搜索到
55
篇与
医疗AI
的结果
-
7位医工专家激辩：什么样的AI产品，才能满足医生的科研与临床双需求？|中国医学影像AI大会 近日，由中国医学影像AI产学研用创新联盟（CAIERA）主办的「第二届中国医学影像AI大会」，在上海国际会议中心隆重召开。本次大会以“AI助力健康中国”为主题，围绕2030年健康中国行动纲要，深入探讨了人工智能在“健康中国”行动中的实践、问题与对策。作为本次大会的战略合作媒体，雷锋网进行了全程报道。“AI+科研”是医疗AI企业入局的重要一环。这是因为，医疗是一门经验学科，越来越多的医生不仅希望使用AI产品进行诊断、治疗，也希望结合自身的医疗大数据和临床经验优势，进行AI方面的自主临床研究。在本次大会的AI临床及科研应用论坛上，围绕“AI+科研”，大会邀请了多位影像科主任和AI学者，进行了一场高质量的圆桌访谈。本次圆桌由上海交通大学医学院附属瑞金医院放射科主任严福华教授担任主持，国家自然科学基金委六处处长李恩中教授、北航-首医大数据精准医疗高精尖创新中心主任田捷教授、中国科学院深圳先进技术研究院副院长郑海荣教授、东部战区总医院医学影像中心主任卢光明教授；华南理工大学医学院副院长梁长虹教授、北京大学人民医院放射科主任洪楠教授参与了圆桌访谈。以下为圆桌访谈的现场内容，雷锋网(公众号：雷锋网)做了不改变原意的编辑和整理严福华：第一个问题想请问李恩中教授，能否从国家自然科学基金委的策略结构化的角度，谈谈对医疗AI的长远预期，同时，在基金委的立项策略上有哪些调整和倾向性？李恩中：这要取决于AI在医学方面究竟有哪些突破。实际上，除了在医学部之外，我们的工程材料部也有一个重大研究计划是专门做机器人，其中就包含了医疗机器人。大家可以想象，在今年疫情期间，如果用医疗机器人进行咽拭子检测，进入病房后不需要医生和护士进行护理，而是由机器人来完成相关工作，那么医护人员的感染率肯定会大幅度下降。所以，我个人觉得，在具有高致病性传染源的场合，相关工作完全可以由机器人来替代。这就涉及到人工智能，尤其是通过各种人工智能的手段，精细地操控这些机器人，这是未来可能的一个发展方向。基金委在相关的政策倾斜上，无论是常规的项目，以及在青年基金的项目上都有相关的布局。同时，大家还可以自由申请。可以看到，在重点项目、重大项目，甚至在重大研究计划，例如我们的肿瘤演进与诊疗的分子功能可视化研究中，人工智能也占有很大的比例。虽然是我组织了这个重大研究计划，但是最有发言权的是专家指导组的两位成员——田捷教授和郑海荣教授。所以，接下来就可以由他们两位来回答。严福华：谢谢李恩中处长，又给我们指明了另外一个人工智能的发展方向——医疗机器人。在疫情期间，我们也的确看到在高致病性的传染病来临时，医疗机器人如何降低医务人员的感染风险。下一个问题想请教田捷教授，作为专家组的成员，能不能分享一下在分子影像学和人工智能研究的道路上有哪些机遇和挑战？田捷：谢谢严主任。这个问题提得非常好。我觉得医生是双重角色，一方面是人工智能的使用者。外部的医疗AI公司研发了很多人工智能的硬软件，来减轻我们的劳动负担，我们也正在使用这些人工智能硬件或者软件。另一方面，医生又是人工智能医学应用的主要研究者。医疗人工智能的研究需要结合临床问题，所以医生们都是研究的主力。在这种背景下，无论是科技部还是基金委，都提出了一系列人工智能在医学应用的研发项目。刚才李处长讲到，在对这个项目进行领导的六年中，我们联合了信息学部、数理学部和化学部。刚开始，这个项目被称作分子影像，经过分析后大家觉得过于偏重影像，是跟设备相关的，而我们的研究对象是肿瘤。实际上，工具还是分子影像，还是属于人工智能，所以特别适合影像医生进行申请。肿瘤演进的分子功能可视化，其中一个关键词是可视化。大家知道，计算机视觉是人工智能最重要的一个分支。在医学上，计算机视觉应用得更多。分子影像或者可视化，就是希望通过大数据、人工智能来提取高维信息进行建模分析，让我们在分子细胞水平看到变化。在目前的情况下，肿瘤医生的手和眼睛已经用到极限。而中国病人数量庞大，所以医生也希望能有新的有效方法。影像科医生应该积极参与到其中，无论是看到也好，量化也罢，特别在量化方面，影像组学都是属于计划的内容。在医疗人工智能上，医生是主力军，利用人工智能进行建模，使得医学在进入分子阶段的时候，能够看到或者量化分子细胞水平，对肿瘤、血管神经疾病的诊断都是极大地促进。所以，从这个角度而言，医生研究人工智能有远大前程。严福华：谢谢田捷教授，总结得特别好。作为影像科的医生，不仅是AI的使用者，同时又是AI的研究者，因为他们既有临床的经验，又可以把AI作为一个研究的手段和平台。接下来，就请郑海荣教授剧透一下AI在前沿的创新技术方面有哪些应用的方向？郑海荣：谢谢严主任。现在做研究想离开或者抛开AI都很难。在今年参与的几次基金评审中，我也发现很多项目里多少都包含了AI的元素，这给我们的研究带来新的活力。我觉得，AI的技术创新以及应用，在三个方向上有新的机会：第一，AI在医学上面的主战场就是相关疾病的AI诊断。最近，大家都发现，多种模态的影像都在基于AI技术进行拓展和应用，包括与CTA相关的心脑血管和与CT相关的早期肺结节诊断，以及在更为复杂的磁共振领域的诊断。此外，李睿教授做的血管斑块识别以及在超声领域，也有很多的AI应用。举个例子，深圳妇幼中心的李胜利主任在做一个非常成熟的软件，对胎儿各个部位的尺寸进行精确的判定和量化。这种方法使得每个月的检查可比性非常好。因此，随着模型的发展和机器质量的提升，我认为，诊断肯定还是AI的主战场。第二，去年在《Cancers》杂志上发表的、影响因子达到150多分的一篇综述。我非常赞同文中提到的一个观点，也是我们在实践的一个方向，就是全面调整AI的应用思路，不仅仅是帮助医生减轻大量阅片的问题，而且在操作层面对参数的选择以及自动化的扫描，AI也可以发挥重要的作用。举一个典型例子，这次疫情里，联影智能推出一个“智能天眼”的CT产品，结合人的体位，尽量减少病人和医生的接触，直接拍几张照片就知道怎么对病人进行扫描，这是一个往前拓展的重要方向。特别是超声、磁共振这些依赖于手位的复杂扫描时，完全可以把扫描数据采集的智能化纳入AI应用的范畴。此外，在超声造影里面，如果心脏卵圆孔未闭合，经常导致中风。早期检查靠的是造影，而造影技术要通过几分钟甚至十几分钟的造影机观察有没有漏诊，单纯靠人眼，医生往往会因为几个看不见的微泡而漏诊。所以，用AI技术完成动态监测，也是一个发展方向。第三，AI在医学上的发展现在是基于大量的影像数据。但是，真正对于预后、对于综合的判断，其他类型的数据也非常重要。例如基因数据、病理数据以及临床数据，需要把多种数据进行融合。将这些多源、多模态的数据融合起来，对临床、预后判定以及治疗方案的指导都能发挥实质性的作用。AI，现在发挥更多的是锦上添花的作用，如何在临床上发挥更加重要的作用，可能还要将其进行全面的调整、融合。这些都离不开多学科的交叉，以临床的需求为最大的目标来融合多学科的力量。如果大家在一个创新链上往前推动，将会有更多的有影响力的、医生爱用的、临床的AI成果落地，并且创造价值。严福华：郑海荣教授给我们提出了三个好的思路。刚才提到的联影智能的天眼CT，我们对此深有感触。原来进行CT扫描需要两个技术员，一个摆位、一个操作。但是，有了天眼技术之后，我们只需要一个人，通过远程操控就能够给病人精确定位，不需要跟病人接触，后来根据我们的经验也写成了一篇文章，我觉得这个问题是临床应用中非常重要的一点。第二点，让我们深受启发的就是多学科的融合。作为临床一线的工作人员，我们每天有很多任务是参加多学科会诊。在AI的研究方面，我们是不是也能很好地利用多学科的优势，把多模态的信息进行融合，在诊断之外进行疗效评估、预后预测，指导临床治疗，基于AI的手段让影像学发挥更大的作用和优势。接下来，我想请教卢光明教授，从科学研究的方向来讲，您对人工智能有什么样的期许？卢光明：谢谢严主任。刚才几位专家都讲到，从病变发现、早期诊断、分类分期、预后评估、疗效评估以及在疗效预测等方面都有很重要的价值。目前，很多AI成果都发表在顶级期刊上，敏感性、特异性都达到95%以上，但是我们却没法用。假如这些文章有医生参与，结果绝对没那么高，因为工程人员只用算法求结果。举个例子，我有一个哈工大的博士后，基于300多个病例进行肺结节的良恶性鉴别，敏感性、特异性已做到90%多，AUC值在0.94。但是，把病例数据量增加后，指标就难以提高。所以，单纯的工科生可能只追求一个好的结果，而医生要考虑落地应用。现在有一些应用确实很好，例如肺结节的检测，可以减少漏诊。心血管系统也存在类似的问题，例如我们在看冠状动脉时，利用AI的方法可以达到年轻医生的诊断效果——不但可以看狭窄程度，而且可以看斑块的性质。斑块的性质和狭窄结合起来，对病人的预后或者选择治疗方案，都很有价值。我们还可以将其跟血流储备分数FFR结合起来，现在做一次有创的FFR花费很贵，而且病人的意愿也不高。前天，科技部评审该项目里是用OCT来做FFR，我们也做过把CT和FFR结合起来进行的项目：如果狭窄程度大于70%，建议病人做一个DSA治疗。而结合FFR之后，值大于0.8，病人就不需要做，因为发生风险的可能性很小。所以，这种方法对于减少DSA检查是有好处的。此外，对于要不要做血溶重建，以及预测恶性的心肌事件都很有价值。另一方面，我们还可以根据计算血流的动力学和其他因素结合来进行。目前，我们仍然需要机器的协助来完成一些事。但是，要针对其中不同的场景，例如在基层边远地区，是需要将诊断的特异性提高，还是将敏感性提高，相关的曲线是可以调整的。因此，针对不同的场景，人工智能有不同的应用价值。我相信，人工智能不仅能够帮助我们减轻工作压力，解决一些临床问题，今后还能够结合临床的数据，像年轻医生一样主动学习以及自主反馈，AI将会有非常美好的未来。严福华：谢谢卢光明教授。实际上，不仅有科学家、工程师做算法，如何让医生参与，让AI更加贴近临床实际就显得非常重要。刚才卢教授讲得非常重要，我们国家的医疗水平发展非常不平衡，有些地区经验丰富的医生也很少，在这样的情况下，AI会发挥其重要的作用，像一两毫米的肺结节都能被AI发现，所以不会有病灶的漏诊。但是，定性还要结合医生的经验对其进一步的判断。另外，AI如何真正帮助改善我们的诊疗流程，以及能否让病人获益。以前病人可能要做很多不同的检查，以决定病人需要进行什么样的检查和治疗。有了AI助力以后，特别是卢教授刚才讲的冠脉方面的问题，我们不仅要看形态学，还要结合血流动力、功能学的改变、使得信息更加全面，这样才是真正地为病人服务，让患者受益。所以，我觉得，在这个方面还有很多的科研的思路和项目可以进一步挖掘。接下来，我想请教梁长虹教授，您觉得，目前人工智能在影像数据深度挖掘当中的价值和创新有哪些？梁长虹：谢谢严福华教授！首先，什么叫做深度的数据挖掘，这件事情本身就让我有点迷茫。但是从人工智能、从放射科医生的角度来看，医学影像本身就是循证医学中非常重要的证据。那么，借助人工智能技术，把重要证据用好，我们就可以得到非常多的帮助。第二，深度的数据挖掘可以让AI技术在医学影像的全链条上发挥作用。国内有一家医院做了一个非常好的研究，患者进到医院，通过照相就能预测出是否有冠心病，也就是大家可能想象不到的用科学“看相”。对于医学影像AI，大家都怀着无比希望的心情。但是，往往是理想很丰满、现实很骨感。有一次，我引用过一篇文章，文章当年就对人工智能给予无限的希望。但是，受制于算法、算力，最终没有得以实现。现阶段而言，算法、算力的进步，已经可以让AI实现很多东西。但正如前几位专家所说的，很多问题还没有完全得到解决，我们还没有得到一个很完善的工具。比如看胸片，难道只是看到一个肺结节就ok了吗？肯定是不可以的。分享一些个人想法：我们希望提高医疗数据的质量，实现“小数据、大任务”。我们现在实现的是“大数据、小任务”；在创新方面，除了多模态的数据，还要有多模态的专家；最为重要的一点，是真正在算法上实现创新。我们医院和田捷教授、郑海荣教授以及华南理工大学的工科团队和其他的工科团队进行了合作。目前，除了影像数据的分析外，还涵盖了病理科。香港中文大学也跟着我们进行科研，把基因信息的挖掘跟影像结合起来。到目前为止，在我们的科研经费里，大概用了1000多万进行影像基因的测序。因此，不能是做医学影像的人，就只用影像数据来挖掘，还要将临床医生的观察、基因信息以及病理等多维的信息综合起来。围绕临床需求，才可能在未来解决更多的问题。不光是Deep Learning的算法，还要提出一个Chinese的算法，这样才能够真正解决我们的问题。严福华：虽然算法算力提高了，但是什么时候能出现中国独立自知识产权的算法，将来更加助力医生在AI的研究道路上越走越顺。另外，梁教授又特别强调了多维度的融合，让不同的人在一起工作，才能够使得研究具有高水平，同时真正的符合临床的需求。最后一个问题，想请教一下洪楠教授，在AI影像结构报告的方面，有没有什么经验可以分享。在实际工作当中，AI对于放射科的工作带来了哪些价值？洪楠：谢谢严福华教授。人工智能能否帮助我们做结构化报告，答案是肯定的。但是，在现阶段肯定还是有一些限制。放射科的工作实际上是一个流水线，从患者进科室、进行检查再到后处理和读片，最后才能得出一份完整的报告。怎么出更好的报告？还需要结合临床。到目前为止，对于人工智能而言，无论是看肺结节、冠脉还是看其他器官，都只是进行图像识别，没有完整地把病人的检验、病史以及其他的指标考虑进来。所以，AI得出的报告是不完整的。如果数据不完整、不规范，人工智能得出的报告也一定是不可信的。回到结构化报告，实际上，我们科室里尝试了很多工作。为什么要做结构化报告？因为常规的报告有优缺点。常规报告的优点是上手快，缺点是书写过于随意，缺乏对整体思路的引导。因此，我们探索结构化报告有将近10年的时间，成功的和不成功的案例都有。成功之处在于对一些比较简单、单一的器官，比如乳腺、前列腺甚至结直肠癌，都得出了内科、外科公认的结构化报告。而缺点在于如何实现复杂器官、复杂部位的结构化报告，尤其是在出现疫情以后不做平片，只做CT。那么，CT可能不仅仅看出肺结节和肺炎，还可能是对颈、胸、腹、盆的连扫。这种情况下，我们怎么能够出结构化报告，我觉得很难实现各地的统一。对我们来说，首先必须要掌握临床的需求，包括我们是不是真的需要结构化报告，如果真的需要，该怎么做？是按部位、按区域、按地区来做，或者是儿童医院、肿瘤医院以及综合医院。目前，我们觉得按照各地的需要来做，更贴近现实。那么，人工智能对我们工作有没有影响，答案也是肯定的。我们科现在的主要工作就是把几家AI公司的产品整合到信息系统里，主要是看肺结节，这样每个病人做完之后都可以处理一些数据。使用的结果是，我们的一线大夫非常喜爱用结节筛查工具，因为不用再看片子了。只要是经过AI处理之后，他接受并提交报告就完成了工作。但是，对于二线大夫，因为全部是二线的分析，可能以前看一遍就够了，现在可能看两遍、三遍甚至需要花费更多时间，一线和二线大夫的感官不一样。那么，带来的问题是，有了AI之后，一线大夫都不看片子了，那么不会读片了该怎么办？对于这个问题，可能不仅仅在国内有这，国外也一定存在。所以，去年在北美发展年会上的一个专场，就是人工智能如何改变我们的继续教育培训。对于这个问题，需要我们的厂商以及几位学者，考虑今后怎么能够把AI用得更好。刚才我主持了一个讲座，讲者是冯晓源校长。我觉得他讲得非常好，题目是人工智能和人类智慧的关系，他的结论是应当相辅相成。我认为，人工智能应当不给我们麻烦，我们也希望利用人工智能做一些目前不愿意做甚至不能做的工作，使我们从常规的图像识别里摆脱出来，利用时间完成一些创新性的工作，多走出放射科，多进入临床，与病人和医生沟通。这样，才能使我们放射科的工作变得不可或缺、不可替代，使我们立于不败之地。雷锋网 -
医疗科技的「大时代」，没有人是旁观者|CCF-GAIR2020 《大时代》，这部港人奉为第一的神剧，其中有一句话让人印象深刻：一个人要成功，就一定要找自己的世界。只有在自己的世界里，才能把自己的潜能天分发挥到最高的境界。 你问问你自己，如果你明天就要死，你会干哪一行，在什么地方，用完你的最后一天直到死为止。 你找到自己的世界没有？抛开《大时代》中的阴云诡谲、商海浮沉。我们要谈谈，一个人想要在一个行业里成功，需要哪些因素？就以医疗为例，从未有哪一个时刻，会让人们认识到，健康才是追求的第一位。今年3月，国家医保局发文，互联网医疗正式接入医保，“互联网+”医疗服务进一步提速，已提前做好布局或行业中的优势企业将受益。同时，国家和各省市纷纷发布政策支持互联网医疗全面发展，助力我国互联网医疗迈入3.0时代，市场前景广阔。医疗AI也将迎来最好的时代。今年1月、6月，科亚医疗和安德医智的医疗AI产品分获NMPA审批，越来越多的医疗AI产品将会看到商业化的曙光。这是势医疗行业不缺前赴后继的创业者，创业，尤其是医疗行业的创业，非一日之功。这个行业的参与和变革非常难：医生、病患、药企、支付方……众多的环节和参与者让连接的排列组合变得复杂，选择不同的环节切入，就意味着选择了不同的创业思路。例如，在去年CCF-GAIR的医疗专场上，三院院士、计算机视觉的泰斗级人物Demetri教授，就曾对医疗AI的行业问题提出过自己的看法。他向雷锋网坦言：“深度学习已经有五六年的历史了，在很短的时间内影响了很多不同的领域。而现在深度学习面临诸多挑战，也是很正常的现象，任何技术的发展都不会直线上升的状态，总会遇到低潮。”MICCAI 2019大会主席沈定刚在2018年的CCF-GAIR上也说到，沈所谓的AI或者深度学习，只是解决问题的一种方法，方法必须为解决问题服务。这个行业里的研究者，不能光知道深度学习，很多几十年累积起来的经典方法都必须要懂。因为一个方法不可能解决所有的问题，每种方法总有它的局限性。同时，在思路上，应该是通过问题找方法，而不是用方法来找问题。这个思路，也成为医疗行业创业者的“箴言”：技术公司和医疗用户之间，存在一条看不见的鸿沟，谁能跨过“用户的实际需求”这条鸿沟，谁才能说真正理解并站稳这个行业。这是识要想在一个行业里站稳脚跟，势和识，缺一不可。在心态上，创业者需要真正沉下来，理解医生、理解医疗；在战略上进行调整，稳扎稳打。与此同时，一个行业的推进并不是一家企业或者几个人能够完成的，也不是几家创业公司能够推动起来的，需要整个社会的力量。因此，创业者不必踽踽独行，不必蒙头猛冲。我们要真切的看到这个行业的变化。这也是我们在第五届CCF-GAIR上举办「医疗科技」专场的目的之一——如果不能创造“势”，那就做深“识”。历年的「医疗科技专场」，已成为CCF-GAIR最受学者们关注的专场之一，往届嘉宾有三院院士Demetri Terzopoulos、IEEE Fellow田捷、沈定刚、张元亭，斯坦福大学医学物理系主任邢磊、瑞士苏黎世理工学院机器人所长Brad Nelson、香港大学新兴技术研究所所长席宁等知名学者出席。同时，微软亚洲研究院副院长张益肇、飞利浦大中华区CTO姚智清、科大讯飞智慧医疗事业部总经理陶晓东等企业代表出席。医疗科技的世界正在发生翻天覆地的变化，你能不能找到属于你的那片世界？「医疗科技」专场2020年8月9日，由中国计算机学会、雷锋网(公众号：雷锋网)、香港中文大学（深圳）联合举办的CCF-GAIR全球人工智能与机器人峰会，将开设“医疗科技”论坛。本专场以「后疫情时代的医疗新基建机遇」为主题，邀请众多医院CIO、影像科主任、医保局领导、保险巨头高管等听众，致力于打造粤港澳大湾区医疗科技风向标会议。目前，已经有四位业内顶级大咖已确认出席，分别是沈定刚教授 MICCAI 2019大会主席，IEEE Fellow，郑冶枫教授 腾讯天衍实验室主任，IEEE Fellow谢国彤 平安集团首席医疗科学家王东媛 京东健康智慧医疗部总经理 2020年8月9日，我们将率先一步，探明医疗科技的未来走向。雷锋网
-
医疗AI陆续迎来利好消息，今年的政策和审批风向将吹向何方？ 任何行业都会有一个“黄金期”，对于医疗AI来说，2020年绝对是一个值得铭记的年份。2月4日，工信部发布了“充分发挥人工智能赋能效用 协力抗击新型冠状病毒感染的肺炎疫情倡议书“，倡议发挥人工智能的赋能作用，向最需要的地方研发和投放人工智能产品和解决方案。在疫情的背景下，医疗AI被提高到一个从未有过的关注程度。而在另一方面，为了推动医疗AI的发展，国家药监局（NMPA）一直在不断完善产品的上市审批制度，在医疗人工智能产品注册审批方面，我国已公布分类目录、审批流程及要点等相关文件。2018年8月1日，新版《医疗器械分类目录》正式生效，首次明确了医疗AI产品划分标准。2019年7月，药监局医疗器械技术审评中心正式发布《深度学习辅助决策医疗器械软件审批要点》，从适用范围、审批关注要点、软件更新、相关技术考量、注册申报资料说明，五个部分进一步明确产品审批细节，明确产品临床评价可采用基于现有历史数据的回顾性研究。进入2020年，我国NMPA迎来AI产品审批的重大突破。1月15日，科亚医疗自主研发的冠脉血流储备分数计算软件产品通过器审中心审批；2月7日，乐普医疗AI事业部下属全资子公司的人工智能“心电分析软件” 获得注册批准。6月12日，安德医智旗下BioMind“天医智”的颅内肿瘤磁共振影像辅助诊断软件通过了NMPA三类医疗器械审批。可以说，2020年医疗AI产品审批的“零突破”，推动医疗AI行业从产品验证进入市场价值验证阶段，商业化进程也将提速。合规的医疗AI产品审批开始加速如何评价和解读NMPA的这一系列审批动作？作为医疗AI行业第一家“吃到螃蟹”的公司，科亚医疗负责人向雷锋网表示，从获得第一张医疗AI三类证开始，NMPA对于该类产品的审批路径更加清晰，对于合规的医疗AI产品审批开始加速，同时也意味着越来越多的医疗AI产品性能趋于稳定，符合进入市场的要求。汇医慧影负责人也表示，从近两年来看，NMPA确实在加快AI医疗器械相关标准制订和产品审批进度，包括深度学习辅助决策医疗器械软件审评要点的发布，人工智能医疗器械创新合作平台的成立以及最近刚刚发布的医疗器械生产质量管理规范独立软件现场检查指导原则。这些动作都表明了NMPA对于AI医疗器械审批和监管的重视。汇医慧影认为，“相信随着AI相关标准的逐渐建立，以及更多AI产品的研发定型，审评审批的进度也会逐渐顺畅。”据数据显示，2019年，140余家从事医疗AI的企业，近120家入局医学影像业务，其中约百家企业布局了肺结节影像产品。此次疫情，20多家医学影像AI公司在新冠肺炎的分析和诊断支持上表现出了巨大潜力，成为影像科医生阅片的“左膀右臂”。然而，为何医疗AI最先实现突破的不是“大热”的肺结节产品？“虽然，近几年肺部疾病相关AI产品都比较火热，一大批公司在做CT肺结节。但是，实际在客户这边应用落地的只有汇医慧影在内的几家公司，真正在走CT肺结节NMPA的也是这几家。除了CT肺结节，还同步在走第二个AI产品证的就更少了。”据雷锋网(公众号：雷锋网)了解，除了肺结节AI，汇医慧影完善了包括肺炎AI、骨折AI、乳腺癌AI、主动脉夹层AI等，集成多种常见病的AI方案，覆盖筛查、体检、门诊等多种应用场景。肺结节AI之外，汇医慧影的骨折AI也正处于三类证审评阶段，这也是业内首个进入三类证技术评审的骨折AI产品。汇医慧影负责人指出，医疗AI的审批流程本身就比较长，需要经过临床试验，临床试验就需要一年左右时间。“整个行业内完成临床试验过程和递交注册申请基本在2019年年底和2020年初，加上今年疫情的影响，前段时间审评员资源都集中在应急医疗器械的审评。因此，势必会影响医疗AI的审评进度。但是，有了前面几款产品审批经验，相信不久后AI肺结节相关产品也会获得审批面市。”沈南鹏的一份两会提案AI医疗如何商业化变现，一直是业界关注的焦点。此前首张“出生证”迟迟未能落地，资本也变得更加冷静，拿下注册证，显然是个积极的信号。然而，获得认证只是医疗AI产品的第一步，为了AI产品的更好落地，还有一系列的配套措施需要跟进。作为中国风险投资行业唯一一位全国政协委员，沈南鹏就在两会提案中写到：医疗AI的商业化前景，需要试点部分收费项目、开发医疗AI产品责任险，促进临床应用和普及，包括推动医保、物价对医疗AI的政策明朗化，探索出台包括医疗人工智能在内的新增适宜医疗技术收费目录，以政府购买服务方式，在基层医疗机构推广人工智能的临床辅助诊断、辅助决策支持系统；其次，鼓励商业保险开发覆盖医疗AI产品全生命周期的责任险以分担风险，参照首台（套）重大技术装备保险补偿机制经验，为企业补贴保费，激发医疗机构使用AI产品服务的积极性。 由此可见，医疗AI产品的变现，不仅仅是企业自家的事情，还需要医疗系统中的其他角色，如政府、医院、保险公司等共同出谋划策、指明方向。对于获证后的商业规划，科亚医疗表示，AI医疗产品的落地方式和配套措施跟具体的产品形态有关。不同细分产品有不同的落地方式，所需要的配套措施也不一样：对于减轻医生工作量，提高医生效率的AI产品，需要医院采购流程和相关政策的支持；对于AI提供新的检测手段类的产品，需要物价和医保等的支持。据雷锋网了解，科亚医疗的产品应用对象有三类：公立医院、私立医院和第三方的市场。目前建立合作的公立医院超过200家，共建的人工智能诊断中心近100家，多个省份的新增医疗服务项目价格申请工作在有序进行。同时，科亚医疗也与多家私立医院及独立影像中心达成战略合作。汇医慧影负责人也对沈南鹏提案中的观点表示赞同。他认为，医疗AI领域从数据到产品获批有很多环节需要国家政策的推进扶持，除了获得NMPA的上市许可以外，各地医保收费条目的增加以及上市后监管跟进、持续优化，都是保证AI产品真正落地的有力条件。此外，适用于医学领域的人工智能专门治理体系或指南，也是人工智能系统在技术和社会方面都能稳健发展所亟需的。医疗AI如何助力医院的智慧化转型？互联网、人工智能、大数据等技术的发展，极大地丰富了传统业态的建设内涵，同时也促进了传统医院模式向现代化"智慧医院"模式的转型。国家卫健委医政医管局副局长焦雅辉，曾提出智慧医院的范围，主要包括三大领域：第一是面向医务人员的“智慧医疗”；第二个领域是面向医院的“智慧管理”；第三个领域是面向患者的“智慧服务”。AI技术如何跟医院信息系统工作流结合起来，并结合临床工作流程，是医疗AI面临的首要问题。科亚医疗认为，医院信息化建设的核心就是通过AI技术帮助医生实现提速增效、进而优化患者就医体验、全面实现医疗服务质量提升的过程。而医疗AI产品则需要从临床根本需求为出发点才能切实解决以上三方面的需求。对于这三方面需求的体现，科亚医疗表示：在帮助医生实现体提速增效方面，科亚医疗一直贯彻以“真实医疗需求为基准，重构智能化临床医疗应用场景”的产品开发理念，将AI技术嵌入医生现有工作流，接管繁琐、重复、单体价值低的数据筛选行为，帮助医生从临床数据中快速、准确提取有价值的信息，提升工作效率和准确率。而对于优化患者就医体验的方面，科亚医疗则已经通过帮助医生获得真实有效的临床应用数据，寻求增效路径，优化医生诊疗方案的方式，实现了患者避免过度治疗，减少患者经济负担和社会医疗成本的目的，这也是科亚医疗的AI医疗产品能够成为国内首个获批NMPA的关键原因。最后科亚医疗还表示，已经完成了更全面的医疗人工智能临床应用产品开发，进而将把AI技术的提速增效从医技科室扩展到各个临床科室，整合包括病历、影像、病理、生化、免疫、分子诊断等多组学信息，服务于早筛、诊断、治疗等多个临床应用场景，从而真正实现单病种全流程的覆盖，达到全面优化医疗服务质量的目的。汇医慧影负责人向雷锋网说到，为了能够更好地参与医院的信息化、智能化建设过程，汇医慧影不局限于单个AI产品，而是构建了全流程、平台化的AI医学影像生态系统，目前拥有完善的数据标注和管理平台、AI科研孵化平台以及AI应用平台，信息系统和数据管理为AI提供了高质量的数据基础保障。另外，他也认为，医疗AI公司应加强和传统信息化公司的合作，不断升级优化产品使之尽快融入医院已有的信息化平台和诊疗过程。“新一代的信息化将更多的专家系统和知识系统，更多的技术包括自然语言理解、语音／语义识别、数据结构化技术、精准勾画技术等融入到信息化的升级版本。”汇医慧影认为，真正下一代的信息化不光是对医院效率提升，而是通过信息化，通过人工智能给病人、给医生带来更多的价值关怀。医疗AI与新基建虽然，在疫情之后，不管是从用户层面还是监管层面，在意识层面对医疗AI进行了一些“松绑”。但是，从审批过证的经验来看，医疗AI的审批创新流程仍有进一步提升的细节。科亚医疗认为，未来，需要加快推动人工智能医疗器械产品上市，建立AI产品专项审批通道，优化审批流程，适应AI快速迭代特性，研究提出审评新标准，认可使用历史数据评价AI医疗器械效能，整体缩短企业数据收集周期，加速产品上市。其次，支持推动社会力量参与医疗信息化升级，引入专业机构助力AI医疗审批，包括吸纳高水平技术公司参与支持PHR数据安全、隐私保护等工作；鼓励专业第三方、卫生技术评估(HTA)机构等在AI医疗审批中提供智力支持，推进AI产品和衍生服务的卫生经济学评价。汇医慧影负责人表示，按目前审评法规，临床试验过程对于更新迭代快的AI产品来说相对漫长，应针对AI产品制订特定的安全有效性验证规范，比如测评数据库的建立，来加快AI产品问市的速度和整个行业的发展。伴随各级政策持续发力和医疗“新基建”推进，未来数据资源的标准统一，将给AI带来极大助力，以科亚医疗和汇医慧影为代表的医疗AI行业，也在致力于加速“新基建”，以医学影像全流程智能化平台满足实际需求场景，加速AI落地。
-
今年，来一场医疗科技的「诺曼底登陆」|CCF-GAIR2020 1944年6月6日早6时30分，以英美两国军队为主力的盟军先头部队总计17.6万人，从英国跨越英吉利海峡，抢滩登陆诺曼底，攻下了犹他、奥马哈、金滩、朱诺和剑滩五处海滩。此后，288万盟国大军如潮水般涌入法国，势如破竹，成功开辟了欧洲大陆的第二战场。「诺曼底战役」是目前为止世界上最大的一次海上登陆作战，使第二次世界大战的战略态势发生了根本性的变化。医疗行业，也正在进行一场「诺曼底登陆」。医疗器械、医疗AI、互联网医疗、健康险、生物医药、医疗信息化市场迎来井喷。科技，成为医护者们加速疫情结束的「登陆舰」。回过头来看，全球抗疫背景下，医疗物资需求激增但严重短缺。以医疗器械为例，一些基本的医疗器械如口罩、额温枪等，是在这次防疫中必不可少的医疗器械，是公共卫生防疫中关键性的工具。但是，医疗器械的产能受到了严峻的考验。GE医疗无锡工厂总经理张朝晖曾向雷锋网说到，一台高端呼吸机，包括了通风引擎、高速涡轮、电机、核心算法等多个关键部件，其中通风引擎物料就有200多个，装配步骤需要100多步，对于最终产品的精度、气密性、洁净度都有非常高的要求。如何进一步突破技术壁垒、完善供应链体系，将成为以“呼吸机”为代表的医疗器械所面临的阶段性考验。与17年前的SARS不同，互联网在人们生活中的地位愈加重要，这次疫情刺激了在线医疗的需求。雷锋网了解到，2019年之前，人们线上问诊的比例仅为2%-4%。在此次疫情的催化作用下，线上问诊的比例已经提高至10%左右。平安好医生、丁香医生、微医等推出线上问诊平台，帮助用户筛选普通感冒与新型肺炎，一方面缓解了线下就医压力，节省了资源，也让无数消费者体验了互联网医疗的便利。疫情期间，平安好医生平台累计访问人次达11.1亿，APP新注册用户量增长10倍，APP新增用户日均问诊量是平时的9倍。今年3月，国家医保局发文，互联网医疗正式接入医保，无疑会加快“互联网+”医疗服务的应用，已提前做好布局或行业中的优势企业将受益。同时，国家和各省市纷纷发布政策支持互联网医疗全面发展，助力我国互联网医疗迈入3.0时代，市场前景广阔。医疗AI也将迎来最好的时代。4年多以来，医疗AI行业陆续被打上“认证困难”、“商业化能力存疑”等标签。但是，今年1月、6月，科亚医疗和安德医智的医疗AI产品分获NMPA审批，越来越多的医疗AI产品将会看到商业化的曙光。总的来说，我们正在迎来医疗科技发展的“最好时代”。新基建与后疫情时代的大背景下，国家对人工智能、大数据、5G等前沿技术的发展从政策上给予了足够的重视，医疗科技已成为国家产、学、研、投最为重要的领域之一。然而，哪里有机遇，哪里就有战场。利用多样的技术，选择不同的“登陆方式”，将成为医疗行业玩家的下一个分水岭。医疗科技，路在何方？——CCF GAIR 20202020年8月9日，由中国计算机学会、雷锋网、香港中文大学（深圳）联合举办的CCF-GAIR全球人工智能与机器人峰会，将开设“医疗科技”论坛。本专场以「后疫情时代的医疗新基建机遇」为主题，邀请数百位医院CIO、影像科主任、医保局领导、保险巨头高管等听众，致力于打造粤港澳大湾区医疗科技风向标会议。目前，计算机视觉与医学影像分析界的两位大咖已确认出席，分别是MICCAI 2019大会主席沈定刚教授、腾讯天衍实验室主任郑冶枫教授。与此同时，雷锋网(公众号：雷锋网)也在同步邀请BAT医疗科技负责人、医疗科技公司高管参会。历年的「医疗科技专场」，已成为CCF-GAIR最受学者们关注的专场之一，往届嘉宾有三院院士Demetri Terzopoulos、IEEE Fellow田捷、沈定刚、张元亭，斯坦福大学医学物理系主任邢磊、瑞士苏黎世理工学院机器人所长Brad Nelson、香港大学新兴技术研究所所长席宁等知名学者出席。同时，微软亚洲研究院副院长张益肇、飞利浦大中华区CTO姚智清、科大讯飞智慧医疗事业部总经理陶晓东等企业代表出席。2020年8月9日，我们将率先一步，探明医疗科技的未来走向。
-
西门子医疗AI战略全布局丨万字长文 近期，雷锋网医健AI掘金志邀请西门子医疗高级研发科学家于扬，做客雷锋网(公众号：雷锋网)公开课，以“大道至简，深入解析西门子医疗智慧影像链”为题，对西门子医疗的全流程影像AI解决方案进行了解析。后续将有更多课程上线，添加微信公众号 医健AI掘金志 报名听课，或收看本节课程视频回放1990年，西门子就已经将AI应用在设备成像中。西门子医疗高级研发科学家于扬表示，虽然AI近些年在辅助诊断中取得了很好的效果，但这只是影像科工作链上的一个点。在AI应用上，西门子医疗提出一种全流程智慧影像链的解决方案，将人工智能融合到影像设备操作流程和科室工作之中，提供全科室的精准医疗服务。以CT扫描前的患者位置选择为例，西门子医疗研发了Alpha自动解剖结构识别技术，自动标记扫描区域，消除人为操作可能产生的误差，准确性达到99%；在扫描环节中，其自动管电流和电压调节技术可以根据患者体型，辅助技师选择最佳的扫描参数条件。针对扫描后的医生诊断环节，西门子医疗提出了前处理理念。以心脏扫描为例，将过去需要15分钟时间才能完成的心脏分割，冠脉提取，处理分析等后处理工作，在西门子前处理工作站下后自动完成，当医生打开病例时，对应的结果和分析报告就会自动呈现出来。以下为于扬分享的全文内容，雷锋网做了不改变原意的编辑。构建完整的智慧诊断链条扫描前，用AI解决人为区域选择误差扫描中，利用AI自动推荐扫描参数图像重建方面，构建4种模型共同优化质量后处理阶段，提出“前处理”理念将AI应用在心脏、神经等疾病的诊断效率提升。我主要想谈一谈西门子医疗智慧影像链在CT检查和诊断中的应用。在开始介绍之前，我想先跟大家分享几个数字：截止到2019年底，全国CT装机量已经达到5600台，并且这个数字还在以每年16%的速度增长，另一方面，目前在中国注册的影像相关诊断医生，包括技师和护士在内，总共只有15.8万人，相当于每百万人口中只有11个影像医生、这个群体的增长速度只有2.2%，远没有CT的增长速度快，这样的不平衡会引发很多的问题。 第1点，医生工作量的增加。据统计，一个医生每天要平均处理50个患者的影像数据，阅读25000张到50000张的医学图像，加班已经成了医生的家常便饭。第2点，患者就诊的感受也不是很好。曾经有报道说患者需要等上好几天才能拿到自己的诊断报告。第3点，工作量增加，还被证实会导致诊断水平准确性的下降。有些研究表明如果将医生工作时的处理时间缩短一半，那么诊断的错误率才有可能会提高16.6%。所有的一切都构成了医学影像发展中的新挑战。如何解决这些挑战？我想很多人心目中都会想到这样的一个答案，用人工智能方法帮助医生减少工作压力、提高工作效率。从两三年前开始，人工智能再次回到我们热议讨论的中心。这个时候开始有大批的初创公司将目光聚焦于此，由此衍生出很多应用，比如说肺结节的筛查分析、乳腺癌筛查、眼底糖网筛查、术中鉴别的辅助诊断，这些应用很多都是应运而生。但回过头来看，在投资蜜月期结束之后，真正被临床接受、被NMPA认可、具有稳定的临床表现的这种应用产品却寥寥可数。为什么会出现这样的情况？其实我们分析有认为有以下三点的原因：第1个， AI的优势在于对明确逻辑或者是特定规则下进行学习和预测。而对于疾病诊断来说，很多诊断指南还在更新和完善的过程中，很多所谓的临床金标准的可信度也没有达到百分之百。这就使我们学习和预测模型的准确性，在想达到准确性很高的程度时，会有较大的难度。第2个，我们之前关注的过于局限。回过头来看，过去大家可能将太多的目光关注在了辅助诊断上。这并没有错，但医学影像是一个非常长的工作链条，我们不应仅仅关注在一个点上，而是应该从整体的角度想办法来提高工作效率。第3，很多研究也都证实，决定AI算法准确性的核心在源头：数据的采集是否规范、数据的标准是否统一、数据的质量是不是满足要求。这些是AI成败的关键，这也从侧面说明，要从整体角度去思考AI对于影像工作流程影响的重要性。正是基于这样的想法，西门子医疗提出了一种全流程智慧影像链的解决方案。西门子医疗在全流程创新方面，是将人工智能的思想融合到影像设备的操作流程以及影像科工作的工作流程之中。为科室提供全系列的影像产品的同时，辅助操作技师和影像医生提供快速个性化和定制化的精准医疗服务。对CT来说，这个代表着什么呢？整个CT的检查流程的环节特别多，而且会涉及到众多工作人员，同时还需要科室间配合的辅助检查过程。比如说在扫描之前，医护人员需要对患者进行准备，对扫描手段进行设置。如果是做心脏扫描的话，还需要对患者的心率进行评估。在扫描过程中，首先需要对检查进行检测、复核，然后还需要根据患者的情况选择合适的扫描方案、扫描条件，甚至还需要对异常的情况进行处理。扫描结束后，医生也需要对数据进行后处理的分析，包括阅片、撰写诊断报告等这些工作。我们可以把这个过程分为扫描、重建、后处理和诊断等四个环节。每一个环节中都有很繁琐的操作，人工智能的方法和技术确实可以帮助我们。值得一提的是，在每一个环节中CT的操作指南以及诊断指南都进行了严格的规范。西门子医疗的智慧影像链内嵌入的AI算法完全满足指南要求，可以提供一个规范化的扫描过程进行高质量重建，包括自动的前处理，以及精准的辅助诊断以及辅助诊断的结果。举一个简单的例子，比如说对近些年来备受关注的肺结节筛查，指南中对患者的摆位，包括扫描范围都有很明确的界定。扫描技师需要通过学习和训练来掌握这些细节。然而即便如此，摆位的偏差、扫描位置偏移，依然是存在的。技师间操作个体的差异是在所难免，也是无法消除的。这就导致整个审核过程中的不规范和不准确的问题存在。这样一个简单的环节，对辐射剂量、图像质量都会产生很大的影响。通过人工智能的方法就可以很好的解决这个问题。上图所示就是利用人工智能的方法和我们手动标记的自动扫描区域的一个比较示例。我们看到白色线是手动勾画的扫描区域，而橘黄色线是人工智能算法自动标记出来的一个扫描区域，手动设置的扫描区域，它或大或小比较不稳定，而自动标记设定的区域它是永远是统一的。所以人工智能自动标记的过程，消除了人为操作可能产生的误差，同时也减少了医生的不必要的工作。这个可以通过西门子独有的基于人工智能的Alpha自动解剖结构识别技术来实现。和大多数的人工智能识别方法类似，它也是通过对大量手动标记的数据进行系统学习，然后建立起人工智能的学习模型，来学习解剖结构的一些定位信息，后面再利用这个模型在新的数据上给出这些解剖结构相应位置。为了更好的适应我们中国人群相关解剖结构的特点，了解中国人群的需求，我们也特地选取亚洲人群的数据库，进行整个模型的训练。所以对中国人群的识别准确度、敏感度都是非常好。这个技术被紧密的结合在了很多西门子医疗智慧影像链的工作链条之中，我们看到它的准确性可以达到99%，而敏感性可以达到97%以上，可以说是一个非常好的表现。在扫描环节中，除了上面讲到的自动识别功能外，扫描参数的设定也是非常重要的一个环节。我们现在看到的这个图，是我们在ct界面上对所有扫描参数的一些设置。这个设计的过程是相当复杂的，它的复杂程度绝对要高于一台高品质的单反相机的设置，其中有数十个参数需要调节。并且技师还需要针对不同体型的人群，调节相关参数来获得稳定的图像质量，以及造影剂的相应增强水平。这都非常考验技师的能力，即便拥有丰富经验的技师也可能会犯错误，因为相同的体型，体脂含量、骨骼的密度都可能不同。仅凭肉眼对体型进行判断非常难实现我们要求的标准化。而且这个问题对于高端的CT来说就会变得更为复杂。普通CT可能只有4个球管电压档位：80kV、100kV、120kV、140kV，而球管电流的选择范围也有可能只是从0~600/700mA这样的选择范围。而目前西门子最高端的双源CT，参数的调节能力就更强。千伏我们现在是有9档的选择，从70kV到150kV，每10千伏有一个选项。而电流的选择，我们可以从0~1300mA，是相当于其他CT4倍的选择范围。那么在这么多的可能性之中，哪一个才是最佳的扫描参数条件的设置？这个问题就会变得比较复杂。为了解决这个问题，我们在西门子CT上研发了自动的管电流和管电压的调节技术。这两个技术会通过患者的定位相来衡量患者的体型，以及扫描部位来选择最合适的一个电压。而且整个调节过程在扫描过程中是实时改变的，在360度的扫描过程中，这项技术可以通过在患者前一个投照角度下的密度来自适应的来调节我们的电流水平。这样就真正做到了按照患者的自身情况，个性化的设计扫描方案的过程。并且为了保证对于不同患者，我们的图像质量能够统一，可以通过设定图像质量的参考值来保证无论对于什么样的患者、什么样的体型进行扫描，都可以得到稳定和统一的图像。这个例子展示了在使用我们电流调节技术之前和使用电流调节技术之后图像上的差异。我们可以看到在肩部以及肩锁的部位，没有使用调节之前，它的伪影是非常严重的。而使用了这个技术之后，在投照方向上会感知这种密度的增强，会自动调高我们的电流的相应水平。所以我们看到在右面的图像上，它的这种伪影是非常少的，图像质量是满足我们临床需求的。另外一方面，大规模的人群使用下来的统计结果，这种技术确实也可以帮助我们对整个人群的辐射剂量管理起到一定的帮助。 比如我们看到在没有使用 care技术之前，大部分人群会采用120kV进行扫描。而使用了care技术之后，大部分人群我们辐射剂量、辐射的水平大幅度降级，大部分的人群是采用100kV进行扫描，而且获得的图像质量是一致的。这其实就是扫描参数的自动设置给我们带来的一些新的改变。那么除了这个以外，在图像质量控制方面，也是智能化的一个重要应用领域。心脏扫描可以说是整个CT扫描最重要的检查之一了，同时也是对图像质量的把控需求最高的一个环节。那么这其中其实也蕴含着人工智能技术的相应扶持。心脏检查之所以复杂，是因为我们在对一个运动器官进行成像，就好像是我们在拍一个运动的风车，需要扫心脏的CT扫描仪有一个非常快的扫描速度。西门子采用两套球管两套探测器的双源设计，同时采集来缩短心脏扫描的成像时间。我们现在已经可以做到66毫秒的单扇区时间分辨率。但是单单硬件上的这种领先还是不够的。在做冠脉扫描的时候，尤其是针对这种冠心病的患者，还会经常出现这种心律不齐的情况。那么对于这种心脏不规则的运动，就需要我们用智能的方法来帮助我们，保证我们图像质量了。这就是我后面想介绍到的ACS自适应心脏扫描的智能方法。我们看到在正常的心率下，可以通过一些心电图信号的导引，稳定的采集到两次心跳中间收缩末期和舒张末期我们想要的数据。而对于正常的心率来说，这个其实是没有任何问题的。当我们面对早搏或者心律不齐的患者时，如果没有ACS的辅助，采集的数据就会过晚而错过我们最佳的采集时间窗口。会导致整个图像的模糊或者运动伪影，整个检查就是失败的。而如果使用了自适应的心脏采集方式，我们可以看到它会自动分析前三次的心跳，来预测下一次心跳的到来时间。当遇到心律不齐的情况时候，它会自动打开全计量曝光，并且延长整个曝光时间的长度，来解决心律不齐的患者导致数据无法重建这样的问题。 从一个例子来看一下，这个患者就是连续的发生了两次早搏，ACS算法都成功的探测到了早搏的存在，并且终止了当时的扫描。在下一次正常心跳来临的时候，重新进行了新的扫描，并且延长了整个扫描的一个曝光窗口。我们从重建的图像中也可以看到，重建的图像结果并没有受到早搏的影响。同时在我们最新的系列产品之上，其实还有很多智能应用，包括对造影剂照相机安全的控制应用，包括对辐射剂量安全控制的应用，都被我们集成在扫描控制的一个ipad平板电脑之上，以确保我们可以获得一个安全标准的扫描结果。可以来进入到后续面的后处理，包括重建以及后处理的一些环节。在重建的环节中，其实早期我们并没有用到人工智能技术。但随着这个技术的发展，来到迭代重建时代，基于模型的技术就会越来越多的应用到我们整个重建过程当中。比如说我们第1代的SAFIRE迭代重建，它其实是对真实的原始数据以及前投影获得的原始数据进行比较，通过两个比较来降低我们的整体噪声，包括图像的一个伪影问题。在比较的过程中，其实就涉及到了系统的模型，模拟的是整个x射线投照，包括整个探测器吸收的一个过程。这里头其实我们就已经用到了人工智能的这种模型的概念，而在我们最新一代的迭代算法 ADMIRE上，人工智能模型的应用就会更加丰富。在ADMIRE上，我们用到了系统模型、解剖结构感知模型、原始数据与统计模型以及噪声模型，4种不同的模型。这些模型的使用是迭代算法，我们获得的图像质量有了一个显著的提升。与最原始的FBP的重建色彩相比，ADMIRE迭代重建能在保持信息值不变的条件下显著的降低图像的噪声，提高整个图像的信噪比。而且是在低对比度的一个情况下，ADMIRE能够明显的提升小病灶的显示水平和检出率。除此之外，ADMIRE迭代重建算法还可以用来帮我们降低整体的辐射剂量。那么可以看到这个例子就是在相同的辐射计量水平下，我们使用不同的重建算法，最终得到的图像的比较。很明显没有使用任何迭代算法的WBP重建，它的图像质量是非常差的。当我们使用的这种人工智能的模型之后，我们发现SAFIRE中间迭代的结果图像会好很多。而最新的基于4种模型的 ADMIRE系统，重建后他的图像质量就会非常好，整个肺内的组织显示，包括纹理的显示，其实都达到了我们临床诊断的一个水平。而且值得一提的是，它的辐射剂量真的是非常低，只有0.025 mSv，我们会把这样的方法用在肺结节的筛查上，确保患者辐射计量的安全。除此之外，为了更好的显示数据，在西门子3D显示的过程中，我们还在业界首次使用了仿生成像的技术。这种仿生成像技术，可以对西门子CT的数据进行高频次的三维还原。仿真程度我们可以和实物相比。除了这个技术建立在我们西门子CT图像高空间分辨率、高密度分辨率以及3D的一个优势基础之上，其实与以往的三维成像技术相比，还更多地运用了这种人工智能的光学模型算法。 比如说我们看到的Mont Carole模拟的方法，包括次表面散射的重建算法，这些重建算法可以帮助我们更好的显示这些解剖结构中的一些细节，同时增加这些组织结构在三维图像上深度的信息。这样的优势带来了很多改变。首先其可以用于教学的环节。比如对一些教学医院，我们可以用这样的数据来指导学生对解剖结构的认知。除此之外，对于临床来说，其实这样的数据也更有利于我们对整个的患者情况进行显示。我们现在看一个对比，这个是没有 cvrt这个技术之前，我们进行的三维显示。而有了这种cvrt这个技术之后，我们可以看到整个颅骨骨折的细节显示是非常细致的。其次这样的技术我们还可以将它用在整个手术的规划过程之中，做手术的虚拟导航。甚至这样的技术由于对于小结构，包括小血管的显示非常细腻，所以它也被用来对一些疾病提出一些新的诊断和一些指征。比如说我们对于克罗恩病去观察它的微小血管，可以提出一个新的诊断的指征标准。按照常规的流程，所有我们获得的数据，包括重建的这些结果，最后都会被传输到医生的阅片工作站上。但是在西门子的CT系统之上会有所不同。除了刚才看到的这些数据，包括后处理这些三维显示的结果之外，其实还有更多的惊喜。我们分析结果的数据也会自动的展示在我们的阅片平台之上。像这个就是西门子最著名的前处理的功能。比如我们拿心脏扫描为例，正常的工作流程，一般来说诊断医生会在扫描之后先调阅患者的平扫图像，来评估它的钙化积分，对心脏的钙化情况进行估计。然后第二步还需要将增强的图像调阅出来，对整个患者的心脏进行分割，冠脉束进行提取，来评估患者的冠脉的狭窄情况。那么接下来如果患者还进行了比如灌注扫描的话，那么医生还需要手动的将灌注数据调阅出来，导入在我们的后处理工作站中，再对灌注的数据进行分析，来评估它的心功能的情况。而如果是在我们西门子的系统上进行分析数据做后处理，那么这些所有的过程会都被自动完成。扫描之后，所有的处理都会自动的实现。当我们打开这个病例的时候，所有刚才提到的这些分析的结果，包括分析的报告，都会自动的呈现在医生的面前。那么对于以往我们可能要花15分钟完成的数据分析的任务，但是在西门子前处理这样的平台和思想之下，我们一步就可以完成，可以做到扫描结束即处理即所得。医生不用花那么多的时间浪费在我们整个复杂的后处理环节中，而是可以把更多的时间放在患者身上，去研究患者的病情。类似这样的前处理操作，其实还有很多针对临床上的操作，西门子的后处理Inline技术都可以自动完成。甚至所有这些后处理的结果都可以传输到我们的阅片平台上，非常方便医生的分析和读取。比如说对于肋骨骨折的判断，我们Inline的重建会自动把肋骨提取出来，并且将肋骨拉平进行平铺显示，方便医生更好的找到骨折线的位置，这样的结果是明确并且一目了然的。而对于一些更为复杂的诊断需求，可能就需要用到我们更复杂更高级的辅助分析软件了。比如如果医生想对心肌缺血的情况进行判断，那么常规的这种冠脉检查，虽然我们可以看到冠脉结构，但是对于血管代偿的存在，它不能直接的判断和分析我们心肌缺血的情况。相比之下血流储备分数可能会是对缺血判断更准确一点的参数，但是这是一种有创的检查方式，临床开展相对较少。所以在这种情况下，医生如何去判断患者的真实情况？对于这样的问题，西门子开发了一个基于CT图像的血流储备分数的一个评估的模型。通过对动脉束的建模，包括利用到这种仿真的、基于流体力学的血流压力的这些数据，我们可以训练出一个自动的来评估血流储备分数的一个计算机模型。利用计算机模型，我们在新的数据上就可以在很短的时间内获得对血流储备分数的一个估计值。这样的一个基于人工智能的血流储备分数模型，它的好处有以下几点：第1个，运算速度是非常快的。我们在几秒钟的时间内就可以获得原来可能需要有创方式才能获得的结果。第2点，无需我们额外的操作。我们在常规的这种冠脉的增强图像上进行处理，就可以得到这样一个结果，无需我们再做额外的一个检查。第3个，准确性很高。这种模拟得到的数据的结果跟我们真正的这种有创获得的结果，它的相近度是非常高的。所以这样就可以真正在临床使用过程中帮助我们提供额外的辅助诊断信息，而且这些辅助诊断的信息对于冠心病患者确实帮助是非常之大的。这些信息我们可以将它利用在对缺血的真实性的判断上。比如患者到底要不要真正的进行这种PCI的一个治疗，对这方面我们如何去预测，其实我们都可以利用这样的数据，在基于传统CTA的数据支持基础之上，我们可以把 CT-FFR的数据结合到我们整个的诊断路径之中。也有研究分析也讨论过，如果将这种CT-FFR的数据加入到整个我们的诊断逻辑之后，将会改变60%以上受试者的治疗推荐，可以减少很多不必要的支架的植入，这对患者是非常大的帮助。这个结论以被多家医院所证实，来自国外的多中心研究中收集了5000多例这样的数据，最终得出了这样的结果。辅助诊断其实对于冠心病患者的 PCI术后的预测是有很大的价值。除此之外，其实这样的CAD辅助诊断预测模型在我们的西门子系统之上还有很多。比如说我们现在看到的对于卒中缺血区域分析的这样一个评估，ASPECTS评分的这样一个工具，它可以自动的对颅脑进行区域的划分，并且评估出缺血的ASPECTS的参数。还有比如说我们有对肿瘤患者的良性，甚至是肿瘤的淋巴结转移可能性预测的分析软件。基于CT的纹理特征的数据，我们建立起这种组学分析的模型，可以很有效的预测包括肿瘤良恶性，是否转移，甚至包括它的基因表现的一些特点。那么除此之外，对于这种肺结节的筛查，也是我们比较传统的一个应用了。我们也提供了这种肺结节筛查的工具，可以自动标记肺结节的位置，对肺结节进行轮廓的分割，帮助医生更快速的找到病灶的一个位置，给医生更多的一个提示。还有一个值得大家关注的方面，就是在我们的科研平台上，近期我们还会推出一个肺的炎性评估的一个科研的软件。它对于整个新冠肺炎的评估会有很好的帮助作用。上面就是给大家展示的智能化和数字化技术在整个西门子医疗影像链中的应用，可以看到人工智能技术其实贯穿到了所有的流程之中，并且相互配合、紧密衔接。针对不同的临床检查目的，会形成各自不同的影像链的决策束。比如说我们现在看到的对于心脏来说，其实我们不仅仅是关注在诊断的一个环节中。从最开始讲，如何去扫描？如何去准备患者？如何去保证诊断的准确性？这些从源头开始，我们就在利用整个人工智能的方法来帮助我们获得更准确的数据，来帮助我们获得更准确的诊断结果。除此之外，对于肺结节、对于卒中来说，我们也都会形成不同的智慧影像链的这种决策束。这样的智慧影像链确实给我们带来了很大的改变，我们可以看到前后的对比。没有智慧影像链之前，可能医生大部分的时间都会集中在热力图的显示，医生大部分时间会集中在他的操作间，在电脑和显示器面前去进行复杂的设置和操作。而如果利用到我们这种人工智能技术之后，医生可以把大部分的时间放在与患者的沟通，包括对病情的了解，人工智能可以让医生从复杂的工作中抽身，把时间更多的放在与患者的交流之中。那么就是整个智慧影像链在扫描环节中，可能会对我们整个医学影像带来的一些新的改变。最后，我们还想在这个基础之上，跟大家探讨分享一下我们对未来人工智能发展的一些思考。人工智能它是一个非常大的趋势，但是如何将其跟医学影像结合，才能让它更快、更好的落地?西门子在这方面有了很深入的思考，我们给出了西门子对于人工智能的发展的一个框架。这里面可能我们要做的有两件事情：第1，就是刚才介绍到的全流程的智慧影像链，让人工智能的方法真正的结合到我们整个从数据采集到和重建后处理以及诊断每一个环节之中，更好的提高我们医生的诊断效率，提高诊断的准确性。第2，我们还是更关心疾病，更关心患者的健康。如何利用人工智能技术来提高疾病的诊断效率、疾病的准确性，这个才是我们可能更为关心的一个问题。所以我们关注在以患者为中心，以疾病为中心的诊疗路径的优化上。西门子在这个方面也是有独家优势的。比如以心脏为例，围绕心脏相关的疾病，西门子就提供了全面的医疗产品。无论是这种介入的产品和医学的产品或核磁、CT、超声，包括检查室的产品，我们都有非常丰富的产品线。其实可以帮助我们去探索一些我们之前可能没有触及到的灰色地带。比如对心肌缺血来说，有研究表明对于如果FFR数值介于0.7和0.8之间对于心肌缺血的判断准确性会有明显下降，形成一个“灰色”的诊断地带。 其实可以帮助我们去探索一些我们之前可能没有触及到的灰色地带。比如还是以刚才讲到的心肌缺血的问题来看，有研究表明对于如果冠脉 CT-FFR这个参数在0.7和0.8之间，这是一个整个判断，也是心肌缺血的一个灰色的地带。那么如果我们可以综合的利用多种参数来共同评估，其实它评估的准确性会更高一些。比如有研究表明，我们同时利用FFR数值，包括CFR数值以及微循环的数值同时对血管进行评估，它整个预测包括急性冠脉综合征以及未来不良事件的风险和准确性都会高很多。而这些不同的这些参数，其实都是我们利用西门子的不同影像设备可以做到并获得的数据。这是我们未来的一个方向，要利用多模态的采集方式，利用多模态数据共同分析的方法，来帮助我们更好的提高诊断的水平。 那么不单单是在心脏方面，在整个的肿瘤的分析方面，我们也可以综合的利用CT、核磁，包括核医学这样的数据来进行统一的分析。那么对于比如说神经方面，现在也有非常明确的诊断的流程。我们利用CT的数据可以进行这种颅脑的灌注，利用核磁的数据可以看到我们脑组织的一些变化，利用 DSA的数据可以看到我们整个血管的一些走形变化，包括堵塞的变化。我们可以利用全方面所有的影像设备里影像设备提供这些数据，对这些疾病做一个全方位的诊断。这是我们整个的基于单病种智慧治疗路径优化的整个思考方式。那么这些思路也得到了整个西门子硬件方面的一些支持，包括整个数据的分析和分享。我们可以通过这样一个系统，打破各个科室之间数据分享的一个壁垒，然后获得数据的共享。除此之外，在西门子的所有的系统之上，我们还率先推广了数字化的结构报告。对于不同的诊断结果，我们都可以采用这种结构化的数字化的方式进行存储，方便我们后期对数据的分析，包括对数据的查找。而且对于整个人工智能来说，数据的一个标准化，包括它的一个结构化，也是对于我们后期做数据挖掘非常重要的基础。西门子投入了大量的精力在开发人工智能的发展方面，目前已经拥有人工智能应用达到了40多项，并且拥有自己的医学诊断的数据库，进行人工智能算法的开发，并且我们还有大型的这种基础的设备来进行运算力的一个支持。2018年，我们公司还斥巨资打造了 digital health solution数字医疗解决方案这样的部门，我们会专注在人工智能产品的设计和研发的工作上，和更多医生和客户致力于人工智能的应用。
