0
作为医学影像方面的技术专家和实战专家，斯坦福大学医学物理中心主任、汇医慧影首席科学家邢磊教授近日连续受邀参加国内外放射放疗学术会议，包括2017美国医学物理年会（AAPM）, 成都图像计算与数字医学国际研讨会, 第一界人工智能在医学中的应用峰会， 美国放射肿瘤学会（ASTRO）年会, 以及由北京医师协会放射专科医师分会等。近年来AI技术被广泛讨论。 如何将AI融合临床，如何帮助影像医生释放更多价值，如何从影像诊断为切入点，用AI来深入肿瘤治疗全链条，也是当前热门话题，这是一场数据和算法的博弈，更是诊断与治疗的彼此协同。 
斯坦福大学医学物理系主任、斯坦福大学杰出教授邢磊博士携汇医慧影人工智能分析云平台（英文版）亮相各峰会。 邢教授的主题为《AI在临床诊疗中的应用》的精彩分享博得了广大与会者的一致赞同。邢磊教授是美国斯坦福大学终身教授、 同时兼任斯坦福电子工程系、分子影像及生物信息专业以及Bio-X的教授。他从事医学影像，医学物理以及医学信息方面的教学研究长达20余年，发表了300余篇专业论文，并主持过多个NIH、DOD、NSF、ACS、RSNA等机构的重大科研项目，曾获美国癌症协会研究学者奖、美国医学物理学会 (AAPM) 最佳论文奖、及谷歌研究奖。邢磊博士同时还是AAPM和 AIMBIE（美国医学与生物工程院）会士, 国家“”专家。以下是邢磊博士的分享原文集萃，雷锋网做了不改变原意的编辑：
讨论AI在医学中的应用， 首先要弄清楚什么是医学。现代医学是循证医学（Evidence-based Medicine），主要包含三个部分：临床经验、科学数据和患者的实际状况和意愿。
。这三点看着简单，临床实践起来却很困难。医学是科学也是一门艺术，涉及医生的素质和经验积累。正因如此，临床医学中存在着许多问题，给AI在医学领域的应用创造了绝佳的机会。
首先，临床采集到的数据常带有一定的偏差和不确定性。用这些经验数据来做临床决策是一个十分复杂的过程。这个过程通常很难或根本无法用一般的简单数学模型来描述。 其次， 目前放射科和放疗科业务重复、劳动强度大。第三，建设医学影像部门成本高昂，各大三甲医院和市县乡级医院之间的基础设施相差悬殊。而AI技术可以随着应用规模扩大，边际成本不断降低，拥有无可比拟的优势。 AI技术的应用可以将医生从很多繁复低效的工作中解放出来， 提高医务工作者的平均水平和效率，使他们能够把宝贵的时间精力花在更有价值的创造性的临床工作上。 更进一步，临床试验往往耗时很长，从有结果到真正应用于临床，往往需要三至五年。AI技术的应用可以加速临床试验效率。可以毫不夸张地说，AI是实现个体化医疗的一项不可缺少的技术。
在循证医学中，临床决定是和证据和数据紧密相连的。伴随着科学及医疗技术的突飞猛进，数据越多， 临床决定的维度也就越多。从认知能力的角度来说， 一个人可以同时考虑的变量个数是很有限的。同一时间内能自如地处理十个因素的，就可算作superman了。但现实中， 一个肿瘤医生要考虑的因素往往要远远超过这个维度， 其难度和不确定性可想而知。
此外，我们正处在一个知识大爆炸的时代。每天都有关于的文章发表，而这些知识的半衰期平均只有几年，很容易过时被人们遗忘。因此，应用AI来快速提取数据精华用于临床是十分重要的。
相信各位专家对计算机辅助诊断——也就是CAD，都很熟悉。早在八十年代，就有很多人在做这件事情，涌现了很多公司。 后来被Hologic Inc. 收购的R2 Technology是其中一家比较有名的代表。随着计算机的计算能力增强，以及GPU的出现，深度学习逐渐走向大家的视线。 如今，深度学习已经广泛应用到了我们的日常工作和生活中。
机器学习的过程与儿童认知的过程很相似： 通过大量的现有样本训练机器，告诉它什么是猫什么是狗。学习一定数量的样本之后，机器在其他不同场合见到小猫小狗时，就能将它们识别出来。现实生活中用到这种能力的场景很多。放射科医生根据自身经验，参考病人的病史和其他临床信息做出诊断就是一个经典的例子。
机器学习可以分为三大类 。我们首先要用大量的数据来训练出模型后，才能对新的数据进行分析判断和预测。 近几年，深度学习十分火热，这可能和跟人际围棋大战有莫大的关系：）。其实，机器战胜人类已经不是第一次了。早在二十年前，IBM的Deep Blue就已经击败了象棋界的国际象棋棋王卡斯帕罗夫。 最近AlphaGo的两次人机大战又把人工智能推到了新的高度，因为围棋一直被誉为是“人类智慧皇冠上的明珠”。
深度学习和强化深度学习是目前医学影像领域使用最多的技术。 它们可以用来解决很多以前无法解决的难题 。今年斯坦福计算机系的S. Thrun在Nature上发表的有关皮肤癌检测的研究成果可以说是一个很成功的案例。他们基于近13万例皮肤癌样本，训练了一个CNN深度学习模型，然后用了约2000个样本对其进行测试。该模型的性能可与经验丰富的皮肤科医生媲美。
在充分挖掘人工智能的潜力， 打造一个全球化的智能医疗影像平台方面，汇医慧影一直走在行业的最前沿。汇医慧影正在利用深度学习来模拟人脑对三维图像的认识过程，并取得了惊人的进展。人脑会从颜色、形状、抽象识别等五个维度对图像进行处理。因此不同区域模拟认知过程的算法不尽相同。他们在实践中积累了大量的经验，在配齐大量的临床数据积累、提高计算效率，优化深度学习算法，和构建不断自我提高的模型方面取得了优异的进展。
AI在放疗中有很多应用，比如如何预测肝癌肺癌放疗可能产生的副作用。用深度学习模型可替代现有的诺模图， 从而实现准确度更高的个体化预测。现有方法是在给出剂量分布后，通过一些指标评估预测放疗的毒性，比如平均剂量大于多少会产生临床上无法接受的毒性。使用深度学习模型可以代替这些旧的指标，不再依靠仅有的几个参数做临床决定。
我们用大量病人的影像、治疗计划和治疗后的毒性等数据，构建了世界上第一个基于深度学习的肝癌放疗模型。它可以方便准确地对新病人的预后进行预测。 和实际临床观测到的预后相比发现，深度学习的预测要比现有模型要准确得多。这可以说是深度学习在放疗转化医学中的首次实质性应用。
放疗过程是很个体化的，需要根据病人的解剖学特征和肿瘤位置不断进行优化，这是个很复杂的过程。因此，制定治疗计划是一件非常耗时的工作。一般而言， 一个经验丰富的技术人员为复杂病人制定治疗计划经常要花费几小时到几天的时间。我们科室每年大概有三千多例病人，可想而知需要耗费多少时间和精力。 用深度学习制定治疗计划，可以大幅度地提高制定治疗计划效率和质量。目前，我们已经将谷歌AlphaGo的算法成功地应用到了治疗计划的优化中。 我们将利用该算法制定的治疗计划与人工计划进行比较，结果比现有的方法所产生的计划都好， 且易于在加速器上实现。
在用MRI来进行心脏等运动器官的成像或使用MRI引导放疗，需要迅速实时地采集并重建MRI图像。现有的MRI每秒可生成 4-8帧平面图像。用深度学习模型可以极大地缩短三维MRI图像重建所需的时间， 使“实时”的四维MRI图像重建成为可能。机器学习也同样可以应用于CT图像的重建。在CT成像时， 病人通常要接受1-5 cGy的辐射剂量，如果剂量降低，噪声信号就会显著升高，导致图像质量下降。我们用以前病人的CT数据构建一个模型，利用该模型与新的低剂量数据联合进行重建。从而将大大地降低了CT成像的辐射剂量。
深度学习在疾病筛查检测方面的应用研究也很活跃，新方法新技术层出不穷。 比如，我们实验室正在用深度学习来改进现有的前列腺癌的检测方法。大致地讲，当发现前列腺特异性抗原（PSA）升高时，一般要靠MRI及活检来确诊。 我们通过大量的病人影像及诊断结果，利用深度学习来进行前列腺肿瘤的诊断分析，由此找出所有病灶及肿瘤的恶化程度，从而避免或减少活检及病人的花费和痛苦。
相信各位对放射组学都熟悉。说到放射组学，顺便向大家介绍一本书，题目是“Radiomics and Radiogenomics”，是由我和斯坦福的三位同事一同编写的，将于明年初夏出版。利用放射组学，可以对特征值进行筛选。 我们最近在Radiology上发表了用放射组学研究胶质瘤预后的文章。另外， 胶质瘤的治疗中，一个很重要的临床问题就是如何区分假进展和真进展。治疗后病人的定期复查中，对上述两种情况的治疗决定是完全不同的——前者要停药，后者要继续治疗。利用神经网络，应该可以很好地解决这一问题。
到目前为止，计算机视觉的研究应用主要是在二维空间里进行的。而医学影像几乎全是三维甚至四维的，比如CT、MRI、PET等。真正意义上的医学影像学习和处理实际才刚刚起步。 除了算法，AI应用于医学领域的另一关键是数据和如何有效地进行数据交换。深度学习需要不断地改进模型，因此需要海量数据。 汇医慧影平台可以将数据以大家所认同的格式存放在云端，供多个专家共享 －这对大数据处理和深度学习是至关重要的。除了影像和电子病历（EMR）数据，今后我们还希望能将病人的基因组学数据、可穿戴数据等也融入进去，从而更加方便地进行多方位深度学习。数据共享实际上是一个大问题，涉及技术、管理，社会等各个方面。有篇发表在Lancet Oncology上的文章曾对此做了深入的探讨， 里面提到的数据共享的障碍在中国也普遍存在。 我相信，伴随着大量的高质量数据涌出，未来AI在临床应用的前景是非常乐观的。
最后总结归纳一下，今天我主要举例讨论了深度学习在诊断、图像重建、放疗决策等方面的应用。目前，人工智能在医学领域的应用才刚刚开始， 真正实现临床医学上的实质性应用估计还需要三至五年。未来还有很长的路要走。至于AI将来能否取代医生这个“永恒的话题”， 我们以后换个比较轻松的环境再讨论吧：）
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
