硅谷 Live / 实地探访 / 热点探秘 /深度探讨

让一个机器人透视你的身体,洞察你体内的蛛丝马迹,比经验丰富的老教授更快更准地找出你的沉疴暗疾,你是会觉得惊悚还是幸运?

在人工智能热潮兴起之初,吴恩达(Andrew Ng)、Jeffery Hinton 等多位 AI 大佬放言,医疗领域 AI 会让放射科医生下岗失业。

在 2019 年的今天,才来谈论 AI+医疗,好像显得有些不合时宜。毕竟,至少早在 2017 年起,智慧医疗的火焰已是如火如荼。

仿佛不远的未来,你就能和机器人医生面对面,由绝对精确的机器智能为你作出诊疗。

然而,时至今日,智慧医疗最大的突破,仍然主要限于基于计算机视觉技术的医疗影像辅助诊断之上。
AI,距离完全取代医生,可能还差了一个比邻星到地球的距离。

在这一情况之下,聚焦于最为成熟的医疗影像 AI 领域,谈谈 AI 在做什么,AI 公司在做什么,可能显得更为重要。

(AI 医疗影像诊断,图片来自 Nvidia)

**
**

聚焦:医疗影像+ AI

从公司门口的人脸识别到你手机里欺世盗貌的美颜相机,再到让李彦宏吃下罚单的自动驾驶,这些 AI 新浪潮的背后站着的,都是由深度学习驱动的计算机视觉技术。

从这里出发,当你在考虑 AI 如何应用在医疗中时,首先想到的可能就会是:

如何将在自然图像下日趋成熟的深度学习算法应用于医疗之中?

这个问题不难回答。

即使你从未进过医院影像科,也应该对 CT、核磁共振(MRI)、B 超等等检查有所耳闻。这些检查就像一台特殊的照相机,借助射线和声波为你体内的器官骨骼留下倩影,帮助医生对人体内的真实情况作出判断。

随着低剂量螺旋 CT、核磁共振等技术的发展和推广,影像检查正变得更为安全、高效、准确,也更广泛地应用于定期体检和疾病诊断之中。仅 2016 年,全球诊断成像设备市场价值就高达 227 亿美元,增长率为 2%。
海量的医疗影像数据在帮助诊断之余,也让影像科医生的负担日益加重。

就以常见的 CT 来说,在影像医疗领域,CT 是一个大趋势,所有的东西都能看清楚,但拍一次下来就有 300 多张影像,一个医生看下来是非常消耗时间和精力的。所以衍生出来的一个问题就是——需要大量的医生来“看片”。

深度学习 AI 算法的用武之地正在于此。

计算机辅助诊疗技术(Computer Aided Diagnosis:
CAD)借助机器视觉算法,对医疗影像进行自动分析,帮助医生锁定病灶,提供诊断建议和依据。传统上,基于人工设计规则的算法在功能、准确度和速度上均有较多局限。深度学习算法的引入,让 CAD 的应用场景大大扩展。从早期癌症筛查到心血管异常,从神经疾病诊断到骨骼肌肉损伤,CAD 系统的 AI 化浪潮已是如火如荼。

风口回归,竞争进入后半程

新技术的浪潮牵动千万病人的健康,亦牵动资本涌动。

据估计,到 2023 年,AI+医疗影像的市场规模将超过 20 亿美元。诸多创业企业、互联网巨头、医疗影像器械厂商纷纷投入重金,力求在这一战场占据一席之地。

不过在 2019 年的今天,前两年的资本风口渐渐回归理性,赛程进入后半场。

截止至 2018 年上半年,AI 医疗影像初创企业已经募集逾 5 亿美元资本投入,资本从新兴初创逐渐转向晚期创业企业。
纵观这一领域,整个 2018 年上半年,仅有加拿大医疗影像企业 Circle Cardiovascular
Imaging 获得 A 轮融资,其他各企业均已进入 B 轮或之后的成熟阶段。

从战略方向上来看,企业也多由早期技术积累转向产品落地,企业与医院的合作、落地成为主议题,AI+医疗影像日趋成熟。

基于 AI 的医疗影像分析软件市场规模

AI+医疗,还是医疗+AI?

与自动驾驶领域的“车厂对阵 AI 巨头”的阵势颇有相似,在医疗影像 AI 领域,传统影像器械商和 AI 科技企业的双向竞技也正如火如荼。

以西门子(Siemens)、通用电气(GE)等为首的传统医疗影像器械厂商,正依靠其硬件和数据优势,对其传统影像分析算法进行“AI 化”迭代升级,为医院提供整合性更强的一站式解决方案。

西门子的 AI-Rad 系统针对胸部 CT 影像,提供多方面的测量、定位和自动报告生成功能。比如,借助影像分割技术,找出胸部 CT 影像中大动脉的像素级定位,实现对动脉直径等多方面的自动化测量。该系统还利用目标检测技术,对体内器官的各项异常进行定位和初步诊断。

在早期肺癌筛查中,AI 可以准确地识别出肺部小结节的位置所在,并对结节进行初步分析,帮助医生尽早做出诊断,大大提升早期肺癌的发现率。根据美国国家肺部筛查试点研究组的研究数据,
借助肺结节早期筛查,逾 20% 的肺癌罹难者将有机会幸免于难。

(AI-Rad 系统,图片来自西门子)

除去 AI 技术上的转型,器械厂商对 AI 的系统化整合,成为他们在竞争中脱颖而出的重要法宝。2018 年底,GE 发布了 Edison
AI 开发平台,实现数据、算法、硬件之间的无缝整合。现时,平台已经上线 48 个影像分析应用,为研发部门整合多来源、多模态的海量数据源,亦为医院提供各细分领域的辅助诊断服务。

长远来看,Edison 的野心并不止于此。GE 计划将平台对外开放,让合作开发者加入算法研发,打造 AI 医疗影像的“AppStore”生态,促成 AI 医疗影像技术的更好发展。

相比传统器械厂商的系统优势,医疗影像领域的 AI 技术公司便更多依靠自身算法突破建立竞争护城河。

其中,较大规模的创业企业和 AI 巨头企业们,选择多领域发力,在各方面与传统器械厂商展开正面角逐。

在美国市场上,以色列一家 AI 医疗影像公司 Zebra Medical Vision 推出了从骨骼、乳腺到肺部、心血管的多器官诊断产品,意图建立自身生态。

中国创业企业亦然。作为国内医疗影像 AI 领域估值最高的推想科技,推出了 InferRead 全系解决方案,覆盖脑部、肺部、骨骼等全部位影像诊断。

(Zebra Medical Vision:骨骼诊断产品)

较小规模的创业公司,则多聚焦垂直领域,在单一器官或单一病症上建立自己的技术优势。

英国一家初创企业 Brainomix 便是其中典型例子。它专注脑部影像分析,在中风的诊断与辅助治疗中建立起自身的独特优势,找到自己的发展方向。

(Brainomix:脑部影像分析系统)

英伟达旗下孵化的一家初创企业 ImFusion 则独辟蹊径,借助 AI 影像生成技术,开创了从二维平面超声影像生成三维立体模型的新方法。他们以对应病人的二维超声影像和三维 CT 影像作为训练数据,让 AI 找到二维和三维影像之间的潜在联系,从而帮助医生更好地理解、感知病人体内的状况。

(将 2D 超声影像转化为 3D 人体模型,图片来自英伟达)

专注于特定垂直领域,小企业更容易找到自身竞争突破点,却也留下了产品功能单一化的缺憾,产品的落地应用大大受限。这一情况下,中小企业往往要与器械厂商或 AI 巨头展开合作,将自身技术与生态平台相融合,实现产品的大规模落地部署。

目前来看,AI+医疗影像领域仍将长期处于竞争与合作交织,技术和产品共同推进的百花齐放阶段。

作为医疗影像领域的后发选手,中国在影像器械的赛道上,起步较晚,暂时缺席。不过,在 AI 算法的竞技中,依托本土 AI 人才和海量医疗数据,以推想科技、汇医绘影为代表的中国初创企业们已经成功找到自己的发展方向。不仅如此,腾讯、阿里、商汤等 AI 巨头企业也纷纷向医疗影像领域持续发力,弯道超车未来可期。

竞业者更是同盟军

**
**

所以,在 2019 年的今天,AI 会让放射科医生下岗吗?

如今看来,虽然医疗影像 AI 已经取得长足进展,取代放射科医生仍显得言之甚早。

一方面,由于数据的限制,医疗影像 AI 的适用面仍然较窄。目前只有针对肺部结节、脑部肿瘤、骨科等少部分领域的 AI 技术相对成熟,大大限制了医疗影像 AI 的临床应用。

另一方面,深度学习本身的“黑盒”、不可解释的特性使得我们难以对其结果进行分析归因。不论是出于安全性还是医学伦理上的考虑,
医疗影像 AI 在可预见的未来里仍只能扮演助理角色,难以成为最终的决策者。

除此之外,医疗影像的分析并不只依赖于图像自身。医生在对影像进行诊疗时会结合病人的病史、其他检查、疾病的相关医学知识进行综合考量。

相比之下,医疗影像 AI 大多情况下只能依靠图像内在的特征进行判断,使得较复杂的、与影像形态不直接相关的病情分析效果不佳。

不过,作为医生的助手,AI 的精准检测可以有效减少漏诊情况,帮助医生快速定位相关病灶。自动生成的影像分析等数据资料也可以为医生提供良好的参考,大大提升他们的工作效率。这一点,在各医院影像检查数量均大幅增长的现在,显得尤为重要。

除此之外,放射科医生其实还扮演着 AI 的人生导师角色。深度学习算法需要大量的标注数据,这需要放射科医生的鼎力支持。比如在肺结节筛查任务中,医生需要预先标注成百上千张 CT 影像里的肺结节的具体位置、类型。借助这些训练数据,算法才能最终找到这些结节的隐含特征,实现准确的检测、分析。

目前看来,这场 AI+医疗影像的变革,更多地是从普通马到汗血宝马式的渐进性进化,而非从马匹到汽车的时代革命。

与其担忧被取代下岗,放射科医生更应理性看待 AI 热潮,摒除“人工智能”这一名字的神秘光环,理解 AI 的长处与不足,让它成为工作的重要助力。


推荐阅读

区块链报告
|
脑机接口报告

硅谷人工智能
|
斯坦福校长

卫哲
|
姚劲波
|
胡海泉

垂直种植
|
无人车

王者荣耀
|
返老还童


来源链接:mp.weixin.qq.com