動輒可以聽到“AI取代醫生”“AI的準確率超過醫生”的言論，同時“理想很美好，現實很骨感”的感慨頻頻傳來，理想的豪言壯語隨處可見，那現實是什么呢？

2017年以來，關于人工智能泡沫的議論紛紛攘攘，知乎上一問題“這一波人工智能泡沫將會怎么破滅？”獲廣泛關注，其中，稟臨科技聯合創始人PENGBo的觀點得最高贊同票，他認為，“人工智能有些危險，因為現在變現似乎是個難題。”“目前看來，AI可能并不足以支撐一個獨立的公司，它更適合作為其它公司的一個部門，或被其它公司收購。”

許多智能影像一線從業者可能會對其觀點深表贊同。科大訊飛智慧醫療事業部醫療影像產品負責人馬文君告訴記者，“如今的智能影像很像前幾年的互聯網醫療，大家一窩蜂進來了，但下一步怎么做，是個問題。”匯醫慧影梁恩銓認為，“整體來講，智能影像診斷真正深入到臨床診斷的很少，目前，業內嘗試與醫生合作做科研或提高效率方面嘗試，但要真正提高診斷率，目前還有很大差距。”

動輒可以聽到“AI取代醫生”“AI的準確率超過醫生”的言論，同時“理想很美好，現實很骨感”的感慨頻頻傳來，理想的豪言壯語隨處可見，那現實是什么呢？

有人說，21世紀是數據為王的時代；有人將算法比作發動機，數據比作石油；有人則強調行業數據、專家資源和核心技術是打造智能影像缺一不可的三要素。無論怎樣強調數據的重要性都不為過，我們且以影像數據為徑，智能影像公司的運營為緯，一窺智能影像公司的真實日常。

數據端：保證質量，數量多多益善

盡管我國存在第三方影像中心，但絕大多數的醫療影像數據來源于醫院。據悉，大的三甲醫院一年產生的影像數據在10T以上。宜遠智能CEO吳博稱，“單個醫院的影像數據存量就很大，每天數百例新增也很常見。”

在醫療信息系統中，PACS系統負責醫療影像采集、數據傳輸存儲以及影像分析、處理，并且不同的PACS系統之間，能以以DICOM國際標準方式對接。

總體來說，醫院影像數據多且大都標準化，便于機器閱讀，為此，智能醫療影像被業內人認為將率先實現商業化落地。

上海市兒童醫院影像科主任楊秀軍曾表示，“很多醫學影像領域特別適合人工智能／圖像識別技術，國內外有很多廠商從事這方面，也做出一些成果。”

吳博告訴記者，對于AI，影像數據本身具有標準化的優勢。不過，數據異常也容易碰到。“以CT為例，有的病人不是躺著而是趴著掃描；有的不是頭先進去而是腳先進去；CT長寬512像素或者768像素的差別，不同排數機器的層厚差異以及薄層重構算法，都會影響清晰度。”他補充道，“處理流程只要充分考慮和兼容這些變化情況，原始數據的可用比例還是非常高的。”

對于一個AI系統而言，數據多多益善是有前置條件的，在保證喂養數據質量的情況下，增加數量才有意義。而判斷影像數據質量，主要取決于AI公司所打造智能診斷產品的臨床目的。除此之外，對于智能影像診斷而言，影像數據需要關聯更準確的診斷和后期結果關聯，否則垃圾進，垃圾出。

南方醫科大學副教授劉再毅曾表示，“我們數據多得不得了，我們影像科每天產生很多數據，但是有多少數據可以用？1%都不到，其中有大量錯誤信息。”他補充道，“數據規范的問題沒有辦法管控，臨床信息經常有誤。”

拿現在很火的肺結節智能診斷為例，對于AI公司來說，有肺結節的影像才是有價值的，“在產生的影像數據中，只有10%或20%的病人有問題，即便如此，并不是所有有病灶的影像數據都能拿來用。”梁恩銓稱。而在醫院內部，醫學影像系統和診斷報告是兩個獨立的系統，兩者并無關聯。“用數據訓練AI很重要的一點是：需要系統判斷一個影像是否有結節，是否有病灶。而醫院每天拍出來幾百影像，并沒有標出來哪里有結節，對于AI公司來說，這就是沒有價值的數據。”梁恩銓告訴記者。

數據獲取：“合作”共贏

影像數據是醫院的，智能影像公司如何獲取呢？

醫療數據是一種資源，意味著它有價值，想獲取有價值的東西最簡單的邏輯就是“買買買”，這正是財大氣粗的IBM的戰略。在2014年相繼收購了大數據醫療保健分析提供商Phytel與Explorys后，2015年，以10億美元收購了醫學成像及臨床系統供應商MergeHealthcare，后者坐擁有8500家客戶，其中包括美國聯邦政府和州政府機構、雇主、醫保、醫院等，以及3億病人數據。

在我國，三甲醫院擁有絕大多數影像數據，但影像數據不出院是必須守住的紅線。為此，AI公司與醫院尋求“合作”就成了一種可能的路徑。一般來說，AI公司會選擇與醫院合作開發，一方面得到脫敏的數據和行業專家，一方面收獲了產品打磨的場景，至于合作模式，則各有特色。

一般來說，智能影像公司官網上的合作醫院被視為彰顯自身實力的背書。記者從公司官網上了解到，推想科技稱其與北京協和醫院、同濟醫院、長海長征醫院等5家三甲醫院達成合作；科大訊飛先后與北京大學口腔醫院、上海交通大學附屬第六醫院南院等多家醫院合作；依圖科技與浙江省人民醫院合作。

劉再毅曾表示，非常希望與好的AI公司合作，以臨床目的為中心共享研究成果。“我們臨床數據最寶貴，光有技術沒有臨床數據，很多都是紙上談兵。”

“我們現在不一定要獲取數據，而是想使用數據，我們在和醫生的合作中發現，他們對于數據共享持謹慎樂觀和開放的態度，我們提供深度學習的經驗，和對于數據標注、數據整理和數據隱私保護的方法論，結合醫療數據和專家只是，用科研服務、課題服務的形式結合起來。“吳博稱道，宜遠智能切入醫療影像領域，目前不以工具見長，而選擇以貼身服務來做，同時，醫療影像數據敏感，處理算法要能分布式地下沉到數據所在位置，而不是一味期望數據統一歸集到統一平臺。

匯醫慧影CEO柴象飛稱，他們為頂級醫生提供工具、方法合作共贏，而對于偏基層的醫院，基于提供的IT工具之上，提供一些更加智能化、自動化的工具，同時不斷收集數據，進行算法模型的迭代。這與其規劃的商業模式是一致的，提高效率、降低誤診率的篩查類影像系統，短期內醫院可以買單。至于與頂級醫院的合作模式，公司高級市場經理梁恩銓披露道，與很多醫院的合作是以科研合作的形式，最后的成果雙方都有署名，“產品歸我們，數據是醫院的。”

數據處理：“只有人工，沒有智能”

一如機器學習AI建模的流水線，醫療影像數據處理過程也要經歷數據標注、清洗、切割，隨后是建模、調參等。

在處理影像數據的技術問題上，據吳博介紹，醫療影像數據刻畫的是體內臟器，與肉眼容易識別花鳥蟲魚人臉等常規圖片，成像原理與視覺特征都不相同，深度學習模型尤其需要深度改造。

但醫療影像數據處理的特殊之處在于數據標注耗費時間更長、門檻更高，“要湊齊多名資深醫生對數據進行比下診斷報告還要細致的標注，難度、進度和成本都很高。”吳博稱。無怪乎，科大訊飛智慧醫療事業部總經理陶曉東稱，行業數據、專家資源和核心技術是打造智能影像缺一不可的三要素，大多數AI公司與醫院合作開發，由院內專家進行標注。

拿匯醫慧影為例，醫生使用其產品的同時就能對影像數據進行標注，產生他們需要的有效數據。“醫生在看片的過程中，如果發現有病灶的影像，用我們的系統在病灶上直接標記。除此之外，系統中還集成了病理和病理數據，綜合這些信息才能判斷是否有癌癥。”梁恩銓告訴記者。而這引發了一個現實問題：數據產生速度很小。

在醫生的診斷中，影像僅是一個參考信息，最終還要參考病理診斷等信息進行確診，所以對于打造一個智能診斷系統來說，很多數據的集合才是有效的數據。對此，梁恩銓介紹道，AI公司需要盡可能多地打通不同的系統，把病人的所有相關信息整合在一起，這其實是比較難的。匯醫慧影單獨開發了一個數據平臺，其中集成了數據清洗功能，把病理、病例和影像數據拿過來后，還要整合清洗。“醫療數據獲取難，標注工作量大，我們自嘲所謂人工智能，只有人工沒有智能。相對于機器視覺的其他領域，醫學上走得還是要慢一些。”

實際效果：幫醫生做科研或提高診斷效率

智能影像診斷系統準確率在95%以上，超過人類醫生的消息屢見不鮮，但其應用情況怎樣呢？

劉再毅曾表示，許多AI公司在訓練其智能系統時沒有甄別錯誤信息，導致真正投入臨床時，準確率只有50%，“這就沒有任何價值。”

梁恩銓稱，“若想用AI提升診斷率，目前為止還有很大差距。”他表示，AI診斷結果是個概率的問題，只要不能達到100%的準確率，公司難以為那1%負責。除此之外，很多公司在肺結節診斷上做得很好，但對于一些癌癥亞型，醫生本身就很難判斷，遑論AI了。“總體來說，真正深入臨床流程的AI很少，現階段，AI公司大都在幫醫生做科研或在提高診斷效率方面嘗試。”

將頂級專家的診斷能力固化下來，提供給基層醫院，是許多智能影像公司勾勒的美好藍圖。科大訊飛智慧醫療事業部總經理陶曉東曾說道，智能影像診斷系統，對三甲醫院的頂級醫生是錦上添花的事；而基層放射科醫生，每天只看四個片子，經驗比較少，這就是雪中送炭的事。杭州認知科技副總經理王泰峰稱，IBMWatson能提升基層醫生的決策效率。

但實踐起來同樣遇到尷尬。人工智能是基于云計算的，數據放在云端，基層醫院的信息化程度不夠，沒有大數據，怎么用人工智能？除此之外，大多數醫院使用的是局域網系統，沒法連接外網，數據也無法走上云端。

怎樣說服醫院同意把數據放在云端，也是一個棘手的問題。“如何充分保證數據隱私，這是很難突破的地方。”梁恩銓告訴記者，“但相對于其他數據，影像數據含有的隱私信息較少，還是比較好溝通的。”

智能影像：風口已至，還是初露端倪？

有人說，投資人判斷的不是行業趨勢，而是時間點，判斷機會在哪個時間點才是關鍵。如今，AI+醫療影像被認為是率先實現商業化落地的領域，這意味著風口已至，還是初露端倪？

劉再毅告訴記者，“如果真正去做醫學影像研究，會發現其中的陷阱、難度很多。我覺得這里面更多是做學術研究，真正落地到臨床上是很難的，路還有很長。”上海市兒童醫院影像科主任楊秀軍表示，“有的智能診斷產品針對某一種病，比如開發出一種軟件能更簡便、更快捷地診斷皮膚癌，但絕大多數的病變不是那么簡單的。”

梁恩銓認為，絕大多數智能診斷產品沒有Follow臨床工作流程，拿肺結節診斷來說，僅診斷出肺結節沒有問題，不能確定是否有其他疾病，而誤診或漏診的后果是非常嚴重的。

飛利浦大中華區臨床科學部高級總監周振宇對此深以為然。此前，他出席記者承辦的CCF-GAIR大會上曾表示，“我今天來到這個會場，想看到更多人工智能在醫學方面的應用，但是我們看到還是和十幾年前一樣的，我們得到的結果還是停留在純粹數據驅動的結果上，100個肺結節找到多少百分比，這對于臨床知識來說沒有太大的價值。”他說道，“另外，從疾病和臟器來看，目前還是僅限于皮膚病、肺結節等相對容易做的器官。更多的人類疾病，中國人比較重要的肝臟、腎臟、乳腺等方面，其實各個廠家的涉足點都是比較緩慢的。”

更多資訊請關注工業機器人頻道