結(jié)局超出了不少醫(yī)生的預(yù)想，就像AlphaGo參加的圍棋之戰(zhàn)一樣。

　　這是全球首場神經(jīng)影像領(lǐng)域的“人機(jī)大戰(zhàn)”。

　　人類戰(zhàn)隊(duì)由25名神經(jīng)影像領(lǐng)域的頂尖專家、學(xué)者以及優(yōu)秀的臨床醫(yī)生組成，與他們對戰(zhàn)的，是北京天壇醫(yī)院“神經(jīng)疾病人工智能研究中心”和首都醫(yī)科大學(xué)人腦保護(hù)高精尖創(chuàng)新中心共同研發(fā)的AI輔助診斷系統(tǒng)“BioMind天醫(yī)智”。

　　6月30日的總決賽現(xiàn)場，最終AI選手以高出20%的正確率，戰(zhàn)勝了神經(jīng)系統(tǒng)疾病診斷的醫(yī)界“最強(qiáng)大腦”。

　　這位醫(yī)學(xué)界“新星”究竟有多大本事？它的深度學(xué)習(xí)經(jīng)歷了怎樣的訓(xùn)練？它會(huì)替代臨床醫(yī)生嗎？

　　戰(zhàn)勝25位人類醫(yī)生

　　當(dāng)天的比賽被分成了兩個(gè)組別，其中A組進(jìn)行的是顱內(nèi)腫瘤磁共振檢查（MRI）影像判讀；B組進(jìn)行腦血管疾病CT影像判讀及血腫預(yù)測。

　　前者要對腦腫瘤作出定性，后者驗(yàn)證腦出血第一次血腫擴(kuò)大的風(fēng)險(xiǎn)。

　　首輪15位參賽醫(yī)生，每人對15例影像進(jìn)行判讀，共225例。

　　同時(shí)，相同數(shù)量的病例，AI選手耗時(shí)15分鐘判讀完畢，準(zhǔn)確率最先顯示為87%。又過了15分鐘，計(jì)時(shí)結(jié)束，人類戰(zhàn)隊(duì)的成績定格在66%。

　　這并沒有打擊醫(yī)生們的自信心。

　　事實(shí)上，在第二輪比賽中，10位醫(yī)生不僅率先完成判讀，還就其中不確定的答案進(jìn)行了二次矯正。

　　然而，卡著點(diǎn)交卷的AI選手還是以83%對63%的準(zhǔn)確率，再次獲勝。

　　這個(gè)結(jié)果足以讓現(xiàn)場和通過直播視頻觀戰(zhàn)的一線大夫們“消化”一段時(shí)間。

　　不過，就在比賽結(jié)束的那一刻，北京天壇醫(yī)院神經(jīng)影像學(xué)中心主任高培毅和血管神經(jīng)病學(xué)中心副主任醫(yī)師李娜算是放下了懸著的心，對AI選手長達(dá)半年的訓(xùn)練沒有白費(fèi)。

　　同樣感到欣慰的，還有BioMind創(chuàng)始人兼技術(shù)總監(jiān)吳振洲。

　　對他們來說，AI當(dāng)天的表現(xiàn)屬意料之中。

　　高培毅提到，在前期的練習(xí)中，它對腦腫瘤判定的準(zhǔn)確率一度可達(dá)到95%。

　　但這不意味著醫(yī)生戰(zhàn)隊(duì)的表現(xiàn)就有失水準(zhǔn)。

　　高培毅坦言，結(jié)果顯示的就是國際上神經(jīng)影像判讀的正常水平。

　　需要指出的是，由于比賽人為增加了難度，如果回到現(xiàn)實(shí)場景中，醫(yī)生對腦腫瘤判定的準(zhǔn)確率會(huì)高于比賽時(shí)的結(jié)果，與AI的差距更小。

　　國家神經(jīng)系統(tǒng)疾病臨床醫(yī)學(xué)研究中心副主任、天壇醫(yī)院常務(wù)副院長王擁軍認(rèn)為，這場人機(jī)大戰(zhàn)的目的是“教育”。

　　它可以解答許多臨床醫(yī)生的疑問：人工智能究竟有多大本事，以及我們是否會(huì)被替代？

　　“與AlphaGo戰(zhàn)勝圍棋9段選手一樣，并不是AI的智力超越了人類，只是它們更勤奮，學(xué)習(xí)速度和穩(wěn)定性都可以達(dá)到極致。”王擁軍表示，作為一種工具，它必定能在某一單一特定任務(wù)中超越我們。

　　然而，醫(yī)學(xué)并非單一的科學(xué)問題，臨床醫(yī)學(xué)也不是千篇一律的，病人的治療、預(yù)后要結(jié)合家族史、社會(huì)經(jīng)濟(jì)地位等各種復(fù)雜因素，任何信息的微小變化都會(huì)引起復(fù)雜決策系統(tǒng)的波動(dòng)，使醫(yī)生產(chǎn)生截然不同的判斷。

　　醫(yī)生這個(gè)職業(yè)不會(huì)消失。

　　“因此，我們對待人工智能，既不要小看它，也不必恐懼它。”王擁軍表示。

　　能看到醫(yī)生肉眼看不到的

　　人工智能與醫(yī)療的結(jié)合，是解決醫(yī)療“痛點(diǎn)”的新機(jī)遇。業(yè)內(nèi)人士認(rèn)為，將AI具體應(yīng)用在醫(yī)學(xué)影像的輔助診斷上，是最有可能率先實(shí)現(xiàn)商業(yè)化的。

　　一方面，醫(yī)療數(shù)據(jù)中有大量數(shù)據(jù)來自于醫(yī)學(xué)影像，但這些數(shù)據(jù)幾乎全部需要人工分析，而相應(yīng)的醫(yī)療從業(yè)人員卻非常短缺。

　　有研究表明，目前我國醫(yī)學(xué)影像數(shù)據(jù)年增長率約為30%，而放射科醫(yī)師數(shù)量年增長率只有約4%，人工處理影像數(shù)據(jù)的負(fù)荷會(huì)越來越大。

　　高培毅希望，AI能把醫(yī)生從一部分低附加值的、重復(fù)性的工作中解放出來，比如，“BioMind天醫(yī)智”系統(tǒng)正式應(yīng)用后，至少可以替代醫(yī)生20%的工作時(shí)間。

　　另一方面，中國優(yōu)質(zhì)的醫(yī)療資源分布極不均衡。

　　以復(fù)雜程度高、定位診斷難度大的神經(jīng)系統(tǒng)疾病為例，在大量基層醫(yī)院，臨床的誤診率、漏診率居高不下，診斷效率水平很低。

　　AI+神經(jīng)影像，需要加強(qiáng)的是對醫(yī)學(xué)影像數(shù)據(jù)的內(nèi)容解讀，幫助醫(yī)生進(jìn)一步提高影像診斷精準(zhǔn)度，解決的問題是加強(qiáng)醫(yī)生的診斷水平。

　　以此次人機(jī)大戰(zhàn)中腦出血后血腫擴(kuò)大的風(fēng)險(xiǎn)預(yù)測為例，李娜作為一名臨床醫(yī)生深知面對腦出血病人時(shí)的束手無策，一旦出現(xiàn)血腫擴(kuò)大，致癱、致死的幾率會(huì)顯著上升。

　　目前，并沒有十分有效的治療辦法。

　　在基層醫(yī)院，治療的機(jī)會(huì)便更少了。

　　除非，能在出血或血腫擴(kuò)大前準(zhǔn)確預(yù)測，在時(shí)間窗內(nèi)給出積極的治療，比如止血治療。

　　遺憾的是，在臨床上，仍只有20%~30%的病人能被提早識別。

　　影像預(yù)測就像是該疾病治療中無法挪動(dòng)的絆腳石。

　　然而，經(jīng)過上千病例的訓(xùn)練，“BioMind天醫(yī)智”能在影像中看到醫(yī)生肉眼看不到的疾病發(fā)展征象，給出醫(yī)生更精準(zhǔn)的判斷提示。

　　李娜認(rèn)為，假以時(shí)日，這項(xiàng)技術(shù)可以幫醫(yī)生提升對腦出血后血腫擴(kuò)大的診斷認(rèn)知，從而改進(jìn)治療方案，這對病人的治療和預(yù)后將起到非常積極的作用。

　　為了讓AI跟上醫(yī)生的思路

　　目前，全世界范圍內(nèi)，在AI+醫(yī)學(xué)影像領(lǐng)域，主要業(yè)務(wù)都涉及肺部結(jié)節(jié)和糖尿病性視網(wǎng)膜病變檢測，因?yàn)檫@些病灶較為方便直觀測量和診斷，可以很快幫助醫(yī)生提升影像診斷效率。

　　不過，全世界最復(fù)雜的影像是大腦的影像，大腦疾病也是非常難攻克的。

　　據(jù)王擁軍介紹，至今還鮮有針對AI+神經(jīng)影像的研究。

　　北京天壇醫(yī)院“神經(jīng)疾病人工智能研究中心”之所以可以深入這一領(lǐng)域，完全依賴于它獨(dú)一無二的腦疾病大數(shù)據(jù)積累。

　　數(shù)據(jù)是人工智能深度學(xué)習(xí)算法所需的核心資源。

　　天壇醫(yī)院每年接診來自全國各地的神經(jīng)系統(tǒng)疑難雜癥患者30萬人次，僅腦部腫瘤年均手術(shù)量就達(dá)到了8000~10000臺。

　　“對于很多醫(yī)院來說，普遍存在的問題是一家醫(yī)院的數(shù)據(jù)不足，需要多家醫(yī)院數(shù)據(jù)的匯總?！鄙虾＝煌ù髮W(xué)生物醫(yī)學(xué)工程學(xué)院教授錢大宏指出，“我們目前所關(guān)注的醫(yī)學(xué)大數(shù)據(jù)的共享，需要做的是分布式共享，來讓大家合理合法地獲取多中心的數(shù)據(jù)?！?/p>

　　他表示，目前數(shù)據(jù)所有權(quán)比較復(fù)雜，如果將醫(yī)院的數(shù)據(jù)直接拷貝并帶出醫(yī)院進(jìn)行研究并不現(xiàn)實(shí)。

　　“歐洲和美國已有數(shù)據(jù)保護(hù)條例，比如歐盟《通用數(shù)據(jù)保護(hù)條例》（簡稱GDPR）。這必將成為一個(gè)趨勢，對數(shù)據(jù)的保護(hù)會(huì)越來越強(qiáng)。”

　　另外，吳振洲告訴《中國科學(xué)報(bào)》記者，“不像自然圖像識別，醫(yī)學(xué)研究領(lǐng)域沒有足夠的開源數(shù)據(jù)支持深度學(xué)習(xí)的算法，一開始我們花了很多時(shí)間進(jìn)行數(shù)據(jù)的整理”。

　　醫(yī)療影像數(shù)據(jù)與現(xiàn)實(shí)的物體不一樣，可以快速直觀地了解數(shù)據(jù)的內(nèi)容，但需要在專業(yè)醫(yī)生指導(dǎo)下才能讀懂。為了讓AI跟上醫(yī)生的思路，吳振洲帶領(lǐng)設(shè)計(jì)人員用了三四個(gè)月的時(shí)間學(xué)習(xí)了醫(yī)學(xué)影像書籍?！拔覀兿纫獙T和MRI的影片有初步了解，才能幫助AI建模。”

　　據(jù)錢大宏介紹，AI學(xué)習(xí)醫(yī)學(xué)影像的具體方法是深度學(xué)習(xí)結(jié)合先驗(yàn)知識對模型進(jìn)行訓(xùn)練，過程中需要有經(jīng)驗(yàn)的醫(yī)生將醫(yī)學(xué)圖像進(jìn)行標(biāo)注，程序員將片子的數(shù)據(jù)注入深度學(xué)習(xí)中，再留些樣本進(jìn)行測試。

　　不同部位的算法不同，但是基本框架大同小異。

　　他表示，有些不同的學(xué)習(xí)是在數(shù)據(jù)的預(yù)處理階段，數(shù)據(jù)需要預(yù)處理，比如分割、配準(zhǔn)、標(biāo)注。

　　預(yù)處理方式如果設(shè)置得好，對于深度學(xué)習(xí)效果就更好。

　　在這方面，一般以醫(yī)生的經(jīng)驗(yàn)為主，程序員做出工具，幫助醫(yī)生做分割和標(biāo)注的工作。

　　“而AI需要學(xué)習(xí)數(shù)據(jù)的數(shù)量則由數(shù)據(jù)預(yù)處理標(biāo)注的好壞決定，如果標(biāo)注清晰、質(zhì)量高，那么學(xué)習(xí)以‘千’為單位的影像片數(shù)量就足夠了?！卞X大宏補(bǔ)充道。

　　高培毅也強(qiáng)調(diào)，由于大多數(shù)標(biāo)注依賴人工識別，因此數(shù)據(jù)標(biāo)注將耗費(fèi)醫(yī)生很大的人力和時(shí)間，在醫(yī)療影像領(lǐng)域獲取具有高可靠性的標(biāo)注數(shù)據(jù)是一個(gè)重要挑戰(zhàn)。

　　如果數(shù)據(jù)標(biāo)注沒有足夠的時(shí)間精雕細(xì)琢，AI所學(xué)習(xí)的知識就是粗糙的，甚至可能學(xué)壞。

　　吳振洲提到，不同部位影像對AI來說學(xué)習(xí)難度也不同。

　　腦部影像數(shù)據(jù)相當(dāng)復(fù)雜，比如MRI影像掃描就包括很多層面和掃描序列。

　　在臨床中，有些醫(yī)生作出診斷時(shí)并不需要用到所有數(shù)據(jù)，比如，天壇醫(yī)院的醫(yī)生不需要掃描全部序列就足以得出判斷結(jié)論。

　　因此，我們獲取的數(shù)據(jù)序列統(tǒng)一性不好。

　　再者，難度比較大的是罕見病例的學(xué)習(xí)，由于罕見病例數(shù)量少，最終，我們采用了遷移學(xué)習(xí)和半監(jiān)督的方法學(xué)習(xí)。

　　歸根結(jié)底，AI學(xué)習(xí)必須依賴醫(yī)生的“教導(dǎo)”，醫(yī)生對不同疾病的診斷思路和方法不同，AI的學(xué)習(xí)也要找到最符合該疾病規(guī)律的方法。

　　因此，AI學(xué)習(xí)效率的提升必定是人工智能專家與醫(yī)學(xué)專家深度配合的結(jié)果。

　　目標(biāo)是真正進(jìn)入臨床

　　據(jù)悉，目前“BioMind天醫(yī)智”在部分腦瘤的磁共振影像診斷上，準(zhǔn)確率已達(dá)到90%以上，相當(dāng)于一個(gè)高級職稱醫(yī)師級別的水平；準(zhǔn)確預(yù)測腦出血和血腫的擴(kuò)大則是達(dá)到了人類很難達(dá)到的水平，但對它們的訓(xùn)練仍在進(jìn)行中。

　　同時(shí)，該AI產(chǎn)品已經(jīng)進(jìn)入國家藥監(jiān)局（CFDA）驗(yàn)證階段。

　　相比中國，美國FDA對于醫(yī)療人工智能產(chǎn)品的審批走得更快。

　　今年，美國多款輔助診斷類AI產(chǎn)品已經(jīng)通過審核。

　　王擁軍表示，AI產(chǎn)品的驗(yàn)證必須符合兩個(gè)標(biāo)準(zhǔn)：其一，要達(dá)到大型綜合醫(yī)院副教授以上醫(yī)師的水平；其二，使用該產(chǎn)品與不使用該產(chǎn)品的基層醫(yī)院，前者醫(yī)生的業(yè)務(wù)能力須提高20%。

　　“AI產(chǎn)品除了是輔助基層醫(yī)生的工具，更是幫助他們?nèi)绾伍喿x、診斷、預(yù)測片子的學(xué)習(xí)和培訓(xùn)工具。這也意味著，它不僅解決診斷問題，還應(yīng)該解決基層醫(yī)生培養(yǎng)的問題。”

　　最終，人工智能輔助診斷產(chǎn)品的應(yīng)用能否得到國家診療指南的推薦，還需要進(jìn)一步的實(shí)踐證據(jù)——除了提升醫(yī)生的工作效率，AI產(chǎn)品到底能讓患者獲得多大的收益？

　　理論上，使用該產(chǎn)品應(yīng)該對神經(jīng)疾病復(fù)發(fā)、死亡、致殘的下降有所貢獻(xiàn)。

　　因此，天壇醫(yī)院將采用國際上最新的研究設(shè)計(jì)方法——整群隨機(jī)對照研究，將幾十家醫(yī)院分為干預(yù)組和對照組，驗(yàn)證使用該產(chǎn)品和不使用該產(chǎn)品的患者診療結(jié)果的差異。

　　根據(jù)計(jì)劃，“BioMind天醫(yī)智”系統(tǒng)還將覆蓋更多頭部疾病的輔助診斷，包括腦腫瘤、小血管病變、大血管病變、腦卒中等，因此，AI還需拓展更多學(xué)習(xí)的領(lǐng)域。

　　此外，錢大宏提到，事實(shí)上，AI目前正學(xué)習(xí)使用多模態(tài)數(shù)據(jù)監(jiān)測。

　　所謂多模態(tài)數(shù)據(jù)監(jiān)測，就是讓AI能像醫(yī)生一樣，利用各種影像和臨床數(shù)據(jù)，比如生化指標(biāo)、遺傳基因，甚至是疾病史、生活習(xí)慣、生活環(huán)境等信息，作出綜合判斷，輔助更多的醫(yī)療決策。

　　正如王擁軍所期待的，除了醫(yī)學(xué)影像，人工智能更宏大的目標(biāo)是能真正進(jìn)入臨床，在患者風(fēng)險(xiǎn)劃分、治療輔助決策、手術(shù)介入等方面都能發(fā)揮其優(yōu)勢作用。