近年来，随着机器学习的深入发展，特别是在深度学习领域取得的突破，人工智能对各个行业发展产生了深远影响。

2016年开始，AI技术在医学影像领域引起了广泛瞩目，中国科学家、医生和企业做了大量的探索与尝试。

中国是个医疗资源缺乏且分布极不平衡的国家，尤其是基层老百姓看病难看病贵问题，而互联网+医疗可以帮助优质医疗资源下沉，实现分级诊疗，解决基层看病难问题，如果通过互联网承载好的AI产品，则如虎添翼，能更好的赋能，更快速的提升基层水平。

为此，医趋势对刘士远教授进行了专访，刘教授是上海长征医院影像与核医学科主任、中华医学会放射学分会候任主任委员、中国医师协会放射医师分会副会长，中国医学影像AI产学研用创新联盟的理事长。临床医生、协会领导、联盟理事长的多重身份，使他对医学影像AI的落地应用和发展困难有着深刻的见解。

作为致力于推动前沿技术落地应用的专家，刘士远具有敏锐的行业嗅觉，很早洞见了AI和云平台在“

刘教授认为，医疗资源的互联互通将成为大势所趋，而AI技术和云平台的发展，将成为中国医疗行业“均贫富、提质量”的关键一招。

他相信，尽管当前医疗大数据、AI医学影像等技术，在中国落地过程中存在难点，但随着技术提供方与行业共识的推进，互联网+AI医学影像的前景是美好的。

影像科需求与供给间的巨大缺口，有望依靠互联网+AI来解决

当前中国医疗卫生的服务水平仍不能满足广大人民群众的实际需求，医疗资源配置不均是普遍存在的问题，在医学影像行业，这点尤其突出。

医学影像医生缺口日益加重。据有关报告统计，中国医学影像数据的年增长率约为30%，而影像医生数量的增长率只有4.1%——医学影像的需求与供给之间存在近乎十比一的巨大差距。

一方面，

中国医院的放射科室里，医生常戏称自己的工作状态是“早晨提一提、中午连一连、晚上拖一拖”，意思是早上上班时间往前提一提，中午工作时间前后连一连，晚上下班时间往后拖一拖。

另一方面，基层医学影像医生短缺严重。近些年，国家对基层医疗机构投入了巨大的建设资金，目前基本乡镇卫生院都配备了DR等影像设备，但中国有70%的乡镇卫生院仅有影像技师，没有具备诊断能力的影像医生，区域间的医疗资源存在分布不均的难题。

从2015年开始，卫计委规划纲要指出，要“鼓励医共体、互联网医院和第三方医疗机构”，通过推进分级诊疗制度提升基层的诊疗服务能力。

分级诊疗制度的顶层规划，一定程度上与利用医疗大数据、互联网和AI来解决医疗资源稀缺的路径不谋而合——都是通过使用一定技术手段，实现区域间数据资源的互联互通，实现医疗水平的整体提升，促进医疗资源的合理配置。

▲未来能够获益于影像云、AI的各方分布及获益方式

在实现区域间数据资源的互联互通方面，刘士远教授一直是积极推动者。

早在2014年，刘教授就牵头，联合上海长征医院、上海交通大学医学院附属瑞金医院、复旦大学附属肿瘤医院、华东医院等七家三甲医院发起《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影像数据库。

刘教授直言：“消除医疗数据孤岛，优化提升医生工作流程，是提高医疗效率的有效途径。如果能做到医疗数据的互联互通，充分利用健康大数据，实施有效的疾病风险防控，将能节约大量的医疗支出和社会资源。”

他相信，在帮助中国医疗影像领域“均贫富、提质量”这件事情上，互联网、云平台及AI大有可为。

互联网助力下的AI影像医疗

AI影像若想落地，实现互联互通的多维连接是其重要前提，这离不开医疗机构的互联网化。

刘教授将理想化互通互联的模式，简化成一个“

乡镇卫生院和社区卫生服务中心，可以将采集到的影像数据传输到市/县一级的区县影像中心，或进一步传输至省市级或医疗集团影像中心，归省/市级卫健委统一管理。

这些影像数据来自核磁共振、CT、血管机以及数字X光机等诊疗设备。采集到的数据，将被用作科研样本、培训材料或者用于标准流程的制定。

▲互联互通的远程医疗模式

构建一个高质量的互联网传输存储环境，有利于实现医疗影像数据的高保真传输与存储，而基于这些数据与资料，可以减少医师在诊断过程中对患者实体的依赖，简化看病流程与成本。

在互联网的助力下，一个三甲医院的影像科医师，不需要额外的场地、器材和助手，就能够为远在千里之外乡镇患者进行诊断。

而AI影像医疗技术的应用落地，同样需要建立在一个存储空间和运转速率足够强大的互联网之上。

优质的互联网环境+成熟的AI影像医疗，将使包括患者、医生、医院和技术服务厂商在内的行业上中下游均获受益。

AI影像医疗发展过程中的困境

卫计委在2015-2020 年规划纲要中明确提出：

• 开展健康中国云服务计划，积极应用互联网、物联网、云计算等新技术，推动健康大数据的应用；
• 全面建成互联互通的国家、省、市、县四级信息平台；
• 建立区域影像中心，推动建立“基层医疗卫生机构检查、医院诊断”的服务模式，提高基层医学影像服务能力；
• 建立完善分级诊疗模式，实现不同医疗卫生机构间的分工协作机制；
• 积极探索科学有效的医联体、远程医疗模式。

▲卫计委：未来基于医联体医学影像分级诊疗工作框架

理想很丰满，但是横亘在现实面前，却是来自技术、监管、数据安全等，各个维度的挑战。

AI影像产品涉及的应用包括：

胸部影像的肺结节检测和良恶性鉴别、神经系统的脑出血检测、骨关节的骨折和骨龄的检测，眼底疾病检测、心血管冠脉领域等。

这些产品的成熟度不尽相同，多数产品集中在肺结节、眼底疾病和骨龄骨折等领域。

▲当前AI应用的医疗诊断领域

AI厂商在进军医疗影像之初，大多会选择肺结节作为切入点。因为医学影像中肺结节与周围正常组织对比度强，AI图像识别技术很容易迁移到肺结节的检测。

此外，存在众多肺结节公开影像数据集，方便AI模型的训练，也是众多厂商扎堆肺结节产品研发的原因。

▲被标注出的肺结节影像

但即便是技术门槛相对较低的肺结节影像识别领域，随着产品落地的深入，AI厂商发现要想达到理想的临床实际应用效果并不是易事。

赖特·米尔斯在《社会学的想象力》提出，一个社会圈层中伴随着形形色色的实用性。这些实用性的整合，往往是社会个体所难以预料的。

这种复杂性同样体现在AI影像医疗产品的研发及落地过程中。对于一些AI影像产品的临床表现，刘士远教授评价：“在既定的训练数据场景中表现良好，但面对复杂的临床环境，有可能因为不能完全满足临床需求而表现参差不齐。”

从临床应用角度看，单一病种产品（如肺结节筛查）不能完全满足临床诊断场景的需求。日常影像诊断工作中，肺结节本身只是一个征象，影像科医师需要对影像资料进行全面的评估和诊断，再结合患者的其他影像、病史、生化检验数据等做出综合判断。

国际顶级期刊《自然》近年发表的一篇题为《深度学习作为提高组织病理学诊断准确性和效率的工具》的研究文章中，研究人员表示

目前AI影像产品提供的诊断结果更多是的“建议参考”，医生还需要进行复审，才能给出最终的诊断。另外AI产品还由于涉及的病种有限，技术成熟度不高等原因，在某些实际临床场景中实际是增加了医生的工作量，这是企业研发产品需要考虑和避免的。

因此，现阶段对AI应用保持观望态度的医生并非少数，这一现状背后的逻辑是，影像科医生和临床医生才是AI产品价值判断的真正裁判，AI、信息化、医疗器械厂家等只是技术方案提供方。

对于医生来说，AI提供的诊断建议可信度高，才是有价值的。

拒绝因噎废食，技术与商业需并行前进

新技术在发展过程中会遇到各种问题，但是这与积极拥抱新技术的态度并不相悖。

刘士远认为，新技术的发展是社会潮流，其推动社会进步的价值不容否认，它终将改变人类的生活方式和工作模式。

当前AI深度学习的核心在于“算法+数据”，要结合先验知识对模型进行训练，训练集需要事先标注，目前大多数标注依赖医生。

就像孩子需要通过吃饭和模仿成人，才能成长和习得生活技能一样，影像AI系统需要大量“喂食”经过标注的医学影像数据，才能完成模型训练和产品迭代更新。

在各种类型的医疗数据里，医学影像数据格式标准较为统一，但医生受个人习惯、执业医院、教育背景和导师等因素影响，不同医生对征象的认识不够统一，其出具的影像报告标准不尽相同。

医学影像标注的标准也存在较多争议，不同的国家、国际组织、学会和医院可能执行各自的体系。因此，将非结构化数据转化为结构化数据，也是提升AI分析准确性的关键因素之一。

对于AI医学影像来说，尽管技术上有互联网、云平台做支撑，政策上有NMPA积极推进，但若想实现商业化落地，医疗AI行业仍需突破三大瓶颈：

• 首先，AI医学影像产品品种需要继续扩大；
• 其次，标准影像数据库的建设亟待增加规模，提高质量；
• 第三，有关部门除了发证之外，还需建立医疗AI模型在临床上的评价体系与风险控制机制。

从临床应用角度看，单一病种AI医学影像产品无法满足临床诊断场景的需求。

刘教授指出，AI医疗产品颠覆了传统医疗产品“厂商生产、医生使用”的简单模式。医生的参与贯穿AI产品从研发到应用的全流程——医生是AI模型训练数据和检测数据的提供者，同时也是AI产品最终的使用者。

AI产品的临床验证过程中，厂商大多在用自己对医学的理解解释算法的科学性，用自己的方法做产品价值验证和评价。缺乏符合临床需求的评价体系阻碍了AI产品的快速落地，“因为医生才是产品的最终使用者和价值判断者。”

AI医学影像产品需要医生，尤其需要权威医生，对产品的应用领域，征象认识、标注方法，给出规范和标注。标准的影像数据和规范的数据标注是医疗影像AI发展的基础。目前国内医疗影像质控缺乏完整统一的标准和切实可行的手段。

在解读影像资料时，不仅要针对图像进行分析，还要进行多模态融合，结合患者多种信息，如临床信息、随访病历信息等，同时，还需进行历史回顾性分析，即需要时间维度的结构化数据。

尽管当前国家鼓励第三方建库，国家部委、地方政府、专业学会和医院都在积极响应号召，但如何保证数据的安全和标准的统一，仍然是全行业需要通盘考虑的事情，这涉及从数据的质量、数量、分割方法，到征象认识和标注方法等。

在数据的归属权、管理权和使用权方面，必须由政府行政部门负责来厘清。

建立中国的标准影像数据库势在必行，只有建立标准数据库才能在质量上解决图像的临床代表性、图像多样性、标注的权威性与规范性及数据的可溯源性等问题，提高产品的鲁棒性，才能加速AI医疗器械产品的研发和应用。

刘士远告诉医趋势：“现阶段AI医学影像产品基于深度学习，强依赖于标注数据，发展受限。未来希望提升算法泛化能力，实现弱监督或无监督学习，从而找到AI影像更好的应用场景。”

2019年，中央下发《关于下达2019年医疗服务与保障能力提升补助资金预算的通知》，投入27亿元，探索利用“互联网+”提升基层诊断能力。

春天还会远吗？

刘士远教授接受专访时也呼吁，以云平台、AI为代表的互联网+医疗的春天已经到来。

而医院、医师和患者都应该秉持开放的态度，积极应对与新技术并肩而来的挑战，让新技术更好服务于人类的生活。

· END ·

閱讀更多 MedTrend醫趨勢 的文章

關鍵字: 医学影像 学习 上海