AI（人工智能）在医疗领域可发挥怎样的作用？在中山大学肿瘤防治中心，该院影像科主任谢传淼教授向记者展示了AI辅助肿瘤诊断的操作方法。“你看这个患者，肺部CT中发现6个肺结节，AI自动标注为红色。通过手术切除后我们去做病理检查，发现这些结节全部都是恶性的，也即是肺癌。AI连这个1毫米的结节都能发现，如果是医生阅片，这么小的结节很难被发现，很可能会进展成肺癌晚期。”
记者走访广州多家医院了解到，AI技术如今在医院临床应用中十分广泛。通过AI对肺结节进行筛查，有的医院一年可以筛查出300例肺癌患者；而AI也可以判断出冠心病患者的血管狭窄程度，提示医生是否需要放心脏支架，并标注出潜在的易损斑块位置，帮助医生更好地“拆弹”。
助力早期肺癌筛查：
阅片一张只需几秒“火眼金睛”1毫米结节都不放过
谢传淼介绍，该院从4年前就开始使用AI技术辅助影像诊断。去年一年，该院患者CT、MR、X光的检查人数就达到79万人次，今年可能会超过90万人次，庞大的影像诊断数据，也给AI深度学习提供了机会。“机器也可以变得很聪明，就像AI医生一样。”
谢传淼说，AI如今已经广泛应用于肺结节病灶筛查。肺结节作为肺癌筛查的重要表征，AI系统可以帮医生找病灶，它会发出提示，而至于病灶性质，还要靠有经验的医生来判断。谢传淼表示，一个人的胸部CT可能有五六百幅照片，如果影像科医生一幅一幅去看，会非常辛苦。“医生通常要花8到10分钟看一张片子，AI可能只需要几秒甚至一秒。AI会主动帮助我们把在CT片中发现的小结节找出来，并标注出哪些是高风险结节，哪些是低风险结节，哪怕只有1毫米的结节都能发现。”
他表示，在临床上，多数患者出现不适时才就诊，确诊时已是肿瘤晚期。所以，肺癌的早发现、早诊治十分重要，而肺结节筛查则是发现早期肺癌的关键环节。有些结节非常小，患者也不会感到不适，但如果是恶性结节，就可能是癌前躯体病变甚至是早期肺癌，及时发现和筛查肺小结节，对于肺癌防治至关重要。
谢传淼介绍，胸部检查是日常医学影像检查的重要部分。由于胸部结构复杂、病变种类多，尤其是对于细微病变，需要在不同窗位间切换，从而做到对于肺结节等相对微小病变进行无遗漏的筛查。影像医生对肺结节的检出耗时很长，而且检出率还与病灶的位置、大小、与周围结构的密度差异等有关，医生的阅片状态受经验、水平、日常工作量等因素干扰，难免对病灶存在一定概率的漏诊。而AI技术有助于提升影像医生诊断的速度和准确性，改善影像医生的工作强度。AI会选出所有候选结节，然后对结节进行分类，降低假阳性率。
降低假阳性率是AI面临的主要挑战。肺部图像数据库联盟（LIDC）为影像医生提供了大量专家标注的胸部CT图像，为肺结节研究创建了平台，并能用于不同算法的比较，现已被广泛使用。
造福冠心病患者：
估测血管狭窄程度识别易损冠脉斑块位置
AI在临床的应用远不止筛查早期肺癌，它也给冠心病患者带来福音。谢传淼说，AI技术在心血管疾病影像诊断中也有广泛应用。它能够与现有心血管诊断有机结合，通过AI自动阅片、影像重建、定量分析等功能，提高医师对心血管病变的诊断准确率。
如冠状动脉狭窄程度的判定，对冠状动脉粥样硬化患者尤为重要，这关系到患者的治疗方案。血流储备分数(FFR)是评价冠状动脉生理功能的“金标准”，但其为有创性方法，临床应用受限。目前，通过基于冠状动脉CT血管造影（CTA）的血流储备分数(CTFFR)进行血管狭窄判断已经越来越被业内接受，通过AI计算结果，可以兼具准确性和高效性。
“比如，患者的血管是否狭窄，狭窄多大程度，颈动脉有没有斑块，AI都可以通过影像比对后进行过滤，并最终给出估测值，这直接关系到下一步的治疗措施。”
谢传淼表示，AI在辅助其他肿瘤防治方面还有更多应用场景，如今在该院，AI辅助肝脏肿瘤、脑肿瘤、乳腺肿瘤、骨转移瘤的筛查系统正在研究完善中。比如，肺癌患者的癌细胞有没有脑转移、骨转移，是否可以行切除手术，AI通过寻找病灶都可以提供依据。“AI正在成为医生的千里眼和分析师。”他说。
原中山大学肿瘤防治中心教授黄文林也表示，AI技术在预防心脑血管事件发生方面如今起着重要作用。“冠状动脉CT血管造影(CTA)是心内科诊断上的一项常规检查，它能对血管狭窄程度进行监测。而血管狭窄到底对远端血流产生多大影响，这往往不能简单地从影像观察中获取，诊断很大程度依赖于医生的经验。而基于AI学习的血流储备分数(CTFFR)分析算法，则可以对血管直径、狭窄程度、血流动力等指标进行筛查，协助医生快速对患者病情做出诊断。”
据悉，国外已经有很多家AI公司通过机器深度学习，预测CTFFR值已经达到非常高的精度，在敏感度和特异性方面都达到较高水平。而国内也已有这方面的医疗科技公司通过AI技术可以确定患者的血管狭窄程度，准确性高，大大减少医生工作量，并提高工作效率。对于患者是否需要做冠脉支架或者冠状动脉旁路移植术（心脏搭桥），医生可以快速做出决策。
千万级样本量“磨炼”：
AI辅助影像诊断描述更全面可避免10%的漏诊
记者随后走访了市内多家医院了解到，AI在辅助影像诊断方面已经被广泛使用。对于谢传淼提到的这些AI临床应用，广州某三甲医院影像科主任也深有体会。他表示，如今AI在医学影像诊断领域应用得比较多的是三个方面：CT结合AI筛查肺结节，早期发现肺癌；冠状动脉CTA结合AI早期诊断冠心病；平片结合AI准确判断骨龄，评估儿童生长发育。
AI在肺结节筛查中最主要的作用是早期发现高危结节，避免漏诊。“AI发现病灶的敏感度很高，有利于减少漏诊，尤其是5毫米以下的结节。”该主任介绍，经过这么多年的应用，AI在肺结节的筛查方面已经非常精准，因为使用的数据样本量已经达到上千万病例的级别。此外，AI在通过训练学习后，还能对于骨折、脊柱退变、关节畸形、骨龄预测等方面进行判断，往往能够提示医生容易忽视的细微病变。
减少不良妊娠发生：
AI诊断孕妇产后出血风险及时监测胎儿畸形病灶
除了肺癌筛查和冠心病筛查，AI技术也被各大医院产科所应用。广州医科大学附属第三医院产科主任、广州市妇产科研究所所长陈敦金教授表示，AI技术在高危妊娠筛查中发挥着重要作用。“通过将孕妇孕期影像资料和过往病史输入系统，由AI比对系统中的海量孕妇影像诊断资料，从而在早期阶段识别产妇的病情，早发现、早治疗，减少不良妊娠的发生。利用出血倾向评测工具，通过AI系统计算出产后出血的概率有多高，对于发生产后出血概率较高的产妇，医院会制定更加周密的备产预案。产妇一旦在生产中发生产后出血，AI系统可以自动抓取患者信息，给患者提供一整套治疗方案。”
不仅如此，AI还可用作预判胎儿的发育情况。陈敦金表示，超声检查对孕妇来说非常重要，孕妇在医院接受超声检查的结果，跟医生的技术水平以及对影像诊断的判断都有关系。一旦孕妇没有及时做检查，或者医生没有及时发现畸形，可能就会造成漏诊或延误。所以，该院在几年前就开始使用一套基于超声影像识别的AI诊断系统，可以及时监测胎儿发育情况，发现畸形病灶后及时处理。在孕妇怀孕的不同时期，通过查看其超声影像，选取其中几个点位，即可判断胎儿的肺部发育是否成熟。“如果AI诊断系统通过这几个点位的影像诊断，提示胎儿肺部发育不成熟，可能存在较高畸形风险，医生就会立即启动排查措施，引导孕妇做基因检测、羊水穿刺等，确定胎儿具体的畸形病灶风险点。”陈敦金表示，有AI助力，医生评估胎儿宫内状况和预测胎儿发育状况的能力大大提高。
医疗AI潜力无限
发挥更大功用需更大数据量做支撑
AI技术如今已实现在疾病辅助筛查与诊断、临床治疗辅助决策、药物研发、医学研究、医疗信息化等多个环节的全面渗透，不仅成为医生的得力助手，也为患者创造了便捷高效的就医体验。
如在疾病辅助筛查与诊断环节，AI算法模型经过海量医学影像数据训练后，即可对CT、MR、DR、超声等多模态影像进行分析，辅助医生进行病灶筛查与评估，实现对多部位、多病种的筛查与诊断。从市场行情看，AI医学影像是AI医疗商业化的前沿阵地。目前，市场上AI医学影像产品覆盖心肺、脑部、肝脏、骨骼等多部位多病种，已经应用于各级医院。
在医疗AI领域，苹果、谷歌等国外公司都有产品获得FDA医疗器械认证，如谷歌通过医疗分析和汇编患者数据开发病人搜索工具，使医护人员能够在单一页面上方便地搜索到所有患者数据，包括生命体征和实验室结果，为医生诊断提供参考；而在国内，腾讯、阿里、百度、华为等也争相入局。长期致力于医疗AI研发的腾讯觅影总经理钱天翼告诉记者，腾讯的“开悟”平台提供了高性能的计算优化技术，在同样资源的情况下，能够大幅提升AI模型训练速度，模拟多个专家系统的复杂训练与集成流程，将算法的迭代周期从30天压缩到2天。“将来有了更大医疗数据样本作为深度学习对象，AI辅助医生治病的功能将更加强大。”
与其他行业的大数据相比，获取高质量的医疗影像数据相对困难，不同医疗机构的数据还很少互通、共享。而单个医疗机构积累的数据往往不足以训练出有效的深度学习模型，使用医疗影像数据进行AI算法训练还涉及保护病人隐私等非技术问题，医疗AI在数据和算法方面都还有很大的提高空间。
一线临床医生们也表示，AI现在已经发挥了大作用，但要成为医生们更得力的助手，需要更大的数据量和样本量做支撑。
谢传淼表示，AI已在肺结节筛查中发挥重要作用。但AI辅助诊断系统的特异性仍是目前限制其在临床广泛应用的主要因素，未来需要进一步提高。一方面，AI软件系统需要提升在特殊类型结节检出中的准确性；另一方面，肺结节类型多样，在大小、形态和密度等方面存在一定差异，譬如钙化结节、实性结节、磨玻璃结节、部分实性结节等。因此，需要增加数据量和样本量，使其包含各种类型的肺结节，让AI进行深度学习，进而持续提升准确性。“如果把全广州患者的CT、MR、DR影像诊断资料都整合在一起，构建一个巨大的数据库，对我们提高AI模型的效能，准确性、特异性会具有很大的作用。对各种癌症的诊断、治疗就更加高效了。”
黄文林则表示，当前国内大部分医学影像AI软件针对的是单病种场景，对不同的病种应使用不同的算法设计。以胸部CT为例，一张胸片需要进行多种器官、多种疾病的诊断，而并非只有肺结节一种病种。因此，如何针对不同病种、不同疾病类型开发出AI新产品，是未来要考虑的问题；其次则要避免AI误诊的问题。此外他也表示，数据量仍然是限制医疗AI发展的关键问题，尤其是深度学习需要海量的数据进行训练。“数据量的多少直接决定了模型的可靠程度高低。未来应该进一步加强数据的标准化，开展数据共享，建立公共数据库，以辅助AI算法的开发。”