刘再毅医学影像与人工智能
嘉宾简介
刘再毅，医学博士，主任医师，博士研究生导师，美国哈佛大学访问学者。一直从事腹部影像临床诊断和医学图像数据挖掘研究。先后主持科技部重点研发计划分课题、国家自然科学基金面上项目和青年项目、中国博士后科学基金等多项科研课题。
近年来，刘再毅博士立足于解决恶性肿瘤诊疗精准评估的重大临床需求，聚焦于肿瘤的量化评估，重点开展了基于影像组学（Radiomics）的恶性肿瘤量化研究，创新性地应用影像组学方法挖掘蕴含于肿瘤影像中的深层图像特征，构建影像组学特征生物标志，融合临床病理等多维信息构建个体化预测模型，进行肿瘤病灶定性、分级分期、疗效评估和预后预测等，极大地拓展了传统影像学检查在临床实践中的应用范围，为恶性肿瘤的个体化精准诊疗评估提供辅助手段。
其团队的部分研究成果发表在国际肿瘤学领域顶级期刊《JClinOncol》和影像学领域顶级期刊《Radiology》等专业期刊。刘博士团队的研究成果与国际水平同步，部分成果达到国际领先，有一定国际学术影响力，先后受邀在美国影像组学大会（年10月，美国福罗里达）、亚洲分子影像大会（年8月，韩国首尔）和世界分子影像大会（年9月）作大会主题报告。
以下为刘再毅先生在小蛮腰科技大会上的演讲实录：
演讲正文
感谢主持人的介绍，我是医院的刘再毅，我是一个临床医生，今天是忙完工作之后才到这里来。今天跟大家分享的是《医学影像与人工智能》。
人工智能现在很火。为什么我想来分享？因为在前一阵子很多人都在说，人工智能现在这么发达，终究有一天把医生给替代了。放射科医生是首当其冲被替代的，我担心会不会失业，我就分享一下医学影像和人工智能的关系，究竟我会不会失业，我有自己的一些看法。
首先我不是一个做人工智能的专家，在座的很多是做人工智能的。刚才讲到的，人工智能我们究竟和医生的关系怎么样，究竟是我们这样若即若离的还是一个相互帮助的关系？在我们看来可能是一个相互帮助的关系，是一个更好的前景。
可以看一看，人工智能为什么现在在医学当中有很大的应用，很多人在从事这方面的研究，因为医学现在处于精准医学的时代，看病大家不仅仅是看什么样子，还要精确地治疗。年的时候奥巴马提出“精准医学”，我们的专家提出医学的大数据的挖掘，通过我们的组织、通过我们的基因测序，再加上可穿戴设备，这个数据需要我们进行一个挖掘，这个数据的挖掘可能会用到我们的人工智能。
现在我们有没有达到人工智能？不是的，就像这位先生一样（PPT），每天对着屏幕看图说话做诊断，还没有远远达到替代我们工作的程度。
我们做的工作就是给临床医生一个指导，指导临床决策。比如这个病理，我们看有没有肺的病变，这是很多做影像的公司正在做的工作，就是做肺结节的筛查。有病以后怎么办？还可以做一个治疗的规划。这个病是一个肝脏的造影，这有一个异常的血管，这个不是病变，是变异。如果我们做手术，不小心把它砍掉了就完了，我们的影像医生要提前告诉临床的大夫要注意了。治疗之后还要看看这有没有效果，这是一个CT，这是一个活性的，做了治疗有效了它这不塞了。我们这些工作都是通过我们肉眼的判断，我们的肉眼判断就是看图说话，远远没有达到人工智能替代我们的工作。
现在精准医学的时代我们要进行一个精确的判断，这个例子是一个非消息报的肺癌，这是一个CT的扫描，这两个病人年龄差不多，分期差不多，都是1B期，这样的病人都是做手术，手术完以后我们想知道这个病人的复发情况怎么样，什么时候会复发，什么时候可能会死亡，如果我知道这个概率，就会对病人进行干预。如果这个病人不容易复发，给他化疗不是有害吗？现在的医学只能够进行测算，我们对他进行一个危险预测的判断。
根据最新的医学指南，这是一个NCCN的指南，我们所有做人工智能研究的时候，如果做医学一定要去跟我们的指南进行一个比较，你不能够说我检测率是99和98有什么区别？没有。如果这个东西能够得到行业内我们医学专家的认可才叫认可。所以他根据这个指南，我们可以把他分为高危的。
第二个病人是高危的，我对他进行化疗。问题是我们怎么去判断？我们通过影像行不行？我们主要做了一些研究，我们就把这个病人拿来做一个影像数据的挖掘，我们就知道任何的一个医学的图像上面他有一个基因来决定他的影像表现的，有一个影像基因的情况，他的影像表现是不同的。反过来影像又可以反应基因的情况，也就是说我们医学的影像非常重要，他不仅仅是我们现在日常的工作看图说话做一个诊断和判断，他是一个数据。有了这样的数据以后，我们就可以进行一些量化，这个量化就是我们现在所谓的数据的挖掘。
我们是先拿到图像做很多数据的挖掘，然后就是大数据了，可以通过一些数据挖掘建立一些模型，这是我们在座的工科的人非常在行的。拿到这个模型之后我们就可以回答这个问题了。刚才说去诊断，怎么判断他的疗效，判断他什么时候复发，复发的概率多高，这就是精准医学。
现在的影像挖掘有一个名词是“影像组学”，现在是年提出来的，刚刚说的各种不同的应用可以，我们做了很多的工作，在术前如果知道淋巴结的转移就是不一样的，我们可以把CT的影像治疗前的挖掘完以后进行建模，之后可以预测，某一个病人的具体的概率是多高，这个是95%的转移或者是5%，这对临床医生的判断是完全不一样的。说明这个东西就很有价值，这个研究结果是发表在顶级期刊。如果我们以后做人工智能的专家，你做临床的目的能够发表在这样的杂志，说明你的研究成果真的是不能一流的。
我们的研究其实并没有用多少人工智能的方式，非得要说把一些深度的学习当成人工智能的一部分，我们也做了一部分的工作。很多人做深度的学习，做医学的时候这两篇文章是去年发的。一个是做皮肤病的，大家做过LC曲线就知道非常高的准确性，他的结果是达到21个专业皮肤科医生的水平了，这个是很厉害的。另外一个是谷歌的团队，他是做糖尿病的病变，他发表了JAMA。你能够在这上面发表文章非常厉害，这个研究也是说我们的AI真正地还是很高的诊断性的，非常好。既然97%、98%的准确率这么高，能不能替代医生？这个问题我们稍候会回答大家。
我们看一看我们医学的深度学习，我们现在还在第二个阶段。他用了蓝色表示（PPT）的，他说到了成熟的应用还有2—5年，但是在医学方面的应用，我自己做了很久的数据影像的挖掘，他非常复杂，很麻烦的，里面很多不可控的因素非常多。就像我们看CT一样，机型不一样、扫描方式不一样，对于结果产生非常大的影响，我们要慎重，说不定是5—10的时间。
新医学杂志发了一篇文章，说现在在成长性，我们要充分了解人工智能缺的是什么，我们才能真正地用到临床，实现我们的目的。新医学杂志是非常顶级的杂志，这样的一个情况，你这个杂志能够发一篇，这一辈子做一个医生研究的人是无憾了。
刚才说到糖尿病那么厉害，JAMA也说了我们这个东西还有几个问题，第一个是数量的问题，他的数据，这是12万8千张图像，非常多了。但是真正的有病变事实上只有个。你做一个数据的要求是不够的，并且我们可以看到左上上的图是一个正常的，上面的图是一个糖网，下面这张图是危险的病变，多个病理。但是我们的系统只能诊断有还是没有。第四张图是一个老年人的退变，你年龄大了就会这样的。你能够保证病人来了以后你不是糖网不用看了？哪个病人自己能够诊断？所以我们一个模型不能解决所有的问题，要有数据的问题。
所有的研究不能说你做得好就好，你的数据高就高，我们一定要拿来做验证，任何临床的研究，在我们用到临床之前，我们现在很多的新药要经过一系列的研究，他证明有效、安全之后才能够应用。我们这样的系统用到人身上也应该必须进行一个验证的，我们的证据有很多，现在很多的研究在二、三级，三、四级都不是很高的。有一个国际大公司发明了一个系统沃森，这样的一个东西应该进行验证之后才能够在临床推广，究竟对我们临床医生的指导是不是能够替代一个专业的医生，这是要进行验证的，所以我们要进行一些登记。
我们这样的病人来了之后，做AI无非就是一个系统放到我们的流程里面去。真正的系统来了以后是不是把它用起来了，糖网的诊断，如果有一个结果说他是糖尿病的病变，你相信还是不相信？医生要不要再看一遍？如果相信它是不是不要医生了？这是值得考虑的。
我们做研究的时候，你做糖网做影像是一样的。我举一个例子，这是一个很深刻的教训，也是一个挑战。这个病人是我们一个很好的朋友，在今年2月份做体检，做肺筛查没有问题，用大家开发的AI人工智能检测也没有问题。但是我们看一看这几个图像是什么东西？我们做人工智能挖掘的时候，我们做AI系统的时候，我们的开发人员懂不懂这些图像？我们重点的
