7月1日，在由武汉国家生物产业基地建设管理办公室主办、火石创造承办、光谷健康智慧园协办的医疗大数据与医学人工智能高峰论坛上，Airdoc创始人兼董事长张大磊做了题为《AI在医疗领域中应用的问题与局限》的演讲。
Airdoc是医疗领域人工智能领军企业，专注于人工智能医学影像识别领域的应用，一直尝试通过科技手段解决影像学方面医疗资源分配不平均。在现场，张大磊重点分享了在智能影像领域的实践经验，以及人工智能在医疗图像识别上的局限性。
本文系根据张大磊先生在《医疗大数据与医学人工智能高峰论坛》上的精彩分享整理而成。根据嘉宾意见，分享内容已删去部分敏感观点及内部信息。
“More Intelligent， Better Care”
“在现实中医疗资源分配不平均很多人被漏诊，而人工智能可以学习医学专家的经验，应用在基层能够辅助基层医生工作，提升他们的疾病识别水平。”张大磊这样描述成立Airdoc的初衷，语气诚恳。
近几年，人工智能图像识别技术快速发展，在某些特定领域已经超过人类。医学影像作为疾病诊断的重要路径之一成为了一个热点。医疗行业涉及知识面广，人工智能可以在多个环节发挥作用。比如：医学影像识别、生物技术、辅助诊断、药物研发等领域，目前应用最为广泛的当属医学影像识别。
“总体来讲，整个行业呈现出欣欣向荣的态势。但实际上真正落地的时候还是有很多问题。”张大磊简单介绍了人工智能在医疗图像识别上的三种常规做法及其局限性。
人工智能在医疗图像识别上的三种常规做法
张大磊介绍，目前人工智能在医学影像识别的应用上主要有三种方法：分类、检测和分割。
分类是最简单的，需要输入大量的样本学习，一般“万”级别的样本训练出来的结果才能说比较好，但是只能够识别有没有病，不能对医学影像进行标注。
张大磊现场举例：假设通过算法识别图片上的高度相似病变，如果用分类样本量小就很难调准。这一环节存在着样本量不够以及样本不均衡的问题，同时，医生标注的工作量是最小的，医生把弱标签经过分类处理之后就可以进行标注。
检测，即从图像中检测出来有什么。需要的训练样本量一般比分类的样本量少一些，但医生标注的工作量有所增加。举个例子，如果要标注放射样本量，医生需要把每个片子看一遍，把有问题的地方框出来，这个过程中如有框漏，会影响检测的效果。<余下全文<
