2017年以来，关于人工智能泡沫的议论纷纷攘攘，知乎上一问题“这一波人工智能泡沫将会怎么破灭？”获广泛关注，其中，禀临科技联合创始人PENG Bo的观点得最高赞同票，他认为，“人工智能有些危险，因为现在变现似乎是个难题。”“目前看来，AI可能并不足以支撑一个独立的公司，它更适合作为其它公司的一个部门，或被其它公司收购。”
许多智能影像一线从业者可能会对其观点深表赞同。科大讯飞智慧医疗事业部医疗影像产品负责人马文君告诉雷锋网(公众号：雷锋网)，“如今的智能影像很像前几年的互联网医疗，大家一窝蜂进来了，但下一步怎么做，是个问题。”汇医慧影梁恩铨认为，“整体来讲，智能影像诊断真正深入到临床诊断的很少，目前，业内尝试与医生合作做科研或提高效率方面尝试，但要真正提高诊断率，目前还有很大差距。”
动辄可以听到“AI取代医生”“AI的准确率超过医生”的言论，同时“理想很美好，现实很骨感”的感慨频频传来，理想的豪言壮语随处可见，那现实是什么呢？
有人说，21世纪是数据为王的时代；有人将算法比作发动机，数据比作石油；有人则强调行业数据、专家资源和核心技术是打造智能影像缺一不可的三要素。无论怎样强调数据的重要性都不为过，我们且以影像数据为径，智能影像公司的运营为纬，一窥智能影像公司的真实日常。
数据端：保证质量，数量多多益善
尽管我国存在第三方影像中心，但绝大多数的医疗影像数据来源于医院。据悉，大的三甲医院一年产生的影像数据在10T以上。宜远智能CEO吴博称，“单个医院的影像数据存量就很大，每天数百例新增也很常见。”
在医疗信息系统中，PACS系统负责医疗影像采集、数据传输存储以及影像分析、处理，并且不同的PACS系统之间，能以以DICOM国际标准方式对接。
总体来说，医院影像数据多且大都标准化，便于机器阅读，为此，智能医疗影像被业内人认为将率先实现商业化落地。
上海市儿童医院影像科主任杨秀军曾表示，“很多医学影像领域特别适合人工智能／图像识别技术，国内外有很多厂商从事这方面，也做出一些成果。”
吴博告诉雷锋网，对于AI ，影像数据本身具有标准化的优势。不过，数据异常也容易碰到。“以CT为例，有的病人不是躺着而是趴着扫描；有的不是头先进去而是脚先进去；CT长宽512像素或者768像素的差别，不同排数机器的层厚差异以及薄层重构算法，都会影响清晰度。”他补充道，“处理流程只要充分考虑和兼容这些变化情况，原始数据的可用比例还是非常高的。”
对于一个AI系统而言，数据多多益善是有前置条件的，在保证喂养数据质量的情况下，增加数量才有意义。而判断影像数据质量，主要取决于AI公司所打造智能诊断产品的临床目的。除此之外，对于智能影像诊断而言，影像数据需要关联更准确的诊断和后期结果关联，否则垃圾进，垃圾出。
南方医科大学副教授刘再毅曾表示，“我们数据多得不得了，我们影像科每天产生很多数据，但是有多少数据可以用？1%都不到，其中有大量错误信息。”他补充道，“数据规范的问题没有办法管控，临床信息经常有误。”
拿现在很火的肺结节智能诊断为例，对于AI公司来说，有肺结节的影像才是有价值的，“在产生的影像数据中，只有10%或20%的病人有问题，即便如此，并不是所有有病灶的影像数据都能拿来用。”梁恩铨称。而在医院内部，医学影像系统和诊断报告是两个独立的系统，两者并无关联。“用数据训练AI很重要的一点是：需要系统判断一个影像是否有结节，是否有病灶。而医院每天拍出来几百影像，并没有标出来哪里有结节，对于AI公司来说，这就是没有价值的数据。”梁恩铨告诉雷锋网。
数据获取：“合作”共赢
影像数据是医院的，智能影像公司如何获取呢？
医疗数据是一种资源，意味着它有价值，想获取有价值的东西最简单的逻辑就是“买买买”，这正是财大气粗的IBM的战略。在2014年相继收购了大数据医疗保健分析提供商Phytel与Explorys后，2015年，以10亿美元收购了医学成像及临床系统供应商Merge Healthcare，后者坐拥有8500家客户，其中包括美国联邦政府和州政府机构、雇主、医保、医院等，以及3亿病人数据。
在我国，三甲医院拥有绝大多数影像数据，但影像数据不出院是必须守住的红线。为此，AI公司与医院寻求“合作”就成了一种可能的路径。一般来说，AI公司会选择与医院合作开发，一方面得到脱敏的数据和行业专家，一方面收获了产品打磨的场景，至于合作模式，则各有特色。
一般来说，智能影像公司官网上的合作医院被视为彰显自身实力的背书。雷锋网从公司官网上了解到，推想科技称其与北京协和医院、同济医院、长海长征医院等5家三甲医院达成合作；科大讯飞先后与北京大学口腔医院、上海交通大学附属第六医院南院等多家医院合作；依图科技与浙江省人民医院合作。
刘再毅曾表示，非常希望与好的AI公司合作，以临床目的为中心共享研究成果。“我们临床数据最宝贵，光有技术没有临床数据，很多都是纸上谈兵。”
“我们现在不一定要获取数据，而是想使用数据，我们在和医生的合作中发现，他们对于数据共享持谨慎乐观和开放的态度，我们提供深度学习的经验，和对于数据标注、数据整理和数据隐私保护的方法论，结合医疗数据和专家只是，用科研服务、课题服务的形式结合起来。“吴博称道，宜远智能切入医疗影像领域，目前不以工具见长，而选择以贴身服务来做，同时，医疗影像数据敏感，处理算法要能分布式地下沉到数据所在位置，而不是一味期望数据统一归集到统一平台。
汇医慧影CEO柴象飞称，他们为顶级医生提供工具、方法合作共赢，而对于偏基层的医院，基于提供的IT工具之上，提供一些更加智能化、自动化的工具，同时不断收集数据，进行算法模型的迭代。这与其规划的商业模式是一致的，提高效率、降低误诊率的筛查类影像系统，短期内医院可以买单。至于与顶级医院的合作模式，公司高级市场经理梁恩铨披露道，与很多医院的合作是以科研合作的形式，最后的成果双方都有署名，“产品归我们，数据是医院的。”
数据处理：“只有人工，没有智能”
一如机器学习AI建模的流水线，医疗影像数据处理过程也要经历数据标注、清洗、切割，随后是建模、调参等。
在处理影像数据的技术问题上，据吴博介绍，医疗影像数据刻画的是体内脏器，与肉眼容易识别花鸟虫鱼人脸等常规图片，成像原理与视觉特征都不相同，深度学习模型尤其需要深度改造。
但医疗影像数据处理的特殊之处在于数据标注耗费时间更长、门槛更高，“要凑齐多名资深医生对数据进行比下诊断报告还要细致的标注，难度、进度和成本都很高。”吴博称。无怪乎，科大讯飞智慧医疗事业部总经理陶晓东称，行业数据、专家资源和核心技术是打造智能影像缺一不可的三要素，大多数AI公司与医院合作开发，由院内专家进行标注。
拿汇医慧影为例，医生使用其产品的同时就能对影像数据进行标注，产生他们需要的有效数据。“医生在看片的过程中，如果发现有病灶的影像，用我们的系统在病灶上直接标记。除此之外，系统中还集成了病理和病理数据，综合这些信息才能判断是否有癌症。”梁恩铨告诉雷锋网。而这引发了一个现实问题：数据产生速度很小。
在医生的诊断中，影像仅是一个参考信息，最终还要参考病理诊断等信息进行确诊，所以对于打造一个智能诊断系统来说，很多数据的集合才是有效的数据。对此，梁恩铨介绍道，AI公司需要尽可能多地打通不同的系统，把病人的所有相关信息整合在一起，这其实是比较难的。汇医慧影单独开发了一个数据平台，其中集成了数据清洗功能，把病理、病例和影像数据拿过来后，还要整合清洗。“医疗数据获取难，标注工作量大，我们自嘲所谓人工智能，只有人工没有智能。相对于机器视觉的其他领域，医学上走得还是要慢一些。”
实际效果：帮医生做科研或提高诊断效率
智能影像诊断系统准确率在95%以上，超过人类医生的消息屡见不鲜，但其应用情况怎样呢？
刘再毅曾表示，许多AI公司在训练其智能系统时没有甄别错误信息，导致真正投入临床时，准确率只有50%，“这就没有任何价值。”
梁恩铨称，“若想用AI提升诊断率，目前为止还有很大差距。”他表示，AI诊断结果是个概率的问题，只要不能达到100%的准确率，公司难以为那1%负责。除此之外，很多公司在肺结节诊断上做得很好，但对于一些癌症亚型，医生本身就很难判断，遑论AI了。“总体来说，真正深入临床流程的AI很少，现阶段，AI公司大都在帮医生做科研或在提高诊断效率方面尝试。”
将顶级专家的诊断能力固化下来，提供给基层医院，是许多智能影像公司勾勒的美好蓝图。科大讯飞智慧医疗事业部总经理陶晓东曾说道，智能影像诊断系统，对三甲医院的顶级医生是锦上添花的事；而基层放射科医生，每天只看四个片子，经验比较少，这就是雪中送炭的事。杭州认知科技副总经理王泰峰称，IBM Watson能提升基层医生的决策效率。
但实践起来同样遇到尴尬。人工智能是基于云计算的，数据放在云端，基层医院的信息化程度不够，没有大数据，怎么用人工智能？除此之外，大多数医院使用的是局域网系统，没法连接外网，数据也无法走上云端。
怎样说服医院同意把数据放在云端，也是一个棘手的问题。“如何充分保证数据隐私，这是很难突破的地方。”梁恩铨告诉雷锋网，“但相对于其他数据，影像数据含有的隐私信息较少，还是比较好沟通的。”
智能影像：风口已至，还是初露端倪？
有人说，投资人判断的不是行业趋势，而是时间点，判断机会在哪个时间点才是关键。如今，AI+医疗影像被认为是率先实现商业化落地的领域，这意味着风口已至，还是初露端倪？
刘再毅告诉雷锋网，“如果真正去做医学影像研究，会发现其中的陷阱、难度很多。我觉得这里面更多是做学术研究，真正落地到临床上是很难的，路还有很长。”上海市儿童医院影像科主任杨秀军表示，“有的智能诊断产品针对某一种病，比如开发出一种软件能更简便、更快捷地诊断皮肤癌，但绝大多数的病变不是那么简单的。”
梁恩铨认为，绝大多数智能诊断产品没有Follow临床工作流程，拿肺结节诊断来说，仅诊断出肺结节没有问题，不能确定是否有其他疾病，而误诊或漏诊的后果是非常严重的。
飞利浦大中华区临床科学部高级总监周振宇对此深以为然。此前，他出席雷锋网承办的CCF-GAIR大会上曾表示，“我今天来到这个会场，想看到更多人工智能在医学方面的应用，但是我们看到还是和十几年前一样的，我们得到的结果还是停留在纯粹数据驱动的结果上，100个肺结节找到多少百分比，这对于临床知识来说没有太大的价值。”他说道，“另外，从疾病和脏器来看，目前还是仅限于皮肤病、肺结节等相对容易做的器官。更多的人类疾病，中国人比较重要的肝脏、肾脏、乳腺等方面，其实各个厂家的涉足点都是比较缓慢的。”
本文作者：张利
本文转自雷锋网禁止二次转载，原文链接
