為什麼醫學影像AI已進入「後深度學習時代」？

“深度學習正走向兩極化，大部分研究深度學習的人員會偏向於工程化，包括建立更加全面、便捷、快速、視覺化的深度學習平臺，'暴力'地將深度學習應用到更加多的領域。小部分的深度學習研究者會偏向於理論化，解決深度學習的理論瓶頸包括可解釋性等問題。”

密歇根州立大學湯繼良教授曾如此總結到。

醫療AI熱潮，無疑離不開這波深度學習的發展，但由於深度學習的天然侷限性和醫療領域的特殊性，使得醫療AI這一交叉的領域，也在進入瓶頸期。

隨著深度學習即將觸及天花板，醫學影像分析科研人員也隨之分為兩大派別：理論派和工程派。

理論派的初衷，是解決深度學習“短缺”的部分，強調人工設計和數學論證，透過預先構建先驗知識，在不過度依賴大資料的前提下，開發出一個可解釋的、高精度、可解決諸多長尾問題的“智慧模型”。不少專家認為，醫療AI中有大量Mission Critical和長尾問題，這對研究人員的整體系統設計能力要求非常高，因此人的作用就顯得尤為重要，而基於黑箱統計模型的深度學習，顯然存在太多的弊病。

工程派的做法，則是進一步發揮深度學習自身的優勢，揚長避短，獲取更多標註資料，設定更多引數，用更強大的算力，訓練出一個能夠學習更多維度特徵的“經驗模型”。其本質是建立某種學習和搜尋的Meta Method，依靠摩爾定律帶來的指數增長的算力，讓機器自行構建複雜的知識系統。

前者強調人工設計，後者依靠機器自主構建。

後深度學習時代的醫療AI研究走向，正朝著這兩個看似極端的方向發展，工者愈工，理者愈理。

前者的難度在於理論的突破，從某種程度上取決於個別人的開創性研究成果；而後者在很大程度上取決於整個行業的資料標準化、開放化和監管進度。

二者雖殊途，但目的是同歸。

深度學習+醫學影像的瓶頸

電子科技大學教授李純明曾在接受雷鋒網AI掘金志採訪時談到，深度學習吸引人的地方在於，原則上它在不同的應用中均可以使用同樣的訓練演算法框架。

只需替換訓練資料和相應的標註進行訓練，即可得出一個具有某種輸入輸出關係的多層神經網路。

輸入一個資料，系統就輸出一個結果，應用過程可以做到全自動。

但這種看起來一勞永逸的框架，在實際應用中還有一些侷限。

以醫學影像分析為例，由於醫學影像資料複雜多變，不同器械商的成像裝置、不同的成像引數選擇、成像裝置的更新換代等因素，都會導致影像性質（如訊雜比、解析度和偽影等等）的變化，以及不同病人與病情的差異也會導致影像特徵的變化。

訓練資料如果不夠“大而全”，一旦遇到跟訓練資料有一定差異的資料，加入一點噪音，神經網路輸出的結果可能就會出很大的錯誤。

但訓練資料要多“大”多“全”？也並未有一個客觀的量化標準。

深度學習需要用醫生手工標註的資料，還要求訓練資料和手工標註符合一定的標準。

但資料的標準化，還尚未提出通用的法則遵循。而在演算法層，深度學習的調參也並沒有規律可循，調參難題至今未得到實質性解決。

這些都可能會給深度學習的應用帶來諸多不確定性，致使其在不同資料集上的效能可能會截然不同，魯棒性較差。

在醫療領域的應用上，深度學習的不可解釋性也是個無法迴避的問題。

醫生和病人都很難接受這種不可解釋的診斷結果和治療方案，而當前工科會議的論文，基於不可解釋的深度學習研究成果幾乎是主流。

“資料驅動的深度學習只是資料處理的工具之一，它在醫療領域離真正的落地還有相當大的距離，還需在理論和技術上有所突破。學術界研究深度學習不應太工程化，應該多研究一些基礎性的理論問題，提出更有原創性的演算法。”李純明談到。

“我認為，從眼前來講，不應該一窩蜂都用資料驅動的深度學習。一些醫學影像演算法的開發也應該針對不同的應用，去設計不同的演算法，開發者儘可能在演算法中融入領域知識，設計出針對特定應用的個性化的方法，而不是對每個病種都在TensorFlow或Pytorch等開源框架上用不同的資料進行訓練和調參。由於深度學習這種資料驅動的學習過程，是一種較少利用領域知識的機制，因此技術的開發也就幾乎不需要開發者與醫生的交流。醫生在技術開發的過程中只起到了對訓練資料手工標註的作用，也就是說醫生被當作人工智慧背後的‘標註工人’來用。”

“從長期來講，資料為王的醫學影像AI研究方法，在未來遇到的問題將會越來越多。當前多數學者更多停留在簡單的工程問題，缺乏在基礎研究上的突破性進展，企業界的技術開發也因此遭遇瓶頸。”

與此同時，現在的深度學習其實是一個有問題的框架，用大量標註資料做訓練的方法，在過去幾年很成功，但在解決醫療這類擁有諸多“非封閉”和”長尾”問題的領域，當前的深度學習主流研究，並不代表是正確的方向。

現階段，計算機視覺系統是一個Training System，而不是一個Learning System，我們需要從Training System變成Learning System，讓機器主動，並結合資料的結構、時間空間結構去學習，而不是被動地用人工訓練來標註它。

目前行業走的是粗放型發展路線，是靠堆積資料和計算資源來換取高效能，這是資源而不是效率的競賽。在大家把醫學影像分析聚焦於Data Set的大環境下，雖然在工業界已有一定的成果，但理論派認為，原創性技術和基礎研究，更值得工科人去關注和投入。

AI理論創新之外的解決方法

正是由於深度學習遭遇的種種問題，也促使優秀科學家加大了對基礎理論的研究。

而另一方面，在部分臨床問題中，也可透過在非技術層的行業標準構建等方法，來逐步推動醫學影像AI輔助診斷的發展。

第一步，則需定義好要解決的問題。

上海長征醫院影像醫學與核醫學科主任劉士遠在2018中國醫學人工智慧大會的演講中指出，現在的AI醫療產品遇到的首個問題便是實用性差，如現在常見的影像AI產品大多是基於單病種影像標註形成的模型，尚未符合臨床實用場景的產品，而且大多數產品效能的自報資料與實際檢測資料不符，魯棒性有待提高。

AI產品往往只是集中在少數幾個病種，難以覆蓋全部醫學影像問題。

其次，行業現在普遍缺乏標準化高質量的訓練資料，國內外雖然有很多公開的資料庫，但是存在同質化和人種差異等問題。

而且眾多人工智慧企業和機構採用的訓練資料集標準多樣，系統偏差較大，行業缺乏醫學影像和疾病徵像的統一認識。

整個行業的醫療資料保護和監管措施也有一定的缺失，資料不能被溯源，缺乏合法性和可分享性。

同時業內也缺乏對資料使用標準的判斷依據，在現有的法律基礎上尋找合規使用和分享資料的渠道，也是迫在眉睫的一件事情。

劉士遠建議到，構建標準庫，離不開醫生的參與。

要形成與AI研發相關的標準和資料，需要在影像採集環節、標準庫構建環節、病種的分佈以及各種描述術語等層面，都要達成一定的共識。

2018年9月，國家頒佈了《國家健康醫療大資料標準、安全和服務管理辦法（試行）》。此外，在肺結節領域，中檢院肺結節AI檢驗資料庫標定專家組已經完成肺結節標準資料集建設。

這些均為標準的建設，做好了鋪墊。

當然，影像標註環節也存在很多問題，以肺結節標註過程為例，其主要存在以下問題：標註者隊伍混亂，資質不一；影像徵象認識不統一；影像標註方法不統一；影像分割方法不統一；影像量化方法不統一。

據瞭解，中檢院在構建肺結節標準庫的過程中，從全國招了250名5年以上經驗的影像科醫生志願者，對他們進行了簡單的測試，使用了30例結節，結果準確率只有30%，說明如果沒有共識和基礎培訓，醫生的標註準確率很低，非影像科醫生甚至不是醫生的準確率更難以想象。

而標註的方式，有緊密包裹法、區域標註法等，不同的標註方法輸出的結果也不盡相同。

“影像分割如果沒有統一的標準，結論的差別也會非常巨大。

還有量化的方法，到底是測直徑，還是測體積，還是測質量，怎麼測，行業都需要形成一致意見。

在醫學影像AI模型檢測階段，也會存在生產過程不規範，模型效果和安全性缺乏公正評價，缺乏產品檢測標準庫和評價體系，缺乏相關法律法規、質控檢查和管理制度等問題。

在AI模型使用階段，受歡迎程度，對醫生的影響，過多的假陽性，倫理和法規，是否匹配醫院和醫生的需求等問題也尚待解決。”

另外，也需考慮其他問題：

產品應遊離於資訊系統之外，還是融合於資訊系統之內？

年輕醫生對AI產品產生依賴之後，是否會導致業務能力下降？

資料的倫理和產品的倫理問題：資料的倫理就是資料的所有權、許可權和隱私權都需要制定規範，現在衛計委已經發布了相關標準和規範。第二個則是產品的倫理問題，隨著產品的逐漸落地，產品的責任和影響都需要倫理的相關準則來考慮。

劉士遠教授還強調，影像診斷是全鏈條、多維度的工作，工作內容不僅僅是影像識別，需要充分發揮醫生在醫學影像AI研發過程中的作用。

在資料上，醫生可以建立大樣本的單病種資料庫，提高訓練資料質量，並在此基礎上規範化標註，形成高質量訓練集，還要學會在法律法規下分享和使用資料。

醫生還應當成為質量控制和標準的制定者和執行者。如制定影像採集和影像質量的標準，制定資料庫建設的構成比例、病種分佈、病灶型別等專家共識，並形成各單病種影像徵象和描寫屬於以及單病種AI模型資料標記專家共識。建立一套正確的基本倫理準則來指導AI的設計、管理和應用。

醫學影像AI的未來

無論是AI理論創新，或是非理論層的行業標準建立，其均是醫學影像AI成功的必備條件。

2019年7月13日，由中國計算機學會、雷鋒網、香港中文大學（深圳）聯合舉辦的CCF-GAIR全球人工智慧與機器人峰會，將開設“AI醫療”論壇。

本論壇以“後深度學習時代的醫療AI”為主題，邀請全球最具代表性的理論派、工程派專家以及知名企業家，在大會上分享最新醫工交叉與產學融合研究成果與應用案例。

目前，計算機視覺與醫學影像分析界泰斗級人物Demetri Terzopoulos院士已確認出席，與此同時，雷鋒網也在邀請世界級醫療集團高管，CVPR、MICCAI等頂會 ZX 參會。

在上一屆CCF-GAIR的醫療論壇中，中科院自動化所研究員田捷、飛利浦中國CTO王熙、MICCAI大會沈定剛、微軟亞洲研究院副院長張益肇、美國科學院候選院士邢磊等專家均針對2018年醫療AI遇到的難題，提出了自己的見解。

2019年7月13日，我們將進一步揭開“後深度學習時代”醫療AI的走向。