今年11月，吳恩達(dá)領(lǐng)導(dǎo)的一支斯坦福團(tuán)隊(duì)發(fā)布了一項(xiàng)將深度學(xué)習(xí)應(yīng)用到醫(yī)療領(lǐng)域的成果。

　　當(dāng)時(shí)，他們?cè)O(shè)計(jì)出了可以用來(lái)檢測(cè)肺炎的“ CheXnet ” 算法，這種算法是一個(gè) 121 層的卷積神經(jīng)網(wǎng)絡(luò)，能夠通過(guò)胸部 X 光片判斷病人是否患有肺炎。據(jù)該團(tuán)隊(duì)的描述，CheXnet 的水平已經(jīng)超越了專業(yè)的放射科醫(yī)師。

　　這個(gè)引人注目的成果在近日引起了一位放射科學(xué)者的質(zhì)疑，那就是來(lái)自澳大利亞知名學(xué)府阿德萊德大學(xué)的 Luke Oakden-Rayner。這名在讀醫(yī)學(xué)博士生,曾發(fā)表過(guò)多篇醫(yī)療人工智能方面的文章，包括曾以第一作者的身份于今年 5 月在 Nature 上發(fā)表利用深度學(xué)習(xí)等技術(shù)預(yù)測(cè)人類壽命的文章。

　　Luke Oakden-Rayner 對(duì) CheXnet 的質(zhì)疑主要來(lái)源于該算法所使用的 ChestX-ray14 數(shù)據(jù)集（ChestX-ray14 是目前最大的開放式胸透照片數(shù)據(jù)集，由美國(guó)國(guó)家衛(wèi)生研究院發(fā)布， CheXnet 使用了ChestX-ray14 作為訓(xùn)練的數(shù)據(jù)集）。他發(fā)現(xiàn)，與人類醫(yī)生的視覺評(píng)估相比，該數(shù)據(jù)集中的標(biāo)簽不準(zhǔn)確、不清楚，并且經(jīng)常描述醫(yī)學(xué)上的次要發(fā)現(xiàn)?！拔艺J(rèn)為，這些標(biāo)簽無(wú)法匹配圖像中顯示的疾病”，他在博文中寫道。

　　同時(shí)他也認(rèn)為，找到精確的數(shù)據(jù)集或正確的標(biāo)簽，進(jìn)而讓機(jī)器高效地執(zhí)行醫(yī)療任務(wù)是非常困難的。

　　目前，吳恩達(dá)團(tuán)隊(duì)并未公開回應(yīng)這一質(zhì)疑。而這件事反映的數(shù)據(jù)問(wèn)題也只是現(xiàn)階段把 AI 應(yīng)用在醫(yī)學(xué)影像上“九九八十一難”中的一難。

　　跑鞋的漏洞

　　站在人工智能的起跑線上，誰(shuí)擁有更多的數(shù)據(jù)誰(shuí)就有了更好的跑鞋。與其他大部分傳統(tǒng)行業(yè)相比，高度注重信息化的醫(yī)療行業(yè)無(wú)疑有不少“跑鞋”，而在醫(yī)療行業(yè)中，性能最好的“跑鞋”又屬醫(yī)學(xué)影像數(shù)據(jù)。

　　畢竟，對(duì)于以數(shù)據(jù)為最基礎(chǔ)食材的人工智能來(lái)說(shuō)，沒有什么比醫(yī)學(xué)影像數(shù)據(jù)更好咀嚼：在醫(yī)療大數(shù)據(jù)中，超過(guò) 80% 的數(shù)據(jù)來(lái)自于醫(yī)學(xué)影像，人工智能可以借助這些海量數(shù)據(jù)去生成算法模型，這保證了模型最大的包容性。

　　醫(yī)學(xué)影像數(shù)據(jù)尤其適配基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)。現(xiàn)在，深度學(xué)習(xí)是應(yīng)用最廣也最為成熟的人工智能技術(shù)之一，其進(jìn)步最快的領(lǐng)域之一就包括圖像識(shí)別。利用數(shù)據(jù)量以及計(jì)算量作為模型驅(qū)動(dòng)力，卷積神經(jīng)網(wǎng)絡(luò)（CNN）以及深度神經(jīng)網(wǎng)絡(luò)（DNN）等深度學(xué)習(xí)算法已經(jīng)超越傳統(tǒng)方法的圖像識(shí)別性能，我們甚至頻頻聽到 AI 不斷逼近甚至刷新人類醫(yī)生的水平的消息。

　　來(lái)自中國(guó)國(guó)家癌癥中心的高亦博教授則認(rèn)為，目前所謂的人工智能解決的都是非常明確具體、基本屬于一步式的判斷任務(wù)，它還不具備類似人腦的高度適應(yīng)各種具體問(wèn)題的能力，而影像診斷中每一個(gè)分辨步驟都已經(jīng)非常清楚，因?yàn)榇蠓蛟谧x片時(shí)也是分步驟有規(guī)矩的。

　　“在醫(yī)學(xué)影像上使用 AI 有兩個(gè)天然優(yōu)勢(shì)，一是我們可以把診斷的思考過(guò)程明確地分解為若干步驟，二是醫(yī)學(xué)影像的識(shí)別結(jié)果可以很容易地實(shí)現(xiàn)兩分法，即有腫瘤還是沒有腫瘤，或者這個(gè)腫瘤是良性還是惡性，這樣的任務(wù)容易用當(dāng)前流行的深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)進(jìn)行處理”，高亦博教授對(duì) DT 君解釋道。

　　很明顯，在 AI 與醫(yī)療場(chǎng)景的結(jié)合中，基于深度學(xué)習(xí)技術(shù)的醫(yī)療影像的識(shí)別與分析，是目前最有希望在整個(gè)醫(yī)療領(lǐng)域中率先進(jìn)入大規(guī)模應(yīng)用階段的。這一點(diǎn)同樣得到了醫(yī)療界的認(rèn)可，北京大學(xué)人民醫(yī)院放射科原主任杜湘珂教授就在北京大學(xué)醫(yī)學(xué)部影像醫(yī)學(xué)學(xué)系第二次學(xué)術(shù)年會(huì)上表示，她感受到 AI 跟影像專業(yè)居然有這么密切的相關(guān)性。

　　“在所有的數(shù)據(jù)里，影像的數(shù)據(jù)跟臨床病理比較起來(lái)，它的標(biāo)準(zhǔn)化、格式化、統(tǒng)一性是最強(qiáng)的。說(shuō)實(shí)在的，目前的病理數(shù)據(jù)仍然過(guò)于凌亂，無(wú)法與數(shù)字影像數(shù)據(jù)相比”，她說(shuō)，“人工智能幾乎無(wú)處不在，你問(wèn)問(wèn)所有的放射科大夫，放射科主任都會(huì)跟你說(shuō)，我們也在跟 AI 合作，某某公司在找我們”。

　　但盡管有了好“跑鞋”，相比多數(shù)用 AI 做圖像識(shí)別的應(yīng)用或行業(yè)，AI 在醫(yī)療落地的難度絕對(duì)是最困難的情況。依圖的醫(yī)療副總裁鄭永升告訴 DT 君，醫(yī)學(xué)本身的發(fā)展上，不論是所謂科室常規(guī)性的應(yīng)用，還是像腫瘤、基因這樣一些比較前沿的課題，醫(yī)學(xué)自身的發(fā)展和標(biāo)準(zhǔn)化，以及整個(gè)臨床規(guī)范的普及，其實(shí)非常需要深入地進(jìn)行解決，其中存在的問(wèn)題也是被人們大大低估的。

　　姑且先撇除算法必須通過(guò)嚴(yán)格的臨床實(shí)驗(yàn)及法規(guī)，光是在數(shù)據(jù)及訓(xùn)練上至少就有兩件事得解決。

　　首先，真實(shí)世界中的數(shù)據(jù)是海量的，并充滿缺失和不足，實(shí)際工作中，很多數(shù)據(jù)工作都是和真實(shí)世界的缺陷做斗爭(zhēng)，這一點(diǎn)在醫(yī)學(xué)影像中也一樣。數(shù)據(jù)質(zhì)量的提升就需要非常非常長(zhǎng)的時(shí)間周期，和人們討論的醫(yī)學(xué)倫理相比，這個(gè)問(wèn)題會(huì)成為真正的困擾。

　　盡管大多數(shù)放射科已經(jīng)進(jìn)行了數(shù)百萬(wàn)次的影像檢查，結(jié)構(gòu)化程度也較高，但是大部分都沒有標(biāo)記。特別不一樣的是，影像數(shù)據(jù)很難像語(yǔ)音數(shù)據(jù)或者文本數(shù)據(jù)一樣將標(biāo)注任務(wù)外包出去，影像數(shù)據(jù)的標(biāo)注大部分只能仰賴專業(yè)人士。

　　舉例來(lái)說(shuō)，不論是在安防領(lǐng)域或是自動(dòng)駕駛領(lǐng)域，一般人都可以為圖像進(jìn)行標(biāo)注，因?yàn)槌Ｈ硕伎梢苑直娉鋈?、貓狗?dòng)物、汽車、信號(hào)燈等，但是，在醫(yī)學(xué)影像里，一般人根本看不出身體到底哪里出了異常，例如給普通人看一張 CT，他是無(wú)法分辨什么有或沒有癌癥、位置在哪里，更不要說(shuō)有時(shí)腫瘤還非常小，這是只有受過(guò)專業(yè)訓(xùn)練的醫(yī)生才具備的判斷能力。

　　負(fù)責(zé)糖尿病視網(wǎng)膜病變計(jì)劃的 Google 研究團(tuán)隊(duì)產(chǎn)品經(jīng)理、醫(yī)學(xué)博士彭浩怡（Lily Peng）也在接受媒體采訪時(shí)曾指出，Google 團(tuán)隊(duì)建立了一個(gè)數(shù)據(jù)集，特意聘請(qǐng) 54 名專業(yè)眼科醫(yī)師評(píng)估超過(guò) 13 萬(wàn)張的圖像。

　　而在現(xiàn)階段的醫(yī)學(xué)影像 AI 上，數(shù)據(jù)幾乎是公認(rèn)比算法更重要，甚至可以說(shuō)，醫(yī)療數(shù)據(jù)之于醫(yī)學(xué)影像 AI 的重要性，已經(jīng)無(wú)異于道路測(cè)試之于自動(dòng)駕駛汽車了。“數(shù)據(jù)反映的是真實(shí)的世界，算法不合適就換個(gè)算法再嘗試”，高亦博教授說(shuō)。而對(duì)于人工智能來(lái)說(shuō)，一條已經(jīng)被驗(yàn)證過(guò)無(wú)數(shù)次的箴言是，訓(xùn)練使用的數(shù)據(jù)越精確，訓(xùn)練出來(lái)的機(jī)器也會(huì)變得越強(qiáng)。

　　因此，想要訓(xùn)練出好的醫(yī)療 AI，就必須仰賴專業(yè)醫(yī)生的協(xié)助，替影像數(shù)據(jù)進(jìn)行精確地標(biāo)注。換句話說(shuō)，必須有人類名師的幫忙才能培養(yǎng)出 AI 高徒。

　　除此之外，還有影像數(shù)據(jù)獲取和使用的問(wèn)題。醫(yī)院內(nèi)部做 AI 研究，數(shù)據(jù)獲取是相對(duì)容易，但對(duì)外部的人來(lái)說(shuō)，想要拿到醫(yī)院的影像資料并不簡(jiǎn)單。

　　DT 君和不少業(yè)內(nèi)人士接觸的過(guò)程中也發(fā)現(xiàn)一個(gè)有趣的現(xiàn)象，比起強(qiáng)調(diào)歸屬的“采集數(shù)據(jù)”，他們更多使用的說(shuō)法是“接觸到數(shù)據(jù)”。

　　其中的意味是，政府并沒有明確規(guī)定這些數(shù)據(jù)究竟屬于誰(shuí)。這一問(wèn)題也困擾著像醫(yī)拍智能這樣的初創(chuàng)公司。成立于 2015 年的醫(yī)拍智能主營(yíng)業(yè)務(wù)為運(yùn)用計(jì)算機(jī)視覺進(jìn)行醫(yī)療單據(jù)拍照識(shí)別，在今年，他們將業(yè)務(wù)拓展至醫(yī)療影像 AI 上。其首席科學(xué)家楊瓊對(duì)DT君說(shuō)：“我們還沒有看到國(guó)家有很明確的指導(dǎo)意見，很多醫(yī)生都期待更多的改進(jìn)，但是他們又擔(dān)心，這些數(shù)據(jù)能不能拿出來(lái)給公司做訓(xùn)練呢？國(guó)家沒有說(shuō)可以，也沒有說(shuō)不可以。”在加入醫(yī)拍之前，楊瓊先后任職于微軟亞洲研究院、歐洲微電子中心、百度深度學(xué)習(xí)研究院。

　　但是，政府明確許可可以使用這些醫(yī)療數(shù)據(jù)就萬(wàn)事大吉了嗎？不一定。看看全球人工智能標(biāo)桿公司 DeepMind 現(xiàn)今的處境吧。

　　這家造出 Alphago 的 AI 公司, 其實(shí)一直在嘗試將人工智能技術(shù)應(yīng)用到醫(yī)療中。但他們卻在英國(guó)國(guó)家衛(wèi)生局的項(xiàng)目上惹上了麻煩。該項(xiàng)目為 DeepMind 提供了 160 萬(wàn)個(gè)病人的醫(yī)療數(shù)據(jù)，但英國(guó)信息專員辦公室確認(rèn)為 DeepMind 有侵犯病人隱私數(shù)據(jù)的嫌疑?，F(xiàn)在，DeepMind 仍然陷在數(shù)據(jù)使用問(wèn)題引發(fā)的官司中。

　　DT 君還采訪過(guò)一家專攻 AI 醫(yī)學(xué)影像辨識(shí)的新加坡初創(chuàng)公司 adaline。這家公司的情況就更為特殊了，他們與新加坡公立醫(yī)院合作取得了 1000 多位病患的影像數(shù)據(jù)，但這個(gè)數(shù)量是完全不夠的，adaline 希望在包括東南亞、（中國(guó)）香港、（中國(guó)）臺(tái)灣等地區(qū)拿到至少 10 萬(wàn)個(gè)病例。

　　而現(xiàn)實(shí)的情況是，想要跟各地的醫(yī)院合作就得按各地的法規(guī)來(lái)走，這對(duì)于初創(chuàng)公司來(lái)說(shuō)必定會(huì)是一條漫長(zhǎng)的路。但沒有人會(huì)輕易放棄，因?yàn)檎l(shuí)越快接觸到越多數(shù)據(jù)，就越有可能在這個(gè)日益擁擠的市場(chǎng)中占到位置。

　　“毫無(wú)疑問(wèn)，機(jī)器學(xué)習(xí)將改變放射科醫(yī)師在未來(lái)幾年的實(shí)踐方式，但在機(jī)器學(xué)習(xí)變得普及之前，還有許多工作要做，”斯坦福大學(xué)放射學(xué)及生理醫(yī)療信息系教授 Curtis Langlotz 曾這樣說(shuō)。

　　誰(shuí)來(lái)領(lǐng)跑醫(yī)學(xué)影像 AI？

　　也正是因?yàn)榘ㄉ鲜鲈蛟趦?nèi)的種種因素，在國(guó)內(nèi)，我們還未看到在醫(yī)學(xué)影像 AI 占據(jù)絕對(duì)優(yōu)勢(shì)地位的領(lǐng)跑企業(yè)。而計(jì)算機(jī)視覺的第一梯隊(duì)已經(jīng)非常明顯地跑出來(lái)了：5年前，施米德胡貝教授的團(tuán)隊(duì)采用深度學(xué)習(xí)算法贏得了乳腺癌識(shí)別檢測(cè)的比賽，這是深度學(xué)習(xí)第一次贏得醫(yī)學(xué)影像競(jìng)賽，同樣是在那一年，正在 MIT 實(shí)驗(yàn)室擔(dān)任博士后研究員的朱瓏創(chuàng)辦了依圖科技，現(xiàn)在，依圖科技已經(jīng)位列中國(guó) CV 第一梯隊(duì)。

　　但是，與計(jì)算機(jī)視覺相比，醫(yī)學(xué)影像 AI 如今的行業(yè)格局，其實(shí)更接近于當(dāng)年互聯(lián)網(wǎng)

　　醫(yī)療初期的情況：

　　在支撐的技術(shù)初步成熟和資本加持的前提下，一大批初創(chuàng)的公司正在往外冒，這些公司全部集中來(lái)利用深度學(xué)習(xí)算法讀醫(yī)學(xué)影像的片子。與此同時(shí)，像阿里巴巴、騰訊、科大訊飛這樣的大公司也卯足了勁“插一腳”——阿里健康發(fā)布醫(yī)療 AI 系統(tǒng) Doctor You，該系統(tǒng)就包括醫(yī)學(xué)影像輔助診斷云平臺(tái)；騰訊在今年 8 月發(fā)起人工智能醫(yī)學(xué)影像聯(lián)合實(shí)驗(yàn)室，并公布其首個(gè) AI 醫(yī)學(xué)影像產(chǎn)品“騰訊覓影”，輔助早期食道癌等疾病的篩查；科大訊飛有智慧醫(yī)療事業(yè)部，這家語(yǔ)音人工智能公司在今年 8 月還刷新 LUNA 醫(yī)學(xué)影像國(guó)際權(quán)威評(píng)測(cè)世界記錄……

　　可當(dāng)我們回顧熱潮大致退去的互聯(lián)網(wǎng)醫(yī)療，其結(jié)果不可謂不慘烈。在此前一份網(wǎng)上盛傳的“互聯(lián)網(wǎng)醫(yī)療死亡名單”中，不乏壹藥網(wǎng)等知名互聯(lián)網(wǎng)醫(yī)療企業(yè)。在 2016 年，尋醫(yī)問(wèn)藥網(wǎng)、就醫(yī) 160、好大夫等在線醫(yī)療平臺(tái)傳出裁員傳聞，阿里健康事業(yè)部據(jù)稱則在 2016 年績(jī)效考評(píng)中屈居倒數(shù)。到了今年年初，百度宣布百度醫(yī)生下線，此舉標(biāo)志著百度退出移動(dòng)醫(yī)療。

　　從高喊“顛覆”口號(hào)到節(jié)節(jié)受挫再到現(xiàn)在的全面收縮并投靠實(shí)體機(jī)構(gòu)，過(guò)去這幾年時(shí)間里，互聯(lián)網(wǎng)醫(yī)療可謂經(jīng)歷了一場(chǎng)名副其實(shí)的大起大落。

　　在這片曾經(jīng)的熱土上，我們還能看到的尚且站得住腳的也就春雨醫(yī)生、好大夫、丁香園、平安好醫(yī)生等少數(shù)幾家公司。

　　但醫(yī)學(xué)影像 AI 浪潮不見得會(huì)重蹈這樣的覆轍。

　　雖然都需要在醫(yī)療數(shù)據(jù)中掘金，但互聯(lián)網(wǎng)醫(yī)療的模式主要是“平臺(tái)化+服務(wù)閉環(huán)”，其核心主旨可以概括為“連接一切醫(yī)療資源”，比起技術(shù)優(yōu)勢(shì)，互聯(lián)網(wǎng)醫(yī)療公司的勝出規(guī)則會(huì)更強(qiáng)調(diào)其資源整合實(shí)力，而醫(yī)學(xué)影像 AI 本身倒更接近于一個(gè)工具，生死存亡自然就更依賴于技術(shù)。另外，正如上文提到的，醫(yī)學(xué)影像 AI 對(duì)數(shù)據(jù)的依賴程度比互聯(lián)網(wǎng)醫(yī)療高得多，伴隨著數(shù)據(jù)質(zhì)量提升和規(guī)范的漫長(zhǎng)過(guò)程，其發(fā)展周期會(huì)更長(zhǎng)，懸念也就更大。

　　其實(shí)說(shuō)起來(lái)，醫(yī)學(xué)影像算是互聯(lián)網(wǎng)醫(yī)療浪潮中略被忽視的一個(gè)方向?；ヂ?lián)網(wǎng)醫(yī)療非常注重推行分級(jí)診療，但分級(jí)診療其實(shí)受制于基層硬件設(shè)施和醫(yī)生能力，因此仍需要一定程度的遠(yuǎn)程醫(yī)療，而遠(yuǎn)程醫(yī)療就少不了借助影像報(bào)告作為輔助判斷，但在剛剛過(guò)去的這輪互聯(lián)網(wǎng)醫(yī)療浪潮中，醫(yī)學(xué)影像并不是主攻方向。

　　盡管如此，醫(yī)學(xué)影像 AI 仍然受益于互聯(lián)網(wǎng)醫(yī)療的發(fā)展，尤其是在數(shù)據(jù)上。例如說(shuō)，2015 年 7 月國(guó)務(wù)院發(fā)布《國(guó)務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見》就明確要求提高醫(yī)學(xué)影像網(wǎng)絡(luò)化、信息化、移動(dòng)化水平，各種互聯(lián)網(wǎng)醫(yī)療公司也都曾不遺余力地讓連通各方數(shù)據(jù)。

　　互聯(lián)網(wǎng)醫(yī)療的發(fā)展脈絡(luò)中，值得那些醫(yī)學(xué)影像 AI 的初創(chuàng)公司參考的，有一個(gè)壞消息和一個(gè)好消息。

　　壞消息是，互聯(lián)網(wǎng)本身和醫(yī)療其實(shí)存在著一些難以調(diào)和的天然矛盾，例如說(shuō)互聯(lián)網(wǎng)本身體量很輕，而且十分講究開放，并且追求迭代速度要快，但醫(yī)療卻完全相反，體量重而且是個(gè)“慢性子”，同時(shí)還相對(duì)封閉。因此從現(xiàn)在的結(jié)果看來(lái)，互聯(lián)網(wǎng)醫(yī)療與其他互聯(lián)網(wǎng)+相比并沒有取得更突出的成績(jī)，或者說(shuō)要付出更多的代價(jià)才能達(dá)到相同的效果，甚至某些方面還落后些。這個(gè)經(jīng)驗(yàn)很有可能繼續(xù)在醫(yī)學(xué)影像 AI 中得到驗(yàn)證。

　　好消息則是，在這一場(chǎng)醫(yī)學(xué)影像革命中，肯定既會(huì)有贏家也會(huì)有輸家，和互聯(lián)網(wǎng)醫(yī)療一樣，不一定是大公司就能笑到最后。醫(yī)療領(lǐng)域中巨大的紅利吸引著各大互聯(lián)網(wǎng)公司紛紛“鋌而走險(xiǎn)”，但對(duì)他們來(lái)說(shuō)，醫(yī)療仍是一塊最“難啃的骨頭”。

　　例如，醫(yī)學(xué)影像 AI 公司的核心競(jìng)爭(zhēng)力就包括如何基于對(duì)數(shù)據(jù)的理解應(yīng)用好算法，這其實(shí)也考驗(yàn)他們對(duì)應(yīng)用場(chǎng)景的理解?；ヂ?lián)網(wǎng)公司在這一點(diǎn)上并沒有太突出的優(yōu)勢(shì)。高亦博教授對(duì) DT 君說(shuō)：“醫(yī)學(xué)影像 AI 中，數(shù)據(jù)最重要。但大部分 IT 企業(yè)，包括 BAT 這樣的大公司，往往很難理解數(shù)據(jù)是怎么生產(chǎn)出來(lái)的，所以非常容易出問(wèn)題”。

　　而在楊瓊看來(lái)，醫(yī)療數(shù)據(jù)中有非常多的“臟活累活”是大公司所不愿意做的，但初創(chuàng)企業(yè)會(huì)有足夠的熱情和精力投身其中?！拔磥?lái)國(guó)內(nèi)一定會(huì)有一家本土公司迅速成長(zhǎng)起來(lái)”，她說(shuō)。但她同樣強(qiáng)調(diào)，這其中需要行業(yè)標(biāo)準(zhǔn)的充分到位。

　　依圖的鄭永升同樣坦言他們并沒有感受到來(lái)自這些互聯(lián)網(wǎng)公司的壓力?！案鞴居胁煌乃悸?，彼此之間的關(guān)系其實(shí)更接近于相互補(bǔ)充而非競(jìng)爭(zhēng)。我認(rèn)為，巨頭優(yōu)勢(shì)在于資本和品牌優(yōu)勢(shì)。它們很可能沒有認(rèn)真想做這件事情，但是一旦有動(dòng)作，那么吸引更多人關(guān)注的效果好過(guò)創(chuàng)業(yè)公司，如果他們認(rèn)真投入做了，我覺得對(duì)整個(gè)行業(yè)是有推動(dòng)作用的，這其實(shí)是我們樂(lè)意看到的”，他說(shuō)。

　　但創(chuàng)業(yè)公司面臨的也面臨著不少挑戰(zhàn)?，F(xiàn)在，人工智能醫(yī)學(xué)影像產(chǎn)品主要應(yīng)用于疾病篩查階段，這個(gè)環(huán)節(jié)能否獲得穩(wěn)定的商業(yè)模式仍然存疑，如果長(zhǎng)期依靠融資和微薄的收入支撐業(yè)務(wù)發(fā)展，創(chuàng)業(yè)公司也不見得能比財(cái)力更為雄厚的互聯(lián)網(wǎng)公司跑得更遠(yuǎn)。

　　來(lái)自放射科醫(yī)生的聲音是，以臨床需求為導(dǎo)向的公司會(huì)是最后的勝出者。杜湘珂教授和 DT 君透露，目前醫(yī)學(xué)影像 AI 仍處于一個(gè)非常早期的發(fā)展?fàn)顟B(tài)，產(chǎn)品質(zhì)量參次不齊, 最后能走下去的必然是那些在技術(shù)研發(fā)上投入大量精力，緊密結(jié)合臨床需求，產(chǎn)品過(guò)硬的企業(yè)。

　　現(xiàn)在，國(guó)內(nèi) 60% 的醫(yī)療影像領(lǐng)域的創(chuàng)業(yè)公司處于發(fā)展早期（A 輪及之前階段），但同樣已經(jīng)有幾家醫(yī)學(xué)影像 AI 公司完成了 B 輪融資，他們比其他同行跑得更快的一批，但下一輪的融資考驗(yàn)的就不再是用“刷榜”來(lái)作為業(yè)務(wù)的衡量指標(biāo)。醫(yī)學(xué)影像 AI 公司迅速邁過(guò)科研階段走向商業(yè)化落地，醫(yī)院和投資機(jī)構(gòu)都在等待他們拿出更成熟的產(chǎn)品和更有說(shuō)服力的使用數(shù)據(jù)，2018年的市場(chǎng)考驗(yàn)將比之前來(lái)得更為猛烈。

　　“與其談算法，不如談標(biāo)準(zhǔn)”？

　　當(dāng)數(shù)據(jù)作為推力把醫(yī)學(xué)影像推向人工智能的同時(shí)，也在一定程度上限制曝露出醫(yī)療 AI 正在面臨的艱難問(wèn)題：中國(guó)每年的基礎(chǔ)數(shù)據(jù)量超過(guò)歐美，特別是根據(jù)眾多人口數(shù)量獲得的醫(yī)療和健康數(shù)據(jù)，這些數(shù)據(jù)很可能藏著醫(yī)療 AI 的下一個(gè)風(fēng)口，但是它們往往缺乏統(tǒng)一的標(biāo)準(zhǔn)（比如說(shuō)電子病歷，其歷史數(shù)據(jù)比較多，但數(shù)據(jù)規(guī)范程度比較差），在人工智能所強(qiáng)調(diào)的數(shù)據(jù)的 4V 屬性（volume 數(shù)量、variety 多樣性、velocity 速度、veracity 真實(shí)性）上缺斤少兩，因此其利用率和利用價(jià)值并不高。這些處于留守狀態(tài)的醫(yī)療數(shù)據(jù)還需要經(jīng)過(guò)的更為漫長(zhǎng)的演進(jìn)過(guò)程才能為人工智能所利用。

　　當(dāng)然，醫(yī)療數(shù)據(jù)標(biāo)準(zhǔn)化問(wèn)題早已引起了業(yè)內(nèi)人士的注意。用依圖醫(yī)療總裁倪浩的話來(lái)說(shuō)就是：“僅談算法是外行的表現(xiàn)，內(nèi)行的人都談標(biāo)準(zhǔn)”。這家中國(guó)的 CV 新星在成立早期就以醫(yī)學(xué)影像為主要切入點(diǎn)，現(xiàn)在，依圖的閱片機(jī)器人產(chǎn)品已經(jīng)在幾十家三甲醫(yī)院的影像中心落地。

　　在改變醫(yī)療數(shù)據(jù)現(xiàn)狀的主力軍中，醫(yī)拍智能也是其中的一員，目前他們正在聯(lián)合多方進(jìn)行臨床數(shù)據(jù)標(biāo)準(zhǔn)的制定工作?！拔覀?cè)诟恍┽t(yī)學(xué)機(jī)構(gòu)合作去建立一些醫(yī)學(xué)標(biāo)準(zhǔn)，進(jìn)而利用這個(gè)醫(yī)學(xué)標(biāo)準(zhǔn)去處理臨床數(shù)據(jù)。此前的臨床數(shù)據(jù)情況是這樣的，不同的醫(yī)生用的診斷語(yǔ)言不一樣，各個(gè)醫(yī)院采用的標(biāo)準(zhǔn)也會(huì)有區(qū)別。導(dǎo)致這種現(xiàn)象的原因非常復(fù)雜，這樣的數(shù)據(jù)也不能很好地和人工智能技術(shù)結(jié)合”，楊瓊對(duì) DT 君說(shuō)。

　　她也承認(rèn)，鑒于上述原因，臨床數(shù)據(jù)的標(biāo)準(zhǔn)化會(huì)比影像進(jìn)展得要慢些，但是，等這個(gè)標(biāo)準(zhǔn)建立好之后，其發(fā)展速度會(huì)非常快，因?yàn)榕R床數(shù)據(jù)本身非常有價(jià)值。

　　當(dāng)然，參與這樣的數(shù)據(jù)標(biāo)準(zhǔn)化制定不會(huì)“光吃力不討好”，其所帶來(lái)的好處是顯而易見的：在算力和算法持續(xù)快速進(jìn)步的基礎(chǔ)上，獲取相當(dāng)數(shù)量的高質(zhì)量數(shù)據(jù)已經(jīng)成為醫(yī)療 AI 最重要的競(jìng)爭(zhēng)力；作為醫(yī)療領(lǐng)域最重要的資源之一，數(shù)據(jù)的歸屬和使用很有可能在標(biāo)準(zhǔn)化過(guò)程中面臨發(fā)生新的變化，越早越廣泛地參與到規(guī)則的制定，即意味著公司能夠掌握更多的主動(dòng)權(quán)。

　　在此類討論中，永遠(yuǎn)有一點(diǎn)值得所有人記住：一場(chǎng)醫(yī)療革命注定會(huì)造就市場(chǎng)上的所謂贏家和輸家，但最大受益者將是所有獲得更好治療的患者以及躲過(guò)了疾病魔爪的人們。

　　醫(yī)學(xué)影像對(duì)于大多數(shù)人來(lái)說(shuō)都不陌生，幾乎也和每一個(gè)人都相關(guān)。這項(xiàng)可以讓醫(yī)生無(wú)需動(dòng)刀就能觀測(cè)病患身體內(nèi)部狀況的技術(shù)，包括我們聽說(shuō)過(guò)的超音波、 X 光片，還有電腦斷層掃描（CT）、核磁共振成像（MRI）、正子造影（PET）、單光子斷層掃描（SPECT）等。每一種方式都有自身優(yōu)勢(shì)，適合用來(lái)檢查不同的病癥。

　　在醫(yī)院中，負(fù)責(zé)解讀醫(yī)學(xué)影像的是“放射科醫(yī)生”。他們的工作就是查看影相資料、打出報(bào)告，提供給?？漆t(yī)生去擬定治療方案。

　　這個(gè)看似尋常的操作背后隱藏著一個(gè)巨大的行業(yè)缺口：我國(guó)醫(yī)學(xué)影像數(shù)據(jù)的年增長(zhǎng)率約為 30%，而放射科醫(yī)師數(shù)量的年增長(zhǎng)率約為 4.1%，醫(yī)師數(shù)量的增長(zhǎng)遠(yuǎn)不及影像數(shù)量的增長(zhǎng)，且培養(yǎng)具有專家診斷水平的醫(yī)生耗時(shí)漫長(zhǎng)。其帶來(lái)的隱患是顯而易見的，比如說(shuō)繁重的任務(wù)帶來(lái)較高的誤診、漏診率。

　　放射科醫(yī)生的工作負(fù)擔(dān)之重遠(yuǎn)超人們

　　的想象。由于影像檢查的對(duì)臨床診斷的重要意義，大部分患者來(lái)醫(yī)院就診均會(huì)接受影像檢查，檢查后會(huì)產(chǎn)生大量的圖像數(shù)據(jù)，根據(jù)檢查方法的不同，有些患者的檢查圖像可多達(dá)近千幅。這些數(shù)據(jù)經(jīng)網(wǎng)絡(luò)傳輸?shù)结t(yī)師工作站后，放射科醫(yī)生需要在顯示器上一張一張地觀察圖像，手動(dòng)圈出腫瘤的位置，簡(jiǎn)單病例的幾分鐘能搞定，復(fù)雜的要花半個(gè)小時(shí)以上。大醫(yī)院的放射科醫(yī)師每天都要閱讀上百位患者圖像。

　　因此，醫(yī)學(xué)影像 AI 對(duì)醫(yī)療界的吸引力之一就在于它能幫助醫(yī)生提高診斷效率。事實(shí)上，醫(yī)學(xué)影像的環(huán)節(jié)處于整個(gè)醫(yī)療過(guò)程中非常上游的環(huán)節(jié)，他們眼前的黑白影像世界直接決定著臨床決策，其“牽一發(fā)而動(dòng)全身”的效果非常明顯，能在這個(gè)環(huán)節(jié)幫助到醫(yī)生意味著巨大的機(jī)會(huì)。一旦 AI 協(xié)助醫(yī)生提高了看片的速度，那么現(xiàn)今醫(yī)護(hù)供給、需求高度落差的狀況就能得以改善，也會(huì)有更多的病患能從中受惠，不論是能夠更快速地找到治療方法還是預(yù)防其他病癥的產(chǎn)生，都意義重大。

　　醫(yī)學(xué)影像 AI 同樣受到了來(lái)自政府的高度關(guān)注。 12 月 14 日，工信部印發(fā)的《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動(dòng)計(jì)劃（2018-2020 年）》通知中，醫(yī)學(xué)影像 AI 就被點(diǎn)名，位列 8 類重點(diǎn)發(fā)展的人工智能產(chǎn)品之中（其它7類包括智能網(wǎng)聯(lián)汽車、智能服務(wù)機(jī)器人、智能無(wú)人機(jī)、視頻圖像身份識(shí)別系統(tǒng)、智能語(yǔ)音交互系統(tǒng)、智能翻譯系統(tǒng)、智能家居產(chǎn)品）。

　　更早之前，在 11 月 15 日，科技部則是公布了一份“首批國(guó)家人工智能開放創(chuàng)新平臺(tái)名單”，分別包括自動(dòng)駕駛、城市大腦、醫(yī)療影像、智能語(yǔ)音這四大平臺(tái)。

　　從這些動(dòng)作中我們也發(fā)現(xiàn)，醫(yī)學(xué)影像 AI 正迎來(lái)種種擁躉，成為醫(yī)療 AI 中的“爆款”，但這樣熱鬧的景象，難免會(huì)讓人忘了醫(yī)療其實(shí)是一個(gè)往往需要“坐足十年冷板凳”的行業(yè)，在這一點(diǎn)上，“爆款”也將難以例外。