第二届图像计算与数字医学国际研讨会（ISICDM 2018）虽已告一段落，但本次大会所带来的信息，仍值得深思与回味。

医工交叉与产学结合，这两个由来已久的问题随着人工智能的兴起，让医学影像分析面临着全新的机遇与挑战。

隔行如隔山，这对IT界和医学界来说尤为贴切，当双方团队共同打造一个产品时，面临着话语体系不同、评价方式不同、谁来主导等诸多问题。

目前这个市场还处于初期，各路玩家相继入场，产品仍处于科研摸索期。

在此大环境下，电子科技大学李纯明教授作为ISICDM会议的发起人和程序主席，汇聚了理、工、医三方知名专家，力促人工智能+医学图像的进一步研究与应用落地。

电子科技大学李纯明教授

会上，众多专家指出，目前企业开发的医学影像AI产品，离临床实际应用还有一定的距离。

其主要体现在两点：一方面是工程技术尚未成熟；另一方面则是产品开发者对临床需求的理解和认知有限。

首先，深度学习的不可解释性和调参难题仍未被实质性地解决，甚至研究成果的可重复性都时常被质疑。算法和软件的性能稳定性和鲁棒性在理论和应用实践上均缺乏有力的支持。

而上述问题的本质是，由于科研人员做的研究总体偏工程，较为缺乏原创性和突破性的基础研究，导致工程技术开发正在进入瓶颈期。

十分注重理论基础的李纯明教授深感基础研究的重要性，因此在会议中加强了数学理论与方法的内容，邀请了国内著名的优化理论与算法专家何炳生等数学领域的专家做了图像科学的数学理论与方法系列讲座。

此外，李纯明教授也特地安排了“临床医生谈需求与挑战专场”和“医工交流会专场”，聚集众多医生与工科人，共同探讨临床问题的技术解决方案。

为了更加全面地促进理工医深度融合，整个大会在3天内共设置了24个主题专场，100多位海内外知名讲者向与会者分享了他们的最新研究成果以及对理工医交叉的看法。

雷锋网(公众号：雷锋网)作为两届ISICDM的独家媒体，透过这两年的报告内容，总结出以下四个趋势：

深度学习遭遇瓶颈，基础理论研究成热点

罗切斯特大学罗杰波教授

ISICDM期间，Baba Vemuri、罗杰波等嘉宾公开指出，利用大量标注医学图像数据做训练，这并不是一种长久的研究方式。

首先，由于隐私问题，目前医院方不太可能开放出太多高质量的数据供开发人员训练和使用。与此同时，深度学习的不可解释性，无法循证，这在解决医学问题当中非常受限。而这两项也严重制约了医学影像分析的发展。

因此，开拓基础理论研究，而非单一在数据上解决问题，成了学者们新的征途。

四川大学华西医院步宏教授曾在第一届ISICDM大会中指出：医生应用AI，最怕的就是别人对我们说，你们什么都不用管，只要给我数据，我就一定能做出成果来。这类人我遇到很多。医学并不是一门纯粹的科学，还涉及很多人文、伦理等因素。理工科的人也许认为，只要把数据给他们即可进行训练模型。但医生还必须考虑哪些信息必须隐去，因为涉及到伦理。

“很多医生也在做人工智能方面的研究。我的学生也经常看理工科学者发表的论文，他们有时候会拿着论文跑过来对我说，‘老师，你看！这篇论文连基本的医学常识都没有。是不是该给它加一个医学的reviewer呢？’如果真的这么做，很多论文其实根本发表不出来。论文成功发表并不代表取得了成果，只说明在你reviewer的知识范畴中这种方法是可行的，实际应用到临床当中，就会暴露很多问题。”

“矛盾的核心在于，理工科学者和医生之间的联络太少，我绝不相信随便拿一堆片子就能做出研究成果来。”

除了医学图像数据的特殊性外，深度学习本身也存在诸多弊病。

2017年，雷锋网赴夏威夷参加CVPR期间，明显感受到了基于深度学习的计算机视觉技术研究已进入瓶颈。

CVPR会场上，港中文-商汤联合实验室主任林达华教授曾向雷锋网介绍到：“今年并没有一个特别让人兴奋、惊喜的成果出来。”包括「Densely Connected Convolutional Networks」等最佳论文在内，我们看到了很多不同的网络设计的想法和切入角度，这些扎实的工作推动了现有体系、架构的一步前进，但是，却普遍缺乏一个fundamental  breakthrough。

如今似乎是有新的成果诞生但又有所停滞的状态，虽然各种思路百花齐放，但是很多核心问题都尚未取得新的突破性进展。”

今年Baba Vemuri和林达华教授的观点相似，两人均提到了fundamental这个词，意在表明多数学者更多停留在工程问题，而非基础学术问题层面。

现在的深度学习其实是一个有问题的框架，多用大数据和很多标注数据来训练，这在过去几年很成功，但不代表是正确的方向。当前计算机视觉的系统是一个（特征为）training system的训练，而不是一个learning system，我们要从training system变成learning system，让机器主动，并结合数据的结构、时间空间结构去学习，而不是被动地用人工训练来标注它。

徐立曾向雷锋网介绍到“现在，基础研究不能丢，才能带来足够的时间窗口。AI的发展需要产业和研究相结合，以定义问题，解决问题。”

在大家聚焦于data set的大环境下，ISICDM却逆潮流而上，连续在两届大会中设置了数学以及基础理论的分论坛，意在让更多工科学者站在理科的视角去重新看待问题。

现场情况也印证了工科学者对基础理论的热枕。

大会报告嘉宾南京大学数学系教授何炳生向ISICDM大会程序主席李纯明感叹道“我完全没有想到自己的报告会有那么多人来听讲，开讲前座位就已经被占完，后来的人只能站在会议室门口。台下听众大多是研究生和教授。一般在会场作报告，都是PPT讲解演示。但PPT演示的效果哪里抵得上教室加黑板？所以我让会务工作人员在演讲台上给我加了块可以写字的白板，我在上面用黑笔写公式推导。总共讲了一个半小时，下面不少人站着听了一个半小时。你可以看到，他们往白板越走越近，一是因为挤，二是因为真心想学。”

医生需求仍旧难以满足

众多医生谈到，首先，人工智能在医疗领域的应用必须充分全面，不能只针对单一场景。因为医疗的对象是人，人的生命只有一次，一旦犯错就无法弥补。

以肺部为例，开发AI系统的工作人员开发出来的系统不能只会检查肺部，还要确保其他地方不出问题。现有的肺结节筛查系统大都只重点关注肺部，但医生在检查期间仍需要观察软组织、纵膈有没淋巴结肿大。此外，还要观察骨骼是否有转移或其他病变，所有场景和情况都要考虑进去。

有些影像，有经验的医生一看就知道是胰尾有问题。但当时医生由于只看了肺部，没注意其他部位，就漏检了。如果AI系统只是针对肺的检测，估计也不能检出胰腺的病变。

这对AI来说既是机遇也是挑战。未来我们能否用AI帮助医生发现上图中的病变呢，即使无法诊断，能对医生进行提醒也是好事。

广东省人民医院影像医学部主任兼放射科主任梁长虹

与此同时，梁长虹、王霄英、陆菁菁等医生谈到，AI不能单单作为第三方独立产品存在，而应该嵌入在工作流程中才能最大程度地发挥它的作用。

AI医学影像如何嵌入在医生流程中，最重要的一点便是每一步都可解释，每一个问题都能够定义正确。

此外，医疗人工智能产品不仅要输出一个辅助诊断信息，还应把多模态的临床信息结合进来，辅助临床医生做出决策。

获得监管审批，仍是一场“持久战”

在ISICDM大会中，中检院等机构也谈到了医学影像AI产品的监管流程和监管现状。

AI技术在NMPA过去批准的产品中其实已经有所应用，但深度学习是一项新技术，需要从风险的角度界定它是二类器械还是三类器械。出于谨慎，中检处倾向认定其为三类器械，但随着对深度学习技术有更多认知，也不排除会将其列入二类器械。目前，我国对医疗AI产品的分类界定仍是个例处理，缺少统一的标准。

为了应对新版《医疗器械分类目录》，国内大部分企业采取增删诊断功能的办法， 将产品同时申报二、三类器械。上工医信等多家企业已经率先获得了二类证书。据中检院披露，目前一共有40多款产品到中检院报检，雅森科技、汇医慧影、图玛深维、推想等都在积极申报三类证书。

我国的医疗器械注册流程分为注册检验、临床评价、技术审评、行政审批四大步。目前，申报三类器械的医疗人工智能产品大多还停留在注册检验阶段。

FDA认为，真实世界数据和回顾式临床数据可用于AI产品的评价。在这点上，中美两国的认识是一致的。

另外，AI具有快速迭代的特性，从研发阶段、注册上市、上市后到产品变更，质量评价应该贯彻它的整个生命周期。

中检院目前主要是采用基于标准数据集的测试方法和模拟对抗的方法进行AI产品的质量评价。

基于标准数据集的测试方法，其总体思路是在模拟临床的条件下评价AI算法的性能，减少对临床试验的压力，降低质量评价的成本，同时加速产品上市。

这对标准数据集提出了很高的要求，既要考虑数据的合规性，又要保证数据容量充分、具备多样性，标注过程严谨、可追溯等。

中检院目前已经与多家医院和企业合作初步完成了眼底和肺结节两个病种的标准数据集建设。

作为标准测试集评价方法的补充，中检院在AI产品的质量评价过程中也用到了模拟对抗的方法，以扩充样本量和模拟真实世界的波动。比如，中检院通过控制变量的方法对机型以及压缩、平滑、背景填充等预处理算法对AI产品性能的影响进行了研究。

对于医疗AI产品的审评，未来将分两步走。

第一步需要制定出相关指导原则和标准，把检验、检测标准进行统一，第二步才开始对达到标准的产品“放行”，部分符合条件的，或许可以被批准免去临床试验。据悉，中检院已经成功申报了标准化归口管理单位，正在公开征集专家组专家，规划布局AI产品质量评价的标准体系。

种种迹象表明，医疗AI企业离获得三类证还有一段距离，企业或许不得不做好打“持久战”的准备。

学术大牛涌入工业界

北卡罗莱纳大学沈定刚教授

去年的ISICDM大会期间，施俊教授与沈定刚教授在晚宴中聊到一个话题，后者问前者：“你在学术界做研究，能做得过工业界吗？深度学习把门槛拉得很低，你能做的AI影像方面的研究，任何一家企业都能做。人家钱比你多，投资速度比你快，你做出成果的时候，人家早已经产品化了。”

去年的一句玩笑话，却在ISICDM的多个嘉宾身上逐渐成为现实。

一个月后，沈定刚正式宣布出任联影智能CEO；中山大学陆瑶教授创办柏视医疗，随后也引入IEEE Fellow徐晨阳；罗杰波教授也出任腾讯优图顾问。而在近期，Dimitris Metaxas与张少霆师徒二人加盟商汤科技。此外，邢磊也在早期出任汇医慧影首席科学家。

而在这个学术界与工业界互相融合，也同时相互竞争的大时代下，德国Surpath Medical创始人谢卫国在2017 ISICDM中总结了这么一句话：我认为学术创新一定是高校先行，工业界看到可用的学术成果后才推动产品化。以西门子为例，他们有一个庞大的团队专门负责收集专业的期刊。如果一项创新已经在论文上发表了，学术界千万不要再去追赶潮流，因为肯定会被企业碾压。企业和学术界的驱动力不一样。在高校做研究，发不了论文大不了不评教授，企业如果盈不了利则关乎生死存亡。