影像学数理化还面临哪些难题？

　　作为国家重大战略之一，国务院《新一代人工智能发展规划》、《关于促进和规范健康医疗大数据应用发展的指导意见》等文件的发布不断推动医疗人工智能技术向前发展。但对于企业如何获取医院数据，何如使用医院数据，相关的法律法规仍是一片空白。

　　法律的问题只是其中之一，在浙江大学应用数学研究所所长孔德兴教授看来，卡住人工智能脖子的关键在于“核心算法”——人工智能算法的现状并不能匹配当前医疗环境对于这项技术的需求。

　　事实上，深度学习作为一项拥有近40年历史的技术，至到2012年卷积网络的出现才有了今天繁荣，但数年的发展或许已将技术红利消耗殆尽。孔德兴教授认为，医学人工智能缺乏的，是能够对小样本进行分析，对分析结果可解释，并能够将真实世界数据数字化的新一代人工智能。如果不具备这些条件，这样的人工智能可能在实验室中能够展示出优异的成绩，一旦进入医院，它的准确率就会大打折扣。

　　此外，与此相匹配的智能化信息系统也非常重要，医院方需要尝试搭建一个支持人工智能医疗产品的信息化系统，用以打通不同医疗机构的数据隔阂、消除不同器械之间的影像格式差异，这是当务之急。

　　这些问题既是机遇，又是挑战。在演讲之中，孔德兴教授主要将这些问题分为了四个点，并以此从“数理”的角度给出了解决方案。

　　问题一：精准性瓶颈

　　精准性瓶颈来源于影像设备的局限性与医生认知的局限性。正如任正非所说：“现在的图像不是照出来的,是数学算出来的。”影像学的未来应是彻底的数字化。

　　从临床角度来看，从基因发生异常到组织病变出现需一年的时间；而从组织病变发展到肿瘤形成需要5-20年时间。周期虽长，但若仅是由医生通过医学设备观察肿瘤，很多病灶将会不可避免的忽略。这不是医生水平的问题，而是人类的视觉极限问题。

　　所以，一方面，医生需要更精确的设备去生成更为详细的图像信息；另一方面，研究人员需要用数理的方式，将影像信息内涵的信息挖挖掘出来。对于人工智能而言，两个方面均有待深入研究。

　　问题二：分析方法缺陷

　　在这个时间上，通过计算机视觉处理医学图像很难精准，最为常见的是“同病异像”、“异病同像”、“模糊边界”等问题。

　　对于这些问题，很多人工智能企业也开出了“多模态”的药方，或是融入电子病历等信息，为人工智能“构造”一个关联上下文的场景，但在实际之中，缺乏源头可控和图像分析一体化的角度处理、常用刚体的图像处理方法处理柔性对象等问题，依然困扰着人工智能识别图像的精准度。

　　问题三：数据孤岛

　　数据孤岛是一个老问题，AI是一项以大数据、大模型、大算力为基础的技术，但由于隐私、产权等原因，不同医疗单位之间的数据难以打通，不能支持医学AI高质量应用。

　　那么我们是否能用新的方式去解决这个问题呢？联邦学习或许是一个答案。通过这种分布式的计算模式，研究人员可以在不改变数据属性、安全性的前提下，将各家医院的数据连接起来，用于人工智能的训练。

　　问题四：深度学习缺陷

　　大数据依赖、黑箱建模、真实数据迁移困难三大问题是人工智能在医学领域发展所遇到的特有问题，也是制约这项技术在医疗领域发展的关键。对于这些问题，目前尚未出现好的解决方案，或许只有发展新一代的深度学习算法，才能以此解决上述问题。

　　总的来说，孔德兴教授认为，人工智能在当下受到了广泛关注，但由于“经验+案例”这样自上而下的基本模式依然是AI产品的主流研发方式；理论、技术、方法尚未取得重大突破，临床应用实现仍需一定时间。

(责任编辑：孙彦)