深睿醫療CTO李一鳴：產品與科研“雙路徑”下的影像AI方法論

近期，雷鋒網《醫健AI掘金志》邀請深睿聯合創始人兼CTO李一鳴，做客雷鋒網公開課，以“醫學影像AI科研創新與產品轉化”為題，對2020年醫學影像的新關鍵詞進行解析。

後續將有更多課程上線，新增微信公眾號   醫健AI掘金志  聽課，或收看本節課程影片回放

李一鳴表示，AI從自然影像領域遷移到醫學領域，看似技術相通，實則挑戰完全不同，其中 共有樣本不均衡、多模態、臨床導向等八個差異點。

從2017年成立以來，深睿從肺結節入手，一步步擴充套件到全肺、乳腺、冠脈等多個疾病解決方案，這其中突破了多重“跨界”難題，並且和醫生團體一同重新整理對AI的認知。

以乳腺產品為例，在技術路徑走不通的情況下，深睿醫療借鑑醫生多角度觀察的思路，基於交叉檢視推理網路，根據對映把特徵進行傳遞和增強，最終獲得技術的突破。

以下為李一鳴演講全文內容，雷鋒網做了不改變原意的編輯

我分享的題目是“醫學影像科研創新與產品轉化”，深睿醫療成立三年多，一直是以“創業者”的心態進行發展，堅持打造自己的核心技術、孵化產品線、完善產品矩陣。

醫療的核心問題在於“優質醫療資源的供給和服務的不對等”。

北上廣深醫療資源相對集中，邊遠地區的醫療資源較差，疫情期間這一現象有明顯的體現，人口老齡化問題的加劇，也會讓這一問題進一步凸顯，最終需要新的技術進行幫扶。“AI+醫療”也許是很好的解決方案、能夠為醫生、患者、醫院提升效率、降低成本、已經被大家看好和期待。

在醫療+AI的方向上，深睿選擇了醫學影像入手，原因在於：

首先，臨床價值層面，80%的臨床問題的都需要醫學影像輔助；

其次，資料層面，醫學影像具有文字、影像、基因等多模態資料，同時在規整性、資料量等方面都非常適合；

最後，技術層面，以深度學習為代表的新一代AI技術讓影像處理和識別有了長足進步；

從2017年到現在，醫學影像AI一直向好的方向發展，利好政策也在持續釋放，企業數量不斷增多。這個變化從大的趨勢角度來看，是醫學影像逐漸資訊化的過程，從傳統膠片到Pacs，再到AI技術的引入，逐步向智慧化轉型。

深睿把這個變化分為幾個里程碑：2017年影像AI元年的單病種、2018年探索在醫療機構落地、2019年更大規模應用、2020年啟動商業化，持續變化，最終形成應用的閉環。

醫療AI的進步源於對效率提升的作用，“AI+醫生”相比人工閱片，在時間、準確性、重複性上均有大規模提升，也對醫院的效益和成本有最佳化作用。

深睿Dr. Wise醫學影像產品線，目前已經在400多家醫療機構落地，場景包含重疾篩查，基層急診、特色專科，其中三甲醫院佔比非常高。

影像AI的八重難關

影像AI產品的臨床應用很廣，用處很大，對未來也將是很好的支撐，但產品的關鍵點在哪裡？

首先，需求一直都在，最簡單的肺結節檢測需求已經出現幾十年，一直沒有被攻克，直到近些年深度學習技術進入醫學影像領域之後，才得到解決。

提出問題可能並不困難，但真正的實現，技術是否可行非常關鍵。雖然是以需求為主，但如果技術不存在或實現不了，產品只能是望梅止渴。

所以，醫學影像AI產品的設計、研發、創新等環節尤為關鍵。

相比AI在自然影像領域的發展，AI在醫學影像領域的應用要晚兩年。從2015年到現在，所有醫療影像會議上都在提深度學習的論文。

那AI又是怎樣從自然影像領域遷移到醫學領域？

傳統自然影像領域包括分割、影像識別、目標檢測、實體分割等角度，對應到醫學影像分割為代表的是肺炎識別，影像識別對應腦卒中，目標檢測對應X光，實體分割對應冠脈。

這些技術和目標雖然相通，但挑戰又完全不同。

問題具體是：

第一，資料稀少，醫學影像的資料量相比自然影像角度要更少；

第二，資料標註，醫學影像絕大部分資料沒有被標註，少量標註資料也存在大量噪音；

第三，多模態，資料來源於多種裝置，CT、核磁、X光影像都有自己的特點，有的偏結構、有的偏功能；

第四，樣本不均衡，例如癌症資料，常規情況大部分是良性，小部分是惡性，但是醫院的資料正好相反；

第五，尺度標準，醫學影像中的病灶，發展態勢和大小都存在變化，不同型別大小差異非常大；

第六，多工，醫學通常需要診斷多種疾病，同一份影像可能存在多種問題，都需要發掘；

第七，臨床導向，以臨床需求為目標，對於開發者有很高的門檻；但是臨床需求決定了產品應用前景；

第八，醫學的專業瞭解，醫生對於解剖結構，診斷方法有很深的認知，這些對研發既是困難也是好處。

藉助醫生思想解決問題

深睿在和醫生溝通中，在醫療知識層面獲得了很多啟示，解決了之前的研發瓶頸。

例如乳腺產品，過去乳腺腫塊一直識別不好，和醫生的溝通發現，他們診斷也很難，但他們會藉助不同狀位的解剖影像分析，例如軸位、斜位。

我們借鑑思路之後，在技術上利用交叉檢視推理網路，把不同投照位進行對映，利用對映把特徵傳遞和增強，提升了檢出效果，這個成果我們也做了文章，並被CVPR收錄。

還有乳腺的鈣化點識別，因為病灶非常小，只有十幾個畫素點，識別很困難。我們發現醫生遇到這個問題，也需要放大影像觀察。

借鑑這個思路之後，我們利用AI把反差做學習和訓練，放大差異，生成重構影像，再進行識別，最後效果明顯變好，這個成果我們也進行了發表。

還有新冠肺炎產品，雖然相比過去的產品有差異，但新冠肺炎依然只是肺部疾病中的一種。在過去全肺產品基礎上，我們按照新冠肺炎資料集進行了強化，並最終釋出新冠特別版。

產品研發中，主要借鑑了醫生會診、複診的邏輯，主要是資料多模態融合，把低年資醫生診斷報告和高年資醫生診斷結果融合在一起，再做一致性評判，最終成功解決假陽性問題。

現在解決的已經不是特定的問題，最開始的肺結節只診斷一種問題，雖然也有實性、磨玻璃的區分，但是差異不像結節到肺炎這麼大。

從肺結節做到全肺產品就不一樣了，病灶大小和形態變化巨大，存在多病同像的情況。

我們只能採用多視角、多尺度的技術，提升準確率和敏感性，具體就是基於不用狀位和角度識別，例如醫生常用的肺窗、縱隔窗，再加入一些三維成像技術。

在肺部X-ray中，借鑑的思想在於“最樸素的診斷”，比如醫生在培訓和學習階段，都是先學正常影像，然後學正常解剖結構，最終識別各種各樣異常。

而深睿X-ray的問題在於資料標註量不足，雖然有大量的X光影像和報告，但都沒有詳細標記具體位置。

我們和醫生交流發現，肺部解剖結構相對標準，所以就將正常資料和異常資料進行配準，來預測異常資料的差異，再進行最佳化，利用只有分類的資料就能達到比較好的效果。

骨齡產品則是借鑑了圖網路的思想，原來的問題在於幼兒在拍攝骨齡影像時依從性較差，手的位置不規範，影像也存在遮擋和捲曲，影響識別。

從醫療經驗學習到骨齡判斷是整體性行為，不會存在差異巨大的情況，最終利用臨近的骨骺做參考，成功解決遮擋的問題，技術也進行了發表。

深睿的成果持續對外發表主要有三點原因：

第一，做產品必須如此，因為我們解決的有挑戰性的問題，也是前人沒有解決的。

第二，樹立學術領先性，深睿成立開始就設立了深睿研究院，積累了很多成果，得到兩項國家科技部重點研發計劃。

第三、影像AI產品的發展特點，技術需要不斷的創新。

醫學影像AI僅僅是工具

影像AI首先是工具性的產品，目的是幫助醫生診斷疾病，從產品角度在於擴充套件使用者能力的邊界。

2016年，福布斯發起評比20個最重要工具的活動，投票前三的是刀、算盤，羅盤，這些都為人類文明發揮了重大的價值。

工具的意義在醫學影像領域也得到了體現。例如冠脈產品，就是專業性極強的工具型產品，使用者是影像科、心內科醫師，為患者隨訪和術後複查提供幫助。

從工具的角度，我們沒有理由不把產品做到極致。

影像AI的同質化來自於需求的剛需

醫學影像AI產品的發展趨勢就在於向高頻場景切入。產品角度，首先應該屬於高頻、其次需求要比較強；醫學影像角度，高頻對應著高檢查量，影像的需求越強，臨床上也越重要。

這種高頻就意味著同質化嚴重，最早大家都做肺結節，原因在於資料清楚，胸部影像檢查也多。

重要性上，肺炎在全世界都是發病率和致死率第一的疾病，只能透過胸部CT進行篩查，獲得早期干預和治療。

基於高頻和重要性的特點，深睿在醫學影像AI已經推出肺癌、乳腺癌、腦卒中、骨折、X光等多款的產品，這些產品針對的都是高發、重大的疾病。

但骨齡產品不太一樣，檢查量不大，臨床價值也不高，產品需求在於，過去的積分法非常耗時，從評估骨頭開始打分、直至最後的公式測算，需要30分鐘，而透過AI產品則可以很快檢測出來。

醫學影像AI的縱向和橫向

影像AI產品發展的重心都是從單一環節逐步覆蓋到完整臨床診斷，這也是臨床需求不斷被挖掘的過程，整個過程分為橫向和縱向。

縱向角度，以肺部產品為例，最早的目標僅僅是病灶的檢出，之後再逐步進行定量分析，下一步基於影像特徵進行提取，再進行定性的判斷，包括良性、惡性，最終給出診斷，形成報告。

診斷結束之後，接下來就是治療過程，發現病灶之後採取隨訪、穿刺、或者手術等措施，隨著需求一步一步深入挖掘，產品功能也越深入。

橫向角度，則是疾病從單一疾病向多模態的演變過程，最終實現多病種識別。

以肺部疾病為例，從肺結節起步，深睿在2018年初逐步發展到肺全科，並在2019年8月釋出，其中包含了肺窗、縱隔窗、骨窗等多種形態發現疾病，後續又在CT的基礎上，增加X光胸片，將平面和立體結合。

雲+AI擴充套件影像服務的邊界

影像AI診斷在公立醫院內部使用，一般都是本地部署的方式，存在問題在於不能互通，對產品的升級和對外輸出都非常不利。

AI和雲結合在一起能夠發揮更大的價值。這次新冠肺炎期間就有很多雲服務公司和深睿進行合作，一同把AI+雲的能力，提供給抗疫一線。

其實深睿自己很早就已經有云平臺，在為各種組織服務，以深睿在解放軍總醫院第一醫學中心提供遠端會診為例，其中兩位專家透過我們的量化分析產品對一線的患者進行診斷和量化評估。這個案例可以發現，雲+AI可以快速把超高的醫療能力直接送到一線或邊遠地區。

另外一個案例，是深睿去年獲得國家衛建委的智慧服務創新獎的應用，在浙江中醫藥大學附屬第三醫院的醫聯體框架下和磬安縣進行對接，提出磬安縣的患者最多跑一次的口號，在縣醫院檢查後，就能透過雲+AI獲得高質量的醫療服務。

從輔助影像擴充套件到臨床

本身80%臨床診斷都依賴於影像，在AI做好影像之後，也可以反過來，對臨床科室進行支撐，完成智慧診療服務的閉環。

深睿醫療認為，引入人工智慧實現智慧診療服務之後，可以把醫療資源的服務能力做到擴張，甚至複製，將有助於打破醫療資源的瓶頸。甚至提供7×24小時的服務。

此外，因為AI針對專科，可以對醫療進行非常精細的劃分，實現支撐。AI在輔助診斷和資料處理應用後、也有助於醫療科研和應用的轉化，我們認為這是未來的必然趨勢。

現在的認知，僅僅存活於此時間節點

最後評論一下，2019年Gartner人工智慧技術成熟度曲線。這個曲線傳播非常廣，也激起業內很多討論，雖然整個成熟度可能沒有太大的差異。

但是我想強調，階段認知確實非常重要，應該瞭解現在技術處於哪個點，在爬坡還是下降，或者慢慢成熟。

深睿醫療一路發現，2017年早期專案在孵化的時候，接受到的反饋就很兩極分化。

AlphaGo打敗李世石之後，一種觀點認為AI太可怕，無所不能。醫療行業不允許AI進入，進入之後可能就取代醫生。

另外一個觀點認為，圍棋太簡單、醫療太複雜。AI應用之後，對醫療沒有作用。

2018年開始，AI從特定的點或產品切入臨床工作之後，醫療行業對AI的認知開始趨同，大家知道AI並不是全職全能，但確實存在價值，在特定的點可以支撐醫生的工作。

2019年，認知又發生變化，更多醫生都表示希望AI做的更多，需求變得旺盛，行業對於技術的認知已經趨於成熟，認知越來越接近，行業對於AI的判斷更冷靜，也更貼合實際。

這種結果源於技術人和醫療從業人員的交流逐漸加深，共同明白AI能做什麼，不能做什麼。

2019年以後，醫生開始更頻繁地使用AI，工作中也越來越離不開。

所以我想強調，階段認知雖然很重要，但時間長度更重要。從這幾年的發展角度，階段認知的變化週期越來越短，時間正在逐步加速。

我認為，現階段的認知僅可以代表這個時間點，隨著下一個時間點的到來，將會被很快取代。