上海长征医院刘士远：医学影像AI产学研用亟需更大融合

筹备良久的中国医学影像AI产学研用创新联盟（下称联盟）终于成立，刘士远并不感到放松，而是开始琢磨如何有效落地的问题。“成立医学影像AI研究院或许是一个比较好的形式。不过，具体还没想好。”

自称国内最早一批拥抱AI技术的影像医生，刘士远于一年前就在不同场合呼吁，业内同行要“再开放一些”。他分析认为，影像科未来工作模式会发生很大转变，“智能化、云平台化、临床化”将成为趋势，而AI技术应用则是一个必经阶段。

刘士远现任上海长征医院影像医学与核医学科主任，同时是中华医学会放射学分会候任主任委员和中国医师协会放射医师分会副会长。现在，他又多了一个身份——联盟理事长。

与行业内陆续成立的诸多松散型组织不同，联盟有自己的“婆家”——中国产学研合作促进会。这一选择的背后，是刘士远对医学影像经年的思考和对行业各方诉求平衡的拿捏。

“临床需求一直摆在那里，要看各种新技术、新业态、新模式如何深度融合。”刘士远对医学影像下一步发展充满期待，呼吁同行积极参与产学研用的大融合，“一起真正为解决供给问题做点事情，这样才能更好地服务更多患者。”

起步肺结节

采访结束已近中午，行程安排满满当当的刘士远，在组织科室内部开完一个讨论会后，还要赶赴肺部疾病诊断网的上线仪式。后者是他与几位上海胸外科医生合作，发起建立的面向全国肺部疾病患者的一站式服务平台。

诸多病种中，肺部疾病一直是刘士远关注的重点，也是其科室的诊疗优势所在。

早在2014年，在刘士远的牵头下，上海长征医院就与上海交通大学医学院附属瑞金医院、复旦大学附属华东医院等七家三甲医院联合发起《上海地区早期肺癌的影像学筛查及诊断研究》项目，初步构建上海地区早期肺癌数据库。

“病种的选择通常会首先考虑两个因素：疾病危害程度和诊疗难度。”囿于肺部图像识别有天然的对比，肺癌识别成为诸多AI公司入场医学影像时的考量。综合研判之下，肺结节很快被市场各方视为极佳切入点。

2017年1月，上海长征医院与医疗影像诊断人工智能公司推想科技达成合作，利用InferScholar医疗影像深度学习中心开展包括CT肺结节检测、肺结节良恶性分类、X线结节检测在内的多项研究课题。

“肺结节看起来门槛不高，但真正扎进去的时候就会发现其实并不好做。”业内的共识是，肺结节本身只是一个征象，其影响因素有很多，需要将患者其他的影像、病史、生化检验数据结合起来看，才能对临床产生比较大的作用。

在刘士远看来，目前AI产品所能解决的最大问题是减少肺结节漏诊，很多临床需求解决进度并未达到预期。不过，他认为，技术迭代和临床需求是相互促进和推动的，而且很重要的一点在于，人工智能后期深度学习的关键技术突破。

按照他的设想，如果未来人工智能可以实现肺结节精准识别后的分类、测量，甚至辅以定量信息进行判断，出具格式化报告，影像医生工作效率将大为提高。“可能原来一小时看20份，未来说不定能够看40份甚至80份。”

临床需求预期

新技术带来便利性的同时也是一种挑战。现阶段仍对AI应用保持观望态度的医生并非少数，原因在于有些流程上增加了医生工作量。

在实际临床工作场景中，很多二线医生每天要改两三百份报告，很容易出现视觉疲劳，而AI技术处理的诊断结果更多是“仅供参考”，“看完机器提供的结果，没有把握，还是需要用肉眼再看一遍。”

这一现状背后的逻辑是，影像科医生和临床医生才是真正的专业裁判，至于算法公司、信息化公司、医疗器械厂家等，顶多算是助手。“AI分析的结论靠谱，才是有价值的。”

但是这与积极拥抱新技术并不相悖。刘士远表示，技术的发展是一种社会潮流，永远是新技术来推动社会进步，新技术终将改变生活方式、工作模式。“目前为止，仍有一些医生在反对人工智能，或者觉得人工智能没有任何前途。带着这种抗拒的心理去对待，其实是没有必要的。”

深耕影像领域的刘士远，在接受健康界采访时，自我评价为“可能是最早意识到深度学习在医学影像应用中成为未来潜力的影像医生”。后来证明，多年前刘士远的很多想法很超前，也因此获得同行专家的点赞支持。

与其他的医疗数据不同，影像数据的信息集成度高，包括大量高价值信息，处理难度相对较小但价值更高。外加影像数据标准统一，对于算法来说更易切入，辅助诊断模型的构建也更为轻松，这些特点十分契合人工智能表征模型算法。

“刚开始的时候，推想科技拿来的肺结节模型并不十分准确，敏感度不够高。”刘士远回忆最初的产品应用时感慨，推想科技InferScholar中心的科学家和影像医生共同对模型进行长期“训练”，不断测试、验证，现在终于成长为医生的得力助手。

“喂食”病理图像数据，是人工智能系统最主要的学习方式。“其实一年前讲课的时候，我就说这个模型相当于新生儿，无论是交给奶妈还是交给老师，喂养的过程很重要。”刘士远说。

影像服务模式迭变

近五年，随着深度学习算法的逐渐普及，工程师们通过建立深度学习神经元数学模型，从海量医疗影像诊断数据中挖掘规律，学习和模仿医生的诊断技术，进而辅助医生的日常诊疗工作。

对于医生而言，高效的分析能帮助他们节省读片时间、降低误诊率、提供更丰富的历史图像比对。与此同时，医院方面也乐于看到人工智能对医学影像处理的数字化成果，便于医疗数据库的构筑，借此降低诊疗方案的成本。

不过，现阶段AI在医学影像诊断上的应用，更多局限于通行的图像识别和深度学习，如何将非结构化数据转化为结构化数据，正成为各方期待。此外，受影像医生的个人习惯、执业医院、教育背景和导师影响等因素影响，不同地区不同医院的影像报告标准不尽相同。

按照刘士远的说法，上述现象的出现，其实都是影像服务模式迭变过程中的一个阶段。“影像科未来工作模式会发生很大的转变，将呈现智能化、云平台化、临床化的三大特点。”

这也恰是促成刘士远发起成立联盟的动力所在。按照既定规划，联盟成立后的工作重心在于，有效整合国内外医学影像AI各方资源、加强产学研用深度融合，积极搭建科技创新发展服务平台。

“数据放在那里不用，永远是一堆死数据。”刘士远对部分医院不愿开放数据的情况很不解。不过，刘士远也坦承，数据安全相应的法律法规相对滞后，包括数据所有权和使用细则并没有明确规定。“联盟会发挥行业作用，在现行法律规定内，达成并出台一些标准和共识，成为中国医学影像AI最权威的学术组织。”