7月9日，在由中国计算机学会（CCF）主办，雷锋网（公众号：雷锋网）、香港中文大学（深圳）联合承办的CCF-GAIR 全球人工智能与 机器人 ( 行情 300024 ,诊股)峰会的第三天，在未来医疗专场上，田捷博士做了“基于医疗大数据和人工智能的影像组学及其应用”

　　7月9日，在由中国计算机学会（CCF）主办，雷锋网（公众号：雷锋网）、香港中文大学（深圳）联合承办的CCF-GAIR 全球人工智能与机器人(行情300024,诊股)峰会的第三天，在未来医疗专场上，田捷博士做了“基于医疗大数据和人工智能的影像组学及其应用”的主题演讲。

　　田捷博士，是中国科学院自动化研究所研究员、Fellow of IEEE，SPIE，IAMBE，AIMBE，IAPR。其主要从事医学影像分析与生物特征识别的研究和应用的工作。田捷博士的很多学术论文、研究成果，均可见自国内外的各学术杂志和学术会议上，学术论文达上百篇。

　　以下是田捷博士当日的演讲全文，雷锋网做了不改变原意的编辑：

　　田捷：今天我演讲的题目是“基于医疗大数据和人工智能的影像组学及其应用”。切合主题，本次演讲的重点将围绕医疗大数据、大数据技术和人工智能、影像组学来展开。我们希望将这些技术应用在临床上，因为不是基础研究的，而是走向临床的，所以我举的都是临床的例子。

　　以国内外临床专家为主开发，说明影像组学和人工智能以及大数据，对风投和产业界来说都感兴趣，这不是看哪个技术和算法，关键是看产生什么样的效果。下面我会着重从应用的角度来讲它的进展，技术和方法和应用。

　　今天我的演讲将主要围绕以下四个大点来展开：

　　・ 影像组学研究背景

　　・ 影像组学研究进展

　　・ 影像组学关键技术

　　・ 影像组学发展方向

　　一、影像组学研究背景

　　1、人工智能技术正突飞猛进

　　人工智能技术现在通过围棋得到非常直观的普及，但是计算机下围棋并不意味着计算机就可以看病，所以医疗在这一块仍旧充满挑战性问题。

　　2、人工智能技术在医疗领域得到应用

　　不过，计算机人工智能技术在医疗上也得到一些应用，像深度学习在疾病的诊断以及愈后等等，都有一些典型的应用。如：

　　・ 2015年，北卡罗来纳大学提出利用深度学习分割脑MR图像的方法；

　　・ 2016年，Google发布一项学术报告，称人工智能糖网病诊断精度可用于临床；

　　・ 2017年，斯坦福大学在Nature上发布一项研究报告，表明人工智能皮肤癌诊断精度已达专家水平。

　　除此之外，国外大公司也纷纷介入AI医疗。

　　・ 2014年，微软利用Intelligence Engine剖析健康数据，为患者就诊和意外急诊做准备。

　　・ 2015年，IBM分析医学文献和病患诊疗记录，为患者提供高质量、循证行个体化的诊疗方案。

　　・ 2016年，Google下属DeepMind Health建立健康风险警告系统，借助移动终端推送健康风险警告，并及时通知医生。

　　3、医疗数据正急剧增长

　　无论是微软、IBM还是谷歌，他们在AI以及医疗的深度介入，都为大家打开了另一扇大门――正是因为这些大企业的介入才使得AI和医疗在临床上的应用取得突破和规模化的应用。

　　说到医疗大数据，大家最熟悉的可能是影像数据，因为其格式标准，容易获取和使用。但是医疗大数据不仅限于影像，还包括病理、临床治疗信息等，只有将这些信息融合在一起，我们才能建模，并解决AI医疗的真正应用问题。

　　4、影像组学助力智能医疗

　　既然题目讲影像组学，我先给大家解释一下影像组学的概念。

　　影像组学的概念真正提出来是2012年。当时它刚提出来时只是针对CT数据，把它用组学的方法进行分析。后续则将数据从CT扩展到磁共振、超声等，涉及到多影像。

　　自2012年概念提出以后，影像祖学的概念到2014年得到进一步延伸，走向临床。影像组学从研究走向临床，典型代表就是2014年这篇文章。

　　从流程看，影像组学就是从医疗大数据中提取数据，利用AI方法挖掘肿瘤信息，实现临床辅助决策。这个流程和日常医生读片的过程是一致的，医生读片是先有影像数据，然后用人眼提取它的形状特征，这个过程我们称之为诊断意见。

　　这是一个典型的模式识别、图象处理的机器读取的过程，先由影像数据提取特征，分析建模，给出分类决策。所以整个过程由计算机做影像识别，人在做诊断相互配合来完成。如果让计算机读取高维信息，人读机构信息，毫无疑问，AI辅助医生读片，就能达到“1+1＞2”的效果。

　　总结而言，大数据和AI和影像组学的结合，主要有以下三个方面的应用。

　　・ 辅助诊断

　　・ 疗效评估

　　・ 预后预测

　　目前，到底哪一种方法治疗癌症的效果更好，其实就可以基于大数据和AI给出预测评估。这样看病就能实现个性化、智能化，才能把过去望、闻、问、切，变成现在的智能医疗。就现阶段而言，智能医疗主要是基于大数据、影像组学和人工智能技术达到辅助诊断、疗效评估和预后预测的效果。

　　5、以肿瘤为例――癌症诊疗面临重大挑战

　　今天以肿瘤为例，我将借此来说明AI、大数据和影像组学在肿瘤方面的三个应用。

　　肿瘤的应用挑战主要看如上这张图，这是美国NIH总结的。1960年-2012年，52年中有200多万的样本大数据。不同颜色的线代表不同的肿瘤，纵坐标是5年生成。

　　52年来，尽管NIH每年投入的研发经费是300亿美元，美国人每年看病要花掉4万亿，但肿瘤5年生存率依然时间是一条直线。什么意思？就是人财两空。

　　作为对比，这个NIH数据特别有说服力。红色这条线，指的是艾滋病的5年生存率，艾滋原先是号称血液中的癌症，早期死亡率很高，但有了有效措施之后，其有效生存率直线上升。

　　但是对肿瘤来说，还缺乏一些新技术和新方法，这个技术是有可能取得突破的。当然，目前只是期望值，下面会举一些例子。

　　6、癌症精准诊疗的新机遇

　　现在大家都在谈AI热、AlphaGo热，其实还是要看AI大数据在影像组学的诊疗过程中到底解决了什么问题。事实上，现在的影像技术看到的都是5mm之上的肿瘤，厂商可能忽悠能看到3mm，但临床大夫知道只能看到5mm以上。而这些都是肿瘤的中晚期才会有的症状。

　　这也是为什么NIH花上百亿做研发，美国人花了4万亿，药厂出了那么多药，不能说无效但是效果不明显的原因。所以，现在也有在谈精准医学、基因检测等概念。10年前，就有人开始谈论基因检测，在其贡献下，虽然我们不能防止有病，但能保命。可是，从上张图片来看，五年生存率依然还很低。

　　在诊疗过程中我们发现，基因异常未必会形成肿瘤，这中间有5-20年的潜伏期。如果能在诊断医疗的过程中，运用到新技术和新手段，可能会对肿瘤诊疗起到关键作用。

　　现阶段而言，基因异常其实已经有一系列的方法来检测，但不意味着能看病。在这个空档期，如果能用AI大数据、影像组学来研究、描述和量化，就很有可能大大提高五年生存率。

　　所以这也恰恰是影像组学的切入点――融合临床基因影像大数据的信息，把影像往前移，基因往后移，这样就能更准确的观察、诊断疾病的发生和发展。这不仅是影像组学的切入点，也是AI在临床上的切入点。