引入：

在日常生活中，人们难免要去医院做检查。但你知道吗？AI已经悄然进入了医疗诊断的环节，参与到了人类健康的守卫战中。

而在这场守卫战里，AI在医学影像识别上表现得尤为突出。下面我们就从AI影像识别入手，看一看AI+医疗是如何让科技落地服务社会的。

医学图像识别中的困难：

去医院看病或者体检时候，我们可能会拿到一张大大的X光片或者CT、核磁光片，但想要既高效又准确地解读这些医疗影像，并不容易。

在拍摄CT影像和核磁共振影像的时候，其实并不是只拍一张图片，而是同时扫描出几十、几百张图片。再由影像科医生从这么多的图片中筛选出最有可能是病灶的，给到其他医生参考，这是极其耗费精力的。

根据《2018年医疗AI技术与应用白皮书》，我国医学影像数据每年增长30%，而医学影像科医生每年仅增长4.1%。一家三甲医院的影像科医生每天看上万张医疗影像，并不罕见。

在这样高负荷的工作下，即便是训练有素的医生也难免会有差错。

而且即便有了医疗影像，有些疾病在早期阶段也很难被诊断出来。我们以肺癌为例，根据国际癌症研究机构（IARC）2022年的数据，肺癌是中国发病率最高和死亡率最高的癌症。

根据《早期肺癌诊断中国专家共识（2023年版）》，如果能够在肺癌发病早期（I期）诊断出来并积极治疗，五年生存率可以达到77%-92%，但如果是在III~IV期才被诊断出来，五年生存率仅为10%~36%。

但I期肺癌无明显的临床症状，从X光片上也很难识别，需要使用低剂量螺旋CT检测，这就需要影像科医生在大量的CT影像中仔细分辨。而在肺癌早期，有些病灶会跟良性结节混在一起，很难区分。

AI能做更好：

在卷积神经网络（CNN）出现后，AI在图像识别领域取得了飞速发展。同时，借助深度学习算法，AI可以利用已经标注过的医学影像进行学习，从而辅助人类医生做出诊断。在某些疾病的诊断上，它们的表现甚至能和人类的顶尖专家媲美。

比如2019年一项研究就展示出了AI在肺癌早期诊断的优势。

研究者利用45000多次经过标注的胸部CT的数据来训练算法。完成训练后，科学家让AI模型对新的CT影像进行分析，并且和6位专业的放射科医生给出的结果进行了对比。

结果发现，AI漏诊的比例比人类医师低5%。而AI的假阳性率也比人类医师低11%。假阳性可以理解为没有肺癌，但是被误诊为肺癌的情况。这说明，这款AI模型的检测准确率不亚于人类的专业医师。

如果这样的模型能普及开来，毫无疑问能大大缓解医生的工作压力，同时让更多的人能尽早接受治疗。

而这样的技术普及已经开始。

2021年，我们国家的一些三甲医院已经引入了肺小结节AI辅助诊断系统。这个系统能够分辨出CT影像中的结节是否为肺癌的病灶，而且它能够识别出肉眼无法分辨的细小结节，从而辅助医生做出更加准确的判断。

值得一提的是，在2024年1月，这个系统也首次在北京市通州区新华医院和永乐店社区卫生服务中心两家基层医院进行了试点应用。如果这样的系统能在基层医院普及开来，将大大缓解医疗资源不平衡的问题。

当然了，前面我们仅仅举了肺癌早期诊断这一个例子。AI能做的远不止于此，在对于乳腺癌的诊断、糖尿病引起的视网膜病变检查、皮肤病的拍照识别、心脑血管疾病的诊断筛查等等方面，AI都能发挥重要作用。

AI辅助诊断的出现，可能会大大改变医疗卫生行业，为人们的健康保驾护航。

AI影像识别依然有不足：

不可否认的是，AI识别的准确率依赖于高质量经过标注的数据。而医学影像数据的标注跟一般数据标注很不一样。

比如，普通人就可以给自动驾驶汽车的训练数据集进行标注，因为普通人就足以轻松分辨出图片里的道路、红绿灯、行人、自行车等物体。

但医学影像数据的标注依赖于经验丰富的医生，这就给训练数据的获取增加了难度。

不过，医学图像识别和分析是一个比较新的研究领域，全世界大量的科学家正投身于这一领域的研究，诸如MICCAI协会也整合了大量的计算机科学、医学、工程学和物理学方面的专家，每年产出上千篇学术论文。

相信在未来，AI技术将继续促进医疗卫生行业的发展，让更多的人享受到更好的医疗保障。

参考资料：

Han B, Zheng R, Zeng H, et al. Cancer incidence and mortality in China, 2022[J]. Journal of the National Cancer Center, 2024, 4(1): 47-53.

中华医学会呼吸病学分会. (2023). 早期肺癌诊断中国专家共识（2023年版）. 中华结核和呼吸杂志, 46(1), 1-18.

刘耘沁, 李升锦. 肺癌早期诊断的研究进展[J]. Advances in Clinical Medicine, 2024, 14: 2406.

Ardila D, Kiraly A P, Bharadwaj S, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography[J]. Nature medicine, 2019, 25(6): 954-961.

《2018年医疗AI技术与应用白皮书》

（文章内容来源于星空计划。）