影像医生组团向吴恩达学AI?北美放射学会举办首个针对医生的AI课程

未来的医生不仅要能看得了片子,做得了诊断,很可能还需学会如何与人工智能更好地合作,在技术加持下让自己的医术更上一层楼。

这个趋势已在全球范围内引起关注。6月2日,北美放射学会(RSNA)在5月31日-6月1日期间举行了第一届针对放射医学工作者的“AI大讲堂”(Spotlight Course on AI: Radiology in the Age of AI ),试图通过两天的课程介绍放射医学与AI紧密结合的技术起源、现有应用及如何理解AI医学影像方面的学术进展,希望能够帮助医生们适应和新兴技术紧密合作的新时代。

本次“AI大讲堂”包括“简要介绍医学影像中的AI技术”、“探讨其对更好地保证人类健康的影响”、“如何在自己的医学实践中接入AI系统”等多个部分,每个部分都邀请了AI行业领域的佼佼者来进行讨论或者演讲。

这正是趋势所在:医疗领域所面临的大量数据和技术需求让其成为最先接受大规模AI技术冲击的领域,这一趋势也孕育了众多最快走向应用的技术。

AI正在不断影响医学影像行业

CT、MRI、PET等医学影像手段是医生做诊断的重要资料,而AI强大的数据处理能力则能帮助医生在分析影像时更显游刃有余。

世界知名AI专家、斯坦福教授吴恩达在会上介绍了AI和深度学习算法的发展以及AI影像技术的新进展。他所处的实验室和斯坦福医院合作,完成了ChestXnet,、Xray4all等用深度学习理解影像的工作。这些深度学习技术可以区分胸部X光中十一种不同的病理表现;检测出膝盖MRI中的异常;检测出在头部CT片子中指向动脉瘤的病理表现等等。

吴恩达在介绍AI在医学影像中的应用

“深度学习已经可以完成人类一秒钟内完成的基本任务,但AI想要完全替代医生进行诊断,还有很长的路要走,有很多的突破需要攻克。”吴恩达说道。

对于AI技术可能引发的医生替代危机,本次课程的组织者之一,斯坦福大学医学院放射系副主任Curtis Langlotz教授则没那么悲观。他认为:“影像科医生需要不断改变、多学习最前沿的AI知识与技能。但AI只是临床医学中,类似CT、磁共振、超声等新技术之后,又一个有价值的新技术、新发展,临床医生需要将AI新技术利用到临床工作中。”

“测量病灶大小、跟踪病灶位置大小在不同疾病周期的变化等任务往往枯燥而乏味,AI比人类更擅长处理这样的工作。所以,从某种角度上谈,AI能让临床医生的工作更好,有了AI的协助,临床医生可以做一些在认知上更有趣更有挑战的任务。”

医生所需技能在不断迭代

面对AI不断改变医疗领域的现状,作为近距离接触病患、提供日常医疗服务的医生,如何才能适应这样的时代?

首先,医生需要更多地了解新技术,并学习如何将其应用于临床诊断、手术预后、提前筛查等领域。课程中多位医学影像AI的研究者分享了他们在这些领域的新研究。

“AI不会替代医生,但会用AI的医生会替代不会用AI的医生。”Curtis Langlotz教授在讨论AI在医疗临床应用时再次引用了这句AI时代的金句。

吴恩达也表示:“在科技世界里,每隔五年,我们的工作就会发生巨大的变化。如今,技术正让所有各行各业变化的速度进一步加快。很多放射科医生做的事情将被自动化,但只要医生愿意去思考工作的真正价值,不断拓宽视野,把重心放在更有价值的工作上,他们就什么也不需要担心。”

其次,新技术本身也在进一步提升医生的专业水平。

英国Kheiron Medical的放射学专家Dr. Hugh Harvey指出,放射学医生需要更多地了解数据科学技术。放射科医生需要了解基础的数据科学、机器学习等方面知识,特别是对于数据的整理。他提到深度学习等AI技术对于数据量的要求很大,但人们讨论时往往只重视数量而忽略了质量。直接从临床系统中拿到的数据是远远不能真正用来做临床AI研究与应用的。

一般数据整理需要至少四层操作。

第一层是临床系统(PACS,电子病历系统)中直接拿到的数据,这些数据往往包含敏感信息,数量大质量低,不能真用来做研究。

第二层是通过伦理委员会审查、去掉病人敏感信息的数据的数据,医生和研究者可以受限拿到,但是这类数据一般缺乏结构化,无法直接用来做研究。

第三层是将这些数据进一步进行结构化清洗,进行可视化检验,从而保证图像数据质量等问题。

第四层是将这些数据与相应的临床信息匹配,通过人工或者自动的方法为数据打标签,以便于进行AI研究分析。在这一层中,研究人员还要确认数据的统计价值是否足够,以及是否有真正的标准来进行标签。比如病人疾病的判断需要根据多位医生读图的结果比照,并通过后续发病、随访得到的结果确认疾病。

对于医生来说,以开放态度对待技术,以课程、活动、项目交流等方式接触并掌握新兴技术,很可能会让未来的医疗服务“事半功倍”。

参加此次会议的斯坦福神经影像医生、前沿神经功能影像实验室主任、Greg Zaharchuk教授对这类课程的重要性表示赞同。他认为,研究人员需要很好的将AI理论、应用、发展和局限讲解给临床医生。

另一方面,他也强调临床AI的研究和真正的临床AI产品部署之间还有很大差距。如何确保算法在不同病例、设备、扫描参数等,都是现在面临的问题,需要在发展中逐步解决。

医疗影像与AI技术结合后,人类的健康可能会获得更多、更可靠的保障

放射科医生在AI时代面临着更多的机会和挑战,而对更广阔的大众来说,技术能带来的是更多的保障与更高的医疗水平。

在本次活动中,来自吴恩达实验室的博士生Pranav Rajpurkar现场展示了Xray4All平台:用户上传截取的x光影像照片,约1秒的传输后,用户就可以在线获得结果。若检测影片出现了异常,平台将用高亮标记异常部位。

“这个技术的应用场景特别适合用于解决发展中国家、全球卫生场景中临床医生资源短缺的问题。”Pranav总结到。

另一家融资超过4500万美元的美国AI影像公司Arterys则计划通过现实世界的数据来为全球人类提供医疗决策,自动化日常的医疗任务,进一步推动医疗平等化、民主化,并提供预防性分析。

Arterys如今的AI产品均基于云计算进行处理,这种模式的处理速度远比医院内部计算系统中计算更快捷、更安全可靠。

AI技术在美国临床应用:AI系统产业化的关键步骤

作为医疗投入占政府总支出最高的国家之一,美国在AI技术的推广上一直走在了世界前列,而中国作为平均医疗资源紧张的人口大国,同样对AI医疗存在巨大的需求。

这次课程上,国内的推想科技、美国的Nuance、以及在中美协同推广的深透医疗(Subtle Medical)受邀进行了报告,会议尾声,三家企业以“Implementing AI: the last mile”为主题,探讨了临床部署AI系统产业化的最后关键步骤。

推想科技在中国处理了数百万的病历,并在美国多家医院/影像中心开展测试。Nuance则在美国临床影像的语音识别工具、读图标记工具占领了巨大的市场份额,也在推广其“Nuance AI market”医学影像AI应用商店。

深透医疗是三家中唯一有AI产品获FDA批准进行商业化的。深透医疗CEO宫恩浩博士介绍了如何临床部署其FDA获批的SubtlePET产品,以及对申请中的SubtleMR等产品进行临床测试。

深透医疗SubtlePET的AI产品是首个获批的医学影像增强应用,也是首个获批的核医学的AI应用,其产品价值在于可利用AI达到4倍左右的影像采集加速,为减少辐射以及造影剂剂量提供解决方案。这意味着,病人将获得更便捷、更高质量、更安全、更智能的临床影像检查。

在美国,AI要迈进医院必须跨过严格的门槛,必须与医院信息系统深入融合;与临床医生确认系统效果;并给出购买AI系统后,医院将收获的回报。

“在准备部署时,我们需要和临床医生、信息系统负责人以及医院管理运营方面多方面沟通。以深透医疗为例,公司临床和销售负责人需要和医院进行快捷而有效的真实数据测试,在尽可能不影响医院现有运行的情况下,实时让医院用自己的数据进行临床测试。通过实际的测试以及真实可观的影像检查加速,可以很客观地让医院看到AI为医院带来新的临床价值以及经济价值,从而进展到采购与部署。”深透医疗CEO宫恩浩告诉记者。

医学影像后处理公司TeraRecon的CEO,同时也是医学影像AI平台Envoy公司的CEO, Jeff Soreson与著名影像医生、影像AI推广者Eliot Siegal教授,同样以互相采访的形式讨论了如何优化影像AI的工作流程、部署过程。

“对AI算法深度的临床验证是推广医学AI非常关键的一步,我们在向这个目标不断发展。”Eliot Siegal教授强调。

技术局限性与面临的挑战

虽然医学影像已经是AI领域最适合、也能最快部署的领域之一,我们仍面临着重重挑战。

首先,以深度学习为代表的的AI技术仍是一个“黑箱子”。这意味着技术能够让医疗影像检测达到较高的准确度,然而AI仍然很难理解数据之间的真正关系以及如何分类数据。

“在斯坦福,我们希望能够为医学影像感知打造更好的注意力分布图(attention map),来避免黑箱效应。”斯坦福医学院教授Dr. Saafwan Halabi表示,“最近有很多研究和报道讨论到基于数据的对抗攻击算法(Adverserial Attack)可以让识别路标的AI无法正常工作。而在医疗AI中,如何保证AI不被误导是非常重要的一环,这方面研究的显然远远不够。”

斯坦福AIMI人工智能医学影像研究项目负责人,本科课程的负责人之一Dr. Matthew Lungren讨论了临床AI的偏见问题“bias and implications for medical imaging AI”。 AI在实际临床用时很可能引入数据偏差(bias),比如对于医学影像识别的分类器,识别的是图像里的其他标记,而不是影像中的病灶本身。

目前的工具对于数据和算法中的偏差问题并不能很好的理解,实际临床应用的AI必须要让人能在使用中理解结果的可信性。在系统设计中考虑人机互动以及AI算法给出置信度分析可以大大帮助人来减少可能的偏差问题。

麻省总院机器学习实验室负责人之一Jayashree kalpathy教授则希望打造出一个鲁棒性更强的模型,并通过转移学习以及联邦学习完成多医院合作项目,实现在不用分享敏感数据的情况下分享训练出深度学习AI模型,进而推动医院间的深度合作。

总的来说,人工智能还有诸多不完美之处有待突破,但在未来,AI必定能成为健康生活的重要支撑。当然,这需要行业中的从业者共同努力,共同带来更加有效率、有合理的健康医疗系统。

文 | 赵泓维

微信 | qq850860074

添加时请注明:姓名-公司-职位

网站、公众号等转载请联系授权

某一线医疗基金岗位招聘

1、职位名称:分析师

岗位地点:北京

工作职责:

·  市场及行业研究

·  财务模型构建、估值及回报分析

·  参与项目尽职调查

资格要求:

·  生物/医学/药学硕士以上学位

·  有行业研究基础,熟悉全球技术动态,有一定的人脉资源网络

·  2年以上投资行业从业经历,有海外留学或工作经验者优先

2、职位名称:投资副总裁/投资经理

岗位地点:深圳

工作职责:

·  华南区域医疗投资策略

·  细分市场及行业研究

·  财务模型构建、估值及回报分析

·  负责项目收集,尽职调查,投后管理及服务等投资工作

资格要求:

·  生物/生物仪器/临床医学/药学相关专业硕士以上学位

·  有5年左右医疗产业工作经历,器械诊断/大型药企或CRO/跨国企业/BD或产品经理岗位优先

·  有行业研究基础,熟悉行业技术及产业动态,有一定的相关行业人脉资源

·  2年以上投资行业从业经历,有海外留学经历优先

简历发送:wang.f@vcbeat.net

巅峰赛事,就在本次!长按识别,参与报名~

近期推荐

★ 审批、监管全速推进,百余家互联网医院落地,200多家企业涌入【附企业名单】

★ 亚马逊、谷歌、苹果、微软以及BAT,这半年在医疗领域干了点什么

★ 关于远程医疗的未来,American Well访问了美国800名医生

★ 2%生存法则:SeaSpine与器械巨头那些事儿

★ 29家企业取得互联网医院牌照,宁夏“互联网+医疗健康 ”的发展现状划重点

★ 经历封杀、解锁、涨停,医用大麻还有下一季吗?

动脉新医药

★ 【2019ASCO】亚盛医药公布细胞凋亡系列APG-115、APG-1387最新临床数据

★ 【2019ASCO】艾森医药展示艾维替尼治疗非小细胞肺癌的相关研究成果

★ CDE发布《真实世界证据支持药物研发的基本考虑》意见稿,用以评价药物的有效性和安全性

★ 2019年生命科学“40岁以下十大人物”名单,工业界入围人数首超学术界,华人一人入选

★ 卖北京两套房才用得起,第一款基因治疗小儿脊髓性肌萎缩症(SMA)药物获批

直击2019基层医疗

★ 2019基层医疗专题报告

★ 政策鼓励互联网护理、日照中心、嵌入式养老,但社区养老的盈利问题解决了吗?

★ 基层检测的这些创新尝试,正在成为基层医疗领域的最强助力

★ 卫健委发文鼓励后,开诊所还要避免哪些弯路?

★ 家庭医生签约进入深水区,智慧家医模式实践能否撬动千亿级市场?

★ 阿斯利康、拜耳、正大天晴等药企瞄准基层,布局“互联网+医药”、院边店、DTP药房

★ 全国158家互联网医院,去伪存真就看这三点!

★ 2019基层医疗,谁在“裸泳”,谁在“深潜”?

★ 12大领域30个项目榜上有名,2019基层医疗创新实践优秀案例正式颁发

★ 智慧家庭医生专题报告:调研工作站落地进展,解决家医服务五大痛点,效率提升5~10倍

★ 基层医疗项目不赚钱为什么还要投?未来可在“医、药、检”上盈利

★ 未来2000亿的基层药品市场,中心药房才是最佳解决方案

★ 器械开始放量,13家半年采购近2000万,93万家基层医疗机构刚需待补

★ 分级诊疗推行4年,公退民进是趋势,通过基层医生看公立与民营机构现状

声明:动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。文中出现的采访数据均由受访者提供并确认。未经许可,禁止进行转载、摘编、复制及建立镜像等任何使用。

点击“阅读全文”,每天都有新发现!

(0)

相关推荐