医疗人工智能产品靠技术就能落地?做好这四点才可以

2017-08-27 00:00:00AI掘金志

123456.jpg

2017年8月24日,“让人工智能落地医院”主题论坛暨“ AI 医疗场景”优秀项目展示活动在静安区市北高新商务中心顺利举办。

本次论坛由2017年中国大数据人工智能创新创业大赛组委会主办,上海市儿童医院、健盟协办,旨在推动人工智能技术在具体医疗场景中的转化,帮助优秀创业者走出商业模式困境。来自政府、医院、高校、企业、投资机构等各界嘉宾出席论坛,共同探讨人工智能在医疗领域的应用与发展

 在此次的“让人工智能落地医院”的主题论坛上,依图科技资深产品经理王炤表示,人工智能技术成熟不等于应用成熟,即使我们和很厉害的医院合作,拿到了大规模优质数据,但是因为消化数据的能力、问题定义的能力有根本差别、产出产品的方法性有根本的差别,不一定能够做出有意义的产品。让产品落地,需要成熟的AI技术、深入领域认知、优质数据、数据消化能力。

在演讲中,他表示,人工智能和医学结合最典型的三类场景是:第一,解决医生的重复性问题,这是现在圈里人公认最有可能做出可依赖的产品的场景;第二,年轻医生如果靠数据获得了医学水平的进步,那么是不是意味着我们可以用数据培养一个人工智能的模型?让他逼近甚至部分超越专家的水平再拿模型帮助基层医生,最关键的是要把病例里面的版本变成结构化的信息;第三,人工智能可以起到用处的就是一个辅助医学突破,帮助医生作出所有可能的结论。

同时他还认为,人工智能与医生的关系是:医生必须驾驭人工智能、医生也必然会驾驭人工智能。

以下为嘉宾演讲实录,雷锋网AI掘金志做了不改变原意的编辑:

王炤:各位领导、各位专家,各位投资圈和人工智能圈的同仁们,大家下午好!

很荣幸今天能跟大家交流这样一个主题。依图在过去五年中已经在安防、金融、医疗等行业有了一些人工智能方面的实践。今天我想分享的内容跟前面几位博士的内容其实稍微有点差异,我想跟大家聊一聊今天这次论坛的主题——人工智能技术怎么样可以真的落地到医院变成可以帮助医疗行业、帮助医学、帮助医生的生产力。

这是我今天大概的开篇,我们抛开技术成分简单看看今天人工智能这个领域发展到了什么状况,然后去分享一些依图人工智能技术落地的方案。最后想跟大家聊的是人工智能技术和医生之间的关系,这也是我跟很多医院、医生、专家们交流的时候都会聊到的问题,我也分享一下我的观点。

技术成熟=应用成熟?这还远远不够

随着 AlphaGo 为人工智能圈子做了一个非常大的 PR ,这些词近两年在不停地轰炸大家的朋友圈、大家的新闻渠道。其实这些词大家知道就好了,对于圈外人来说不明觉厉仅此而已。我们需要理解的实际上是说今天人工智能在哪些领域发展到什么程度,有些领域已经取得了实质性的突破,比如说围棋、图像识别、语音识别。有些领域其实是正在突破的,比如说无人驾驶、医疗行业,有一些在我们看来离突破还很远,但是这个事情是变的很快的,微软的王博士讲小冰现在很大程度上具备了情绪感知能力,可能每个月每一个领域都在往左边挪,这也是今天人工智能技术突飞猛进非常直观的体现。

这就有了一个问题,人工智能技术成熟了是不是就等于应用成熟了?是不是在现实中变成可以落地的生产力?很多新进入这个行业的公司、技术人员甚至资本,他们可能会以为找到一些优秀的研究人员,有能力重现一些非常前沿的 Paper 就可以做出优秀的人工智能产品,在我看来这显然是有问题的,你拿到的可能仅仅是一个演示性的模型,离真正的应用还很远。就像近两年,医疗圈的各位专家领导们会看到很多公司做基于胸部 CT 肺结节的检测,因为里面有几个成熟的数据集,里面有一些胸部 CT 片子并且已经做了标注,很多公司可以找两个研发人员或者做算法的研究生把这个 Paper 重现一遍,在这上面就可以做一个模型,这样的东西离产品还有多远呢?

他可能都不懂结节和肿块有什么区别,因为只做到这个程度的话不可能知道一些产品。我们让他找到一些不错的顾问、全职合作专家,是不是就能做出可以落地的产品呢?还不够,他做的可能是一个验证性模型。比如说可能验证了卷积神经网络在医学、影像学病灶检出类的命题上的作用,仅此而已,它的敏感性、特异性、稳定性、算法方法性都还达不到今天临床使用的程度。

我们再给它加一点东西——优质的数据,我们和很厉害的医院合作,拿到了大规模数据,是不是就能产出有意义的产品呢?在我看来还不是,它可能会有些单点可以用的产品,为什么?因为消化数据的能力有根本的差别,第二是问题定义的能力有根本差别,第三是产出产品的方法性有根本的差别。我似乎意识到把人工智能和医学结合落地描述得非常非常难,到底怎么样才能落地?我试着列了一个公式,然后发现左边要加起来的东西好多,成熟的AI技术、深入领域认知、优质数据、数据消化能力。数据的消化能力是什么意思?

比如说今天数据集里面888份片子两个研究生一个月可以训练出一个模型,如果今天我们和一家医院合作拿到了万份、十万份、百万份的片子,他会不会用可能本身都是问题,这些临床生产的片子是不太有机器学习、深度学习所需要的,这样的团队有没有基本的标注能力可能都需要好好问一问。除此之外优秀的研发团队、长期的资金投入、实践的反复锤炼甚至背后真的拿着人工智能去帮助医学的决心,都是影响你今天能不能拿到一个成熟领域应用的影响。

怎样做出可落地的医疗人工智能产品?

回到医学这个问题上,为什么依图在安防领域、金融领域都有了成熟的应用以后我们非常坚定地进入了医疗领域。在我们看来医疗人工智能不仅可以成功甚至可以成为中国的时代,这是我们一些基本的判断。一方面华人在人工智能领域的技术积累已经占据了非常重要的位置,这是学术圈的一些进展。第二方面,人工智能加医学基础研究环境和应用环境在中国非常好,不管是数据量、不管是我们市场需求的容量,还是说今天医疗资源分布的特征,决定了今天人工智能和医学结合的产品在中国有一个广阔的空间。

下一个问题,我们沿着刚才的判断去思考我们怎么样能做出落地的产品,我们要先想我们要做什么。要回答一个问题就是今天人工智能放到医学领域的时候到底能为医疗做什么,这是我个人观点,有意义的人工智能加医疗一定关键在于人工智能加医学,什么意思?举一个可能不太恰当的例子,比如说线上挂号产品。它是一个很有意义的应用,使得患者和医疗资源连接变得更顺畅了,有很多人试图在这里面加上人工智能技术,但是我觉得它是一个擦边球,没有真正摸到人工智能和医学结合的点,甚至更进一步的后面还可以加一句话,在我看来人工智能想落地在医学关键是人工智能能够帮助到医生。

这是我作为人工智能行业的从业者对医学领域的解读。一方面医学本身具有很强的实践性,比如说今天一个年轻医生如何成为一个专家?第一,他离不开他的老师、科主任、教授的指导。第二,他离不开大量的临床实践。这就有一个问题,既然医生的实践水平提升是要严重依赖实力、严重依赖数据的,而今天这一波特别是以机器学习、深度学习为核心的人工智能浪潮恰恰擅长的就是快速吸收数据的能力,是不是说医学的特征本质上就意味着医学 AI 产品的上限是很高的,另外一方面医学有着很强的严谨性,为什么?如果我们草率地上线了一个不可靠的产品出了医疗事故怎么办?那是宝贵的生命,那就意味着今天科学 AI产品的底限也很高,不仅是可执行更要可依赖。我们真正要落地不只是一个Paper,而是一篇 Paper 你能获得的能力在现实中串联起场景,让医生可靠地应用,每次用的时候内心可以建立起对这个产品的信赖。

人工智能和医学结合最典型的三类场景

人工智能和医学的结合最典型的三类场景是什么?第一类其实看起来很浅显要解决重复性的问题,最典型的就是影像学的阅片。每一个影像科医生一天看片子是上万张,然后这个量一方面意味着慢、一方面意味着疲劳可能带来准确度的下降,它的价值显而易见就是更快、更好,并且这个场景是现在很多圈子里面人公认最有可能做出可依赖的产品,我们现在跟大家分享一下我们做的是什么效果。这是胸部CT辅助诊断的产品,今天不是来跟大家分享做这个产品的经过,我们想跟大家讲的是这个产品或者说这个场景我们应该注重什么,更快、更好、可依赖背后意味着什么。

今天这样的数字可能还不够直观,我给大家一个背后的直观数字。这个产品在医院医生使用的时候有90%系统出的报告,不光是说把结节找到对它进行描述,我们会直接帮影像科医生产出报告,这个报告临床上采用率是90%,剩下10%医生可以做一些检出、修改和文字描述修改。这就意味着这个产品对影像科医生来说是可以建立起信心的,而不是我做了一个模型服务器在医院然后来投资机构或者新闻媒体的时候可以展示一下,我跟这个医院有合作,所谓的在医院使用了。今天不管是投资圈朋友还是医院的各位专家未来可能会看到越来越多的人工智能产品,其实今天最能问住这些团队的就是一个问题,你的产品有没有在医院当中使用起来、使用的比例是多少。

解决重复性问题是非常典型的场景,第二个场景是什么?就是我们刚才说的,年轻医生如果靠数据获得了医学水平的进步,那么是不是意味着我们可以用数据培养一个人工智能的模型?让他逼近甚至部分超越专家的水平再拿这个模型帮助基层医生呢?我们在儿科领域做了一个这样的产品,它基于顶级专家的优势病例和门诊诊断模型再拿这个模型帮助基层医生降低临床误诊率。这中间用到的技术我就不说了,这是我们的演示图,我们是会和门诊的His系统进行整合,实际使用的感觉其实并不酷炫。系统会告诉你应该人工智能诊断模型是什么以及给你理由,这方面有一个关键的点就是可解释、可信赖,大家想象一下比如说今天临床医生下了一个诊断人工智能说你错了,医生怎么去评判?我怎么确定我能不能相信你的判断?如果是一个影像学片子可以看,你说这有结节我没看到,我上下翻一翻确实有一个结节,但是这样一个东西关键要求人工智能产品给出的结论可解释才能可信赖。


这里用到一个很基础的技术,之所以在这讲一下是因为我几乎和所有医院专家进行沟通的时候大家都对这个技术非常感兴趣。刚才这位专家也提到了医院有很多历史病例数据的,怎么样用起来。包括刚才我们的模型是怎样让机器学习医学知识的,这是一个很关键的动作,就是把病例里面的版本变成一个结构化的信息,在这个信息上不管我们做历史数据的BI分析还是做科研辅助、还是去做像刚才这样的人工智能产品的训练,我们有了很大空间。这是我们现在做的大概性能大家可以简单看一下,我在这就不过多介绍了。

第三类场景最典型的人工智能可以起到用处的就是一个辅助医学突破,这只是我们举的一个例子,在这个领域其实可做的事情非常多、非常发散,这是我们基于现有的基因提取技术做的临床科研辅助平台。大家可以想象一下,基于刚才的信息提取技术可以做到今天临床所有信息变得高度结构化,今天我们所有的回顾性或者分析类型的临床科研是不是就可以非常容易的在一个平台上做筛选,然后告诉我们你要观测的变量、你怀疑的控制变量,我就可以帮你做出所有可能的结论并且直接把算法的选择和P值告诉你,这是一个比较粗浅的实践。

甚至说今天辅助医学突破从一些实践性的应用点也会获得一些意想不到的效果。这是一会儿其他团队做的儿童检测,这本身是一个偏低列场景的东西,但是为什么我在这提了一下呢?今天骨龄检测国际上通用的方法都很难讲,大家可能都知道这些检测方法背后的数据集本身和中国的适配度是很难讲的,今天既然人工智能技术有着很强的处理能力,今天我们除了用人工智能技术做一个现有算法的智能判读之外,是不是其实有着空间去搞出来一个适合中国人使用的骨龄的检测算法。

最后我想跟大家简单聊两句人工智能和医生的关系。这个问题我和很多人都会问,这个问题在我看来,本身是不太成立的。要么是一个新入行的人虚张声势,要么是一些顶级专家的自嘲,其实在我看来是这样。我对于二者的关系用一个词可以概括,是驾驭。因为今天人工智能产品想要成熟离不开医生,今天人工智能产品发展的方向对不对、好与坏的评判还是离不开医生,今天如何使用人工智能产品、如何避免人工智能产品在临床中出现一些我们不希望看到的情况、把控的能力还在医生手里,所以在我看来医生必须驾驭人工智能、医生也必然会驾驭人工智能。


2
Top