薄層掃描是什麼意思
近兩年，醫療AI領域可謂是熱鬧非凡。IT界人士和醫生都在積極推動AI在醫療行業的落地應用。新的玩家和產品方案層出不窮，但真正能走向臨床應用的卻少之又少。原因之一就在於，醫生和工程人員之間缺少足夠的合作與信任。
因此，日前在成都召開的影象計算與數字醫學國際研討會（ISICDM2017），430多位來自資訊科學（含計算機與電子工程等學科）、數學與醫學等領域的專家學者與臨床醫生聚首成都，圍繞人工智慧+醫療、醫學影象分析等話題展開了深入的交流與探討。
作為本次大會的獨家媒體，雷鋒網對多位專家進行專訪，並全程記錄了各個精彩報告。
大會特地設定了3小時的圓桌討論環節，讓AI學者、醫生和企業家同臺對話，開誠佈公地交流各自對“AI+醫療”的看法和希冀。
作為此次圓桌討論的嘉賓，美國北卡大學沈定剛教授，四川省腫瘤醫院周鵬博士，中華醫學會病理學分會主任委員、原四川大學副校長步宏教授，視見醫療創始人陳浩博士，微軟亞洲研究院副院長張益肇博士，江蘇省人民醫院放射科主任醫師唐立鈞博士，科大訊飛醫CEO陶曉東博士（嘉賓名單按座位順序從左往右進行排序），一致認為“AI+醫療”除了資料和演算法，還必須要有醫生的深度參與。
幾位嘉賓圍繞“AI在醫療領域的應用”“AI與醫生的關係”“深度學習是否是‘萬金油’”“深度學習在醫療中的不可解釋性”，以及“醫生和AI專家的合作方式”等話題展開了思想交鋒。觀點犀利之餘不失幽默。
以下是圓桌討論內容（上篇），雷鋒網做了不改變原意的編輯：
一、不同身份、不同立場看“AI+醫療”
主持人：今天的討論主題是“AI+醫療的機遇和挑戰”。首先有請幾位嘉賓談談對“AI+醫療的機遇和挑戰的看法。
沈定剛：我來自北卡羅來納大學教堂山分校。我在上海交大拿了本科、碩士、博士學位，並於1999年前往美國約翰霍普金斯大學醫學院放射科開始做醫學影象方式方面的工作。我認為，人工智慧或者深度學習跟我在上海交大研究的神經網路其實是一模一樣的。我在2012年最早將深度學習用在了醫學成像當中，我認為這項技術是非常好的。
周鵬：我是來自四川省腫瘤醫院的一名影像科醫生，非常有幸跟大家交流。我從2014年開始做早期肺癌篩查專案的研究，並不知不覺接觸到了AI。
最近四年，我們積累了5000多例0。625毫米的標準、薄層、低劑量影象，用於計算機輔助診斷。這兩年AI技術發展起來以後，我們覺得終於有機會做一個真正的全流程整體解決方案。因為AI在識別薄層影象時可以起到非常好的效果。
步宏：我也是一名醫生，但我是一名思維比較反叛的醫生，一直想在行業裡折騰點事情。我在自己負責的中國病理醫生群裡率先提出了推廣AI的想法，最開始大家都不瞭解或不想了解我在說什麼。但很快大家討論AI的熱情就比我還高。另外，我供職的四川大學華西醫院也剛剛成立了一個醫學AI研究中心，任命我擔任主任。這個醫學AI中心已經執行一段時間了，可惜還沒有建立起很好的狀態。
我對AI的看法可以概括為以下幾點：一、AI是一門非常有生命力和前景的技術，但醫生和IT界人士還沒有建立起信任與合作。二、醫學AI技術的發展還沒有走上“康莊大道”，仍然有許多問題需要解決。我在今年10月26日的中國病理大會上募集了一些專案，但這些專案沒有一個真正走到了臨床階段。三、我從醫三十多年，總結出一點：醫學是一門非常年輕的學科，任何其他學科往醫學領域的滲透都將取得非常豐厚的回報。
陳浩：我在香港中文大學讀博士的時候，和團隊在人機大賽中贏得了十幾項冠軍。我們當時和很多醫院建立合作，但我總感覺離臨床問題還是太遠，所以畢業後又創立視見醫療這家公司。我們希望能用自己的努力真正推動醫療AI和社會的發展。
我們也意識到，目前醫療AI有些過熱。如何保證行業沿著正確的方向發展呢？我認為必須醫工深度結合。
張益肇：我來自微軟亞洲研究院，我們研究院主要做基礎研究。在微軟做基礎研究的專家就和斯坦福和哈佛的教授一樣，需要做很多新技術的研究工作，發表論文。我們在很多不同的學術會議都發表了大量論文。
我們08年左右開始做醫療相關研究，醫學影像方面的研究則是09年前後開始的。之所以做這些研究是因為，我們認為醫療從社會的各個方面——不管是對百姓生活的幸福程度，還是社會資源的消耗，都將產生非常重大的影響。我們相信人工智慧技術將對推動社會做出非常大的貢獻，幫助瞞住人們不斷提高的醫療需求。
人工智慧——目前主要是機器學習，有很大的發展空間。假如我們現在意識到資料的重要性，開始收集資料；不同學科之間交叉配合，一定可以做很多事情。
比爾·蓋茨曾經講過一句話：人們通常會高估任何技術兩年後產生的影響，卻低估它十年後的影響。從某種程度上來說，人工智慧現在是被高估的。很多人認為，既然人工智慧在圍棋這麼難的領域都可以打敗世界冠軍，那它還有什麼不能做的呢？但其實不是這樣的。舉個例子，在座各位很多都會開車，把一部車從這裡開回你家要比打敗圍棋冠軍簡單得多，但現階段人工智慧卻無法完成。所以說，我們對AI的能力還沒有很清晰的認識，不知道哪些是它擅長哪些是它不擅長的。
今天這種活動很有意義，可以促進IT界人士和醫生的交流，加深對彼此的瞭解。有了充分了解的前提，我們才能在十年後將人工智慧的價值發揮到最大。
唐立鈞：我參加這次會議的初衷源於和李純明教授在微信上的一次談話。他跟我說，“李開復講，再過十年影像科醫生將全部失業，人工智慧將取而代之。”為此，我特意買了李開復的書來讀。讀完之後，我還是不知道人工智慧究竟可以達到怎樣的程度。我希望借這次機會和大家好好討論一下。
陶曉東：現在不談AI+醫療都不好意思出去和別人吃飯，由此可見AI+醫療的機遇有多大。AI+醫療的飛速發展建立在資訊化普及和大資料積累的基礎之上。像剛剛張益肇院長講到的那樣，如果我們認識到了AI和醫生分別能做什麼，不能做什麼，並讓他們去做各自擅長的事情；AI+醫療將擁有非常好的機遇。
另一方面，AI+醫療面臨的挑戰也在於資訊化和大資料。以前醫生無法看到大量歷史資料，現在有了資訊化手段以後，大量歷史資料呈現在醫生面前；但醫生需要的不是資料而是資料背後的資訊。如何用更好的手段分析資料，是非常大的技術挑戰。
現在大家都在提大資料，但資料到底有多幹淨，能在多大程度上幫助醫生做決策，我們必須考慮清楚。假如無法從源頭上控制資料的完整性和準確性，人工智慧不過是“garbage in，garbage out”。
二、深度學習是否是萬金油？
主持人：非常感謝各位嘉賓。由於每位嘉賓的職業和學科背景不同，他們對AI的看法也有所不同。我們聊“AI在醫療領域的機遇和挑戰”，一大基本點就在AI技術。我們知道，這次AI浪潮的興起源於深度學習。現在不管學術會議和期刊論文上談的都是深度學習，給人一種深度學習可以解決一切問題的感覺。因此我想請教沈教授、陶博士和陳博士三位機器學習專家，深度學習究竟是不是“萬金油”？
深度學習為什麼比很多其他方法——比如sparse learning更好用呢？它實際上是把很多問題分解成了一個個的小問題，如果前面的layer沒有完成的，由後面的layer來完成。
那麼深度學習是不是真的能取代其他演算法呢？我認為，任何新技術的出現——就像sparse learning一樣，總是先在所有領域都嘗試一遍，把容易的問題解決之後，最後就剩下了硬骨頭。deep learning也是如此。
很多演算法最終的應用都需要相應的專業知識，並非所有人都能用。現在連本科生都可以寫深度學習的CVPR論文，但幾年後會變得非常困難，你必須懂得專業知識。很多人說深度學習要取代醫生，我認為這是完全不可能的。如果深度學習運用得當，確實可以解決很多問題，但你必須掌握相應的專業知識才能很好地運用它。此外，一些傳統方法如果能夠和深度學習結合起來，將取得更好的效果。
深度學習並沒有那麼神秘，它只是一個工具。任何工具都有它的用途和侷限，我們明白它的侷限在哪。就像沈定剛教授所說，不斷去試，一段時間之後就知道它的邊界在哪了。我們要找到合適的場景去使用這個工具，這一點很重要。
BAT的老大們曾經隔空爭論，資料、場景和技術哪個重要。如果脫離應用場景，三者都可能是最重要的，但在具體場景中，肯定有一者更重要些。深度學習並不一定是最佳選擇，但如果你的工具箱裡只有它，那麼也就只好用它。假如你還有其他工具和對專業知識的充分理解，就能找到最好的途徑去解決問題。
現在有很多開源的深度學習演算法，門檻非常低，但並非所有人都能理解，修改一個引數之後會有怎樣的後果。這必須對深度學習有非常深的理解才行。
深度學習確實是萬金油，但油的質量如何，其效果因場景和資料的不同都會有所差異。
主持人：三位專家不僅詳細介紹了深度學習，還提出了一個重要觀點——深度學習只是個工具。我想告訴各位在座的聽眾，深度學習不只有輸入和輸出，大家還要了解它的層數、引數和最基本的原理，只有這樣你們的科研才能繼續往前。
近年來，深度學習在醫學影像領域的應用取得了很好的效果，但它跟傳統的臨床醫學路徑不太一樣，相當於一個“黑盒子”。我想知道醫生是如何看待這個問題的，你們能否接受一個效果很好但卻無法解釋的“黑盒子”？
謝謝主持人的問題。其實剛才我也在思考這個問題。聽了前面幾位嘉賓的分享，我對人工智慧和深度學習有了一些認識。下面我結合自身的體會簡單談談。
十年前我在美國做訪問學者的時候，非常羨慕美國的體制，他們的跨學科結合做得非常好。回到國內以後，就覺得缺少這樣的環境。一方面，醫院請不起理工科的學者，也不願意付錢給他們；另一方面理工科的專家和企業家也很少來找我們。企業來找我們，一般是來賣機器而不是談合作的。
這些年來外部環境一直在改變，我也在努力尋找跨學科合作的機會。我和東南大學計算機系的楊冠羽博士已經合作了很多年，期間我一直在思考，到底該以怎樣的方式合作。楊冠羽博士是研究影象分割的，所以我們準備在這方面做些研究，但一直無法取得突破。我們的合作始終停留在申報課題，申請經費，我向他提供資料，一起發表論文的階段。
今年我想到了一個主意，利用CT來測量腎功能的間閾值。這並不是什麼新課題，但過去缺少人工智慧和深度學習的手段，沒有辦法研究。我從今年開始，參考別人的文獻做這方面的研究，也取得了一點成績。接下來，我準備將我的研究成果寫在報告裡進一步推廣。我舉這個例子就是想說明，我並不關心使用的到底是深度學習還是其他方法，重點是要能解決我在臨床上遇到的問題。
當然，學術界和企業界跟我的出發點不太一樣。學術界有文章、課題方面的壓力，所以他們找醫生合作的主要目的是資料。他們也不關心資料的質量好壞，反正有資料就能做出東西來，再戴上深度學習的帽子就能發表論文。論文發表以後就能申請職稱、課題和獎項。
企業界和學術界又有所不同，企業投入資金和資源後需要看到產出。這無可厚非，因為商場就是這樣的。
但對於醫生來說，我們有一點被利用了的感覺。醫生的作用好像就是給學術界和企業界提供資料，作為回報，我們可以以共同作者或通訊作者的身份出現在論文中。雖然這也有一些用處，但並非我們想要的結果。
這樣一來，就出現了矛盾：一方面企業投入了金錢、人力和資源，假如沒有產出，他們肯定不樂意；另一方面醫生貢獻了資料，假如企業無法幫助他們解決實際問題，他們為什麼要參與呢？我認為這是目前存在的最大矛盾。
關於“黑盒子”，我以前聽過一個講座，覺得很有道理。演講人提到，他跟病理科醫生討論時，發現深度學習中的一個引數和病理科臨床中的一個現象很吻合。如此看來，深度學習並不是“黑盒子”，而是可以用臨床上已有的知識來解釋的。
假如深度學習真的是“黑盒子”，我們肯定不放心，因為我們面對的是病人，再加上近些年醫患關係緊張，多方面的矛盾十分尖銳。
我們每天都要看很多片子，寫很多報告，容易犯錯。比如，在男性患者的診斷報告上寫“子宮正常”，或者在女性患者的診斷報告上寫“睪丸、前列腺正常”。因為我們有時候寫報告會複製模板，複製的時候光注意最重要的部分，卻忽略了細節的地方。聽說現在已經有了自動勘誤系統，可以糾正診斷報告中的錯誤。我想這也屬於人工智慧應用的一個範疇吧。
總而言之，作為一名影像科醫生，我關心的不是採用什麼方法，而是要安全——不光是病人的安全，還有醫生的安全。
主持人：唐主任告訴我們一個道理，不管黑貓白貓，能抓到老鼠的就是好貓。但站在技術的角度，我們總要有所突破。我想問問沈定剛教授和張益肇院長，我們有沒有可能去解釋人工智慧的演算法？
這個問題從理論上來說是非常難的。當然，也有人在做這方面的研究，比如在腦部疾病診斷中，分析到底是大腦哪些區域的病變導致了老年痴呆或者自閉症。方法就是把結果往前傳，透過function connectivity分析究竟哪些connectivity和疾病的診斷有關。不過我認為即使能做到也非常困難，如果要做到這一點，就必須在網路設計方面做調整，要求網路非常稀疏。
我是一名工程人員，做的所有問題都是為了解決實際問題，至於解釋可以透過其他方法來實現。很多事情都是難以解釋的，比如你去美國的教會，牧師會勸你信上帝。你也許會反駁，我都沒有看到上帝，為什麼要相信他？但上帝就是無法解釋的。對於我來說，能解決問題就夠了。
我覺得在某些情況下是可以解釋的。應用機器學習的關鍵在於，如何確定它的可行度。機器不僅要做出判斷，還要給出它對判斷結果的自信程度。醫生做診斷，隨著經驗的不斷積累，自信心會不變增強。相對應的，機器在做判斷的時候會分析輸入在過去的訓練資料中是常見的，還是處在邊緣的。假如輸入的資訊是機器從來沒有見過的，肯定會出問題。
舉個例子，女性身上不可能出現男性的器官，這在過去是沒問題的，但是現在卻不好說，因為有變性人。如果機器從來沒遇見過變性人，它就會很武斷地說，既然是女性就不可能出現某個器官。
人的能力就強在可以綜合多種情況作出判斷，即使他不確定，他也知道自己是沒有把握的。機器則只是一個函式，輸入一個數據就會出來一個結果。雖然在某些情況下我們可以測算這個函式到底是用多少資料訓練出來的，但它自己是沒有自覺的。
因此，人和人工智慧需要相互配合——在機器沒有把握的時候，由醫生來做判斷，最終實現超人的智慧。雙方必須建立起信賴，人要知道AI這個工具在什麼時候是可靠，什麼時候是不適用的。我認為在很多場景中，尤其是醫療這種包含很多變化的場景，絕對不能完全依靠機器。
主持人：聽完幾位專家對人工智慧應用的觀點和技術解析。接下來我想請問步宏校長，作為一名醫生您如何看待AI在醫療領域的應用？你是否贊同前面幾位嘉賓的觀點？
前面的幾位嘉賓已經達成了很多共識。我們醫生現在最怕的就是別人對我們說，“你們什麼都不用管，只要給我資料，我就一定能做出成果來。”這種人我遇到過很多。我覺得，不管未來AI多麼智慧，如果連最基本的醫學規律都不懂，只能算是另外一個星球的智慧。
醫學並不是一門純粹的科學，還涉及很多人文、倫理的因素。理工科的人也許認為，只要把資料給他們就行了，但醫生還必須考慮哪些資訊必須隱去，因為涉及到倫理。
現在很多醫生也開始做人工智慧方面的研究了。我的學生也經常看理工科學者發表的論文，他們有時候會拿著論文跑過來對我說，“老師，你看！這篇論文連基本的醫學常識都沒有。是不是該給它加一個醫學的reviewer呢？”如果真的這麼做，很多論文其實根本發表不出來。論文成功發表並不代表取得了成果，只說明在你reviewer的知識範疇中這種方法是可行的，實際應用到臨床當中，就會暴露很多問題。
矛盾的核心在於，理工科學者和醫生之間的聯絡太少了。我一直想給醫生們開設一個人工智慧入門培訓班，邀請理工科學者向我們普及人工智慧的優勢在哪，以及什麼樣的資料才是合格的。我絕不相信隨便拿一堆片子就能做出研究成果來。
大家都知道，醫生很忙。還有一些人雖然在醫院工作，卻不是醫生，缺少專業的醫學知識。真正能配合理工科專家做研究的醫生很少。所以我們一定要把這個橋樑打通。總而言之，隨便拿一堆資料發論文這種事一定是沒前途的。
三、AI醫療大賽的意義
主持人：步校長說得非常好，也對做研究的人提出了更高的要求：不能光想著拿資料發論文，重點是解決實際的臨床問題。說到解決臨床問題，現在有很多公開資料集的競賽，全球有很多團隊參加這類比賽。陳浩老師的團隊已經拿了好幾次全球冠軍了，我想問問他是如何看待這種公開資料集競賽的，以及這種競賽能不能解決臨床問題。
的確，2013-2016年期間，我們拿了十五項挑戰賽的冠軍，有些挑戰賽非常正規，也有些不那麼正規。我為什麼參加這些比賽呢？因為沒有資料。當時我還在讀博士，有論文方面的壓力，求論文心切。
比賽和臨床問題有很多不同。首先，比賽的組織者已經把問題定義得很清楚了，甚至已經轉換成了數學問題。你不用分析問題，不用和醫生溝通，只要想著如何用演算法解決問題就行了。
今天上午很多醫生和專家都提到了淋巴結轉移的問題。淋巴結轉移的影象分割——也就是把所有淋巴結轉移的點都找出來，好的演算法可以達到88%的準確率，我們和Google都達到了這一水平。醫生完成相同的任務需要半個小時，而且準確率只有73%。但醫生並不在乎分割的準確率有多少，他們關心的是淋巴結有沒有轉移，病灶在哪。因為在實際臨床過程中，醫生看一張片子的時間只有五六分鐘。所以說淋巴結轉移的影象分割炒作成分大於實用價值，意義不大。
但如果把人工智慧用在癌症的初篩上，意義則大得多。假如人工智慧可以篩去陰性的結果，即使準確達不到100%，只有百分之九十九點幾（和人類相當），也能在一定程度上減輕醫生的負擔。
我做企業的出發點之一就是想離臨床更近一些，和臨床醫生的交流碰撞，可以幫助我意識到哪些事情有價值，哪些是沒有意義的。我之前做了十幾項比賽，除了PET以外，幾乎所有影像領域都涉獵了一遍，但始終覺得和醫生的直接交流不夠。目前，我們和國內35家醫院建立了合作，和醫生的交流碰撞讓我有了更深的理解，感覺非常舒服。產品的整個開發鏈條，從問題的定義、演算法的開發，到產品的落地和使用反饋，從醫生中出來，最後又回到醫生中去，每個環節都需要醫生的參與。有人也許認為，演算法的開發不需要醫生參與，這是不對的。前面有嘉賓提到，開發演算法也需要醫學領域的專業知識。
主持人：剛才陳浩老師提到，他們參加一項比賽，機器的準確率達到了88%，而醫生的準確率只有73%，看起來AI似乎已經超越了人類智慧。現在有很多類似的人機對戰，醫生和機器在同樣的場景中比試誰看得快、看得準。對於這樣的人機大戰，有很多不同的意見，有人質疑比賽的規範性；也有人問，即使機器贏了比賽，到最終臨床落地又還有多少距離呢？我想聽聽周主任的看法。
我覺得這種比賽挺好的，營造了一個很好的環境。我感覺人工智慧已經形成了風口，但這股風要吹到醫療影像領域很難，要吹遍整個醫療領域更是難上加難。最近我接觸了三家做影象處理的公司，每家的研究方向都不一樣，我覺得有這種熱度很好。我擔心的是過幾天就退燒了。如果這種熱度能夠再持續三五年，大家聯合起來，一定能取得很多成果。因為中國的大部分醫生都很優秀，資料也很豐富。
說到資料，必須強調一點，資料有很多種類。以CT為例，不同片子的厚度、劑量和解析度都可能不一樣。不管你基於什麼樣的資料和影象舉行人機大戰，也許只是個噱頭，但是沒有關係，只要有人看，可以造成風口就行。
關鍵是最終必須解決實際問題。我接觸過很多人，並且形成了一種印象，所有人都在做一種通用的軟體。我做早期肺癌篩查研究也做了很多年，但我並不想做什麼CI、AI，我想做的是一套最規範的解決方案並推廣開來。我覺得AI在0。05毫米的薄層影象上的準確性和敏感性肯定能超過醫生，這是毋庸置疑的。未來我們肯定要降低投影的劑量，這樣才能更安全。無論用AI做結節的分類還是標識，AI工程人員和醫生都要聯合起來，結合文獻和臨床資訊制定好臨床策略，做獨立的整套解決方案，比如早期肺癌篩查的整套解決方案。
另外，我還有一個困惑，剛剛唐主任和步校長也提到過。我們醫生做的所有工作都是公開的，但我們不懂AI演算法；合作開發完系統之後，工程人員可以把演算法移植到相似的系統，這時我們就失去了作用。也就是說，工程人員和醫生缺少長期的合作關係。我認為，如果雙方能長期穩定地合作，在某一個領域深挖下去，把這個領域打通，一定會比做一套通用的解決方案更有價值。而且我覺得做通用解決方案也不太現實。
四、未來人工智慧的機遇與挑戰
主持人：周主任提到，醫生要的不是一款軟體，而是長期的合作伙伴。我想問問陶博士，訊飛推出了這麼多醫療產品，您在和醫院的合作過程中，有沒有成為醫生的長期合作伙伴？
我前面提到過，技術人員和醫生的結合最重要。其實在醫療行業，技術不僅要為影像科、病理科服務，還要為臨床服務。只不過我們是透過影像科和病理科醫生最終服務於臨床的，服務於臨床是最高目標。在這個過程中，醫生的指導非常重要。
我常說，要用正確的工具解決正確的問題，即先準確地定義問題，然後尋找合適的解決手段。我經常跟同事講，一個問題如果能用九十年代的技術解決，就不要想著用2000年的技術；如果能透過人和機器一起解決，就不要想著做全自動的方案。總之，不要總想著用最新的技術，關鍵是要能解決實際問題。迴歸到醫療行業，我們要解決的是臨床問題，肯定需要醫生的合作，一起完成很多工作，並不斷碰撞出火花。所以，我是非常願意和醫生做長期合作伙伴的。
主持人：謝謝陶博士。前面幾位主任介紹過，人工智慧在醫療領域有很多應用，比如腫瘤和細胞影象的分割、疾病的鑑別診斷和預後，以及三維重建等等。我想請教各位醫生，你們認為除了前面這些，未來人工智慧在醫療領域還有哪些應用？
我以科大訊飛為例，我去美國訪問的時候發現，美國的醫生時間也很緊。他們寫報告的時候總是先口述，用錄音機錄音，然後交給秘書打出來。
內科和外科醫生要寫大病歷和醫療文書，不管是用筆寫還是用電腦打字速度都比較慢，需要花費很多時間和精力。如果能用語音識別來擔任“秘書”的角色，在醫院裡肯定大受歡迎。我認為這是人工智慧在醫療領域的應用之一。
現在AI和深度學習都瞄準了放射科和病理科，瞄準了影象領域。放射科是高度數字化的，有很多數字化的影象，比如眼底圖，可以用於篩查糖尿病。但大多數人都存在一個思維誤區，這裡我必須指出：影像科醫生並不是直接根據片子得出診斷結果的，還要結合病人的年齡、性別、家族史等臨床資料，過程非常複雜。病理科同樣如此，比如病理科醫生診斷一個病人是否患有腫瘤，一定要和放射科醫生和臨床外科醫生討論後才能下結論。
我必須強調這一點，否則你們真以為我們就只是個“看片子的”——病理科醫生看小片子，影像科醫生看大片子。假如真是這樣，你們不就把自己等同於一張片子了？
我的看法差不多，只補充一點。人工智慧會不斷髮展和完善，醫學也會不斷髮展。與此同時病變的發生率也在改變，醫生需要不斷學習，利用更新的技術解決臨床問題。過去幾年影像科發展非常快，這得益於計算機技術的飛速發展。因此我們非常歡迎計算機領域的專家走進醫療領域，來了解醫生和臨床問題。但我希望你們不要光想著要資料，資料對醫生其實沒什麼用。我希望未來我們可以共同合作，共同發展，以此共勉。
主持人：幾位嘉賓的真知灼見為我們描繪了一幅人工智慧醫療的美好藍圖，同時也給出瞭如何實現這幅美好藍圖的建設性意見。下面是ISICDM2017大會程式主席、電子科技大學李純明教授的提問環節。
李純明：AI不可能完全取代醫生，這基本上已經取得共識。但退一步來講，能否讓AI處理容易的病例，醫生只處理疑難的病例？ 有醫生和AI專家認為，影像科醫生可以把所有片子交給AI讀片，需要的話還可以給AI輸入其它有用的臨床資訊，比如最近的飲食、家族病史，等等，由AI對容易的病例——比如90%的病例自行做出診斷或生成讀片報告，剩餘10%的疑難病例則交給醫生。這樣醫生就不用處理那90%的容易的病例，只要處理那些疑難的病例。透過這種方式應用AI來減輕醫生的負擔，幾位嘉賓同意這個觀點嗎？
理論上說是一定可以做到的，AI要做的就是減輕人的勞動強度。但我認為不能簡單劃分為AI負責簡單的疾病，醫生負責疑難雜症。該如何劃分呢？首先要弄明白計算機擅長什麼，不擅長什麼；以及人擅長什麼，不擅長什麼。只有想清楚了這一點，做出來的東西才有生命力。
現在有很多人用AI作病理方面的研究，但做細胞學研究的很少。事實上細胞學的規律要比組織學更簡單，目前已經有細胞學方面的產品在市場上應用了。比如，我們可以讓機器對細胞進行掃描，篩選出22個細胞，醫生只需要檢查這22個細胞就行了。這種工作的特點是重複性非常強。
國際上有這樣的規定：醫生不可以做婦產科片子的初篩工作，要由初篩員來做。並不是醫生不會看，而是醫生太忙了，不可能按照規定看夠那麼長的時間。而且初篩員一天不能看超過100張片子，因為這種重複性工作做久了容易疲勞，這是人的弱點，反過來也是機器的長處。像前面提到的，必須三個醫生坐在一起討論的，只可意會不可言傳的事情，則是機器不擅長的。因此，不能按疾病的難易劃分，而要看規律的強弱。
李純明：曾經有個醫生跟我說，AI很好，至少它可以解決容易的病例，醫生只要處理疑難病例就行了，大大減輕了工作負擔。但我認為這裡存在一個邏輯問題，讓AI處理容易的病例，醫生只處理疑難病例的前提是，AI必須在輸出診斷結果的同時也告訴醫生哪些病例是容易的，哪些病例是疑難的。但我認為AI沒有自我意識，它無法告訴醫生哪些問題它處理起來比較棘手，也就不可能將疑難的病例交給醫生。除非把順序倒過來，讓醫生先把所有病例處理完，然後挑選出其中容易的病例交給AI解決。如果這樣的話，醫生既然已經處理過容易的病例，既然認為它們是容易的，醫生是否已經做出可靠的診斷？ 還需交給AI嗎？這樣做是否真的減輕醫生的負擔？
我們把它當成了0和1的問題，即百分之九十的病人交給機器來處理，剩餘的百分之十交給醫生，但真實應用場景中不是這樣的。
AI幫助醫生的方式是告訴他某個病人患病的可能性。比如，醫生早上來到醫院，AI可以提前對所有片子進行排序，讓醫生在精力較旺盛的時候優先處理比較複雜的片子，簡單的片子放在後面。這樣就已經可以給醫生帶來很大的幫助了。此外，AI還可以告訴醫生某張片子的哪個區域沒有病變，只需掃一眼，哪些區域需要重點關注。
疾病的難易是從診斷結果來判斷的，一開始並不清晰。醫生簽報告的時候並非所有的事情都交給AI。當然，假如以後AI足夠成熟了，不管疾病難易，我們都可以一併交給它處理，醫生只需要複核就行了。假如機器的診斷結果是陰性的，醫生可以不用再看，但如果出現陽性結果必須要手術，醫生肯定是要複核的。總之，我覺得未來醫生和AI最理想的合作方式就是把所有病人都交給AI，醫生只複核對病人影響最大的結果。
李純明：如果AI處理完後，還是要醫生來複核，那麼我覺得AI給醫生帶來的幫助還是非常有限的，並沒有節省多少時間。周主任說只複核“對病人影響最大的結果”，難道對病人影響稍微小一點的就不用複核了嗎？這樣是否合理？
把難的片子交給醫生看，簡單的交給計算機，我認為這是不可能的。因為你必須先有一個演算法判斷哪些是難的，哪些是容易的，這本身就很難做到。
但機器肯定可以替醫生減輕負擔。我們可以把一部分機器能夠解決的問題交給它處理，幫助醫生變得更加高效。我認為，人工智慧主要需要解決三類問題：一、醫生沒時間去做的事；二、醫生需要工具輔助才能解決的事；三、簡化成像流程，讓其更加標準規範。標準化和規範化的好處在於，可以幫助醫生更方便地找到需要的資訊。從這個角度來說，AI確實可以幫助醫生降低工作難度。
醫學上有風險高低之分，風險低的任務可以交給機器完成，風險高的必須醫生親自處理。但對於風險低的任務必須做質控，比如機器篩除了90例患者，醫生必須對這90例患者進行抽查。
李純明：這同樣有一個前提，AI要能判斷風險的高低。但我前面已經說了，目前的AI還沒有自我意識，它不能自我評價整個計算過程難易程度和輸出結果的可靠性。它不會在輸出結果的同時也同時輸出一句話說“這個病例我處理得很糾結，我沒有把握，還是交給醫生來處理吧”。另外，什麼樣的抽查比例才是合適的，我認為這也值得思考。
我也簡單談談。我們影像科出報告是必須雙籤的。一般來說，年制比較高的醫生不用寫報告，而是交給下面的住院醫生和實習生寫。他們把報告寫好後我們再看一遍，如果沒問題就簽字，這就叫做雙籤。雙籤之後的報告就是正式文書了，具備法律效力。
我之前聽過一個演講，講得很中肯。裡面提到，AI發展成熟以後可以部分替代住院醫生和實習生。比如由AI出報告，醫生來複核，從而減輕醫生的負擔。
另外，臨床上醫生需要對病情有動態的觀察。比如，病人第一次來醫院檢查，發現了小結節或者毛玻璃結節，醫生一般會建議其三個月或者六個月後來複查。醫生最煩看複查的片子了，因為病人雖然只做了一次檢查，醫生卻要將其所有的歷史檢查結果都看一遍。假如AI可以自動將結節的影像與歷史資料比較，分析密度、大小的變化，醫生很容易就可以得出診斷結論。
再比如體驗。以前都是用胸片體檢，不怎麼能發現病灶，現在都改成用高解析度的薄層CT了，光肺部就有幾百張薄層CT影象。醫生檢查的時候起碼要看三四遍，否則就容易漏掉結節，工作量非常大。醫生疲勞的時候也容易犯錯，對結節熟視無睹。假如AI可以先把所有結節都圈出來，醫生就輕鬆多了。雷鋒網