FDA在4月批準通過了一項應用于糖網篩查的自助式人工智能診斷設備IDx，這是一個里程碑式的事件。通過FDA的聲明，FDA主要看好該公司和醫生的合作，而不是同醫生比試的路子。估計中國也將在未來一兩年推出相關的標準和批準相關產品。以深度學習為代表的人工智能技術最近在醫療影像的分析識別領域取得了很大進展。

基于肺癌輔助診斷方面，在2017年的數據國際大賽上，本實驗室學生團隊和清華大學計算機系胡曉林副教授、張鈸院士合作，獲得了世界第一成績，比賽內容為從CT圖像預測肺癌的發病率。肺結節的形態多變且大小不一，需要運用比較復雜的深度神經網絡和基于概率的貝葉斯網絡協同來識別。我們利用了LUNA和DB3兩個數據集上進行交替訓練，總體達到了AUC=87%的結果，大致對應于80%的敏感率，和80%的特異性，醫生水平大約為78%的敏感率，和80%的特異性。

肺結節示例

我的觀點是未來這方面的進一步提高有賴于更好的標注、以及把病史等其他因素加入幫助診斷。我們在中日的臨床數據集上的初步經驗表明，在實心結節上的模型預測效果和在公開數據集上類似，但在磨玻璃結節上效果還不理想，在彌散性肺病情況下容易假陽性。最近深度學習算法的進展主要集中在提高可解釋性以及通過遷移學習和交互式標注減少對標注數據的要求。我們將相關方法運用到彌散性肺疾病類型的肺間質病的紋理分割上取得了不錯的初步成果。這些成果也可以被運用到提高肺癌輔助診斷中。

展望未來，我們需要把有更高可解釋性的深度學習算法和基于貝葉斯網絡的推理系統結合，融合病人的其他信息和醫生的先驗知識，構建完整的針對多種肺疾病的完整診斷系統。另外通過對大量多模態電子病歷和影像數據的挖掘，以及通過和醫生的交互，可以挖掘新的診斷經驗。由于人工智能在短期還不能完全模擬人的認知，在可見未來最好的模式仍然是人機協同，由于這次人工智能的診斷率已接近人類，我相信相關的診斷系統能真正幫助醫生提高診斷效率。