“深度學習正走向兩極化，大部分研究深度學習的人員會偏向于工程化，包括建立更加全面、便捷、快速、可視化的深度學習平臺，'暴力'地將深度學習應(yīng)用到更加多的領(lǐng)域。小部分的深度學習研究者會偏向于理論化，解決深度學習的理論瓶頸包括可解釋性等問題?！?/p>

密歇根州立大學湯繼良教授曾如此總結(jié)到。

醫(yī)療AI熱潮，無疑離不開這波深度學習的發(fā)展，但由于深度學習的天然局限性和醫(yī)療領(lǐng)域的特殊性，使得醫(yī)療AI這一交叉的領(lǐng)域，也在進入瓶頸期。

隨著深度學習即將觸及天花板，醫(yī)學影像分析科研人員也隨之分為兩大派別：理論派和工程派。

理論派的初衷，是解決深度學習“短缺”的部分，強調(diào)人工設(shè)計和數(shù)學論證，通過預(yù)先構(gòu)建先驗知識，在不過度依賴大數(shù)據(jù)的前提下，開發(fā)出一個可解釋的、高精度、可解決諸多長尾問題的“智能模型”。不少專家認為，醫(yī)療AI中有大量Mission Critical和長尾問題，這對研究人員的整體系統(tǒng)設(shè)計能力要求非常高，因此人的作用就顯得尤為重要，而基于黑箱統(tǒng)計模型的深度學習，顯然存在太多的弊病。

工程派的做法，則是進一步發(fā)揮深度學習自身的優(yōu)勢，揚長避短，獲取更多標注數(shù)據(jù)，設(shè)置更多參數(shù)，用更強大的算力，訓練出一個能夠?qū)W習更多維度特征的“經(jīng)驗?zāi)Ｐ汀?。其本質(zhì)是建立某種學習和搜索的Meta Method，依靠摩爾定律帶來的指數(shù)增長的算力，讓機器自行構(gòu)建復(fù)雜的知識系統(tǒng)。

前者強調(diào)人工設(shè)計，后者依靠機器自主構(gòu)建。

后深度學習時代的醫(yī)療AI研究走向，正朝著這兩個看似極端的方向發(fā)展，工者愈工，理者愈理。

前者的難度在于理論的突破，從某種程度上取決于個別人的開創(chuàng)性研究成果；而后者在很大程度上取決于整個行業(yè)的數(shù)據(jù)標準化、開放化和監(jiān)管進度。

二者雖殊途，但目的是同歸。

深度學習+醫(yī)學影像的瓶頸

電子科技大學教授李純明曾在接受雷鋒網(wǎng)AI掘金志采訪時談到，深度學習吸引人的地方在于，原則上它在不同的應(yīng)用中均可以使用同樣的訓練算法框架。

只需替換訓練數(shù)據(jù)和相應(yīng)的標注進行訓練，即可得出一個具有某種輸入輸出關(guān)系的多層神經(jīng)網(wǎng)絡(luò)。

輸入一個數(shù)據(jù)，系統(tǒng)就輸出一個結(jié)果，應(yīng)用過程可以做到全自動。

但這種看起來一勞永逸的框架，在實際應(yīng)用中還有一些局限。

以醫(yī)學影像分析為例，由于醫(yī)學影像數(shù)據(jù)復(fù)雜多變，不同器械商的成像設(shè)備、不同的成像參數(shù)選擇、成像設(shè)備的更新?lián)Q代等因素，都會導致圖像性質(zhì)（如信噪比、分辨率和偽影等等）的變化，以及不同病人與病情的差異也會導致圖像特征的變化。

訓練數(shù)據(jù)如果不夠“大而全”，一旦遇到跟訓練數(shù)據(jù)有一定差異的數(shù)據(jù)，加入一點噪音，神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果可能就會出很大的錯誤。

但訓練數(shù)據(jù)要多“大”多“全”？也并未有一個客觀的量化標準。

深度學習需要用醫(yī)生手工標注的數(shù)據(jù)，還要求訓練數(shù)據(jù)和手工標注符合一定的標準。

但數(shù)據(jù)的標準化，還尚未提出通用的法則遵循。而在算法層，深度學習的調(diào)參也并沒有規(guī)律可循，調(diào)參難題至今未得到實質(zhì)性解決。

這些都可能會給深度學習的應(yīng)用帶來諸多不確定性，致使其在不同數(shù)據(jù)集上的性能可能會截然不同，魯棒性較差。

在醫(yī)療領(lǐng)域的應(yīng)用上，深度學習的不可解釋性也是個無法回避的問題。

醫(yī)生和病人都很難接受這種不可解釋的診斷結(jié)果和治療方案，而當前工科會議的論文，基于不可解釋的深度學習研究成果幾乎是主流。

“數(shù)據(jù)驅(qū)動的深度學習只是數(shù)據(jù)處理的工具之一，它在醫(yī)療領(lǐng)域離真正的落地還有相當大的距離，還需在理論和技術(shù)上有所突破。學術(shù)界研究深度學習不應(yīng)太工程化，應(yīng)該多研究一些基礎(chǔ)性的理論問題，提出更有原創(chuàng)性的算法?！崩罴兠髡劦健?/p>

“我認為，從眼前來講，不應(yīng)該一窩蜂都用數(shù)據(jù)驅(qū)動的深度學習。一些醫(yī)學圖像算法的開發(fā)也應(yīng)該針對不同的應(yīng)用，去設(shè)計不同的算法，開發(fā)者盡可能在算法中融入領(lǐng)域知識，設(shè)計出針對特定應(yīng)用的個性化的方法，而不是對每個病種都在TensorFlow或Pytorch等開源框架上用不同的數(shù)據(jù)進行訓練和調(diào)參。由于深度學習這種數(shù)據(jù)驅(qū)動的學習過程，是一種較少利用領(lǐng)域知識的機制，因此技術(shù)的開發(fā)也就幾乎不需要開發(fā)者與醫(yī)生的交流。醫(yī)生在技術(shù)開發(fā)的過程中只起到了對訓練數(shù)據(jù)手工標注的作用，也就是說醫(yī)生被當作人工智能背后的‘標注工人’來用。”

“從長期來講，數(shù)據(jù)為王的醫(yī)學影像AI研究方法，在未來遇到的問題將會越來越多。當前多數(shù)學者更多停留在簡單的工程問題，缺乏在基礎(chǔ)研究上的突破性進展，企業(yè)界的技術(shù)開發(fā)也因此遭遇瓶頸。”

與此同時，現(xiàn)在的深度學習其實是一個有問題的框架，用大量標注數(shù)據(jù)做訓練的方法，在過去幾年很成功，但在解決醫(yī)療這類擁有諸多“非封閉”和”長尾”問題的領(lǐng)域，當前的深度學習主流研究，并不代表是正確的方向。

現(xiàn)階段，計算機視覺系統(tǒng)是一個Training System，而不是一個Learning System，我們需要從Training System變成Learning System，讓機器主動，并結(jié)合數(shù)據(jù)的結(jié)構(gòu)、時間空間結(jié)構(gòu)去學習，而不是被動地用人工訓練來標注它。

目前行業(yè)走的是粗放型發(fā)展路線，是靠堆積數(shù)據(jù)和計算資源來換取高性能，這是資源而不是效率的競賽。在大家把醫(yī)學影像分析聚焦于Data Set的大環(huán)境下，雖然在工業(yè)界已有一定的成果，但理論派認為，原創(chuàng)性技術(shù)和基礎(chǔ)研究，更值得工科人去關(guān)注和投入。

AI理論創(chuàng)新之外的解決方法

正是由于深度學習遭遇的種種問題，也促使優(yōu)秀科學家加大了對基礎(chǔ)理論的研究。

而另一方面，在部分臨床問題中，也可通過在非技術(shù)層的行業(yè)標準構(gòu)建等方法，來逐步推動醫(yī)學影像AI輔助診斷的發(fā)展。

第一步，則需定義好要解決的問題。

上海長征醫(yī)院影像醫(yī)學與核醫(yī)學科主任劉士遠在2018中國醫(yī)學人工智能大會的演講中指出，現(xiàn)在的AI醫(yī)療產(chǎn)品遇到的首個問題便是實用性差，如現(xiàn)在常見的影像AI產(chǎn)品大多是基于單病種圖像標注形成的模型，尚未符合臨床實用場景的產(chǎn)品，而且大多數(shù)產(chǎn)品性能的自報數(shù)據(jù)與實際檢測數(shù)據(jù)不符，魯棒性有待提高。

AI產(chǎn)品往往只是集中在少數(shù)幾個病種，難以覆蓋全部醫(yī)學影像問題。

其次，行業(yè)現(xiàn)在普遍缺乏標準化高質(zhì)量的訓練數(shù)據(jù)，國內(nèi)外雖然有很多公開的數(shù)據(jù)庫，但是存在同質(zhì)化和人種差異等問題。

而且眾多人工智能企業(yè)和機構(gòu)采用的訓練數(shù)據(jù)集標準多樣，系統(tǒng)偏差較大，行業(yè)缺乏醫(yī)學圖像和疾病征像的統(tǒng)一認識。

整個行業(yè)的醫(yī)療數(shù)據(jù)保護和監(jiān)管措施也有一定的缺失，數(shù)據(jù)不能被溯源，缺乏合法性和可分享性。

同時業(yè)內(nèi)也缺乏對數(shù)據(jù)使用標準的判斷依據(jù)，在現(xiàn)有的法律基礎(chǔ)上尋找合規(guī)使用和分享數(shù)據(jù)的渠道，也是迫在眉睫的一件事情。

劉士遠建議到，構(gòu)建標準庫，離不開醫(yī)生的參與。

要形成與AI研發(fā)相關(guān)的標準和數(shù)據(jù)，需要在圖像采集環(huán)節(jié)、標準庫構(gòu)建環(huán)節(jié)、病種的分布以及各種描述術(shù)語等層面，都要達成一定的共識。

2018年9月，國家頒布了《國家健康醫(yī)療大數(shù)據(jù)標準、安全和服務(wù)管理辦法（試行）》。此外，在肺結(jié)節(jié)領(lǐng)域，中檢院肺結(jié)節(jié)AI檢驗數(shù)據(jù)庫標定專家組已經(jīng)完成肺結(jié)節(jié)標準數(shù)據(jù)集建設(shè)。

這些均為標準的建設(shè)，做好了鋪墊。

當然，圖像標注環(huán)節(jié)也存在很多問題，以肺結(jié)節(jié)標注過程為例，其主要存在以下問題：標注者隊伍混亂，資質(zhì)不一；圖像征象認識不統(tǒng)一；圖像標注方法不統(tǒng)一；圖像分割方法不統(tǒng)一；圖像量化方法不統(tǒng)一。

據(jù)了解，中檢院在構(gòu)建肺結(jié)節(jié)標準庫的過程中，從全國招了250名5年以上經(jīng)驗的影像科醫(yī)生志愿者，對他們進行了簡單的測試，使用了30例結(jié)節(jié)，結(jié)果準確率只有30%，說明如果沒有共識和基礎(chǔ)培訓，醫(yī)生的標注準確率很低，非影像科醫(yī)生甚至不是醫(yī)生的準確率更難以想象。

而標注的方式，有緊密包裹法、區(qū)域標注法等，不同的標注方法輸出的結(jié)果也不盡相同。

“圖像分割如果沒有統(tǒng)一的標準，結(jié)論的差別也會非常巨大。

還有量化的方法，到底是測直徑，還是測體積，還是測質(zhì)量，怎么測，行業(yè)都需要形成一致意見。

在醫(yī)學影像AI模型檢測階段，也會存在生產(chǎn)過程不規(guī)范，模型效果和安全性缺乏公正評價，缺乏產(chǎn)品檢測標準庫和評價體系，缺乏相關(guān)法律法規(guī)、質(zhì)控檢查和管理制度等問題。

在AI模型使用階段，受歡迎程度，對醫(yī)生的影響，過多的假陽性，倫理和法規(guī)，是否匹配醫(yī)院和醫(yī)生的需求等問題也尚待解決?！?/p>

另外，也需考慮其他問題：

產(chǎn)品應(yīng)游離于信息系統(tǒng)之外，還是融合于信息系統(tǒng)之內(nèi)？

年輕醫(yī)生對AI產(chǎn)品產(chǎn)生依賴之后，是否會導致業(yè)務(wù)能力下降？

數(shù)據(jù)的倫理和產(chǎn)品的倫理問題：數(shù)據(jù)的倫理就是數(shù)據(jù)的所有權(quán)、許可權(quán)和隱私權(quán)都需要制定規(guī)范，現(xiàn)在衛(wèi)計委已經(jīng)發(fā)布了相關(guān)標準和規(guī)范。第二個則是產(chǎn)品的倫理問題，隨著產(chǎn)品的逐漸落地，產(chǎn)品的責任和影響都需要倫理的相關(guān)準則來考慮。

劉士遠教授還強調(diào)，影像診斷是全鏈條、多維度的工作，工作內(nèi)容不僅僅是圖像識別，需要充分發(fā)揮醫(yī)生在醫(yī)學影像AI研發(fā)過程中的作用。

在數(shù)據(jù)上，醫(yī)生可以建立大樣本的單病種數(shù)據(jù)庫，提高訓練數(shù)據(jù)質(zhì)量，并在此基礎(chǔ)上規(guī)范化標注，形成高質(zhì)量訓練集，還要學會在法律法規(guī)下分享和使用數(shù)據(jù)。

醫(yī)生還應(yīng)當成為質(zhì)量控制和標準的制定者和執(zhí)行者。如制定圖像采集和圖像質(zhì)量的標準，制定數(shù)據(jù)庫建設(shè)的構(gòu)成比例、病種分布、病灶類型等專家共識，并形成各單病種影像征象和描寫屬于以及單病種AI模型數(shù)據(jù)標記專家共識。建立一套正確的基本倫理準則來指導AI的設(shè)計、管理和應(yīng)用。

無論是AI理論創(chuàng)新，或是非理論層的行業(yè)標準建立，其均是醫(yī)學影像AI成功的必備條件。

而2019年的醫(yī)學影像AI，也正式進入“后深度學習時代”。

雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。