作者(zhe)：亞峰發布日期：2019-05-22
“深度(du)學(xue)(xue)習(xi)正走向(xiang)(xiang)兩極化(hua)，大部分(fen)研究(jiu)深度(du)學(xue)(xue)習(xi)的(de)人員會偏向(xiang)(xiang)于工(gong)程化(hua)，包(bao)括(kuo)建立更加(jia)全面、便捷、快速(su)、可(ke)視化(hua)的(de)深度(du)學(xue)(xue)習(xi)平臺，'暴力'地將深度(du)學(xue)(xue)習(xi)應用到更加(jia)多的(de)領(ling)域。小部分(fen)的(de)深度(du)學(xue)(xue)習(xi)研究(jiu)者會偏向(xiang)(xiang)于理(li)論化(hua)，解(jie)決深度(du)學(xue)(xue)習(xi)的(de)理(li)論瓶頸(jing)包(bao)括(kuo)可(ke)解(jie)釋性等問題。”
密歇根州立大(da)學(xue)湯繼良教授曾如(ru)此(ci)總結(jie)到。
醫(yi)(yi)療(liao)AI熱潮，無疑離不開這波深度(du)學(xue)習(xi)(xi)的(de)(de)發展，但由于(yu)深度(du)學(xue)習(xi)(xi)的(de)(de)天然局限性和醫(yi)(yi)療(liao)領域的(de)(de)特殊性，使得醫(yi)(yi)療(liao)AI這一交叉的(de)(de)領域，也(ye)在進入瓶頸(jing)期。
隨(sui)著深度(du)學習即(ji)將(jiang)觸及天(tian)花板，醫(yi)學影像分析(xi)科研(yan)人(ren)員也隨(sui)之(zhi)分為兩(liang)大派(pai)別：理論派(pai)和(he)工程派(pai)。
理論派的(de)(de)(de)初衷，是(shi)解(jie)決深度學(xue)習(xi)“短缺”的(de)(de)(de)部分，強調人(ren)工(gong)設計和數(shu)學(xue)論證，通過預先構建先驗知(zhi)識，在不過度依(yi)賴大數(shu)據的(de)(de)(de)前(qian)提下，開(kai)發出一個可解(jie)釋的(de)(de)(de)、高(gao)精度、可解(jie)決諸多長尾問(wen)題(ti)(ti)的(de)(de)(de)“智能(neng)(neng)模(mo)型”。不少(shao)專家認為，醫療AI中有(you)大量Mission Critical和長尾問(wen)題(ti)(ti)，這對研(yan)究人(ren)員的(de)(de)(de)整體系(xi)統設計能(neng)(neng)力要求非常高(gao)，因(yin)此人(ren)的(de)(de)(de)作用(yong)就顯(xian)得(de)尤為重要，而基(ji)于黑(hei)箱統計模(mo)型的(de)(de)(de)深度學(xue)習(xi)，顯(xian)然存在太多的(de)(de)(de)弊病(bing)。
工程派(pai)的(de)做法，則是進一步發揮深度(du)(du)學(xue)習自(zi)身(shen)的(de)優勢，揚長避短，獲(huo)取(qu)更(geng)多標注數(shu)據，設置更(geng)多參數(shu)，用(yong)更(geng)強(qiang)大的(de)算力，訓練(lian)出一個(ge)能夠學(xue)習更(geng)多維度(du)(du)特征(zheng)的(de)“經驗(yan)模型(xing)”。其(qi)本質是建立某種(zhong)學(xue)習和搜索(suo)的(de)Meta Method，依靠(kao)摩(mo)爾定(ding)律帶來(lai)的(de)指(zhi)數(shu)增長的(de)算力，讓機器自(zi)行構建復(fu)雜的(de)知識系統。
前者強調人工設計(ji)，后者依靠機器自主構(gou)建。
后深度(du)學習時代的醫療AI研究走向(xiang)，正朝著這兩個看似(si)極(ji)端的方向(xiang)發展，工者(zhe)愈工，理(li)(li)者(zhe)愈理(li)(li)。
前者的(de)(de)難度(du)在于(yu)理論(lun)的(de)(de)突破(po)，從某(mou)種程度(du)上取決于(yu)個別人的(de)(de)開創性(xing)研(yan)究成(cheng)果；而后者在很大程度(du)上取決于(yu)整個行(xing)業(ye)的(de)(de)數據標準化、開放化和監管進(jin)度(du)。
二者(zhe)雖殊途，但目的是同歸。
深度學習(xi)+醫學影像(xiang)的瓶頸
電子科技大學(xue)教(jiao)授李純(chun)明曾在(zai)接(jie)受雷鋒網(公眾(zhong)號(hao)：雷鋒網)AI掘金志(zhi)采訪時談到，深(shen)度學(xue)習吸引(yin)人的(de)地方(fang)在(zai)于，原則上它(ta)在(zai)不同的(de)應用中均(jun)可(ke)以使用同樣的(de)訓練算法框架。
只需替換訓(xun)練數(shu)據和相應的(de)標注進行訓(xun)練，即可得(de)出一個具(ju)有某種輸入輸出關(guan)系的(de)多層神經網(wang)絡。
輸入一個數據，系(xi)統就輸出(chu)一個結果，應用過程可以做到全自動。
但(dan)這種看起來一勞永(yong)逸(yi)的(de)框(kuang)架，在(zai)實際應用中(zhong)還有一些局限。
以醫(yi)學(xue)影(ying)(ying)(ying)像(xiang)(xiang)(xiang)分析(xi)為例，由于醫(yi)學(xue)影(ying)(ying)(ying)像(xiang)(xiang)(xiang)數據復雜多變(bian)，不同(tong)器(qi)械商的(de)(de)(de)成(cheng)(cheng)像(xiang)(xiang)(xiang)設備(bei)(bei)、不同(tong)的(de)(de)(de)成(cheng)(cheng)像(xiang)(xiang)(xiang)參數選擇、成(cheng)(cheng)像(xiang)(xiang)(xiang)設備(bei)(bei)的(de)(de)(de)更新換(huan)代(dai)等(deng)因素，都會導(dao)致(zhi)圖(tu)像(xiang)(xiang)(xiang)性(xing)質（如信(xin)噪(zao)比、分辨(bian)率和偽影(ying)(ying)(ying)等(deng)等(deng)）的(de)(de)(de)變(bian)化，以及(ji)不同(tong)病人與病情的(de)(de)(de)差異也(ye)會導(dao)致(zhi)圖(tu)像(xiang)(xiang)(xiang)特征的(de)(de)(de)變(bian)化。
訓練數據(ju)如果不夠“大而全”，一旦遇(yu)到跟訓練數據(ju)有一定差(cha)異(yi)的(de)數據(ju)，加入一點噪音，神經網(wang)絡(luo)輸出的(de)結果可(ke)能就會(hui)出很大的(de)錯(cuo)誤。
但訓練數據要(yao)多(duo)“大”多(duo)“全”？也并未有一個客觀的量化標準。
深度學習需要(yao)(yao)用(yong)醫生手工標注(zhu)的數據，還(huan)要(yao)(yao)求(qiu)訓練數據和手工標注(zhu)符(fu)合一定的標準。
但(dan)數據(ju)的標(biao)準化，還尚未提出通用的法則遵(zun)循。而在(zai)算法層(ceng)，深度學習的調參也(ye)并(bing)沒有規律可循，調參難題至今未得到(dao)實質性(xing)解決。
這些都可(ke)能(neng)(neng)會(hui)(hui)給深度學習的應用帶來(lai)諸多(duo)不(bu)(bu)確定性(xing)(xing)，致(zhi)使其在(zai)不(bu)(bu)同數據(ju)集上的性(xing)(xing)能(neng)(neng)可(ke)能(neng)(neng)會(hui)(hui)截然不(bu)(bu)同，魯(lu)棒性(xing)(xing)較差。
在醫療領域的(de)(de)應(ying)用上(shang)，深度(du)學習的(de)(de)不可解釋性也是個無法回避的(de)(de)問題。
醫生和(he)病(bing)人都(dou)很難接受這種不可(ke)(ke)解釋(shi)的(de)(de)診斷結果和(he)治療方案，而(er)當(dang)前工科會(hui)議(yi)的(de)(de)論文(wen)，基于不可(ke)(ke)解釋(shi)的(de)(de)深度(du)學習研究成果幾(ji)乎是主流。
“數據驅動的(de)深度學(xue)習只是數據處(chu)理的(de)工具之一，它在(zai)醫療領(ling)域(yu)離真(zhen)正的(de)落地(di)還(huan)有(you)相當大(da)的(de)距離，還(huan)需(xu)在(zai)理論和技術上有(you)所突破。學(xue)術界研(yan)(yan)究深度學(xue)習不應太工程化，應該多研(yan)(yan)究一些基礎性的(de)理論問題，提出更有(you)原創性的(de)算法(fa)。”李純明談到。
“我(wo)認為(wei)，從眼前(qian)來講(jiang)，不(bu)應(ying)該(gai)一窩(wo)蜂都用(yong)(yong)數(shu)(shu)據(ju)驅動(dong)的(de)深度學(xue)(xue)(xue)習。一些醫(yi)學(xue)(xue)(xue)圖像算(suan)法(fa)(fa)的(de)開(kai)發也(ye)應(ying)該(gai)針對(dui)不(bu)同(tong)的(de)應(ying)用(yong)(yong)，去(qu)設(she)計(ji)不(bu)同(tong)的(de)算(suan)法(fa)(fa)，開(kai)發者盡可能在(zai)算(suan)法(fa)(fa)中融入領(ling)域知識，設(she)計(ji)出針對(dui)特定應(ying)用(yong)(yong)的(de)個性(xing)化(hua)的(de)方(fang)法(fa)(fa)，而(er)不(bu)是(shi)(shi)對(dui)每個病種都在(zai)TensorFlow或Pytorch等(deng)開(kai)源框架上用(yong)(yong)不(bu)同(tong)的(de)數(shu)(shu)據(ju)進行(xing)訓(xun)練和調參(can)。由于深度學(xue)(xue)(xue)習這種數(shu)(shu)據(ju)驅動(dong)的(de)學(xue)(xue)(xue)習過程(cheng)，是(shi)(shi)一種較少利用(yong)(yong)領(ling)域知識的(de)機(ji)制(zhi)，因此技術(shu)的(de)開(kai)發也(ye)就幾乎不(bu)需要(yao)開(kai)發者與醫(yi)生的(de)交流(liu)。醫(yi)生在(zai)技術(shu)開(kai)發的(de)過程(cheng)中只起到了對(dui)訓(xun)練數(shu)(shu)據(ju)手工標注(zhu)的(de)作用(yong)(yong)，也(ye)就是(shi)(shi)說醫(yi)生被(bei)當作人工智能背后的(de)‘標注(zhu)工人’來用(yong)(yong)。”
“從長期來講(jiang)，數據(ju)為王的醫(yi)學影像(xiang)AI研究方(fang)法(fa)，在(zai)未(wei)來遇到(dao)的問題(ti)將(jiang)會越(yue)來越(yue)多。當前多數學者更多停留在(zai)簡單的工程問題(ti)，缺乏在(zai)基礎研究上的突破性進展，企(qi)業界的技術(shu)開(kai)發也因此遭遇瓶頸。”
與此(ci)同時(shi)，現在的(de)(de)(de)深(shen)度(du)學習其實是一個有問題(ti)的(de)(de)(de)框架，用大量標注數據做訓練的(de)(de)(de)方法(fa)，在過去幾年很成(cheng)功，但在解決(jue)醫療這類擁有諸多“非封閉(bi)”和”長尾”問題(ti)的(de)(de)(de)領域，當前的(de)(de)(de)深(shen)度(du)學習主(zhu)流(liu)研究，并不(bu)代表是正確的(de)(de)(de)方向。
現階(jie)段，計算機視覺系統是(shi)一個(ge)Training System，而不(bu)是(shi)一個(ge)Learning System，我們需要從Training System變成Learning System，讓機器主動(dong)，并結(jie)合數據(ju)的結(jie)構、時間空間結(jie)構去學習，而不(bu)是(shi)被(bei)動(dong)地用人工訓(xun)練來標注它。
目前(qian)行業(ye)(ye)走(zou)的是(shi)粗放型發展(zhan)路線，是(shi)靠(kao)堆積數據(ju)和(he)計算(suan)資源來換取高性能，這是(shi)資源而不(bu)是(shi)效率的競賽。在大(da)家把醫學影(ying)像分析(xi)聚焦于Data Set的大(da)環境下，雖然在工業(ye)(ye)界已有一(yi)定的成果，但理論派認為(wei)，原(yuan)創性技(ji)術(shu)和(he)基礎研究，更(geng)值得(de)工科人去關注和(he)投入。
AI理(li)論創新之外的解(jie)決方(fang)法(fa)
正是由于(yu)深度學習遭遇的(de)(de)種種問題，也促使優秀科(ke)學家加大了(le)對基礎理(li)論的(de)(de)研究。
而另一方(fang)面，在部分臨床問(wen)題中，也可通過(guo)在非技(ji)術(shu)層的(de)行業標準(zhun)構建(jian)等方(fang)法，來逐步推動醫(yi)學影像AI輔助診斷的(de)發展。
第一步(bu)，則需定義好要解決的問題(ti)。
上(shang)海長征(zheng)醫(yi)院影(ying)像(xiang)醫(yi)學與核(he)醫(yi)學科主任劉士(shi)遠在(zai)2018中國醫(yi)學人工智能大會的(de)演講中指出，現(xian)在(zai)的(de)AI醫(yi)療產(chan)品遇到的(de)首個問(wen)題(ti)便是(shi)實用(yong)性差，如現(xian)在(zai)常見的(de)影(ying)像(xiang)AI產(chan)品大多是(shi)基于單病種圖像(xiang)標注形成(cheng)的(de)模型，尚未符(fu)合(he)臨(lin)床實用(yong)場景(jing)的(de)產(chan)品，而且大多數產(chan)品性能的(de)自報數據(ju)與實際檢測數據(ju)不符(fu)，魯(lu)棒性有(you)待提(ti)高(gao)。
AI產(chan)品往往只是(shi)集(ji)中(zhong)在少數幾個病(bing)種，難以覆蓋全部醫學(xue)影(ying)像(xiang)問題。
其次，行業現(xian)在普遍缺乏標(biao)準化高質量的訓練數據，國內外雖(sui)然有很多(duo)公開的數據庫，但是存在同質化和人種差異等問題(ti)。
而且眾(zhong)多(duo)人工(gong)智能(neng)企業和(he)機構采用的(de)訓練數據集(ji)標準多(duo)樣，系統偏差較大(da)，行業缺(que)乏醫學圖像和(he)疾病征像的(de)統一認識。
整個行業的(de)醫療數據保護和(he)監管措施也有一定(ding)的(de)缺失，數據不能被(bei)溯源，缺乏合(he)法性和(he)可分享性。
同時業(ye)內也缺乏(fa)對數據使(shi)用標準的(de)判斷依據，在現有(you)的(de)法律基(ji)礎上(shang)尋找合規(gui)使(shi)用和(he)分享數據的(de)渠道，也是迫在眉睫的(de)一件事(shi)情。
劉士(shi)遠建議到，構建標準庫，離不開醫生(sheng)的參與。
要形成(cheng)與AI研發相關的標準(zhun)和(he)數據(ju)，需(xu)要在圖像采集環(huan)節(jie)、標準(zhun)庫構建環(huan)節(jie)、病種(zhong)的分布以(yi)及各(ge)種(zhong)描述術語等層(ceng)面，都(dou)要達(da)成(cheng)一定的共(gong)識。
2018年9月，國家(jia)頒布了《國家(jia)健康醫療大數據標準、安全和(he)服(fu)務管理辦法（試行）》。此外(wai)，在肺(fei)結節(jie)(jie)領域(yu)，中檢院肺(fei)結節(jie)(jie)AI檢驗數據庫標定專家(jia)組已經完成(cheng)肺(fei)結節(jie)(jie)標準數據集(ji)建(jian)設。
這些均為標準的建(jian)設，做好了鋪墊。
當然(ran)，圖像(xiang)(xiang)標(biao)注(zhu)(zhu)環節也存在很多問(wen)題，以(yi)(yi)肺結節標(biao)注(zhu)(zhu)過程為例，其主要(yao)存在以(yi)(yi)下問(wen)題：標(biao)注(zhu)(zhu)者隊伍混亂，資質不一(yi)(yi)；圖像(xiang)(xiang)征象(xiang)認識不統一(yi)(yi)；圖像(xiang)(xiang)標(biao)注(zhu)(zhu)方(fang)法不統一(yi)(yi)；圖像(xiang)(xiang)分割方(fang)法不統一(yi)(yi)；圖像(xiang)(xiang)量(liang)化方(fang)法不統一(yi)(yi)。
據了解，中(zhong)檢院(yuan)在構建肺結節標準(zhun)庫(ku)的過(guo)程中(zhong)，從全國招了250名5年以(yi)上經(jing)驗的影像科醫(yi)(yi)(yi)生(sheng)志愿者，對(dui)他們進行(xing)了簡單的測試，使用了30例結節，結果準(zhun)確(que)率(lv)只有30%，說明如果沒有共識和基礎培訓(xun)，醫(yi)(yi)(yi)生(sheng)的標注準(zhun)確(que)率(lv)很(hen)低(di)，非(fei)影像科醫(yi)(yi)(yi)生(sheng)甚至不(bu)是(shi)醫(yi)(yi)(yi)生(sheng)的準(zhun)確(que)率(lv)更難以(yi)想象。
而標(biao)注的方(fang)式，有緊(jin)密(mi)包裹法、區域標(biao)注法等，不(bu)同的標(biao)注方(fang)法輸出的結果也不(bu)盡相同。
“圖(tu)像分割如果(guo)沒有(you)統一(yi)的標準(zhun)，結論的差別也會非常巨大。
還有量(liang)化的方(fang)法，到底是(shi)(shi)測(ce)直徑，還是(shi)(shi)測(ce)體積(ji)，還是(shi)(shi)測(ce)質(zhi)量(liang)，怎么測(ce)，行業都需要形成一致意見。
在(zai)醫學影像AI模(mo)型檢測階(jie)段，也會存在(zai)生產過程(cheng)不規范，模(mo)型效果和(he)安全性缺乏公正(zheng)評價，缺乏產品(pin)檢測標準庫和(he)評價體系，缺乏相關法(fa)律法(fa)規、質控檢查和(he)管理制度等問題(ti)。
在AI模型使用階段(duan)，受歡迎程度(du)，對醫(yi)(yi)生的影(ying)響，過多的假陽(yang)性(xing)，倫理和法規，是否匹配(pei)醫(yi)(yi)院和醫(yi)(yi)生的需求(qiu)等問(wen)題也尚待解決。”
另(ling)外，也需考慮其(qi)他(ta)問題：
產品應游(you)離于信(xin)息(xi)系(xi)統之外，還是融合于信(xin)息(xi)系(xi)統之內？
年輕醫生對(dui)AI產品產生依賴之后，是(shi)否會導(dao)致業(ye)務能力(li)下(xia)降？
數據的(de)(de)倫理(li)和產(chan)品(pin)的(de)(de)倫理(li)問題：數據的(de)(de)倫理(li)就是數據的(de)(de)所有權(quan)(quan)、許可權(quan)(quan)和隱(yin)私(si)權(quan)(quan)都需要制(zhi)定規范，現(xian)在衛計(ji)委已(yi)經發布了相關(guan)標準(zhun)(zhun)和規范。第(di)二個則(ze)(ze)是產(chan)品(pin)的(de)(de)倫理(li)問題，隨著產(chan)品(pin)的(de)(de)逐漸落(luo)地，產(chan)品(pin)的(de)(de)責任和影響都需要倫理(li)的(de)(de)相關(guan)準(zhun)(zhun)則(ze)(ze)來考慮。
劉士遠教授還強調(diao)，影(ying)像診斷是全鏈條、多維度的(de)(de)工作，工作內容不(bu)僅(jin)僅(jin)是圖像識別，需(xu)要充(chong)分(fen)發(fa)揮醫生(sheng)在(zai)醫學影(ying)像AI研(yan)發(fa)過(guo)程中的(de)(de)作用。
在數據(ju)(ju)上(shang)，醫生(sheng)可以(yi)建立大樣本(ben)的(de)單病種數據(ju)(ju)庫，提高訓練數據(ju)(ju)質量，并在此(ci)基礎上(shang)規范化標注，形(xing)成高質量訓練集(ji)，還要(yao)學會在法(fa)律法(fa)規下(xia)分享和使用數據(ju)(ju)。
醫(yi)生還(huan)應當成為質量(liang)(liang)控制和(he)標(biao)準的制定(ding)者和(he)執行者。如制定(ding)圖(tu)像采集(ji)和(he)圖(tu)像質量(liang)(liang)的標(biao)準，制定(ding)數(shu)據(ju)庫(ku)建設(she)的構成比例、病(bing)種分布、病(bing)灶(zao)類型等(deng)專家共(gong)識，并形成各單病(bing)種影像征象和(he)描寫屬于以及單病(bing)種AI模型數(shu)據(ju)標(biao)記(ji)專家共(gong)識。建立一套正確(que)的基(ji)本倫理(li)(li)準則來指導AI的設(she)計、管理(li)(li)和(he)應用。
醫(yi)學影(ying)像AI的(de)未來
無論是AI理論創新，或(huo)是非理論層的(de)行業標準建立，其(qi)均(jun)是醫學影像AI成(cheng)功的(de)必備條件。
2019年7月13日，由中(zhong)(zhong)國計(ji)算(suan)機(ji)學會(hui)、雷(lei)鋒網、香港中(zhong)(zhong)文(wen)大學（深(shen)圳）聯合(he)舉辦的CCF-GAIR全(quan)球人工智(zhi)能與機(ji)器人峰會(hui)，將開設“AI醫(yi)療”論壇。
本論壇以“后深度學習(xi)時代的醫療AI”為主題(ti)，邀請(qing)全球(qiu)最具代表性的理論派、工程派專家(jia)(jia)以及知名企業家(jia)(jia)，在(zai)大會上分享最新醫工交叉與產學融(rong)合研(yan)究成果與應用案例(li)。
目前，計(ji)算機視覺(jue)與(yu)醫(yi)(yi)學(xue)影像分析界泰斗(dou)級人(ren)物Demetri Terzopoulos院士已確(que)認(ren)出席(xi)，與(yu)此同時，雷(lei)鋒網也(ye)在邀請世界級醫(yi)(yi)療(liao)集團(tuan)高管(guan)，CVPR、MICCAI等頂會主席(xi)參會。
在上一(yi)屆CCF-GAIR的醫(yi)療(liao)論壇中，中科(ke)院(yuan)自動化(hua)所研究(jiu)員(yuan)田(tian)捷、飛(fei)利浦(pu)中國(guo)CTO王熙(xi)、MICCAI大會主席沈定剛、微軟(ruan)亞(ya)洲研究(jiu)院(yuan)副院(yuan)長(chang)張益(yi)肇、美國(guo)科(ke)學院(yuan)候選院(yuan)士(shi)邢磊等專家均針對2018年醫(yi)療(liao)AI遇到的難(nan)題，提出(chu)了自己的見(jian)解。
2019年7月13日，我們將進(jin)一(yi)步(bu)揭開“后深度學習時代”醫療AI的走向(xiang)。
來源：雷鋒網
全國服務熱線：
