機(jī)器之心報道

機(jī)器之心編輯部

3 月 23 日，在機(jī)器之心 AI 科技年會上，數(shù)坤科技研發(fā)副總裁危夷晨發(fā)表了主題演講《AI 在醫(yī)療影像的應(yīng)用和探索》，對 AI + 醫(yī)療影像行業(yè)進(jìn)行了全面的介紹。

以下為危夷晨在機(jī)器之心 AI 科技年會上的演講內(nèi)容，機(jī)器之心進(jìn)行了不改變原意的編輯、整理：

感謝機(jī)器之心邀請我來參加這次活動，我是數(shù)坤科技的危夷晨。

我長期從事計算機(jī)視覺方面的科研和產(chǎn)品研發(fā)，之前在曠視科技和微軟亞洲研究院工作。最近我加入了數(shù)坤科技，從事 AI 醫(yī)療影像方面的技術(shù)研發(fā)。

這次的分享主要是一個對于 AI + 醫(yī)療影像行業(yè)的全面介紹，由于時間的關(guān)系可能不會特別深入，但我希望能把這個行業(yè)的一些特點(diǎn)、發(fā)展歷史給大家做一個簡明的介紹，因?yàn)楹芏嘤嬎銠C(jī)視覺、圖像領(lǐng)域的從業(yè)者對于醫(yī)療影像行業(yè)的了解相對較少。

第一部分是整個 AI + 醫(yī)療的時代背景，眾所周知我國老齡化開始加速，醫(yī)療健康的需求在急劇增加。同時我們的醫(yī)療資源非常不平衡，大醫(yī)院人滿為患，小醫(yī)院基本沒什么人去。為了解決這個突出的供需矛盾，國家提出需要把人工智能方向上升到國家戰(zhàn)略方向，需要跟一些重要的民生領(lǐng)域做深度的結(jié)合，其中就包括醫(yī)療健康，需要讓 AI 給醫(yī)療健康賦能，提升信息化智能化的程度，提升服務(wù)能力。

不僅是在中國，科技跟醫(yī)療健康產(chǎn)業(yè)進(jìn)行結(jié)合是全球的趨勢。如圖是研究機(jī)構(gòu) CB Insights 在 2021 年發(fā)布的全球數(shù)字健康產(chǎn)業(yè)的前 150 名公司名單，在醫(yī)療影像領(lǐng)域數(shù)坤科技是唯一入選的中國企業(yè)，這也代表了國際頂級研究機(jī)構(gòu)對數(shù)坤的認(rèn)可。

在國內(nèi)，也有很多的公司把 AI 技術(shù)跟醫(yī)療場景結(jié)合起來。其中，醫(yī)療影像是很大的一個賽道。

為什么做醫(yī)療影像？有兩個原因，第一個原因是有需求，因?yàn)樵谡麄€診療過程中，影像分析是第一個環(huán)節(jié)，目前來說影像科的數(shù)據(jù)增長率非常高、需求多，但是醫(yī)生的增長相對緩慢很多，供需矛盾突出。同時，影像科的人力成本和設(shè)備成本較高，效率較低，所以有很強(qiáng)的降本增效的需求。

第二個原因是有條件，醫(yī)療影像分析的任務(wù)跟自然圖像視覺任務(wù)有很多共性，近年來隨著計算機(jī)視覺、深度學(xué)習(xí)技術(shù)的飛速發(fā)展，跟圖像相關(guān)的各個行業(yè)，都在迅速發(fā)展。這提供了很好的技術(shù)基礎(chǔ)和人才基礎(chǔ)，因此，相對來說醫(yī)療影像這個行業(yè)的技術(shù)門檻不是特別高。

跟很多其它與圖像分析結(jié)合的行業(yè)一樣，每個行業(yè)都有各自的特點(diǎn)，醫(yī)療影像也不例外。下面我從行業(yè)本身的挑戰(zhàn)和優(yōu)勢角度做一個簡要的介紹。

醫(yī)療影像領(lǐng)域第一個難點(diǎn)在于影像任務(wù)比較豐富多樣，比較碎片化。因?yàn)槊總€影像任務(wù)至少會受到三個主要因素的影響，第一是如何成像，第二是照哪個人體部位，第三是看哪種病。即使是一樣的成像方式（比如都是 X 光或者都是 CT），如果人體部位不一樣、病不一樣，所做的影像分析任務(wù)也不一樣。

第二個難點(diǎn)是數(shù)據(jù)門檻比較高，因?yàn)橛?AI 做醫(yī)療影像分析的歷史比較短，整個領(lǐng)域還比較缺乏數(shù)據(jù)的規(guī)范和體系。第一個問題就是數(shù)據(jù)很難標(biāo)注，因?yàn)獒t(yī)療影像的標(biāo)注需要專業(yè)知識，并且往往是 3D 數(shù)據(jù)，標(biāo)注起來很慢。另外一個問題在于標(biāo)注標(biāo)準(zhǔn)不夠統(tǒng)一，雖然醫(yī)療行業(yè)有比較統(tǒng)一的標(biāo)準(zhǔn)，但在實(shí)踐中不同的醫(yī)院不同的醫(yī)生有自己的一個相對標(biāo)準(zhǔn)，甚至可能同一個醫(yī)生兩次看同一個 case，結(jié)論可能都不一樣，這就導(dǎo)致標(biāo)注的結(jié)果往往不是完全一致和確定的。另外，數(shù)據(jù)還很難收集，醫(yī)療數(shù)據(jù)相對比較隱私，存儲在醫(yī)院內(nèi)部，整個行業(yè)缺乏像 ImageNet 這樣的大型公開數(shù)據(jù)庫，一個病種能夠收集到幾千個數(shù)據(jù)就已經(jīng)屬于大數(shù)據(jù)了。當(dāng)數(shù)據(jù)的廣度和深度都不足的時候就容易發(fā)生比較系統(tǒng)性的偏差，會依賴于收集設(shè)備，哪怕同一個設(shè)備掃描參數(shù)不一樣，甚至掃描技師不一樣，產(chǎn)生的數(shù)據(jù)質(zhì)量也不一樣。難以標(biāo)注和難以收集的問題導(dǎo)致算法不太容易泛化。

第三個難點(diǎn)在于自然圖像跟醫(yī)療圖像有一些區(qū)別，對于算法存在一些特有的挑戰(zhàn)。第一點(diǎn)僅僅具備一些基本的常識不足以做醫(yī)療影像研究，需要學(xué)習(xí)一定的醫(yī)學(xué)知識，但難度不算太大。第二點(diǎn)是識別任務(wù)比如說檢測、分割、分類這些任務(wù)的描述跟自然圖像里面很相似，而難點(diǎn)在于：有一些病灶很小，會涉及到小到 4 個像素的病灶檢測，甚至小到 2-3 個像素的血管分割，對機(jī)器學(xué)習(xí)方法具有比較大的挑戰(zhàn)。另外一點(diǎn)醫(yī)療影像數(shù)據(jù)以 3D 為主，3D 圖像任務(wù)在視覺領(lǐng)域來說，科研算法積累比較少，同時會缺乏一些好的開源庫。同時在處理 3D 數(shù)據(jù)的時候 GPU 的顯存往往不足，對于算法、工程都會有更多的挑戰(zhàn)。涉及到重建任務(wù)時，因?yàn)?3D 重建需要理解人體結(jié)構(gòu)，所以跟自然圖像的 3D 重建區(qū)別是比較大的。涉及到圖像處理任務(wù)，因?yàn)樾枰私忉t(yī)療圖像的成像原理，跟自然圖像的原理也不一樣?？傮w來說，相對之前做自然圖像所需要的算法能力來說，醫(yī)療圖像對算法研發(fā)和工程能力要求會稍微高一點(diǎn)。

說到這里，大家可能覺得 AI + 醫(yī)療影像的研發(fā)難度很大，其實(shí)仔細(xì)想想也不是這樣。如果我們對比其它行業(yè)，比如說安防、零售、工業(yè)檢測、自動駕駛，就會發(fā)現(xiàn)這些難點(diǎn)其實(shí)是普遍現(xiàn)象。需求碎片化，數(shù)據(jù)難標(biāo)注、難收集，缺乏統(tǒng)一的標(biāo)準(zhǔn)，需要把算法和領(lǐng)域知識結(jié)合，而不是直接可用，這些難點(diǎn)本身就很常見，但并不是高不可攀的障礙。

另一方面，醫(yī)療影像行業(yè)有一些特別的優(yōu)勢。

第一個優(yōu)勢就是這個行業(yè)本身是相對規(guī)范的。盡管不同的醫(yī)院之間可能有一些區(qū)別，但并不需要過度定制化?？傮w上一致的標(biāo)準(zhǔn)包括：

• 有標(biāo)準(zhǔn)的數(shù)據(jù)格式——dicom 格式；
• 同一個病在不同醫(yī)院的診療流程大概一致；

這樣一個相對來說比較規(guī)范化的行業(yè)環(huán)境，提供了做產(chǎn)品的土壤和基礎(chǔ)，而不需要過度的定制化，因此能夠以成本比較低的方式做出比較好的產(chǎn)品。

第二個優(yōu)勢是醫(yī)療行業(yè)比較傳統(tǒng)，信息化、智能化的程度相對較低，進(jìn)步空間很大，存在一些「低垂的果實(shí)」。

第三個優(yōu)勢是 AI + 醫(yī)療行業(yè)目前發(fā)展時間較短，大概發(fā)展了 5-6 年的時間。整個行業(yè)依然是一片藍(lán)海，不像其他行業(yè)已經(jīng)出現(xiàn)了一些巨頭，例如安防的?？?、自動駕駛的特斯拉，因此 AI + 醫(yī)療行業(yè)內(nèi)還存在比較充分的機(jī)會。

最后一點(diǎn)，我希望分享一下，醫(yī)療行業(yè)有完整清楚的價值閉環(huán)，也就是我們能夠?yàn)獒t(yī)生、患者、醫(yī)院、國家創(chuàng)造什么樣的價值，這一點(diǎn)相對清晰。只要能夠完成這個閉環(huán)，產(chǎn)品就是可以落地的。這可能是我選擇加入醫(yī)療行業(yè)最核心的原因。

從 2015 年開始深度學(xué)習(xí)、計算機(jī)視覺就開始和醫(yī)療影像快速結(jié)合，這幾年整個 AI 影像行業(yè)有了很快的發(fā)展，可以從幾個角度對比來看。

2016 年，很多大公司、創(chuàng)業(yè)公司開始入場 AI + 醫(yī)療領(lǐng)域，也存在一些同質(zhì)化的競爭，例如當(dāng)時做肺結(jié)節(jié)影像的特別多，投資也非?？駸帷Ｕ麄€醫(yī)療行業(yè)包括醫(yī)院和醫(yī)生剛開始接觸 AI，持著將信將疑的態(tài)度開始嘗試。

經(jīng)過 5-6 年的迭代和耕耘，整個行業(yè)的狀態(tài)發(fā)生了很大的變化。從公司的層面講，大公司相比于創(chuàng)業(yè)公司競爭力不足，創(chuàng)業(yè)公司的體系更為完整健全，沖勁更足。創(chuàng)業(yè)公司里面也有很多公司被逐漸淘汰，只剩下了少量頭部公司，他們之間的競爭也從同質(zhì)化競爭逐漸轉(zhuǎn)變?yōu)楦佣鄻踊?，更有自己的特色和?yōu)勢。行業(yè)內(nèi)的投資更為理性，更加向頭部公司靠攏。同時很多醫(yī)生真正使用 AI 產(chǎn)品之后體會到了 AI 的優(yōu)勢，開始普遍接受這個新生事物，并對產(chǎn)品產(chǎn)生黏性。整個行業(yè)這幾年有了很大的發(fā)展和長大。

下面我從產(chǎn)品本身如何去迭代和演化的角度做一個簡要的介紹。從 2015 年開始，產(chǎn)品從復(fù)雜程度、算法和產(chǎn)品設(shè)計的過程來看，大概經(jīng)歷了四個階段，我們稱之為 1.0-4.0，從最初 2015 年的單任務(wù)單環(huán)節(jié)，過渡到多任務(wù)全流程，再過渡到多模態(tài)多場景，到現(xiàn)在的跨模態(tài)復(fù)合流程。從僅限影像科，到現(xiàn)在進(jìn)入臨床手術(shù)，經(jīng)歷了比較大的變化。

在 1.0 階段，大家都扎堆做肺結(jié)節(jié)影像，這個任務(wù)相對來說比較簡單，在 CT 圖像上進(jìn)行結(jié)節(jié)的檢測、分割以及良惡性的分類，只需要有一些數(shù)據(jù)和基本的深度學(xué)習(xí)、圖像的算法經(jīng)驗(yàn)就可以做起來，門檻低，同質(zhì)化競爭嚴(yán)重。同時產(chǎn)品的市場競爭力和盈利能力也是比較低的。

到了 2018、2019 年，AI 影像的產(chǎn)品開始從單任務(wù)、單環(huán)節(jié)拓展到多任務(wù)、全流程的場景，我們稱之為 2.0 階段。其中一個比較有代表性的產(chǎn)品就是數(shù)坤科技做的冠脈和頭頸 CTA，涉及到多個算法任務(wù)串聯(lián)起來的流程，只有這個流程全部自動化之后，才可以為醫(yī)生提供比較大的價值，解決醫(yī)療行業(yè)的痛點(diǎn)。如圖所示，傳統(tǒng)流程可能需要花 60 分鐘才能完成這些步驟，而在 AI 流程下，很多環(huán)節(jié)被自動化的算法取代，因此只需花費(fèi) 10 分鐘，效率大大提高，這就是 2.0 產(chǎn)品帶給醫(yī)療場景的價值。

到了 3.0 階段，我們就不僅需要處理單一的場景單一的流程，而是過渡到一個更加復(fù)雜的診斷和治療任務(wù)。以腦卒中為例，我們要判斷病人是不是腦缺血，第一步首先要做 CT 的平掃，通過 ASPECT 評分大概查看大腦內(nèi)部有哪個區(qū)域可能缺血，當(dāng)我們知道確實(shí)有一些區(qū)域有缺血癥狀之后。下一步需要找到哪一根血管發(fā)生堵塞導(dǎo)致缺血，因此要做一個腦部 CTA 來尋找原因。定位原因之后，下一步要確定治療方案，是打開血管進(jìn)行手術(shù)，還是做保守治療，因此第三步是做一個更加復(fù)雜的腦部 CTP，在一個時間序列內(nèi)關(guān)注腦部所有區(qū)域缺血的嚴(yán)重程度，最右邊的圖中綠色區(qū)域就表示比較健康的供血正常區(qū)域，紅色就表示缺血區(qū)域。如果缺血的程度不是很嚴(yán)重，就有可能采取一個比較激進(jìn)的治療方案，比如做手術(shù)取栓。如果缺血比較嚴(yán)重，那么做手術(shù)就可能有危險，因此會采取一個相對保守的治療方案?？梢?，對于這樣一個比較復(fù)雜的病種需要做三個不同階段的掃描，多模態(tài)數(shù)據(jù)分析和判斷過程是串聯(lián)起來的，每一個模塊都有各自的作用。

到了 4.0 階段，除了需要處理多模態(tài)數(shù)據(jù)之外，多模態(tài)數(shù)據(jù)之間的關(guān)系也不再是串聯(lián)和各司其職的簡單關(guān)系，而是它們之間互相有關(guān)聯(lián)、互為因果。以核磁肝臟診療為例，每一個 case 會拍多達(dá)十幾個序列，每一個序列是不同核磁的征象，AI 產(chǎn)品需要在不同的序列上找到病灶征象，并做出綜合的判斷和分析，不同序列之間的數(shù)據(jù)是要統(tǒng)合考慮的。醫(yī)生做出判斷和分析的整個過程是比較復(fù)雜的，因此必須要復(fù)雜程度 4.0 的產(chǎn)品才可以很好地實(shí)現(xiàn)自動化。這是我簡要介紹了一下從 2015 年開始到現(xiàn)在的發(fā)展歷程。

下面我以一個比較有代表性的 2.0 產(chǎn)品為例作詳細(xì)的介紹，希望能讓大家理解如何做出一個有價值的 AI 影像產(chǎn)品。這個產(chǎn)品聚焦于心血管或腦血管疾病的診斷。選擇這兩種疾病的原因是心腦血管疾病是非常高發(fā)，并且后果嚴(yán)重的重要疾病。在中國這兩種病的死亡率也很高，基層醫(yī)院普遍缺乏診療能力，對設(shè)備和醫(yī)生的能力要求都很高，只有少數(shù)大醫(yī)院才能對血管做很好的疾病處理。提升大醫(yī)院、小醫(yī)院對心腦血管疾病的處理能力，對整個醫(yī)療現(xiàn)狀很重要。

首先簡單介紹一下什么叫做血管疾病。血管疾病大體分為兩類，一種是血管堵了，另外一種是血管破了（包括內(nèi)壁、外壁破了），這會導(dǎo)致各種各樣的問題。我重點(diǎn)講一下針對冠心?。ㄐ呐K血管堵塞），AI 如何幫助醫(yī)生解決問題。

冠心病的診斷是一個什么樣的過程？首先需要做一個冠脈 CTA，得到一個比較清晰的血管影像，醫(yī)生第一步需要在三維圖像里分割出血管，血管用紅色區(qū)域來表示，分割過程是醫(yī)生在一個傳統(tǒng)工作站上通過半手工加半自動圖像處理算法完成的，一根一根血管去分割就可以重構(gòu)出整個心血管的樹狀結(jié)構(gòu)。基于這個樹狀結(jié)構(gòu)醫(yī)生可以根據(jù)專業(yè)經(jīng)驗(yàn)判斷出要查看哪一根血管，看其中有無病灶或者鈣化，導(dǎo)致血管堵塞或血管狹窄。

上圖右上角是一張 CPR 圖的動畫。通過 CPR 這種可視化方法，醫(yī)生可以比較方便地針對某一根血管的某一個位置，找出病灶及其嚴(yán)重程度。除了 CPR，醫(yī)生還會借助一些其他視角的圖，例如短軸圖、拉直圖。傳統(tǒng)方法中，醫(yī)生結(jié)合上述三種三維數(shù)據(jù)可視化方法，用肉眼觀察病灶的位置、性質(zhì)，以及嚴(yán)重程度來做出判斷。

傳統(tǒng)方法中，醫(yī)生的工作流程是在工作站上主要基于手工，加上半自動的算法輔助，依靠肉眼觀察數(shù)據(jù)做出判斷。這種方式首先工作量很大，處理一個 case 可能需要幾十分鐘；另外重建血管的精度有限，容易發(fā)生一些斷裂，血管形態(tài)錯誤，命名錯誤，肉眼診斷精度不穩(wěn)定等問題，并且醫(yī)生寫報告的手寫格式也缺乏統(tǒng)一的標(biāo)準(zhǔn)。

讓 AI 算法幫助醫(yī)生更加自動化地、高效地、精準(zhǔn)地完成這個流程，其中有幾個難點(diǎn)。第一個難點(diǎn)是血管的重建，不同部位的血管尺度變化較大，粗的位置可以達(dá)到兩厘米，細(xì)的位置可能只有兩毫米。第二個難點(diǎn)是對于比較細(xì)的地方，我們需要比較精細(xì)的分割才能準(zhǔn)確判斷血管是不是有堵塞或狹窄。這種一到兩毫米的血管反映到 CT 的像素上只有兩到三個像素，深度學(xué)習(xí)算法需要精細(xì)到像素級別，才能對病灶的性質(zhì)做出判斷。第三個難點(diǎn)是整個血管重建的任務(wù)不是標(biāo)準(zhǔn)的三維幾何重建或者基于深度學(xué)習(xí)的圖像任務(wù)，非常依賴于人體的解剖知識，需要很多細(xì)節(jié)。此外，診斷標(biāo)準(zhǔn)本身不是特別的統(tǒng)一， 對 AI 算法存在一些挑戰(zhàn)。

下面我簡單描述一下我們的做法，如圖是基于神經(jīng)網(wǎng)絡(luò)對血管做分割、對病灶做檢測和分類的網(wǎng)絡(luò)結(jié)構(gòu)。下圖上面一排是對病灶的軟斑和鈣化進(jìn)行分類，下面是網(wǎng)絡(luò)模型在一個拉直圖上對血管做清晰的分割，分割的結(jié)果是一個紅色的 mask，用來判斷血管狹窄程度。

整個流程的詳細(xì)步驟是：第一步做預(yù)處理，然后提取冠脈樹，其中會有很多斷裂和各種各樣的瑕疵，需要基于解剖學(xué)知識的算法來做血管的修復(fù)和連接；另外，還需要給血管進(jìn)行命名，重建出冠脈樹，并在不同的血管上做病灶檢測以及分類和識別，每一個環(huán)節(jié)都包含很多細(xì)節(jié)。

可見，2.0 產(chǎn)品相對于 1.0 產(chǎn)品有很大的區(qū)別，它由多個流程串聯(lián)而成，每一步之間都有一些關(guān)系和影響。

如圖是一個重建出來的三維血管圖示，左邊是血管的渲染效果，右邊增加了心肌之后整個心臟的重建效果。

基于這樣的三維重建，我們可以把 CPR 圖，短軸圖、拉直圖三種不同的可視化方法以一個統(tǒng)一的界面展現(xiàn)在產(chǎn)品中，方便醫(yī)生以更高的效率選擇觀察什么樣的血管，觀察什么位置以及分割的結(jié)果，結(jié)合醫(yī)生自己的經(jīng)驗(yàn)對病灶的情況做出判斷。這種方式既有算法自動輸出的結(jié)果，同時也允許醫(yī)生基于自己的理解對于算法的結(jié)果做一些修改，這是一個 AI 和醫(yī)生協(xié)同工作的過程。

最后一步基于算法的結(jié)果或者基于醫(yī)生的修改就可以自動化地生成格式很標(biāo)準(zhǔn)的、符合醫(yī)療行業(yè)要求規(guī)范的報告，也就完成了從 CT 檢查到血管重建到做診斷寫報告的整個過程。這種方式對于整個冠脈 CTA 診斷的降本增效非常明顯，傳統(tǒng)方法可能需要一個小時，現(xiàn)在用了 AI 之后中間很多環(huán)節(jié)被自動化處理，可能只需要 10 分鐘。我們統(tǒng)計了一家醫(yī)院使用我們的 AI 產(chǎn)品前后的患者等待時間，之前是平均需要 2 天，之后平均需要 1 天，大幅縮短了患者的等待時間，提高了就醫(yī)體驗(yàn)。

這種方法的診斷精度和質(zhì)量跟比較資深的醫(yī)生差不多，比那些經(jīng)驗(yàn)較少的年輕醫(yī)生還要更準(zhǔn)確一些。在人機(jī)協(xié)同方面，我們的算法產(chǎn)品提供了一些診斷結(jié)果，允許醫(yī)生做出 double check，這種方法的效果一般來說是優(yōu)于醫(yī)生自己用肉眼做判斷，因此診斷質(zhì)量也有所提升。

另一方面，醫(yī)院的成本降低、收入增加。之前醫(yī)院可能需要 10 臺或者 20 臺工作站，并且每臺都比較貴，可能需要 20-30 萬，現(xiàn)在可以替換為一臺中央服務(wù)器，以私有云的方式在醫(yī)院部署起來，運(yùn)行我們的 AI 產(chǎn)品，使用算法的服務(wù)，每個醫(yī)生用一臺普通電腦只需要幾千塊錢的成本連到服務(wù)器，就可以完成跟之前一樣的事情，醫(yī)生的工作時間減少，工作質(zhì)量上升，醫(yī)院的收入增加。右邊的圖是一個對比，即不同類型三甲醫(yī)院、基層醫(yī)院在使用冠脈 CTA 產(chǎn)品前后收入的變化，收入有顯著的上升，因?yàn)樵\斷的病人增多了。

這個產(chǎn)品是一個結(jié)合很多自動化算法環(huán)節(jié)的典型例子，完成了全流程的自動化，從輸入數(shù)據(jù)到最后得到報告，從 2018 年推出之后，已經(jīng)在超過 1600 家醫(yī)院完成部署，得到了很多醫(yī)生和領(lǐng)導(dǎo)的好評。這個產(chǎn)品引領(lǐng)整個 AI 醫(yī)療影像行業(yè)從之前大家都去做肺結(jié)節(jié)的同質(zhì)化競爭時代，進(jìn)入到了一個能創(chuàng)造很高價值的 2.0 時代。

簡單總結(jié)一下整個行業(yè)目前的現(xiàn)狀、挑戰(zhàn)以及未來的發(fā)展方向。目前，行業(yè)條件逐漸成熟和完備，整個行業(yè)處于快速上升階段。

從公司層面來說，從之前大量公司創(chuàng)業(yè)到今天少數(shù)公司已經(jīng)脫穎而出，他們完成了從 0 到 1 的驗(yàn)證過程，開始在申請上市，初步獲得了資本的認(rèn)可。

從產(chǎn)品來說，產(chǎn)品本身的價值和商業(yè)模式在大量的醫(yī)院和醫(yī)生使用過程中已經(jīng)得到了初步驗(yàn)證，用戶的習(xí)慣逐步養(yǎng)成，開始有穩(wěn)定增長的營收。隨著 AI 產(chǎn)品在越來越多的醫(yī)院和醫(yī)生中得到認(rèn)可，需求也隨之增多。與此同時，AI 影像產(chǎn)品的類型、形態(tài)，涉及病種，也在快速地發(fā)展和變化，從 1.0 到 4.0 以及更復(fù)雜的形態(tài)正在快速演化。國家對于醫(yī)療行業(yè)也給予了大力支持，包括開始給這些 AI 醫(yī)療公司頒發(fā)三類證，這是一個門檻很高的準(zhǔn)入資質(zhì)，并進(jìn)行了一些醫(yī)療服務(wù)收費(fèi)制度的改革，比如之前我們把一個 AI 影像產(chǎn)品一次性賣給醫(yī)院可能價格幾十萬、上百萬，這樣的方式不太能持續(xù)，可能會演化成每使用這個算法為一個病人做一次診斷，就花費(fèi)一點(diǎn)點(diǎn)成本，從一次性買斷轉(zhuǎn)變成按例收費(fèi)，國家也開始嘗試推動這種收費(fèi)制度的改革。

從整體挑戰(zhàn)和發(fā)展趨勢來說，技術(shù)方面的現(xiàn)狀是大家還是比較簡單地把計算機(jī)視覺領(lǐng)域的技術(shù)（包括檢測、分割等）比較直接地用到了醫(yī)療影像的數(shù)據(jù)任務(wù)上，還沒有跟先進(jìn)的機(jī)器學(xué)習(xí)方法做出更好的融合。

我們需要針對這種數(shù)據(jù)少、數(shù)據(jù)難收集的問題做更多的小樣本學(xué)習(xí)、遷移學(xué)習(xí)、聯(lián)邦學(xué)習(xí)。現(xiàn)在在計算機(jī)視覺圖像領(lǐng)域非?；鸬淖员O(jiān)督學(xué)習(xí)，利用大量數(shù)據(jù)做預(yù)訓(xùn)練，能夠有效地提升預(yù)訓(xùn)練模型在不同下游任務(wù)上的泛化性能，這個范式在醫(yī)療影像領(lǐng)域同樣適用，可能是未來的趨勢。

由于醫(yī)療專業(yè)知識本身比較精細(xì)，需要跟算法做深度的融合。目前還沒有實(shí)現(xiàn)這一點(diǎn)，我們需要對人體結(jié)構(gòu)知識、醫(yī)療專業(yè)知識做一個很好的建模，并跟目前標(biāo)準(zhǔn)的，基于自然圖像的分割、檢測算法在算法層面完成融合。

醫(yī)療本身的結(jié)論是需要可解釋性的，未來在這方面也會有很多與醫(yī)療任務(wù)結(jié)合的先進(jìn) AI 方法，例如現(xiàn)在已經(jīng)有研究把因果推斷和醫(yī)療結(jié)合起來。

最后，軟硬一體化也是未來的一個發(fā)展方向，軟硬件將更好地融合，充分發(fā)揮硬件的能力，提升產(chǎn)品的整體效率。

從產(chǎn)品角度講，AI + 醫(yī)療影像的產(chǎn)品需要從現(xiàn)在的單部位單病種擴(kuò)充為多部位多病種。未來每次拍一個片子將不只看一種病，而是診斷出可能涉及到的多種病癥，大幅提升醫(yī)療效率，提高健康服務(wù)水平。

產(chǎn)品的設(shè)計需要跟醫(yī)生多年以來形成的工作習(xí)慣進(jìn)行深度的適配，在符合醫(yī)生習(xí)慣的前提下，把 AI 產(chǎn)品的使用方式完美融入到醫(yī)生的臨床工作流程中。

一個產(chǎn)品除了做診斷以外，我們還希望未來它能夠全流程覆蓋整個診療的閉環(huán)，從診前到診斷、治療、手術(shù)、術(shù)后的隨訪，做到全方位的覆蓋。現(xiàn)在很多 AI 產(chǎn)品依然是各自為戰(zhàn)的零散工具，給醫(yī)院和醫(yī)生的使用體驗(yàn)是不太方便的，需要有一個平臺化的解決方案，來統(tǒng)一入口和界面，把一個公司甚至不同公司的 AI 產(chǎn)品能夠無縫融合起來，提升整個產(chǎn)品的使用體驗(yàn)。

從行業(yè)角度、監(jiān)管角度、臨床準(zhǔn)入的角度看，我們也有很多需要做的事情，需要在多個因素共同成熟和配合下才能讓 AI + 醫(yī)療影像的產(chǎn)品進(jìn)一步發(fā)展和成熟。

雖然這個分享主要是關(guān)于影像的分析和診斷，但實(shí)際上整個醫(yī)療健康產(chǎn)業(yè)與技術(shù)融合是一個很大的愿景，也是行業(yè)的共識。我們要讓 AI 能夠參與臨床的決策和手術(shù)規(guī)劃，再進(jìn)一步從醫(yī)院內(nèi)部走向外部，在日常生活、家庭體檢等各種各樣的場景中提供個性化的、無處不在的精準(zhǔn)服務(wù)。這個過程可能會比較漫長，我們目前只處于這條道路的左下角，即 AI 看懂和讀懂片子的階段，但這個過程已經(jīng)開始了，并且在不斷發(fā)展。

最后，我簡單介紹一下數(shù)坤科技公司的使命和愿景。我們不僅做醫(yī)療影像的分析，我們也希望能夠長大為醫(yī)療健康智能化 AI 平臺。