閱片機器人在普及之前，還需要解決這三個問題
還記得你上次為了看一個X片的結果在醫(yī)院排隊排了多久嗎？
在傳統(tǒng)醫(yī)學上，醫(yī)生需要把片子對著燈光一張一張來看，費時費力，而且一旦疲勞，閱片的成功率會有所下降，產生判斷錯誤的概率。
不過這個問題很快可能會得到解決。日前在央視一套一檔人工智能節(jié)目《機智過人》中，一閱片機器人幾秒內看了三百多張CT片，連撒貝寧都驚詫懵了。
如果你對于醫(yī)學影像識別領域有所關注的話，2017年最有趣的事莫過于杭州健培科技與阿里巴巴iDST視覺計算團隊，在國際權威肺結節(jié)診斷大賽LUNA16的世界記錄之爭。最終，健培的啄醫(yī)生閱片機器人以91.3%的平均召回率重回第一，并且創(chuàng)造了新的世界紀錄。通過這場世界記錄之爭，其所反映出的是我國閱片機器人這一細分領域的蓬勃發(fā)展。
事實上，從肺部影像人工智能診斷系統(tǒng)天肺一號的推出，到騰訊的騰訊覓影、阿里巴巴ET醫(yī)療大腦紛紛入場攪局再到閱片機器人視診通大戰(zhàn)84位影像科的專業(yè)醫(yī)生、啄醫(yī)生閱片機器人與15名三甲醫(yī)院主治醫(yī)師打成平手，方興未艾的閱片機器人已經博得社會各界陣陣熱議，人們也在對它無限遐想。
閱片機器人真的能做到既快又準？
AI機器人憑什么能做閱片？
隨著AI在醫(yī)療領域的深度落地，AI機器人在大數(shù)據(jù)和算法技術的支撐之下，能夠對MRI圖像、CT圖像、超聲圖像等醫(yī)療影像進行識別和處理，并且通過進行自主學習，來不斷提高處理的能力和效率，從而能夠輔助醫(yī)生來進行閱片診斷。
一般來說，在喚醒機器人后，閱片機器人的運行會經過圖像輸入、圖像分割與識別、圖像分析和信息輸出四個步驟。圖像輸入是指將張數(shù)不等的醫(yī)療影像輸入進閱片機器人，例如一整套CT圖像大概由200到600張切片組成；圖像分割與識別是指閱片機器人會對于輸入的序列圖像進行算法分割與識別，標注病灶等；圖像分析是指對于病灶進行相關分析，包括磨玻璃的密度、實性成分占比等等，如阿里巴巴ET醫(yī)療大腦的智能診斷功能就是基于深度學習之后，發(fā)掘病灶的內在規(guī)律；信息輸出指將所得出數(shù)據(jù)進行匯總，得出報告。
通過對閱片機器人的運行路徑觀察，我們不難發(fā)現(xiàn)其具有高效率、客觀性等特征，能夠在提高醫(yī)生診斷效率的同時，減少人為失誤率。
閱片機器人的爆紅為什么是在這個時候？
另外，閱片機器人的快速發(fā)展其實是與算法技術在此領域的成熟應用分不開的。閱片機器人的核心就是醫(yī)學圖像的處理技術，包含圖像的去噪、增強和分割等，機器人維修，而這背后則是算法技術的支撐。智能相對論查詢諸多文獻后，發(fā)現(xiàn)目前比較常用的算法有蟻群算法、模糊集合論、卷積神經網絡算法以及各種算法之間的融合等。
1、蟻群算法（AntColonyOptimization）
蟻群算法是在研究螞蟻覓食的過程之中，所得出的用來尋找優(yōu)化路徑的概率型算法。在醫(yī)療圖像處理之中，常常是基于區(qū)域內部灰度相似性和區(qū)域之間灰度的不連續(xù)性來進行圖像分割的。因此能夠利用蟻群算法的正反饋效應以及分布式的計算方式，來完成對于輸入圖像的分割。
2、模糊集合論（FuzzySetsTheory）
待考察的對象及反映它的模糊概念作為一定的模糊集合，建立適當?shù)碾`屬函數(shù)，機器人維修，通過模糊集合的有關運算和變換，對模糊對象進行分析。目前基于模糊集合論的圖像處理方法包括模糊連接度割法、模糊聚類分割法等。
3、卷積神經網絡算法（ConvolutionalNeuralNetwork）
卷積神經網絡由人工神經網絡發(fā)展優(yōu)化而來，是一個多層的神經網絡，每層由多個二維平面組成，而每個平面由多個獨立神經元組成。卷積神經網絡采用了局部連接和共享權值的方式，避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，并且還具有良好的容錯能力、并行處理能力和自學習能力，可處理復雜的環(huán)境信息。據(jù)悉，啄醫(yī)生采用的算法就是運用了中科大的安虹教授團隊基于影像識別的3D卷積神經網絡算法上進行的優(yōu)化。
正是這些算法的成熟，才促成了這些閱片機器人性能的快速提高，也讓它飛入尋常醫(yī)院加快了腳步。
閱片機器人在普及之前，還需要解決這三個問題
不過，盡管閱片機器人有著科學和強大的技術支撐，但要全面進入醫(yī)療應用階段，讓所有人都不用再去排隊苦等醫(yī)生診斷，還需要一點時間。目前主要的三大不確定因素主要表現(xiàn)在程序設定、數(shù)據(jù)學習和數(shù)據(jù)保護三個方面。
第一，程序設定上的失誤，可能促使誤診的大規(guī)模發(fā)生。
閱片機器人目前仍然達不到100%的精確判斷，正如開頭所提到，目前肺結節(jié)診斷正確率的世界紀錄為91.3%，視診通在進行甲狀腺結節(jié)超聲圖像的性質判定時正確率也只有76%。其原因一方面是受到目前客觀科技水平的限制，另一方面則是人的主觀失誤。
正如前文所介紹，支撐閱片機器人運行的是一整套由人預設好的程序，程序的各個環(huán)節(jié)緊密相連，前后相繼，最終完成閱片機器人的工作。而人的主觀失誤正是體現(xiàn)在程序的預設上，如果其中任何一個環(huán)節(jié)設定出現(xiàn)了紕漏，會使得最終的數(shù)據(jù)報告出現(xiàn)偏差，從而會導致醫(yī)生的診斷和治療方案失誤。此前強生CTC檢測儀器Cellsearch系統(tǒng)就被爆出存在包括X、Y、Z軸移動超時、復位錯誤等共37個類別的問題，所幸儀器在問題發(fā)現(xiàn)之前還未造成嚴重事故。
第二，急需更多有質有量的案例，提升學習能力。
AI閱片機器人實現(xiàn)自我學習功能的根基是大量的學習數(shù)據(jù)輸入，學習數(shù)據(jù)的質和量都對AI閱片機器人產生重大的影響，學習的數(shù)量越多、案例越典型，識就別的速度和質量會越高。相較而言，目前醫(yī)療相關數(shù)據(jù)在質和量上都存在著問題。其一是大量的醫(yī)療數(shù)據(jù)未進行電子化，其二則是醫(yī)院與醫(yī)院之間存在藩籬，缺失共享、開發(fā)的數(shù)據(jù)庫。在《機智過人》的節(jié)目之中，健培科技CEO程國華透露其閱片機器人學習的醫(yī)療影像資料為十萬套以上，而同場競技的主治醫(yī)師都為二十萬套以上。再來一個數(shù)據(jù)可能會更為直觀，戰(zhàn)勝人類棋手的AlphaGo一共學習了數(shù)百萬人類圍棋專家的棋譜。
第三，醫(yī)療數(shù)據(jù)監(jiān)管力度不足，個人隱私保護成疑。
閱片機器人進行診斷的醫(yī)療影像資料報告在輸出給醫(yī)生的同時，也通過信息傳輸技術，保存在了機器生產商的云平臺之中。經過時間的積累，機器生產商所擁有的個人數(shù)據(jù)會非常龐大。而這也就意味著，庫卡機器人，在目前我國醫(yī)療數(shù)據(jù)監(jiān)管乏力的情況之下，個人的隱私將受到極大的威脅。
在去年浙江松陽所破獲的一起特大侵犯公民個人信息案件中，犯罪嫌疑人入侵某部委的醫(yī)療服務信息系統(tǒng)，獲取各類公民個人信息達7億余條。正如和美醫(yī)療控股有限公司創(chuàng)始人林玉明所提倡的一樣，希望國家對數(shù)據(jù)立法來保障個人的隱私安全。
目前閱片機器人所取得的成就，標志著我國在AI部分細分領域的突破性發(fā)展。盡管有些問題待解，但我們依然期待機器人能縮短我們看病排隊的時長，去醫(yī)院不再難于上青天。