基于目前人工智能與醫學影像結合后產生的成果，對于未來人工智能在整個醫療領域的的應用前景以及將會碰到的核心挑戰都值得我們花更多的精力去思考。

天池醫療AI大賽自今年4月開賽以來，已有全國范圍的高校、醫療機構、科研院所等2701支隊伍，3644人報名參賽。6月20日，零氪科技聯合阿里云、清華大學數據科學研究院在清華大學FIT樓舉行《天池醫療AI論壇――智慧醫療專場演講》，邀請北京大學腫瘤醫院醫學影像科主任唐磊，零氪科技首席架構師王曉哲和阿里巴巴iDST算法專家行湘共同探討“醫學影像在腫瘤診療的應用及智能診斷探索”。

清華-青島數據科學研究院執行副院長韓亦舜指出，大數據、人工智能在醫療領域要想走得更穩、更快需要多聽聽專業醫生的想法和意見。未來絕不是機器取代醫生來看病，而應該是一群搞計算機特別聰明的計算機高手、編程高手和一群有人文情懷，有心胸，有專業知識的醫生結合起來促進醫學的發展。

對于此次報名參加天池醫療AI大賽的選手而言，其實是很辛苦的，所以也需要我們的選手更加的堅持和篤定。希望每個選手都對未來人工智能的應用場景有所暢想：未來的機器讀片會成為主流還是只是一個輔助，對于機器下的診斷，開的方子，如果沒有醫生最終確認的話，我們是否敢去執行？或許，未來機器更多的也只是起輔助醫生的作用，既然是輔助，那么對醫生而言，算法是沒用的，最終還是要形成好的產品。越是人性化、貼近醫生需求的AI產品才會有市場，從這個意義而言，能否最終形成好的AI產品比能否得出最優算法更為重要。

王曉哲：人工智能技術在醫學領域的應用與前景

可用數據+機器學習=醫學影像的智能（AI）識別與診斷

首先要先明確幾個概念：什么是“人工智能”，什么是“機器學習”，什么是“深度學習”？這三個概念在現在的媒體里面，經常是混在一起使用的，弄的大家一頭霧水。

如果從人工智能整體發展的歷史軌跡來區分的話：

上世紀40年代末到50年代初，隨著計算機的廣泛的使用，人們希望通過強大的算力來逐漸替代一部分人的工作，隨后便掀起了一輪“人工智能”的熱潮，但由于這時的人工智能無法主動的做改變自己邏輯的事情，必須全部由人類規則化，且基于其背后的邏輯對現實世界問題的表述非常有限，所以這個熱潮很快就過去了。80年代開始，人們從傳統的統計方法入手，希望把所有的現實問題都轉換成概率問題，這時就有了“機器學習”的概念。但是，由于統計模型一般都是基于具體問題設計的參數化模型，而手動建模又非常耗費精力，到了2010年，人們終于找到了更好的建模、訓練的方法――深層神經網絡，可以自動做特征抽取、表達抽取的工作。此后，“深度學習”的概念就開始火了，而所謂“深度學習”就僅僅是特指深層神經網絡的一個應用。

我們為什么需要機器學習？

從最粗淺的機器學習的概念定義來說，是希望計算機在盡量少的人工干預的情況下，通過已有的資料、已有的經驗的積累，來自動地提升我們處理目標任務的性能。而這些處理結果隨著樣本集不斷的增大和積累而越來越好，這就達到了一個看起來好像類似人的學習的過程。而且這個過程不會涉及太多的代碼開發或是整體流程的變動，對于成本的降低非常有好處，所以大家會紛紛地去研究機器學習的問題。

從傳統的角度，機器學習大體可分為監督學習和無監督學習兩大類，除了這兩類，還有一類是所謂的表征學習，目前炒的最熱的深度學習就屬于這一類，因為它的表征處理能力，可以很好的把很多現實問題轉換成可以處理的形式。深度學習擅長處理的就是高維度、稀疏的信號，圖像就是這些信號中一種有代表性的形式。所以深度學習在醫學上很明顯一個熱點應用方向，就是在醫學影像。

目前，這方面最新的一些前沿研究都取得了比較好的成果，例如在基于乳腺鉬靶影像的病變檢測、基于腦部MRI的白質高信號灶分割（帕金森預測）、基于皮膚鏡照片的皮膚癌分類診斷等均顯示，機器的分類效能已經達到了人類專家的水平。

當然，機器學習應用于臨床醫學也面臨著挑戰，概括起來有三個方面：

一是優化目標的定義，部分臨床問題缺乏共識定義，難以借力機器學習；

二是在可用數據上，表現在缺乏可供機器學習的標注數據、臨床數據非結構化、跨時間維度數據跟蹤等；

三是模型的因果性/可解釋性，機器學習的本質是對自變量(X)和因變量(Y)之間關聯性的學習,非線性關系的映射因其復雜性，難以建立因果關系的映射，而醫學是和人的生命息息相關的，所有臨床的決策都要有理有據，都要有因果推論的關系。但相關性建模涉及的兩個因素未必有直接的因果關系，這樣就無法解釋最后的結果的意義，這一點是橫亙在很多模型最后產品化、產業化的攔路虎。

零氪科技在人工智能應用臨床醫學上的探索

目前，零氪科技對于醫學數據的處理有兩大方向：一是臨床信息的提取，包括將傳統的非結構化文本病歷進行電子化、結構化，轉變成可分析、可處理的結構化數據。因為掌握的可分析的結構化數據越多，產出的臨床科研成果也就越多，這是毋庸置疑的，因為，數據才是最核心的價值。零氪開發的Fellow-X自動結構化引擎，可以讓95%以上通過HIS系統對接的電子病歷，自動轉化成可分析、可處理的結構化數據，極大的降低了結構化的工作量。

另一方面，基于結構化病歷的數據，零氪在機器學習與臨床醫學相結合方面的探索也取得了一些不錯的成果，如肺部結節的檢測模型和重要并發癥的風險預測。在并發癥風險預測上，主要針對的是中性粒細胞減少癥、血紅蛋白減少癥以及血小板減少癥這些的風險預測，因為這些是肺癌患者化療后很容易出現的一種惡性并發癥，情況嚴重時甚至會危機生命。而應用零氪科技研發的預測模型，就可以提前預知患者出現嚴重并發癥的風險概率，然后在化療前就給予適當的處理，降低其出現嚴重并發癥的風險。

唐磊：AI+醫學影像能否實現腫瘤診療新突破

人工智能在醫學影像上的應用突破

隨著影像設備的發展，從X線到PET-MRI，掃描越來越精細，大量的人體組織數據被獲取，相應地，產生的影像數據資料也在激增，因此影像科醫生也希望通過大數據、人工智能等先進的技術緩解其超負荷的工作量。

目前，人工智能在醫學影像學的應用和發展可分為三步：第一，圖像識別，通過圖像分割配準，自動定位、提取病變；第二，特征提取及紋理分析，從醫學影像圖像中獲取盡可能多的客觀特征信息；第三，深度學習，AI應用的核心環節，借助算法手段統合大樣本影像數據提取的紋理特征、臨床信息甚至基因信息，建立疾病診斷、分期評估及療效評價相關模型，指導臨床診治。未來，人工智能可以幫助影像科醫生提高效率，減少漏診，輔助診斷，拓展思路，以客觀數據代替主觀經驗做決策判斷，并能解決臨床深層次需求――精準醫療/個體化醫療，例如，Moffitt Cancer Center Robert J. Gillies提出的影像組學的概念，即應用大量的自動化數據特征化算法將感興趣區(ROI)的影像數據轉化為具有高分辨率的可發掘的特征空間數據。利用影像組學可以幫助腫瘤外科做腫瘤可切除性的評價，也可以幫助腫瘤內科進行療效預測與早期檢測。實際上，影像組學就是統合影像、基因、病理和臨床信息，量化腫瘤微環境，早期定量腫瘤異質性――而這是影響治療預后的重要因素。

人工智能是否能取代醫生？

北京友誼醫院在今年4月份剛剛組織了一個人機讀片大賽，主要是通過超聲診斷甲狀腺結節，結果AI（人工智能）又一次戰勝了中國醫生。

行湘：大數據視覺智能及醫學影像智能診斷探索

近年來，阿里專注于智能視覺技術的發展，在醫療領域希望將視覺智能算法應用到醫學影像上。今年4月，阿里在深圳發布了ET醫療大腦，其中推出的阿里云基于影象云，提供醫學影象的存儲、計算及智能診斷的服務。

當前，醫學影像數據的數量增長非常的迅速，成為了真正意思上的大數據，而與數據的快速增長相對的，影像診斷方式的發展并未跟上。現有的醫學影像方法主要靠醫生人工讀片，有經驗的影像科醫生資源稀缺且分布極不平衡，導致患者的就診需求難以滿足。另一方面，影像科醫生普遍超負荷工作（以CT為例，一個醫生一天要看上萬張影像），由于精神高度集中，易疲勞，造成誤診、漏診在所難免。

迫切的現實需求，海量的醫學影像數據，高效的圖像識別算法，強大的計算能力綜合形成的大背景，為醫學影像的智能診斷帶來了難得的歷史機遇。一旦智能診斷成為現實，其相比原有的診斷方式的優勢是非常明顯的。由于強大的云計算和大數據的支持，基于深度學習的智能診斷可以短時間內快速達到普通影像科醫生的水平，并且診斷過程可以在瞬間完成，一旦完成訓練，“智能診斷服務”可以快速復制，邊際成本非常低。

本次天池醫療AI大賽以CT影像肺結節檢測為例，目標是從設計深度學習算法讓計算機自動從CT掃描序列中自動找出肺結節的位置，估計肺結節位置和大小。大賽的脫敏數據以及數據結構化由零氪科技（LinkDoc）提供，英特爾科技公司提供算法的支持。