服務(wù)的醫(yī)生，如何才能適應(yīng)這樣的時代？

 

首先，醫(yī)生需要更多地了解新技術(shù)，并學(xué)習(xí)如何將其應(yīng)用于臨床診斷、手術(shù)預(yù)后、提前篩查等領(lǐng)域。課程中多位醫(yī)學(xué)影像AI的研究者分享了他們在這些領(lǐng)域的新研究。

 

“AI不會替代醫(yī)生，但會用AI的醫(yī)生會替代不會用AI的醫(yī)生。”Curtis Langlotz教授在討論AI在醫(yī)療臨床應(yīng)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(fā)生巨大的變化。如今，技術(shù)正讓所有各行各業(yè)變化的速度進一步加快。很多放射科醫(yī)生做的事情將被自動化，但只要醫(yī)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(dān)心。”

 

其次，新技術(shù)本身也在進一步提升醫(yī)生的專業(yè)水平。

 

英國Kheiron Medical的放射學(xué)專家Dr. Hugh Harvey指出，放射學(xué)醫(yī)生需要更多地了解數(shù)據(jù)科學(xué)技術(shù)。放射科醫(yī)生需要了解基礎(chǔ)的數(shù)據(jù)科學(xué)、機器學(xué)習(xí)等方面知識，特別是對于數(shù)據(jù)的整理。他提到深度學(xué)習(xí)等AI技術(shù)對于數(shù)據(jù)量的要求很大，但人們討論時往往只重視數(shù)量而忽略了質(zhì)量。直接從臨床系統(tǒng)中拿到的數(shù)據(jù)是遠遠不能真正用來做臨床AI研究與應(yīng)用的。

 

一般數(shù)據(jù)整理需要至少四層操作

 

第一層是臨床系統(tǒng)（PACS，電子病歷系統(tǒng)）中直接拿到的數(shù)據(jù)，這些數(shù)據(jù)往往包含敏感信息，數(shù)量大質(zhì)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(shù)據(jù)的數(shù)據(jù)，醫(yī)生和研究者可以受限拿到，但是這類數(shù)據(jù)一般缺乏結(jié)構(gòu)化，無法直接用來做研究。

 

第三層是將這些數(shù)據(jù)進一步進行結(jié)構(gòu)化清洗，進行可視化檢驗，從而保證圖像數(shù)據(jù)質(zhì)量等問題。

 

第四層是將這些數(shù)據(jù)與相應(yīng)的臨床信息匹配，通過人工或者自動的方法為數(shù)據(jù)打標(biāo)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(shù)據(jù)的統(tǒng)計價值是否足夠，以及是否有真正的標(biāo)準(zhǔn)來進行標(biāo)簽。比如病人疾病的判斷需要根據(jù)多位醫(yī)生讀圖的結(jié)果比照，并通過后續(xù)發(fā)病、隨訪得到的結(jié)果確認疾病。

 

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

 

參加此次會議的斯坦福神經(jīng)影像醫(yī)生、前沿神經(jīng)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(yīng)用、發(fā)展和局限講解給臨床醫(yī)生。

 

另一方面，他也強調(diào)臨床AI的研究和真正的臨床AI產(chǎn)品部署之間還有很大差距。如何確保算法在不同病例、設(shè)備、掃描參數(shù)等，都是現(xiàn)在面臨的問題，需要在發(fā)展中逐步解決。

 

醫(yī)療影像與AI技術(shù)結(jié)合后，人類的健康可能會獲得更多、更可靠的保障

 

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

 

在本次活動中，來自吳恩達實驗室的博士生Pranav Rajpurkar現(xiàn)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(jié)果。若檢測影片出現(xiàn)了異常，平臺將用高亮標(biāo)記異常部位。

 

“這個技術(shù)的應(yīng)用場景特別適合用于解決發(fā)展中國家、全球衛(wèi)生場景中臨床醫(yī)生資源短缺的問題。”Pranav總結(jié)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(xiàn)實世界的數(shù)據(jù)來為全球人類提供醫(yī)療決策，自動化日常的醫(yī)療任務(wù)，進一步推動醫(yī)療平等化、民主化，并提供預(yù)防性分析。

 

Arterys如今的AI產(chǎn)品均基于云計算進行處理，這種模式的處理速度遠比醫(yī)院內(nèi)部計算系統(tǒng)中計算更快捷、更安全可靠。

 

AI技術(shù)在美國臨床應(yīng)用：AI系統(tǒng)產(chǎn)業(yè)化的關(guān)鍵步驟

 

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

 

這次課程上，國內(nèi)的推想科技、美國的Nuance、以及在中美協(xié)同推廣的深透醫(yī)療（Subtle Medical）受邀進行了報告，會議尾聲，三家企業(yè)以“Implementing AI: the last mile”為主題，探討了臨床部署AI系統(tǒng)產(chǎn)業(yè)化的最后關(guān)鍵步驟。

 

推想科技在中國處理了數(shù)百萬的病歷，并在美國多家醫(yī)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(biāo)記工具占領(lǐng)了巨大的市場份額，也在推廣其“Nuance AI market”醫(yī)學(xué)影像AI應(yīng)用商店。

 

深透醫(yī)療是三家中唯一有AI產(chǎn)品獲FDA批準(zhǔn)進行商業(yè)化的。深透醫(yī)療CEO宮恩浩博士介紹了如何臨床部署其FDA獲批的SubtlePET產(chǎn)品，以及對申請中的SubtleMR等產(chǎn)品進行臨床測試。

 

深透醫(yī)療SubtlePET的AI產(chǎn)品是首個獲批的醫(yī)學(xué)影像增強應(yīng)用，也是首個獲批的核醫(yī)學(xué)的AI應(yīng)用，其產(chǎn)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(zhì)量、更安全、更智能的臨床影像檢查。

 

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

 

“在準(zhǔn)備部署時，我們需要和臨床醫(yī)生、信息系統(tǒng)負責(zé)人以及醫(yī)院管理運營方面多方面溝通。以深透醫(yī)療為例，公司臨床和銷售負責(zé)人需要和醫(yī)院進行快捷而有效的真實數(shù)據(jù)測試，在盡可能不影響醫(yī)院現(xiàn)有運行的情況下，實時讓醫(yī)院用自己的數(shù)據(jù)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(yī)院看到AI為醫(yī)院帶來新的臨床價值以及經(jīng)濟價值，從而進展到采購與部署。”深透醫(yī)療CEO宮恩浩告訴記者。

 

醫(yī)學(xué)影像后處理公司TeraRecon的CEO，同時也是醫(yī)學(xué)影像AI平臺Envoy公司的CEO， Jeff Soreson與著名影像醫(yī)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(yōu)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(yī)學(xué)AI非常關(guān)鍵的一步，我們在向這個目標(biāo)不斷發(fā)展。”Eliot Siegal教授強調(diào)。

 

技術(shù)局限性與面臨的挑戰(zhàn)

 

雖然醫(yī)學(xué)影像已經(jīng)是AI領(lǐng)域最適合、也能最快部署的領(lǐng)域之一，我們?nèi)悦媾R著重重挑戰(zhàn)。

 

首先，以深度學(xué)習(xí)為代表的的AI技術(shù)仍是一個“黑箱子”。這意味著技術(shù)能夠讓醫(yī)療影像檢測達到較高的準(zhǔn)確度，然而AI仍然很難理解數(shù)據(jù)之間的真正關(guān)系以及如何分類數(shù)據(jù)。

 

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

 

斯坦福AIMI人工智能醫(yī)學(xué)影像研究項目負責(zé)人，本科課程的負責(zé)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(shù)據(jù)偏差（bias)，比如對于醫(yī)學(xué)影像識別的分類器，識別的是圖像里的其他標(biāo)記，而不是影像中的病灶本身。

 

目前的工具對于數(shù)據(jù)和算法中的偏差問題并不能很好的理解，實際臨床應(yīng)用的AI必須要讓人能在使用中理解結(jié)果的可信性。在系統(tǒng)設(shè)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(xué)習(xí)實驗室負責(zé)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(zhuǎn)移學(xué)習(xí)以及聯(lián)邦學(xué)習(xí)完成多醫(yī)院合作項目，實現(xiàn)在不用分享敏感數(shù)據(jù)的情況下分享訓(xùn)練出深度學(xué)習(xí)AI模型，進而推動醫(yī)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(dāng)然，這需要行業(yè)中的從業(yè)者共同努力，共同帶來更加有效率、有合理的健康醫(yī)療系統(tǒng)。


免責(zé)聲明：本文由作者原創(chuàng)。文章內(nèi)容系作者個人觀點，轉(zhuǎn)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(zé)。如涉及作品內(nèi)容、版權(quán)和其它問題，請及時聯(lián)系我們，我們將在第一時間刪除！