对话复旦大学类脑研究院工程师郑忍成： 解析人工智能在医疗中的实践与商业化挑战
2024/10/16
AI Odyssey
L
Leo
郑
郑忍成
Leo: 概述了医学影像AI的发展历程，指出早期面临技术与医疗知识脱节以及数据获取困难的问题。
彭彭： 提问了AI在医学影像领域的现状，以及与传统算法的对比。
郑忍成：详细阐述了AI在医学影像领域的应用，包括影像诊断、临床决策支持、个性化治疗等，并以小肝癌检测为例说明AI如何提高诊断效率和准确性。他指出AI算法更依赖数据，通过深度学习学习高阶表达能力和语义特征，提高诊断性能。AI算法的学习能力在不同任务中具有通用性，而传统算法通常针对特定任务设计。
郑忍成：介绍了医学影像算法的发展历程，包括模型框架的改进（如U-Net、Transformer等）和注意力机制的应用。他解释了为什么大多数AI模型针对特定器官进行病灶识别，并展望了跨器官建模的可能性。他还讨论了大模型在医学影像分析中的应用，通过迁移学习降低学习成本，减少对数据的需求。
郑忍成：讨论了医疗AI的数据获取和隐私保护问题，指出数据是AI的核心，医疗数据比自然图像更难收集，需要解决数据缺乏和多样性问题。他介绍了数据匿名化处理和联邦学习等方法来保护数据隐私。他还讨论了数据标注的挑战，指出医学影像数据标注需要专业医学人才，成本较高。
郑忍成：分析了AI医学影像的准确性问题，指出准确率取决于任务难度和数据来源，在某些任务上可以达到很高的准确率，但在其他任务上可能会有所下降。他还讨论了医疗AI产品的三类证和二类证，以及AI在低风险领域的应用和商业化前景。
郑忍成：探讨了AI医疗影像的商业化路径，指出需要与临床医院密切合作，了解临床需求，并通过融资或政策支持等方式获得资金。他还讨论了医院联盟或合作在促进数据共享和AI模型研发方面的作用。
郑忍成：展望了AI医学影像的未来趋势，包括大模型的应用、多模态信息的融合以及模型的可解释性提升。
Deep Dive
为什么AI在医学影像领域的应用比其他领域更具挑战性？
医学影像领域的数据获取更为复杂，且涉及隐私保护问题。此外，医疗领域的算法优化和算力部署也更为复杂，因为需要处理的专业细分数据更多。
AI在医学影像中的主要应用有哪些？
AI在医学影像中的应用包括自动化分析CT、MRI、超声等图像，进行病灶识别、异常检测等任务。还可以用于临床决策支持、个性化治疗、药物研发和患者监测等。
AI如何提高医生诊断的效率和准确度？
AI通过深度学习自动学习高阶的语义特征，这些特征通常比人为定义的特征更有效。此外，AI的学习能力在不同任务中是通用的，能够减少重新设计规则的需求。
医学影像AI的准确性如何？
准确性因任务而异，全脑全肝等器官分割任务可以达到9分甚至9.5分，但复杂病灶检测任务可能只有5到6分，尤其是在不同医院或扫描设备数据上表现不稳定。
医疗AI的数据获取和隐私保护面临哪些挑战？
医疗数据比自然图像更难收集，且涉及隐私问题。目前通过医院联盟和联邦学习框架来解决数据缺乏性和多样性问题，同时保护隐私。
AI在医疗领域的商业化路径是怎样的？
AI医疗产品主要通过AI加人模式或应用于低风险体检领域。商业化还需要与临床一线人员保持沟通，了解需求，并通过融资和政策支持推动。
医院联盟在医疗AI发展中的作用是什么？
医院联盟通过联合收集数据，提升模型的泛化能力和多样性，同时通过联邦学习框架保护隐私，促进医疗AI的发展。
AI医学影像的未来趋势是什么？
未来趋势包括大模型的应用、多模态信息的融合以及AI模型的透明度和可解释性。大模型能够通用地帮助各种下游任务，多模态融合利用多种医疗信息，而透明度和可解释性则有助于提高AI的可信度。
本节回顾了医学影像AI的发展历程，特别是15-17年间经历的风口与挑战，并探讨了AI在医学影像中的实际应用，例如自动化分析CT、MRI、超声等扫描图像，以及与传统算法的对比。AI算法的优势在于其数据驱动和自我学习能力，能够学习高阶表达能力和语义特征，从而提高诊断效率和准确度。
- AI在医学影像领域的应用日益提升，应用面广泛
- AI算法通过自我学习，能够学习高阶表达能力和语义特征，提升诊断效率和准确度
- AI算法在不同任务中具有通用性，而传统算法需要针对不同任务重新设计
Shownotes Transcript