酷应用

AI，会让放射科医生下岗吗？

百家作者：硅谷洞察 2019-03-14 03:35:06

硅谷Live / 实地探访 / 热点探秘 / 深度探讨

让一个机器人透视你的身体，洞察你体内的蛛丝马迹，比经验丰富的老教授更快更准地找出你的沉疴暗疾，你是会觉得惊悚还是幸运？

在人工智能热潮兴起之初，吴恩达（Andrew Ng）、Jeffery Hinton等多位AI大佬放言，医疗领域AI会让放射科医生下岗失业。

在2019年的今天，才来谈论AI+医疗，好像显得有些不合时宜。毕竟，至少早在2017年起，智慧医疗的火焰已是如火如荼。

仿佛不远的未来，你就能和机器人医生面对面，由绝对精确的机器智能为你作出诊疗。

然而，时至今日，智慧医疗最大的突破，仍然主要限于基于计算机视觉技术的医疗影像辅助诊断之上。AI，距离完全取代医生，可能还差了一个比邻星到地球的距离。

在这一情况之下，聚焦于最为成熟的医疗影像AI领域，谈谈AI在做什么，AI公司在做什么，可能显得更为重要。

（AI医疗影像诊断，图片来自Nvidia）

聚焦：医疗影像+ AI

从公司门口的人脸识别到你手机里欺世盗貌的美颜相机，再到让李彦宏吃下罚单的自动驾驶，这些AI新浪潮的背后站着的，都是由深度学习驱动的计算机视觉技术。

从这里出发，当你在考虑AI如何应用在医疗中时，首先想到的可能就会是：

如何将在自然图像下日趋成熟的深度学习算法应用于医疗之中？

这个问题不难回答。

即使你从未进过医院影像科，也应该对CT、核磁共振（MRI）、B超等等检查有所耳闻。这些检查就像一台特殊的照相机，借助射线和声波为你体内的器官骨骼留下倩影，帮助医生对人体内的真实情况作出判断。

随着低剂量螺旋CT、核磁共振等技术的发展和推广，影像检查正变得更为安全、高效、准确，也更广泛地应用于定期体检和疾病诊断之中。仅2016年，全球诊断成像设备市场价值就高达227亿美元，增长率为2％。海量的医疗影像数据在帮助诊断之余，也让影像科医生的负担日益加重。

就以常见的CT来说，在影像医疗领域，CT是一个大趋势，所有的东西都能看清楚，但拍一次下来就有300多张影像，一个医生看下来是非常消耗时间和精力的。所以衍生出来的一个问题就是——需要大量的医生来“看片”。

深度学习AI算法的用武之地正在于此。

计算机辅助诊疗技术（Computer Aided Diagnosis: CAD）借助机器视觉算法，对医疗影像进行自动分析，帮助医生锁定病灶，提供诊断建议和依据。传统上，基于人工设计规则的算法在功能、准确度和速度上均有较多局限。深度学习算法的引入，让CAD的应用场景大大扩展。从早期癌症筛查到心血管异常，从神经疾病诊断到骨骼肌肉损伤，CAD系统的AI化浪潮已是如火如荼。

风口回归，竞争进入后半程

新技术的浪潮牵动千万病人的健康，亦牵动资本涌动。

据估计，到2023年，AI+医疗影像的市场规模将超过20亿美元。诸多创业企业、互联网巨头、医疗影像器械厂商纷纷投入重金，力求在这一战场占据一席之地。

不过在2019年的今天，前两年的资本风口渐渐回归理性，赛程进入后半场。

截止至2018年上半年，AI医疗影像初创企业已经募集逾5亿美元资本投入，资本从新兴初创逐渐转向晚期创业企业。纵观这一领域，整个2018年上半年，仅有加拿大医疗影像企业Circle Cardiovascular Imaging获得A轮融资，其他各企业均已进入B轮或之后的成熟阶段。

从战略方向上来看，企业也多由早期技术积累转向产品落地，企业与医院的合作、落地成为主议题，AI+医疗影像日趋成熟。

基于AI的医疗影像分析软件市场规模

AI+医疗，还是医疗+AI？

与自动驾驶领域的“车厂对阵AI巨头”的阵势颇有相似，在医疗影像AI领域，传统影像器械商和AI科技企业的双向竞技也正如火如荼。

以西门子（Siemens）、通用电气（GE）等为首的传统医疗影像器械厂商，正依靠其硬件和数据优势，对其传统影像分析算法进行“AI化”迭代升级，为医院提供整合性更强的一站式解决方案。

西门子的AI-Rad系统针对胸部CT影像，提供多方面的测量、定位和自动报告生成功能。比如，借助影像分割技术，找出胸部CT影像中大动脉的像素级定位，实现对动脉直径等多方面的自动化测量。该系统还利用目标检测技术，对体内器官的各项异常进行定位和初步诊断。

在早期肺癌筛查中，AI可以准确地识别出肺部小结节的位置所在，并对结节进行初步分析，帮助医生尽早做出诊断，大大提升早期肺癌的发现率。根据美国国家肺部筛查试点研究组的研究数据，借助肺结节早期筛查，逾20%的肺癌罹难者将有机会幸免于难。

（AI-Rad系统，图片来自西门子）

除去AI技术上的转型，器械厂商对AI的系统化整合，成为他们在竞争中脱颖而出的重要法宝。2018年底，GE发布了Edison AI开发平台，实现数据、算法、硬件之间的无缝整合。现时，平台已经上线48个影像分析应用，为研发部门整合多来源、多模态的海量数据源，亦为医院提供各细分领域的辅助诊断服务。

长远来看，Edison的野心并不止于此。GE计划将平台对外开放，让合作开发者加入算法研发，打造AI医疗影像的“AppStore”生态，促成AI医疗影像技术的更好发展。

相比传统器械厂商的系统优势，医疗影像领域的AI技术公司便更多依靠自身算法突破建立竞争护城河。

其中，较大规模的创业企业和AI巨头企业们，选择多领域发力，在各方面与传统器械厂商展开正面角逐。

在美国市场上，以色列一家AI医疗影像公司Zebra Medical Vision推出了从骨骼、乳腺到肺部、心血管的多器官诊断产品，意图建立自身生态。

中国创业企业亦然。作为国内医疗影像AI领域估值最高的推想科技，推出了InferRead全系解决方案，覆盖脑部、肺部、骨骼等全部位影像诊断。

（Zebra Medical Vision：骨骼诊断产品）

较小规模的创业公司，则多聚焦垂直领域，在单一器官或单一病症上建立自己的技术优势。

英国一家初创企业Brainomix便是其中典型例子。它专注脑部影像分析，在中风的诊断与辅助治疗中建立起自身的独特优势，找到自己的发展方向。

（Brainomix：脑部影像分析系统）

英伟达旗下孵化的一家初创企业ImFusion则独辟蹊径，借助AI影像生成技术，开创了从二维平面超声影像生成三维立体模型的新方法。他们以对应病人的二维超声影像和三维CT影像作为训练数据，让AI找到二维和三维影像之间的潜在联系，从而帮助医生更好地理解、感知病人体内的状况。

（将2D超声影像转化为3D人体模型，图片来自英伟达）

专注于特定垂直领域，小企业更容易找到自身竞争突破点，却也留下了产品功能单一化的缺憾，产品的落地应用大大受限。这一情况下，中小企业往往要与器械厂商或AI巨头展开合作，将自身技术与生态平台相融合，实现产品的大规模落地部署。

目前来看，AI+医疗影像领域仍将长期处于竞争与合作交织，技术和产品共同推进的百花齐放阶段。

作为医疗影像领域的后发选手，中国在影像器械的赛道上，起步较晚，暂时缺席。不过，在AI算法的竞技中，依托本土AI人才和海量医疗数据，以推想科技、汇医绘影为代表的中国初创企业们已经成功找到自己的发展方向。不仅如此，腾讯、阿里、商汤等AI巨头企业也纷纷向医疗影像领域持续发力，弯道超车未来可期。

竞业者更是同盟军

所以，在2019年的今天，AI会让放射科医生下岗吗？

如今看来，虽然医疗影像AI已经取得长足进展，取代放射科医生仍显得言之甚早。

一方面，由于数据的限制，医疗影像AI的适用面仍然较窄。目前只有针对肺部结节、脑部肿瘤、骨科等少部分领域的AI技术相对成熟，大大限制了医疗影像AI的临床应用。

另一方面，深度学习本身的“黑盒”、不可解释的特性使得我们难以对其结果进行分析归因。不论是出于安全性还是医学伦理上的考虑，医疗影像AI在可预见的未来里仍只能扮演助理角色，难以成为最终的决策者。

除此之外，医疗影像的分析并不只依赖于图像自身。医生在对影像进行诊疗时会结合病人的病史、其他检查、疾病的相关医学知识进行综合考量。

相比之下，医疗影像AI大多情况下只能依靠图像内在的特征进行判断，使得较复杂的、与影像形态不直接相关的病情分析效果不佳。

不过，作为医生的助手，AI的精准检测可以有效减少漏诊情况，帮助医生快速定位相关病灶。自动生成的影像分析等数据资料也可以为医生提供良好的参考，大大提升他们的工作效率。这一点，在各医院影像检查数量均大幅增长的现在，显得尤为重要。

除此之外，放射科医生其实还扮演着AI的人生导师角色。深度学习算法需要大量的标注数据，这需要放射科医生的鼎力支持。比如在肺结节筛查任务中，医生需要预先标注成百上千张CT影像里的肺结节的具体位置、类型。借助这些训练数据，算法才能最终找到这些结节的隐含特征，实现准确的检测、分析。

目前看来，这场AI+医疗影像的变革，更多地是从普通马到汗血宝马式的渐进性进化，而非从马匹到汽车的时代革命。

与其担忧被取代下岗，放射科医生更应理性看待AI热潮，摒除“人工智能”这一名字的神秘光环，理解AI的长处与不足，让它成为工作的重要助力。