当前位置:首页 > 新闻 > 正文

AI如何在医疗影像生态圈中落地生根

发布时间: 2018-08-10 14:12   作者: 周永新   来源: 人工智能杂志

  AI识别医学影像作为计算机视觉一个重要应用,正不断向着深化、多元化的趋势发展,传统的2D影像也正向3D立体(甚至4D)影像前进,其间AI在图像分析过程发挥的作用日益显著,AI辅助阅片成为一种新常态。

  从2015年开始,深度学习在目标检测、图像分类和图像分割领域取得突破性进展。由此,医疗影像智能分析(以下简称影像AI)成为投资和创业热点,一批影像AI公司相继成立。进入2018年,影像AI领域的一线公司大多已经完成了核心产品研发,并且以科研合作或临床试验方式进入医院,开始试用。可以说,在2018年,影像AI领域的产业竞争已经从技术研发阶段,正式进入了落地应用阶段。

  在对落地应用展开讨论之前,需要先明确一个最根本的问题。对于影像AI,要落地的“地”在哪里?这里的“地”,可以具体理解为影像AI的应用场景,也可以从更高层次,看做是影像AI当前所处的或未来想要进入的生态圈。

  相比应用场景,“生态圈”提供了一个更加适合展开讨论的平台。因为凡是有生态圈的地方,都必然有竞争和协同。竞争一般发生在功能和特点相类似的产品之间,也就是同类竞争。而协同则发生在定位与功能差别显著的产品类型之间。在这里,本文重点讨论影像AI如何与生态圈中的其他产品类型协同。

  因为只有借助协同,影像AI作为后来者,才能够真正在生态圈中扎根落地,先生存,再壮大。

  为了便于讨论,本文简单地把医疗影像生态圈划分为院内和院外两个生态圈,分别在这两个生态圈中讨论影像AI应该如何落地生根。

  一、影像AI如何融入医院内部现有诊断流程

  医疗影像院内生态圈其实就是各个医院目前已经普遍建成的医疗影像信息化系统,通常包括CT、MR等检查设备,检查设备自带的影像后处理工作站,负责影像存储和管理的PACS系统,以及负责检查流程管理和影像报告管理的RIS系统等。简单来说,从检查设备到后处理工作站,再从PACS到RIS,这4种核心类型软件系统构成了目前大多数医院的院内影像诊断流程,也就是院内生态圈。

  院内生态圈的特点是经过长期发展,目前已经稳定和平衡。换句话说,在这个生态圈的各个位置上,早已形成一批具有相对优势地位的一线企业和产品。面对这个已经发展多年、成熟稳定的生态圈,影像AI需要做的,必需且只能是在现有的生态圈中找到一个突破口,突破进去,先落地生根,再逐步力争扩大自己的生长空间。作为后来者,影像AI必须与现有的其他类型产品紧密合作,形成协同效应。

  可以说,在可预见的2~3年内,新兴的影像AI产品不可能取代这些现有产品类型中的任何一个。这个观点可能存在争议。争议的来源是因为影像AI的部分功能与后处理工作站、PACS和RIS都存在重合。那么影像AI是否会取代这三类产品中的某一类?太远的未来不好预测,但短期内,可以肯定的说,不可能。关键的原因是工作站、PACS和RIS各自的功能职责范围都远远超出单纯的影像AI功能范围。

  对于影像AI来讲,最理想、最完美的落地应用方式,就是与这个圈子里已经前排就坐的小伙伴们打成一片,互相成为好队友。

  下面,将从数据来源、使用便捷性、分析结果整合、系统管理维护等4个方面提出问题,并进行讨论。

  影像AI如何精准、高效获得自己需要的影像数据?

  第一个问题必须且只能是从数据来源开始讨论。“巧妇难为无米之炊”的古训无需解释。拿不到需要的影像数据,再强的AI也将无所作为。

  拿到影像似乎很简单,患者拍完CT后,让CT设备自动给AI服务器发送一份不就可以了吗?但在医院实际工作中,这个方案往往行不通。CT设备一般有限制,只能向外部1个或最多2个目标服务器进行自动转发,且大多数CT设备只支持向1个目标服务器转发。这一方面是CT设备厂家的授权限制,另一方面,也是为了避免对设备网络带宽和医院内网带宽不必要的额外占用,保障影像传输效率。设备仅有的1个转发名额一般都优先留给医院PACS系统。因此,AI不能够指望CT设备自动发送影像给自己。

  那么,既然所有影像都自动发送到了PACS系统中,是否可以让PACS自动转发影像给AI呢?向第三方系统发送影像是PACS系统的基础必备功能,但是,发送往往需要医生手工对影像进行筛选后再执行发送。部分PACS具备自动转发功能,但这种转发一般是不带筛选的,就是PACS把所有接收到的影像都全部转发。这种“一股脑儿”的全部转发,显然是医院和AI都不希望看到的。在全院级别的影像中,单一AI能够分析的只是其中很小一部分,例如肺部AI只能分析肺部CT扫描影像,其余影像对AI都是冗余,是负担。而海量冗余影像在局域网内往返传递,势必造成医院局域网传输速度变慢,对医院影像调阅和报告等核心业务造成影响。理想的解决方案是有一台像路由器一样的设备,专门负责影像的转发。这就引出了与PACS相关,但更加细分的一个影像信息化产品类型,智能影像路由(DICOM Router)。

  智能化的影像路由对于影像AI数据接收具有重要作用。与大家日常搭建局域网常用的路由器相类似,智能路由的核心也是特色功能就是接收不同来源的DICOM影像,然后根据预先定义的转发逻辑,将接收到的影像发送到不同的目的地。这里的转发逻辑可以是基于影像是哪台设备拍摄的,也可以是基于检查部位(Body Part)或检查描述(Study Description)的。如果智能路由能够与医院的RIS系统进行数据关联,则还将能够实现基于检查申请单的智能转发。

  这种基于设备、部位、描述或申请单的智能转发对于支持院内多台AI引擎之间的协同工作具有至关重要的价值,尤其是对于大型三甲医院。依靠可灵活定义的智能分发逻辑,影像路由器能够将影像主动推送给最适合的AI,真正做到精准分发、高效传输。也只有这样,医院才能放心引入数量更多的影像AI,影像AI也才能够得到更多的入场机会。

  影像AI如何为影像医生提供最佳用户体验?

  假定AI已经拿到了它需要的影像,并且完成了分析。接下来的问题便是如何提供给医生最方便快捷的用户体验?

  在2016~2017年的影像AI技术研发阶段,各公司基本都在比拼准确率、敏感性、特异性、ROC曲线等一系列技术硬指标。但对于医生来说,这些指标只是一方面,还有另外一个方面同样重要,就是使用的便捷性。使用便捷性包括软件操作的便捷性和工作流程的便捷性两个方面。软件操作便捷性相对好理解,并且是AI研发厂商能够完全自主把控和不断完善改进的,这里不再赘述。

  工作流程的便捷性则要求能够尽可能简化医生的阅片流程,至少不要增加太多的复杂度。这里有一个实际的问题,影像医生日常工作阅片,都倾向于尽可能固定使用一台电脑,并且最好是同一套软件。如果不是特别必要,医生不喜欢在多台电脑或多套软件之间切换。现有的影像AI产品基本都是只能辅助诊断一类或几类疾病,在可预见的近期,不可能出现一个AI产品覆盖所有常见病种。由此,要想借助AI辅助诊断多种疾病,医生就需要使用多个不同厂家的AI产品,但AI产品种类和数量的增多反而会对影像医生造成困扰。

  如果引入多个AI,从学习上手到日常频繁切换,将会使医生的阅片流程更复杂,某种程度上会降低医生的工作效率。从医生角度,肯定希望能有一种汇总的软件或界面,统一显示和呈现不同AI的分析结果。例如,医生阅片时肯定是希望身边有一个“智能且全面”的助手帮忙出主意。而不是有一群“智能但单一”的助手围在身边,需要一会儿问这个,一会儿问那个。或者说,这样的助手可以有多个,但是最好有一个专门的人负责汇总助手的意见,或者协调助手之间的工作。环顾院内生态圈,后处理工作站和PACS具备承担这一职责的天生优势。

  因此,从使用便捷和流程简化角度,影像AI与后处理工作站和PACS系统的整合集成将是未来AI院内落地应用的主要趋势之一。

  有了影像AI后,影像诊断报告如何发布?

  这个问题实际讨论的是引入AI后,影像分析结果如何整合?

  在医院现有阅片流程中,影像医生对影像的分析和疾病的诊断最终都要落实为影像诊断报告。影像诊断报告作为面向患者的最终输出结果,这一形式在可预见未来不会随着AI的引入而改变。

  影像AI厂商也都意识到了影像报告的重要性,并且为AI添加了自动生成分析报告的功能。但AI自动生成的报告一般无法直接作为发放给患者的最终报告。原因是,影像报告具有诊断和法律效力,医院从报告的审核到签发,从格式统一再到自助打印,有着一整套确定且严格的规定。

  对于影像AI,想要快速切入医院报告流程且符合现有规定,一个最切实可行的方法是将AI生成的报告文本发送给医院的RIS系统。

  医生目前普遍在医院统一的RIS系统中书写影像报告。如果在医生写报告之前,AI能够在RIS系统为医生写好一份草稿,医生只需要在草稿上做必要的简单修改,这将是对医生而言最方便、最高效的工作方式。但要想达到这一理想效果,目前还面临着一个实际的问题:不是所有的RIS系统都面向第三方系统提供和开放报告上传接口。不过,这样的接口在技术上没有任何的难度与障碍,相信随着AI报告集成需求的出现和提升,各个RIS厂商将迅速跟进并提供这样的接口。

  院内影像AI不断增加,后续如何管理与维护?

  所有的系统都需要有人管理与维护。如果到访过三甲医院信息科,大家是否发现一个共同的特点—排列密集的工位上,少则十几人,多则二三十人,都在非常紧张地忙碌着。这几年,大型医院信息科的人员规模不断增长,主要原因便是由于医院使用和依赖的信息化系统和专科软件的数量迅速增加,相应的对管理和维护人员的需求也在增加。

  这里还有一个实际因素需要注意,医院信息科对各类软件系统的维护和支持往往是依靠软件厂家的密切配合来完成的。因此,信息科人员往往花费很多的时间与软件厂家人员进行沟通协调。可以想象,如果这一次影像AI新技术浪潮意味着一家医院内新增5~10家不同厂商、不同来源的AI软件产品,这对信息科意味着又增加了一大块不可忽视的工作量。AI新系统的引入不仅意味着信息科需要管理和维护的系统增加了,还意味着信息科需要对接和沟通的第三方厂家增加了。

  这种工作量的增加,或者说维护复杂度的增加,实际上带来了一个新的商业机会,那就是期待有公司能够将多个不同厂家的AI产品打包形成一个整体解决方案,提供给医院。这样,医院从评估、采购到管理、维护面对的都是一套系统、一个供应商,从复杂度到工作量都会大大降低。在国外,已经出现了这样专门进行AI产品整合的专业化公司。我们也关注和期待国内是否会出现类似定位的公司。

  至此,从数据来源、使用便捷性、分析结果整合、系统管理维护等四个不同方面进行了讨论分析。其实讨论的都是同一个问题,影像AI如何能够融入到医院内部现有的放射影像诊断流程和管理体系中。而所有这些讨论都趋向了同一个中心词——整合。流程上的整合将给医生带来使用上的最大便捷性,产品的整合则能给医院带来管理和维护成本的大幅降低。

 

  以上内容精选于《人工智能》杂志第五期

  本文作者

  周永新

  清华大学生物医学工程博士,现任海纳医信(北京)软件科技有限责任公司影像算法首席研究员,长期从事医学影像算法研究。负责医学影像智能处理算法研究,带领团队开发实现了多种三维影像后处理与计算机辅助诊断算法,并将这些算法集成到海纳医信的医疗影像信息化平台中。曾获得北京市科学技术进步奖三等奖、3项医疗器械注册证书和3项发明专利授权。同时,在医疗信息化领域,参与海纳医信远程会诊、区域医疗、信息化平台等多个项目的建设,发挥了骨干作用。

  欲阅读完整文章,可通过以下方式购买《人工智能》杂志!

  订阅2018年《人工智能》杂志6期共计360元

  银行转账:北京赛迪出版传媒有限公司

  开户行及账号:北京银行北洼路支行20000030565000007701154

  银行转账,请备注:人工智能

  接收详细信息请发到:aiview@ccidmedia.com;或是添加客服微信:13601092749

收藏