2019年，成为AI医疗落地的关键之年。在这重要的时间点，雷锋网尝试以三年为一个坐标，为业内人士勾勒一个比较清晰的发展蓝图。
作者 | 李雨晨
编者按：7月12日-7月14日，2019第四届全球人工智能与机器人峰会（CCF-GAIR 2019）于深圳正式召开。峰会由中国计算机学会（CCF）主办，雷锋网、中国香港中文大学（深圳）承办，深圳市人工智能与机器人研究院协办，得到了深圳市政府的大力指导，是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流博览盛会，旨在打造国内人工智能领域极具实力的跨界交流合作平台。
大会收官的7月14日，「AI医疗」专场依旧座无虚席。五位医疗领域的产、学、医等多方顶尖专家，分享了独特而深刻的前沿技术与商业方法论。
Demetri Terzopoulos：
人工智能在视觉计算与医学领域的作用
Demetri Terzopoulos是加州大学洛杉矶分校（UCLA）杰出教授，计算机视觉与图形学实验室主任。英国皇家科学院、加拿大科学院院士，体素科技首席科学家，ACM、IEEE Fellow。
作为本专场的开场嘉宾，Demetri Terzopoulos教授回顾了计算机视觉的历史：从最初模式识别的方法，到后来基于模型的方法，现在则是过渡到了深度学习阶段。
从1978年开始，Demetri Terzopoulos教授就尝试使用对医学图像进行分析。上世纪80年代开始，Demetri Terzopoulos开始了基于可形变模型的医学影像研究。
1987年，Demetri Terzopoulos与Kass等合作提出了著名的Snake模型，合作发表的论文也在IJCV 第一期Marr奖特刊中获奖，是计算机科学中被引用次数最多的论文之一。模型提出后，各种基于主动轮廓线的图像分割、理解和识别方法蓬勃发展。
在演讲中，教授列举了多个使用主动轮廓模型进行图像分割与重建的案例。
而到了人工智能时代，以数据驱动的机器学习对成像技术作出了突出贡献。Demetri Terzopoulos教授也尝试使用深度卷积神经网络，进行肺结节的探测。他以最近一篇获奖的论文表示，“我相信这是一个大趋势。未来，自动分割会有更多产出，使得医学成像的效率更高。而深度学习和可变形模型的组合，将通过数据驱动来赋能医学影像分析。”
Demetri Terzopoulos教授认为，计算机科学、人工智能和信息技术有巨大的潜力，可以赋能医学事业，这对未来的创新是最大的源泉。但是，他也提醒，“我们有前沿的数据驱动的机器学习技术和强大的模型为基础的方法，但是不能盲目的认为，深度学习的单兵作战就可以解决所有问题。”
“所以我们需要和其他技术结合起来，也就是和传统的医学界共同协作，才能充分用好我们的深度学习、人工智能来促进医学事业的发展。我们需要做大量研究，才能更好地解决医学事业实实在在的问题，并且为更多的病患造福。”
2016年，医疗AI公司体素科技（VoxelCloud）在上海成立，Demetri Terzopoulos教授担任联合创始人兼首席科学家，更好地将学术研究、技术开发与商业落地进行融合。
姚智清：
AI赋能医疗的价值与未来
姚智清是飞利浦大中华区CTO、中国研究院和中国创新中心负责人，是飞利浦大中华区管理团队成员之一，负责推动健康科技和数字解决方案的创新。他从理念基础，技术实现等角度阐释了飞利浦在医疗上的思考与布局。
过去几年，软件开发和AI是飞利浦战略发展的重点，飞利浦每年投入超过18亿欧元进行研发，其中60%用于软件和AI的开发。
姚智清表示，“单点突破难以产生协同，健康产业越来越强调从院内到家庭护理的全流程解决方案。”
为此，飞利浦形成了健康生活、精准诊疗、影像介入治疗、互联关护四大事业群。
数据大不代表大数据，如何让数据真正有价值？姚智清认为有三方面的因素：自然语言处理、深度学习、大数据挖掘和分析等技术。
飞利浦与全球范围内4000多家顶级医院、科研机构、创新平台等紧密合作，从数据的来源、建模、训练到结果测试、评判都严格遵循临床指南和医学路径，并基于科学评估标准和体系，反复严格验证，确保为临床提供安全可靠的解决方案。
平台化是飞利浦的重要战略方向，医学界、工业界、创新平台，必须打破界限、发挥所长，共同构建AI 健康医疗生态系统。“我们是一家好公司，但我们并不是唯一的一家好公司，在医疗领域发挥特长，需要跟各位专家持续合作。”
姚建华：
人工智能在病理诊断中的前沿研究和应用
姚建华是医学影像AI领域国际级专家，在腾讯 AI Lab负责AI 医疗领域的前沿研究及产品落地。
腾讯AI Lab是公司级的实验室，据姚建华介绍，现在AI Lab有超过70名研究员和超过300名工程师，研究方向包括计算机视觉、机器学习、语音识别、自然语言处理，医疗是实验室的主要应用场景。
腾讯AI Lab为腾讯首款将人工智能技术运用在医学领域的AI产品——腾讯觅影提供算法技术支持。2017年11月，科技部公布首批国家新一代人工智能开放创新平台名单，并明确依托腾讯公司建设医疗影像国家新一代人工智能开放创新平台。
作为一个技术派人员，姚建华博士从技术层面分享了腾讯AI Lab在病理和人工智能方面做的前沿研究和落地。
姚建华认为，病理诊断是一个非常复杂的过程，主观性很强，一致率比较低。因此利用人工智能技术，可以帮助医生提高诊断的可重复性，提高准确率和效率，从一定程度上缓解病理医生不足的状况。
但是对于病理分析而言，病理的图像尺寸非常大，对计算机的处理性能提出挑战，此外，医生经常要识别病理图像中非常细微组织的变化。在自然图像中比较成功的算法往往在病理图像中不能达到相应的效果，因此，工程人员就需要开发特殊的算法。
目前，病理AI的主要研究领域有三部分：
第一，开发基于AI技术的病理诊断模型，以提高医生的诊断效率，提高微小病变和疑难病例的识别能力。
第二，病理组学，从病理中提取对诊疗有用的特征，进行定量化分析，发现病理特征和诊疗之间的关联性。
第三则是更高级的功能，利用病理数据来开发基于AI技术的病理预后预测模型，预测治疗的效果以及五年的总生存率。
姚建华博士说到，这三个方向可以覆盖从基层医院到三甲医院的不同应用场景。
围绕染色归一化、结直肠癌病理诊断、结直肠息肉分类、淋巴结转移检测、免疫组化(IHC)、疗效预测等方面，姚博士所在的团队都提出了一些有针对性的解决方法，例如在疗效预测方面，将传统的特征提取与分类方法进行结合，可以得到更好的预测效果。
尹国圣：
Statistics and AI in Medicine
尹国圣教授是中国香港大学统计与精算系主任，潘燊昌基金教授， Fellow of the American of Statistical Association。他的研究方向是临床试验设计、生存分析、贝叶斯统计方法和机器学习，发表论文150余篇，同时还担任Journal of American Statistical Association, Statistical Analysis and Data Mining，Contemporary Clinical Trials等杂志的副主编。
尹教授从统计学的角度，分享了AI在医学上的应用。
他表示，目前，AI在放射学诊断设备端，如X光、CT、MRI图像上应用最为广泛。利用这些图像的准确诊断有助于加快治疗进程，提高疾病治愈的可能性。另外，NLP在电子病历中的应用也是一个值得探索的方向：“医学电子病历有着非常海量的数据，怎么样利用这些数据，给病人全方面的诊断，这也是非常有意义的一件事情。”
此外，与传统的生存模型相比，深度学习还可以更准确地预测患者的生存率。当然，这只是机器学习在医学领域的开端，许多应用前景广阔，但还需要在随机临床试验中进行进一步验证。
尹教授论述了几个深度学习模型在疾病预测中的案例。他强调，如果一个AUC为0.99的算法没有被证明可以改善临床结果，那么它的价值将会大打折扣。
2018年4月，由IDx公司开发的AI系统(结合算法的成像设备)获得FDA的批准。该算法在疾病诊断中的敏感性为87%，特异性为91%。
当然，从统计学的角度，尹教授也给我们分享了自己的心得。他介绍，医学上的失误是导致死亡的第三大因素，第一名是心脏病；第二名是癌症；第三名是误诊。
人为错误有时是不可避免的。虽然我们不能消除人为错误，但我们可以更好地度量问题，以设计更安全的系统，减少其发生的频率和可能性。让错误在发生时，尽可能地减小影响。
他说，100多年来，统计学在医学研究中一直扮演着极为重要的角色。对药物进行假设检验，利用随机临床试验进行治疗效果的比较、使用ROC曲线评价疾病诊断系统或算法等等，而人工智能正在成为临床医生在做决定时的一种补充。
梁长虹：
医学影像从CAD走向AI——做正确的事
梁长虹是华南理工大学医学院副院长，华南理工大学附属广东省人民医院影像医学部主任兼放射科主任。同时，他也是科技部重点研发计划首席科学家，中国放射医师协会副会长，中华放射学会副主任委员，广东省放射医师协会主任委员，亚洲腹部影像协会主席。
演讲中，梁长虹主任开玩笑的说：“我是一个医生，很梦想人工智能扳倒我们，但是现在的算法还有很多悬而未决的事情。”
他认为，找病灶和诊断病灶是两回事。人工智能在医学影像上跟人工智能在医学其他领域有类似的问题，但更为复杂。“深度学习是什么？对我来说就是‘黑盒子’理论，在座的数学家、统计学家、计算机学家能不能对每一层发生的变化给出预测，这样就有可能实现多中心临床试验了。”
另外，就是可解释性需要关注。作为放射科医生，有责任，了解何时、何种方式有危险，对这些方式保持透明性，防止它们可能造成的任何伤害，更加符合医学伦理道德。
最近涌现的新型人工智能算法，促使人们反思过去的人工智能为什么未能实现其目标。
如今的人工智能工具已经获得了监管部门的批准，这是基于它们在少数健康领域的表现。也许这些新的人工智能方法的增加精度将减少假阳性，有利于提高医师的效率。算法或模型的通用性使放射学的多样性实践仍然是一个悬而未决的问题。
梁主任表示，放射科医生是新技术的弄潮儿，放射科医师会用最新的设备和最新的技术。同时，医学具有长尾效应，“我们放射科医生至少掌握2万术语、懂5600个病种，有的病例可能一年就一个或几个，也能用人工智能来解决吗？因此，大家不要期望AI能解决一切。”
同时，梁教授也表示，数据的结构性是很大的问题，这也是我们面临的挑战。医疗是有温度的，就是情感，这就涉及到人文，涉及到医者和患者两个方面，可能也是AI目前最难解决的。
圆桌讨论
三年为期，展望未来
五位嘉宾演讲结束后，进入到了圆桌讨论的环节。宜远智能CEO吴博担任圆桌主持人，广东省人民医院影像医学部主任兼放射科主任梁长虹、柏视医疗董事长陆遥、翼展医疗集团合伙人兼CMO高云龙、视见科技CEO陈浩，围绕AI医疗的进展与心得进行精彩分享。
从2016年开始，基于深度学习的AI技术成为了革新各个行业的一大利器，医疗是其中最火热的领域之一。从“替代医生”到“辅助医生”，从“单点突破”到“全病种理念”，从“技术研发”到“商业落地”。短短三年时间里，AI医疗经历了一个急剧变化的过程。
2019年，成为AI医疗落地的关键之年。在这重要的时间点，雷锋网尝试以三年为一个坐标，为业内人士勾勒一个比较清晰的发展蓝图。
各位嘉宾就“过去一年的产品和科研成果”、“医疗AI器械三类证审批”、“如何平衡医工结合”“AI医疗创业公司如何与BAT共处”等问题进行了探讨。
关于五位重磅嘉宾的演讲和圆桌讨论的精彩内容，雷锋网将会第一时间整理出来，以飨读者。
