放射科主任医师唐立钧:人工智能将取代影像科医生?AI研究者们都不知道我们在干什么

简介:

“AI取代影像科医生”的言论甚嚣尘上,面对大趋势和来势汹汹的AI医学影像产品,各界专家都表达了自己的观点和看法。

但作为一个涉及多门学科的难题,任何一方都无法全面地剖析医学影像AI。

在日前结束的图像计算与数字医学国际研讨会(ISICDM2017)上,430多位来自信息科学(含计算机与电子工程等学科)、数学与医学等领域的专家学者与临床医生聚首成都,围绕人工智能+医疗、医学图像分析这类话题展开深入的交流与探讨。

纽约州立大学的计算机科学与应用数学家顾险峰教授首先深入浅出地介绍了几何方法在医学影像分析中的深刻应用,斯坦福大学医学物理中心主任邢磊教授高屋建瓴地综述了放疗技术的历史与现状、挑战与机遇。

随后,江苏省人民医院放射科唐立钧博士做了一期以“影像科医生的思维方式”为题目的精彩报告,意在让算法研究者们理解影像科医生做的事情。与此同时,唐立钧博士也分享了自己对当前医疗AI的看法,引发听众的强烈反响,报告之后许多理工科专业人员与唐立钧博士开展了长达近一个小时的交流,气氛十分热烈。

唐立钧博士认为,虽然目前市场上有这么多AI医学影像产品,但它们给放射科医生带来的帮助仍然十分有限,更别说代替影像科医生。

之所以会出现这样的反差,根本原因在于外界人士和AI医疗企业并不清楚影像科医生到底是如何思考和工作的。影像科医生要做的事情其实非常复杂,并非外界所想像的那样“光看片子就行了”。

以下是唐立钧博士的报告内容,雷锋网(公众号:雷锋网)对其做了不改变原意的编辑:

最近很多人都在说,随着AI技术的发展,十年后影像科医生将不复存在。但事实上,他们并不知道影像科医生是干什么的。不仅医院外面的人不知道,很多医院里面的人也不清楚,他们连影像科有哪些组成部分、具体做哪些事情都不太了解。下面我就来简单介绍一下。

医学影像的诊断原则

医学影像的诊断原则主要有四点:

首先是熟悉正常。

影像科医生需要熟悉各种不同的影像检查技术。影像技术分很多种,医院里常规使用的就有超声、CT、磁共振、PET和核医学等。影像科医生在做诊断之前,必须熟悉所有这些技术,以及各种检查方法的正常影像表现。

其次,影像科医生还要熟悉人体各个部位的解剖学变异。因为人跟人之间的差异是巨大的,双胞胎乃至同卵双胞胎之间都存在差异,这也正是我们为什么要用深度学习和各种数学模型对人体进行分析的原因。

此外,影像科医生还要熟悉不同性别和年龄组的器官和结构之间的差异。比如,一般情况下,男性比女性更加高大,但也有例外的情况,有些女性长得也很高大,反而有些男性长得很娇小。所以要熟悉不同性别之间的差异。

另外,人类的成长过程中,从孩子到青年、中年、老年,各个器官和系统也在不断发生变化。影像科医生要知道这是正常的影像表现。

最后,还要熟悉图像上的伪影。假如你是搞CT和磁共振的,就知道CT和磁共振是根据loaddata重建出来的影像。重建的过程中有可能产生各种各样的伪影,这是由机器物理特性造成的伪影。

再比如,早年做胸CT扫描和拍胸片的时候,医生会叫病人屏住呼吸,这是为了减少器官运动产生的伪影。作为一个影像科医生,你需要熟悉正常的扫描和拍片过程,并在此基础上解读伪影。否则就会把伪影当成真实的影像,把它看成病变。

其次,影像科医生还要能辨认异常,即能够发现受检器官和结构的形态变化。

比如,做CT扫描,你要知道器官和组织的密度有没有发生变化;做超声扫描,你要能发现回声有没有变化;做磁共振,要懂得观察细胞的强度有没有发生改变。发现异常后,你还需要判断这些异常是否代表了病变。要做到这些,就必须对疾病的病理和生理变化有足够的了解。

接下来还要分析归纳。

什么叫做分析呢?就是要观察病变的位置和分布等信息。为什么要观察这些?因为有些病变,其特征就是发生在特定的位置,具有特定的分布形态和病变数目。另外,不同病变的形状也不尽相同,有圆形的、片状的、不规则的等等。病变的边缘也有所差异,比如肿瘤。不同肿瘤的生长方式是不一样的,有些肿瘤长得慢,边缘就比较光滑;有些肿瘤长得快,边缘就会产生毛刺;这可以作为区分良性和恶性肿瘤的依据。

接下来还要看病变的密度。密度主要是针对CT和X线而言的,指它产生的density。与之对应的还有超声技术的超声回波和磁共振技术的信号强度。

最后还要分析器官的功能变化。比如分析心脏的厚度有没有变化,收缩和舒张功能分别是怎样的。心脏又分为四个腔室,右心房、右心室、左心房、左心室,它们的功能分别发生了哪些变化,也需要一一分析。

临近组织和器官的变化也值得注意。假如病人的肝脏上长了一颗肿瘤,那么医生就要看看他周围的胃和胰腺有没有发生变化。这些都会对医生的诊断起到提示作用。

那么,什么叫做归纳呢?就是把前面观察到的种种影像特征归纳到一起,进行对照、分析和评估,判断其背后的病理意义和病理基础,得出初步的诊断结果。

最后,影像科医生还要进行综合诊断。

有时候仅靠影像特征无法最终判断病人的病情,这时就需要结合他的临床资料进行综合诊断。比如,我们根据影像判断出某个病人可能患了肺癌或肺结核,同时临床资料显示,该病人有低烧、潮热、消瘦等症状,我们就能判断这个病人患的是肺结核而非肺癌。

影像学诊断有两大难点——异病同影和同病异影。 异病同影是指不同的疾病在影像表现上是一致的,这时候就需要通过其他方法来鉴别。同病异影则是指,同一种疾病在不同阶段的影像表现是不同的。比如常见的肺结核可以分为四期:原发综合征时期,肺门部会出现一个哑铃状的淋巴结肿大;慢慢变成急性肺结核后,肺部可能会产生一个竖立状的急性扩散型结构;到了慢性阶段和经过治疗后,则又有可能出现一个空洞型的肺结核。

此外,并非所有的疾病都有异常的影像表现,有些疾病通过某一种检查手段是辨别不出来的,需要借助其他手段加以鉴别。

影像学表现主要还是大体的病理表现,如果疾病没有形成大体的病理表现,影像科医生是看不出来的。这就是影像学和病理学的差异。影像科看到的是森林和树木,病理科看到的则是树叶。两者可以是相关和相邻的,也可以是不相关和不相邻的。

医学影像的诊断步骤

前面介绍了影像科医生的诊断原则,下面再讲讲医学影像诊断的步骤。医学影像诊断的步骤可以分为四个方面:

一.了解影像学检查的目的。

一个病人到影像科和放射科做检查肯定是有目的的,影像科的医生要知道,病人究竟是带着什么目的来做检查的。

假如病人是初诊,那么他的目的可能是诊断疾病或者排除疾病。假如病人是治疗后来做检查,那么他很可能是要观察治疗的效果,比如肿瘤经过治疗后究竟是假的增长,还是真的增长了。

还有一种情况,临床诊断已经明确后再来做影像学检查,那么它的目的是什么呢?观察疾病的分期情况,这对治疗起着决定性的作用。比如结肠癌的治疗,假如是早期治疗,可能在内镜下做一个套切就没事了;但如果病变已经侵害到了基层,治疗方法就不同了,需要开腹将肿瘤切除。甚至暂时不能手术切除,要先做化疗,等病灶缩小后再进行手术。

另外,临床诊断还不完全清楚的情况下也需要做影像检查,为诊断提供帮助。

二.选择合适的影像检查手段。

针对不同的检查目的,医生选择的影像检查手段是不一样的。医生必须明确每种影像检查手段的成像技术和检查方法。

有的病人会抱怨,我到医院看病,医生连看都不看我,就让我又做超声,又做CT。做CT已经这么贵了,为什么还要做磁共振?问这种问题的绝对是外行。如果CT能解决所有问题,还发明磁共振干嘛?如果发明了磁共振就能解决所有问题,还要发明PET干什么?

每一种检查设备或检查手段都有其优缺点。影像科医生必须了解各种检查手段的技术、原理和优缺点。

三.确定图像质量是否符合诊断要求。

前面提到过,病人来做检查一定是带有目的的,这个图像是否能达到病人的目的呢?如果达不到,就需要再做其他检查,或者结合临床资料。

四.全面观察,认真分析。

所谓全面观察,是指要观察所有体位的图像。医生给病人拍胸部、足部或者膝关节的X片,往往不会只拍一个位置,而是会拍正斜位、正侧位,甚至第三个位置。通过各个体位的图像来观察其解剖结构和解剖结构的变化。对于CT和磁共振技术,则需要对所有层面进行观察。

此外,还需要进行对比观察。比如,对比不同检查手段的图像,观察CT拍出来的图像是什么样的,磁共振拍出来的图像又是什么样的。再比如,对比影像的动态变化。有时候医生会告诉病人,过三个月来复查,为什么要复查呢?因为随着时间流逝,医生可以观察到疾病的变化。比如,在没有经过活检的情况下,如何诊断肺癌呢?方法之一就是动态观察,通过三个月或者半年的随访复查来对比它有没有增长或缩小。肺癌有特定的倍增时间,这里需要用图像分割技术来准确判断它的倍增时间,从而诊断它到底是不是肺癌。

全面观察异常的大小、数目和范围,并初步分析其是否属于同一种疾病的病理表现后,医生还需要结合临床资料做进一步判断。什么是临床资料呢?临床资料包含病人的年龄、性别、职业史、接触史、生长和居住地、家族史、症状、体征、检查结果等信息。

我们知道,不同年龄和性别的人群,其好发疾病类型是不一样的。比方说,医生在病人的肺门部分发现了肿块,首先要看病人的年龄,如果病人是个小孩,那么他患的可能是肺结核、白血病或者淋巴瘤;如果病人是老年人,医生就应该警惕这是不是肺癌。再比如,干细胞癌好发于男性,干细胞腺癌——尤其是胆管癌,则好发于女性。

职业史和接触史是如何影响诊断结果的呢?

职业史。假如一个矿工——尤其是矽矿的矿工,肺部出现了小结节,医生就需要考虑到这可能是职业病的表现。

接触史。假如一个病人从非洲的埃博拉病毒流行区域回来后发烧了,医生首先就要想到,病人可能感染了埃博拉病毒。

生长地和居住地。西北牧区是包虫病的多发地带。假如某个居住在牧区里的病人出现了肝脏肿块,医生就需要考虑他是不是可能患了包虫病。

家族史对疾病的诊断也非常重要。我们都知道,很多疾病是天生的,和基因有关。虽然并非你携带了某种基因就一定会发病,因为遗传病还涉及显性遗传和多个基因协同作用,但医生在做诊断时经常要考虑这方面的因素。比如某个患有多囊肾的家族,其后代的肾脏上出现了多个囊性的改变,医生就需要考虑他患有多囊肾的可能性。多囊肾很可怕,没法治,是天生的。

临床的症状体征和随时检查,是医生进行影像诊断的主要参考依据。这些资料可以支持也可以否定医生的影像学诊断。

比如医生给病人做CT或者胸部X线检查,发现了亚断或者肺亚断这样的渗出性病变,根据影像诊断,医生判断这个病人很可能得了肺炎。但他临床上并没有急性炎症的表现,体温和血象都没有升高,医生就不能做出“这个病人患了肺炎”的最终诊断。相反的,由于这个病人有突发的胸部病史和下肢的身体血栓,医生需要考虑,是不是病人下肢深静脉的血栓脱落跑到了肺动脉里,引起了肺栓塞。

肺炎和肺栓塞的治疗是完全不同的。肺部感染只需要抗感染就可以了,肺栓塞则凶险得多,急性肺栓塞严重时可能导致病人猝死。

医学影像究竟可以做哪些诊断?

前面介绍了影像学诊断的步骤,接下来讲讲影像学究竟可以做哪些诊断。

大家千万不要以为,到影像科出一个报告,就能知道是什么病,这是不可能的。

影像学诊断分为三种,第一种是肯定性诊断。可以做肯定性诊断的疾病,往往在影像表现上具有特征性。根据临床资料、体征和实验室检查,影像检查不仅可以做出准确的定位诊断,也能做出定量和定性的诊断。

第二种是否定性诊断。比如某个病人有心绞痛,怀疑患了胆结石和胆囊炎。病人可以去做超声检查,如果胆囊里没有发现石头,胆囊壁没有增厚,那么就可以排除胆囊炎的诊断。排除之后,医生还要想到,这个病人是不是患有冠心病,因为冠心病也会产生心绞痛。

最后一种是可能性诊断。近二三十年,影像学发展得非常快,出现了不同种类的CT、磁共振,扫描速度越来越快,分辨率也越来越高。我们可以对疾病做定位或者定量的诊断,但是很可惜,我们往往无法做出定性诊断,只能推断出疾病有哪几种可能性。

当然,我希望随着技术的发展,未来我们可以做的更多。



本文作者:刘伟
本文转自雷锋网禁止二次转载, 原文链接
目录
相关文章
|
21天前
|
机器学习/深度学习 人工智能 人机交互
图形学领域的研究热点会给人工智能带来哪些挑战和机遇?
图形学中的一些研究热点,如 3D 模型生成与重建,需要大量的 3D 数据来训练模型,但 3D 数据的获取往往比 2D 图像数据更困难、成本更高。而且,3D 数据的多样性和复杂性也使得数据的标注和预处理工作更加繁琐,这对人工智能的数据处理能力提出了更高要求。例如,在训练一个能够生成高精度 3D 人体模型的人工智能模型时,需要大量不同姿态、不同体型的 3D 人体扫描数据,而这些数据的采集和整理是一项艰巨的任务.
|
7天前
|
机器学习/深度学习 人工智能 监控
探索人工智能的伦理困境:我们如何确保AI的道德发展?
在人工智能(AI)技术飞速发展的今天,其伦理问题也日益凸显。本文将探讨AI伦理的重要性,分析当前面临的主要挑战,并提出相应的解决策略。我们将通过具体案例和代码示例,深入理解如何在设计和开发过程中嵌入伦理原则,以确保AI技术的健康发展。
23 11
|
22天前
|
人工智能 知识图谱
成熟的AI要学会自己搞研究!MIT推出科研特工
MIT推出科研特工SciAgents,结合生成式AI、本体表示和多代理建模,实现科学发现的自动化。通过大规模知识图谱和多代理系统,SciAgents能探索新领域、识别复杂模式,加速新材料发现,展现跨学科创新潜力。
38 12
|
20天前
|
机器学习/深度学习 人工智能 机器人
推荐一些关于将图形学先验知识融入人工智能模型的研究论文
推荐一些关于将图形学先验知识融入人工智能模型的研究论文
|
21天前
|
机器学习/深度学习 人工智能 算法
基于AI的性能优化技术研究
基于AI的性能优化技术研究
|
21天前
|
机器学习/深度学习 人工智能 数据可视化
人工智能在图形学领域的研究热点有哪些?
AIGC:通过生成对抗网络(GAN)、变分自编码器(VAE)及其变体等技术,能够根据用户输入的文字描述、草图等生成高质量、高分辨率的图像,在艺术创作、游戏开发、广告设计等领域应用广泛。如OpenAI的DALL-E、Stable Diffusion等模型,可生成风格各异、内容丰富的图像,为创作者提供灵感和素材.
|
25天前
|
机器学习/深度学习 人工智能 自然语言处理
o1医学领域大胜GPT-4,性能暴涨!顶尖华人团队激动发文:离AI医生越来越近了
【10月更文挑战第29天】近日,一支顶尖华人团队发布论文《A Preliminary Study of o1 in Medicine: Are We Closer to an AI Doctor?》,揭示了OpenAI最新语言模型o1在医学领域的卓越表现。研究显示,o1在概念识别、文本总结、问答等任务上远超GPT-4,显著提升了医学领域的AI应用水平,向实现AI医生的目标迈进了一大步。
43 3
|
4天前
|
机器学习/深度学习 人工智能 自然语言处理
人工智能与未来医疗:AI技术在疾病诊断中的应用前景####
本文探讨了人工智能(AI)在现代医疗领域,尤其是疾病诊断方面的应用潜力和前景。随着技术的不断进步,AI正逐渐改变传统医疗模式,提高诊断的准确性和效率。通过分析当前的技术趋势、具体案例以及面临的挑战,本文旨在为读者提供一个全面的视角,理解AI如何塑造未来医疗的面貌。 ####
|
1月前
|
机器学习/深度学习 人工智能 搜索推荐
人工智能与未来医疗:AI技术如何重塑医疗健康领域###
【10月更文挑战第21天】 一场由AI驱动的医疗革命正在悄然发生,它以前所未有的速度和深度改变着我们对于疾病预防、诊断、治疗及健康管理的认知。本文探讨了AI在医疗领域的多维度应用,包括精准医疗、药物研发加速、远程医疗普及以及患者个性化治疗体验的提升,揭示了这场技术变革背后的深远意义与挑战。 ###
57 6
|
2月前
|
人工智能 自动驾驶 数据安全/隐私保护
人工智能的伦理困境:我们如何确保AI的道德发展?
【10月更文挑战第21天】随着人工智能(AI)技术的飞速发展,其在各行各业的应用日益广泛,从而引发了关于AI伦理和道德问题的讨论。本文将探讨AI伦理的核心问题,分析当前面临的挑战,并提出确保AI道德发展的建议措施。