阅片机器人为什么还没有被普及?

还记得你上次为了看一个X片的结果在医院排队花了多长时间吗?

timg

在传统医学上,医生需要把片子对着灯光一张一张地看,费时费力,而且一旦疲劳,阅片的成功率会有所下降,导致判断错误。

不过这个问题很快可能会得到解决。2018年在一档AI节目《机智过人》中,一个阅片机器人几秒内看了300多张CT片。

如果你对于医学影像识别领域有所关注,那么你会发现2017年最有趣的事莫过于杭州健培科技有限公司与阿里巴巴iDST视觉计算团队,在国际权威肺结节诊断大赛LUNA16的世界纪录之争。最终,杭州健培科技有限公司的“啄医生”阅片机器人以91.3%的平均召回率夺得第一,并且创造了新的世界纪录。这场世界纪录之争,反映了我国阅片机器人这一细分领域的蓬勃发展。

事实上,从肺部影像AI诊断系统“天肺一号”的推出,到腾讯的“腾讯觅影”、阿里巴巴的“ET医疗大脑”纷纷入场搅局,再到阅片机器人“视诊通”大战84位影像科的专业医生、“啄医生”阅片机器人与15名三甲医院主治医师打成平手,方兴未艾的阅片机器人已经引发社会各界的热议,人们也对它产生了无限遐想。

阅片机器人真的能做到既快又准吗?

AI机器人凭什么能阅片?

随着AI在医疗领域的深度落地,AI机器人在大数据和算法技术的支撑之下,能够对MRI图像、CT图像、超声图像等医疗影像进行识别和处理,并且通过进行自主学习,不断提高处理的能力和效率,从而能够辅助医生进行阅片诊断。

一般来说,在唤醒机器人后,阅片机器人的运行会经过图像输入、图像分割与识别、图像分析和信息输出4个步骤。图像输入是指将张数不等的医疗影像输入进阅片机器人;图像分割与识别是指阅片机器人会对输入的序列图像进行算法分割与识别、标注病灶等;图像分析是指对病灶进行相关分析,包括磨玻璃的密度、实性成分占比等;信息输出指将所得出数据进行汇总,得出报告。

通过观察阅片机器人的运行路径,我们不难发现其具有高效率、客观性等特征,阅片机器人能够在提高医生诊断效率的同时,减少人为失误率。

阅片机器人的“爆红”为什么是在这个时候?

阅片机器人的快速发展,其实是与算法技术在此领域的成熟应用分不开的。阅片机器人的核心就是医学图像的处理技术,包含图像的去噪、增强和分割等,而这背后是算法技术的支撑。在查询诸多文献后,我们发现目前比较常用的算法有蚁群算法、模糊集合论、卷积神经网络等。

1. 蚁群算法

蚁群算法是人们在研究蚂蚁觅食的过程中得出的用来寻找优化路径的概率型算法。在医疗图像处理中,常常是基于区域内部灰度相似性和区域之间灰度的不连续性来进行图像分割的。因此,能够利用蚁群算法的“正反馈”效应及分布式的计算方式来完成对输入图像的分割。

2. 模糊集合论

待考察的对象及反映它的模糊概念作为一定的模糊集合,人们建立适当的隶属函数,通过模糊集合的有关运算和变换,对模糊对象进行分析。目前基于模糊集合论的图像处理方法包括模糊连接度分割法、模糊聚类分割法等。

3. 卷积神经网络

卷积神经网络由人工神经网络发展优化而来,是一个多层的神经网络,每层由多个二维平面组成,每个平面由多个独立神经元组成。卷积神经网络采用了局部连接和共享权值的方式,避免了对图像的复杂前期预处理。人们可以直接输入原始图像,并且它还具有良好的容错能力、并行处理能力和自学习能力,可以处理复杂的环境信息。据悉,“啄医生”采用的算法就是在中科大的安虹教授团队基于影像识别的3D卷积神经网络上进行优化的。

正是这些算法的成熟,才促成了这些阅片机器人性能的快速提高,也加速了它们的落地应用。

不过,尽管阅片机器人有着科学和强大的技术支撑,但要全面进入医疗应用阶段,还需要一些时间。目前不确定因素主要表现在程序设定、数据学习和数据保护三个方面。

第一,程序设定上的失误,可能导致大规模误诊。

阅片机器人目前仍然做不到100%的精确判断,肺结节诊断正确率的世界纪录为91.3%,“视诊通”在进行甲状腺结节超声图像的性质判定时正确率也只有76%。

正如前文介绍的那样,支撑阅片机器人运行的是一整套由人预设好的程序,程序的各个环节紧密相连,前后相继,最终完成阅片工作。而人的主观失误正是体现在程序的预设上,如果其中任何一个环节设定出现了纰漏,就会使得最终的数据报告出现偏差,从而会导致医生的误诊。此前强生CTC检测仪器Cellsearch系统就被爆出存在包括复位错误等共37个类别的问题,所幸在问题发现之前,仪器还未造成严重事故。

第二,急需更多有质有量的案例,提升机器人的学习能力。

阅片机器人实现自我学习的基础是大量的学习数据输入,学习数据的质和量都对阅片机器人产生重要的影响,学习的数量越多、案例越典型,识别的速度就会更快,质量就会越高。相较而言,目前医疗相关数据在质和量上都存在问题。其一是大量的医疗数据未进行电子化,其二是医院与医院之间存在“藩篱”,不能共享数据库。在《机智过人》节目中,杭州健培科技有限公司CEO程国华透露其阅片机器人学习的医疗影像资料为10万套以上,而同场竞技的主治医师都为20万套以上。再给出一个数据可能会更为直观,战胜人类棋手的AlphaGo一共学习了数百万人类围棋专家的棋谱。

第三,医疗数据监管力度不足,个人隐私保护存在隐患。

阅片机器人进行诊断的医疗影像资料报告在输出给医生的同时,也通过信息传输技术保存在了机器生产商的云平台上。经过长时间的积累,机器生产商拥有的个人数据会非常庞大。而这也就意味着,目前在我国医疗数据监管乏力的情况之下,个人的隐私将受到极大的威胁。

在2018年浙江松阳警方破获的一起特大侵犯公民个人信息案件中,犯罪嫌疑人入侵某部委的医疗服务信息系统,获取各类公民个人信息达7亿余条。正如和美医疗控股有限公司创始人林玉明提倡的一样,希望国家通过对数据立法来保障个人的隐私安全。

目前阅片机器人所取得的成就,标志着我国在AI部分细分领域有了突破性进展。尽管有些问题尚待解决,但我们相信在AI的助力下,未来人们就医会更高效、更便捷。

未经允许不得转载:涨姿势 » 阅片机器人为什么还没有被普及?

赞 (0) 打赏

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏