智能医疗提高医生阅片准确率和诊断水平

医生已经成为全球自杀率最高的职业。而近几年来，AI技术的引入则为整个医疗健康行业带来了曙光。 

医生已经成为全球自杀率最高的职业。根据2018年由医师基金会发布的报告显示，有多达78%的受访医生表示偶尔会感到精神萎靡——这个数字比2016年的调查高出4%。此外，医生的自杀率已经达到普通群体的2倍。据估计，在美国每年有300到400名医生因此而失去生命。这是相当可怕的一个数字。

我们知道，引发医生产生焦虑的原因有很多，比如门诊压力、医疗事故问题、医患关系紧张等等，每个问题单独拿出来都是一个非常棘手的课题。尤其是在我国医疗资源分布不均的大环境下，所有的问题也被加倍放大。而近几年来，AI技术的引入确实为整个医疗健康行业带来了曙光。

具体地，AI在医疗健康行业中的应用包括了医疗机器人、智能药物研发、智能诊疗、智能影像识别、智能健康管理等方向。其中，智能诊疗和智能影像识别是最核心的两大应用场景，而后者也是AI与医疗结合最成熟的领域。

据《医疗影像的市场图谱和行业发展分析》报告指出，预计到2020年中国医学影像市场规模将达6000亿至8000亿左右。这样的市场机会引来了诸多科技企业的争相进入，包括腾讯、阿里巴巴以及一批又一批的医疗AI创业公司。医准智能正是其中的活跃者之一。

提高医生阅片准确率和诊断水平

作为国内在AI医疗影像领域最早的实践者，医准智能的核心团队早在2014年就开始了相关研究，并在2017年正式成立公司。多年来，医准智能一直专注于AI辅助医疗影像诊断，并已经推出了两款产品——肺结节智能检测系统和乳腺钼靶智能检测系统。

据医准智能首席AI官王子腾日前在接受记者采访时介绍，医准智能肺结节智能检测系统在短短18秒的时间里就能智能检测300-500张CT，并且3mm以上的结节检出率达到了99%，假阳性率控制在平均每个患者2个以内；在磨玻璃结节检出上，精准率也达95%以上，结节定位能够精准到肺段。

医准智能肺结节智能检测系统界面示例

呼吸道及肺部病症如今成了普遍问题，而肺癌也是发病率最高的癌症。据统计，在我国三甲医院平均每天接诊的肺部患者有400人左右，由于肺部拍片是断层扫描，医生要检查一个完整的肺部，需要看数百张的成像数据，通过肉眼识别用时大概在半小时左右。“因为医生要观察和判断片子中的每一个点，定位每一个病灶的位置，并且测量大小、看良恶性，最终还要写成报告。”王子腾解释道。

而借助于肺结节智能检测系统，不仅可以帮助医生在10几秒时间里实现快速检测，同时还能直接输出一个电子报告供医生进行二次审核。不仅操作简单，还节省了大量的时间。

另一款产品，医准智能瞄准的仍然是医疗中的一个棘手难题——乳腺癌。其乳腺钼靶智能检测系统是我国首个乳腺智能检测系统，据了解，该系统的病灶检出率达到93%，在1个假阳性前提下，良恶性检测准确率达到94%。

医准智能乳腺钼靶智能检测系统界面示例

王子腾表示，目前，这两个系统已经在全国许多医院投入临床使用，并得到了CFDA（国家食品药品监督管理总局）的认证，极大提高了临床医生的阅片准确率和诊断水平。

让医生一边看病一边搞科研

与此同时，医准智能正在开发的还有数十个产品，不只是乳腺超声、DR胸片检测等临床辅助诊断系统，今年5月医准智能还与IBM一起合作发布了AI医学科研平台——达尔文智能科研平台。

随着近几年来技术的创新和设备的升级，据统计，医疗数据正在以接近100%的超高速增长，其中有80%的数据都是非结构化数据。相比较而言，医生的年增长却只有个位数，其中大部分还是基层医疗从业人员。因此，数据收集与处理正成为制约医疗与科研发展的瓶颈。AI与医疗的结合将有助于解决这一问题，从数据收集、组织、标注，到模型的构建、训练等端到端的全生命周期，帮助医生实现一边看病，一边搞科研。

达尔文智能科研平台正是这一背景下的产物。这是一个一站式医疗影像人工智能平台，内置了Watson Machine Learning Accelerator和医准智能影像组学双平台，以及医准智能在影像组学上的深度研究实践，支持包括CT/MR/DXR等多种类型的数据，具备标注工具、特征提取、模型训练以及模型实施一体化特征。通过Watson Machine Learning Accelerator平台，用户可以直接调用医准智能的肺部和乳腺智能检测结果，快速搭建高精度低假阳性率的肺结节和乳腺AI模型，同时，平台还允许用户根据具体需求进行研发和调整，并确保数据不出院，最大限度保证数据安全可控。

医准智能首席AI官

“过去医生自己做研究，因为缺少技术开发知识，就必须把数据交给第三方公司进行分析。但借助于达尔文智能科研平台，医生只要进行简单的拖拽和点击操作，就可以自主完成从数据标注到科研模型训练，再到应用的全部流程。”王子腾表示。

比如，在数据组织阶段，平台可以提供自动分割功能和标注工具，借助AI自动进行病灶分割和自定义病灶区域，帮助医生进行数据处理，提升效率；在影像导入到系统后，AI会自动对影像进行一次分割，医生可以选择其中的优质结果作为科研素材；此外，医生也可以选择通过标注工具对影像进行主动标注，或者修改AI的自动分割结果作为科研素材。

“当然，平台的产出不会只停留在科研阶段。根据医生的科研结果，平台还能帮助医生逐渐进行产品的迭代和升级，最后与产业中的企业合作，实现科研成果的产业化落地。”IBM中国系统开发中心技术解决方案总监崔玮强调说。

IBM中国系统开发中心技术解决方案总监崔玮

无IA，不AI

在IBM看来，随着AI进入规模化生产和应用，数据管理难题会越来越凸显，比如数据摄取和准备的周期太长，多元数据的难以聚合，如何将处在不同基础架构孤岛中的数据流动起来，以及如何安全地管理和保护数据，确保可追溯性，并实现全球可访问和协作等等。“在这背后，基础架构的支撑会变得越来越重要。”IBM大中华区系统部存储系统总经理吴磊表示。

IBM大中华区系统部存储系统总经理吴磊

举例来说，在此次医准智能与IBM的合作中，医准智能主要提供高效领先的AI算法驱动，而IBM提供的则是强大算力和数据管理的支持。如果分解开来看，达尔文智能科研平台实际上是IBM Power、Spectrum Scale、IBM Watson Machine Learning Accelerator的端到端IA组合——即由OpenPOWER服务器提供超强算力，与Distributed Deep Learning相结合提供强大的线性扩展能力；由Spectrum Scale为集群化的AI平台提供稳定、高效和安全的数据平台支持；由Watson Machine Learning Accelerator作为开放性AI平台的代表，为上层应用提供可靠的平台支持。

其中，Spectrum Scale虽然是个“新瓶”，装的却是“老酒”。据吴磊介绍，它之前的名字叫做GPFS（General Parallel File System）——通用并行文件系统。如果追溯的话，这个系统的发展历史已经有25年之久。此前，IBM打败国际象棋冠军卡斯帕罗夫的深蓝计算机和后来在智力竞赛节目Jeopardy中战胜了两名前人类冠军的Watson，它们基于的都是这个系统。

“随着AI进入规模化生产和应用，它就需要与企业业务进行融合，在这一过程中，数据成了核心。而每个数据都需要载体，包括计算力、存储性能、网络吞吐量等等，只有这样，数据流通才能完成。比如，IBM的创新存储产品可以帮助企业部署一个治理平台，把用于AI 模型的数据统一起来，让它们从离散到聚合，从离线到在线，从静止到流动，形成端到端的数据管道，实现企业数据随时随地存储，随时随地获取。“

“因此，IBM一直坚信‘无IA，不AI’，我们希望能够通过高效、可靠而开放的现代化架构，助推AI不断向企业、产业延伸和落地。”吴磊表示。