金征宇

中國(guó)醫(yī)學(xué)科學(xué)院 北京協(xié)和醫(yī)學(xué)院 北京協(xié)和醫(yī)院放射科， 北京 100730

伴隨人工智能的方興未艾，醫(yī)學(xué)影像與人工智能的結(jié)合被認(rèn)為是最有發(fā)展前景的領(lǐng)域[1]。

第二次世界大戰(zhàn)期間，英國(guó)科學(xué)家艾倫·圖靈組建了一個(gè)秘密小組，負(fù)責(zé)破譯德國(guó)海軍密碼情報(bào)。艾倫·圖靈利用智能組合手段，設(shè)計(jì)了一些加速破譯德國(guó)密碼的技術(shù)，在破譯攔截對(duì)方編碼信息方面發(fā)揮了關(guān)鍵作用，從而奠定了人工智能的雛形。

隨后，著名的圖靈測(cè)試誕生。艾倫·圖靈定義如果一臺(tái)機(jī)器能夠與人類展開對(duì)話(通過電傳設(shè)備)而不能被辨別出其機(jī)器身份，那么稱這臺(tái)機(jī)器具有智能。

此外，艾倫·圖靈預(yù)言，人類擁有創(chuàng)造出具有真正智能機(jī)器的可能性，其發(fā)表的具有劃時(shí)代意義的著名論文《機(jī)器能思考嗎？》[2]，為他贏得了“人工智能之父”的桂冠！

“我們應(yīng)當(dāng)記住，每一個(gè)在敲鍵盤、使用電子表格或文字處理軟件的人，都工作在一臺(tái)‘圖靈機(jī)’上?！?999年美國(guó)《時(shí)代》周刊“20世紀(jì)最重要的100人”一文對(duì)圖靈作出了極高評(píng)價(jià)。

1956年在美國(guó)達(dá)特茅斯大學(xué)召開的一次學(xué)術(shù)會(huì)議，標(biāo)志著人工智能時(shí)代的誕生。這之后的10余年是人工智能的黃金時(shí)期，此間研發(fā)的一臺(tái)名為STUDENT(1964年)的機(jī)器可證明應(yīng)用題，而另一臺(tái)名為ELIZA(1966年)的機(jī)器可實(shí)現(xiàn)簡(jiǎn)單人機(jī)對(duì)話。當(dāng)時(shí)的這些研究成果均算得上相當(dāng)大的突破，之后一些人工智能研究者認(rèn)為，該領(lǐng)域的延伸將按這樣的軌跡發(fā)展下去，即“20年內(nèi)，機(jī)器將能完成人能做到的一切工作”，“3～8年的時(shí)間里，將誕生一臺(tái)具有人類平均智能的機(jī)器”。由此，當(dāng)時(shí)人工智能的熾熱程度和研發(fā)力度可見一斑。

時(shí)至今日，人工智能在醫(yī)療行業(yè)實(shí)現(xiàn)了許多創(chuàng)新，除可提高醫(yī)生的工作效率，還可提高診斷準(zhǔn)確率，使精準(zhǔn)醫(yī)療真正成為可能。當(dāng)醫(yī)學(xué)影像遇上人工智能，醫(yī)療行業(yè)將迎來更多機(jī)遇與挑戰(zhàn)。經(jīng)過10余年的厚積薄發(fā)，計(jì)算機(jī)輔助診斷逐步走上高速發(fā)展之路，智能化系統(tǒng)的不斷推陳出新，為人工智能的發(fā)展創(chuàng)造了更廣闊的空間。

其實(shí)，早在20世紀(jì)80年代，人們就開始嘗試使用計(jì)算機(jī)網(wǎng)絡(luò)解決實(shí)際問題。當(dāng)時(shí)，這種方法尚停留在模仿的初級(jí)階段，與真正的智能相距甚遠(yuǎn)，很難在臨床實(shí)踐中發(fā)揮真正作用。然而近一年來，隨著計(jì)算機(jī)運(yùn)算速度的不斷提升，人工智能，尤其是深度學(xué)習(xí)技術(shù)，在醫(yī)學(xué)輔助診斷上的應(yīng)用日趨成熟，已然進(jìn)入更高級(jí)的階段。

人工智能技術(shù)在人臉識(shí)別、語(yǔ)音識(shí)別等領(lǐng)域均取得了突破性進(jìn)展，很大程度上歸功于數(shù)量龐大的多媒體和互聯(lián)網(wǎng)數(shù)據(jù)，以及能力驚人的存儲(chǔ)技術(shù)和計(jì)算機(jī)設(shè)備的更新。因此，深度學(xué)習(xí)技術(shù)也越來越多地應(yīng)用于醫(yī)學(xué)圖像分析和計(jì)算機(jī)輔助診斷，特別是在解決醫(yī)學(xué)圖像分割和分類問題方面的應(yīng)用[3- 4]。

在探討如何將人工智能應(yīng)用于醫(yī)學(xué)影像之前，要先了解在無人工智能的情況下，醫(yī)學(xué)影像所面臨的3個(gè)問題。

第一，醫(yī)療數(shù)據(jù)中超過90%的數(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。人工分析的缺點(diǎn)顯而易見：(1)不夠精確，醫(yī)生僅能憑借經(jīng)驗(yàn)去辨別，經(jīng)常缺乏量化的標(biāo)準(zhǔn)，容易造成誤判；(2)不可避免地會(huì)出現(xiàn)人眼視力產(chǎn)生的誤差及視力疲勞；(3)海量的圖像信息量容易產(chǎn)生漏診。

第二，醫(yī)療從業(yè)人員短缺。研究表明，目前我國(guó)醫(yī)學(xué)影像數(shù)據(jù)年增長(zhǎng)率約為30%，而放射科醫(yī)師數(shù)量年增長(zhǎng)率約為4%，其間的差距為26%[5]，放射科醫(yī)師數(shù)量增長(zhǎng)遠(yuǎn)不及影像數(shù)據(jù)增長(zhǎng)，且醫(yī)師從業(yè)需要較長(zhǎng)時(shí)間的培訓(xùn)和學(xué)習(xí)，這意味著放射科醫(yī)師在未來處理影像數(shù)據(jù)的壓力會(huì)越來越大，難以承擔(dān)巨大的負(fù)荷。

第三，在多學(xué)科相互滲透交叉的時(shí)代，放射科醫(yī)師缺乏強(qiáng)有力的方法或武器參與競(jìng)爭(zhēng)以穩(wěn)定學(xué)科發(fā)展的方向。而人工智能與醫(yī)學(xué)影像的融合，恰好可在學(xué)科發(fā)展方面拾遺補(bǔ)缺。

人工智能在醫(yī)學(xué)影像的應(yīng)用主要分為兩個(gè)部分：其一是圖像識(shí)別；其二是深度學(xué)習(xí)。這兩部分均是基于醫(yī)學(xué)影像大數(shù)據(jù)所進(jìn)行的數(shù)據(jù)上的挖掘和應(yīng)用，其中深度學(xué)習(xí)是人工智能應(yīng)用的核心環(huán)節(jié)。如果這兩部分均得以實(shí)現(xiàn)，將改寫醫(yī)學(xué)影像學(xué)在學(xué)科發(fā)展中的方向。

10年前，神經(jīng)網(wǎng)絡(luò)領(lǐng)域?qū)＜褿eoffrey Hinton教授在Science上發(fā)表論文，首次提出“深度信念網(wǎng)絡(luò)”的概念[6]。與傳統(tǒng)訓(xùn)練方式不同，“深度信念網(wǎng)絡(luò)”含有“預(yù)訓(xùn)練”過程，可使神經(jīng)網(wǎng)絡(luò)中的權(quán)值找到接近最優(yōu)解的值，之后再使用“微調(diào)”技術(shù)對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練。這兩種技術(shù)的運(yùn)用大幅減少了訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的時(shí)間。Geoffrey Hinton教授給多層神經(jīng)網(wǎng)絡(luò)相關(guān)的學(xué)習(xí)方法賦予了一個(gè)新名詞，即深度學(xué)習(xí)。

雖然深度學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的應(yīng)用很有前途，但依然面臨一些質(zhì)疑，如這種技術(shù)在醫(yī)學(xué)的應(yīng)用究竟能占多大比例?某些醫(yī)學(xué)領(lǐng)域是否真的有必要引入深度學(xué)習(xí)從而代替醫(yī)生的判斷?目前，這些問題仍無答案，但有一點(diǎn)可以確定，那就是已經(jīng)有很多著名企業(yè)和新興的創(chuàng)業(yè)公司正在用深度學(xué)習(xí)探索醫(yī)療實(shí)踐，比如皮膚病學(xué)、病理學(xué)、腫瘤學(xué)、醫(yī)學(xué)影像學(xué)等[7- 9]。

現(xiàn)階段，人工智能在醫(yī)學(xué)領(lǐng)域的探索可謂五花八門，但最終應(yīng)用到臨床卻微乎其微。主要原因之一是人工智能系統(tǒng)在復(fù)雜的臨床應(yīng)用中，不能準(zhǔn)確收集到高質(zhì)量可應(yīng)用的數(shù)據(jù)，即有效數(shù)據(jù)，所得出的結(jié)論缺乏可靠性，難以保持測(cè)試數(shù)據(jù)集上的高準(zhǔn)確率；其次是臨床醫(yī)學(xué)數(shù)據(jù)的收集和預(yù)處理不夠完善，未將醫(yī)生的工作流程納入考慮范圍。醫(yī)生對(duì)于疾病的診斷，很重要的一點(diǎn)是依靠科學(xué)的思維和臨床經(jīng)驗(yàn)。醫(yī)生的思維模式難以復(fù)制，而醫(yī)生基于臨床診斷作出的處理決定，是融合了科學(xué)基礎(chǔ)和人文關(guān)懷的綜合考量。

但作為醫(yī)生的有力助手，人工智能結(jié)合醫(yī)學(xué)影像具有諸多優(yōu)勢(shì)，患者、放射科醫(yī)師、醫(yī)院均能從人工智能的應(yīng)用中受益。人工智能不僅能幫助患者更快速地完成健康檢查(包括X線、超聲、磁共振成像等)，同時(shí)也可以幫助影像醫(yī)生提升讀片效率，降低誤診概率，并通過提示可能的副作用來輔助診斷。隨著人工智能和醫(yī)學(xué)影像大數(shù)據(jù)在醫(yī)學(xué)影像領(lǐng)域的普及和應(yīng)用，醫(yī)學(xué)影像所面臨的診斷準(zhǔn)確性和醫(yī)生缺口等問題便可迎刃而解，兩者的融合將成為醫(yī)學(xué)影像發(fā)展的重要方向。

醫(yī)生作為一個(gè)特殊群體，接受過極長(zhǎng)時(shí)間的專業(yè)醫(yī)學(xué)訓(xùn)練，不斷汲取最新學(xué)術(shù)成果，經(jīng)歷過患者生死反饋，最終形成自己的診療體系。然而，醫(yī)生始終無法超越人的“主觀性”局限。由于不同醫(yī)生所見病例數(shù)量不同、理解能力不一、操作水平不定，其診療效果也各不相同。僅從此層面出發(fā)，人工智能具有明顯優(yōu)勢(shì)，比如可快速處理海量數(shù)據(jù)，具備較完善的推理能力，避免了人類主觀預(yù)判，故使用人工智能來輔助醫(yī)生，是一件利大于弊的事情。

但這并不代表醫(yī)生這個(gè)職業(yè)會(huì)消失，因?yàn)樽屓斯ぶ悄軐W(xué)習(xí)的病例仍需醫(yī)生來發(fā)掘。醫(yī)學(xué)的現(xiàn)象和問題千變?nèi)f化，任何信息的微小變化均會(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。尤其與人文相結(jié)合后，醫(yī)學(xué)不再是一個(gè)簡(jiǎn)單的科學(xué)問題，很難僅用人工智能的判斷體系去處理。歸根結(jié)底，醫(yī)學(xué)是科學(xué)和人文學(xué)的交叉學(xué)科；醫(yī)學(xué)是在診療過程中，對(duì)患者的體征、現(xiàn)象、發(fā)生的事件進(jìn)行思考和總結(jié)的學(xué)科；醫(yī)學(xué)以人為本，一切從人性出發(fā)，強(qiáng)調(diào)在醫(yī)療過程中對(duì)人的關(guān)心、關(guān)懷和尊重。一名醫(yī)生只有當(dāng)把自己看作一個(gè)活生生的有著廣泛興趣和活潑感受的人，而不是一臺(tái)醫(yī)療機(jī)器時(shí)，才能相應(yīng)地不把患者當(dāng)做疾病，而當(dāng)做完整的人來對(duì)待。這一特征決定了人工智能在未來很長(zhǎng)時(shí)間內(nèi)，無法像醫(yī)生一樣運(yùn)用自身的專業(yè)知識(shí)和經(jīng)驗(yàn)，去解決紛繁復(fù)雜的患者狀況。當(dāng)然，在特定的病種或者特定的任務(wù)上，我們已經(jīng)看到科技帶來的巨大進(jìn)步。

相信在不遠(yuǎn)的將來，由人工智能承擔(dān)的機(jī)器閱片、簡(jiǎn)單診療推薦等功能將漸入醫(yī)生日常，并由此散發(fā)出現(xiàn)代科技為人類社會(huì)帶來的迷人光芒！

[1] Kahn CE Jr. From images to actions: opportunities for artificial intelligence in radiology[J]. Radiology, 2017, 285:719- 720.

[2] Turing AM. Computing machinery and intelligence[J]. Mind, 1950, 59:433- 460.

[3] LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521:436- 444.

[4] Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs[J]. JAMA, 2016, 316:2402- 2410.

[5] 2018-2024年中國(guó)人工智能+醫(yī)療影像行業(yè)市場(chǎng)研究及投資前景預(yù)測(cè)報(bào)告[R].http://www.chyxx.com/research/201710/578114.html.

[6] Hinton GE, Salakhutdinov RR. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313:504- 507.

[7] Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature, 2017, 542:115- 118.

[8] Komeda Y, Handa H, Watanabe T, et al. Computer-aided diagnosis based on convolutional neural network system for colorectal polyp classification: preliminary experience[J]. Oncology, 2017, 93:30- 34.

[9] Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer[J]. JAMA, 2017, 318:2199- 2210.