●　●　●

如果生命是一场赛跑，那么健康人工智能无疑让我们跑得更好更快。而健康人工智能技术背后的专家们又是怎样的技术和方法在让更多的人拥有更为将为健康的生命，更幸福的生活呢？

12月1日，在苏州召开的第九届吴文俊人工智能科学技术奖颁奖典礼暨2019中国人工智能产业年会智能医疗论坛上，Airdoc联合独角兽工作室邀请了12位产学沿用的专家分享了他们的研究成果。

张勤  动态不确定因果图DUCG在分级诊疗中的应用

全国政协常委、国际核能院院士、清华大学教授、中国科协荣誉委员、CAAI不确定性人工智能专委会主任张勤指出，医疗资源缺乏和分布不均是目前我国医疗体制改革的重要痛点，基层首诊正确率低的问题还比较突出。在这种背景下，医疗人工智能对国家推出了“基层首诊，双向转诊，急慢分治，上下联动”的分级诊疗制度是一种极大的支持。

张院士指出 ，通过医疗人工智能全科临床辅助诊断，疾病诊断准确率已经高达95%。张院士创建的理论体系DUGG在航天、核电站故障问题诊断保持着100%的准确率，基于专家的知识和DUGG，张院士以患者为中心来建造一个以主诉的实时诊断全科知识库，其中13个库已经完成知识验证。

据张院士介绍，动态不确定因果图不同于大数据机器学习黑箱模型，其知识库、推理过程和诊断结果具有强可解释性，即不仅告诉你是什么病，而且告诉你为什么是这些病。同时，两者又可以互补，因为可由大数据AI来完成X光片、B超图像、舌像以及心电图等影像识别，肠鸣音、心音等声音识别，其识别结果可作为DUCG系统的输入证据，并由DUCG系统为患者提供个性化的优化临床路径和完成综合诊断。疾病诊断知识库不但有常见病，也包括众多罕见病。已完成的第三方测试的知识库，在医院临床测试以及与已有临床病例的分析比对时，诊断准确率达到了三甲医院的顶级医生的水平。使用DUCG平台，高水平临床诊断知识资源获得了无限放大，即便专家本人并未深入基层或远程会诊，其智力资源依然可以在基层并行使用，从而解决分级诊疗制度落地的关键问题。

林浩添  医学人工智能诊疗技术研发和临床应用

中山大学中山眼科中心人工智能学科带头人林浩添教授表示，眼睛是心灵的窗户，我们眼也是一个体表器官，几乎绝大多数的疾病可以通过眼的病理的形态学，或者是临床表型形态学就可以做很好的诊断，林教授与Airdoc合作申请了国家的重点研发项目基于视网膜发现疾病风险，并且基于人工智能完成白内障的诊断和儿童青少年的视力预测。

林浩添表示，在人工智能新背景下中山眼科中心采取了三个步骤推广医疗人工智能，第一个做人工智能系统的研发，第二个就是研发出来的系统做临床验证，第三个验证之后把这个平台推广应用。

陈吉利  基于人工智能技术的社区糖尿病视网膜病变筛查

上海市北医院眼科主任陈吉利教授就人工智能的社区糖网筛查进行了经验分享：2017年10月成为眼科人工智能公司领军企业Airdoc公司沪上首个应用示范基地，参与Airdoc视网膜照相人工智能辅助诊断系统开发研究。2018年2月成立了国内首个区级层面的阅片中心——国家科信中心眼科大数据实验室上海静安影像阅片中心。2018年10月又成为平安好医生人工智能问诊系统沪上眼科首家应用示范基地。

至此上海市北医院眼科已经建设成为集AI、大数据、云平台和远程会诊与一体的静安北部医共体眼科云平台，开始一系列眼科人工智能开发和应用研究。并且在社区糖网筛查的论文于8月27日这个项目发表在眼科杂志上《EYE》上。

陈羽中  医疗人工智能助力糖尿病闭环全程管理

Airdoc首席医学官陈羽中教授分享了Airdoc慢性病与并发症风险监测与干预上的成果。

据陈羽中教授介绍，医学、临床、概率学、人工智能一直是相互交叉，并且共同发展的学科关系。而且近年来交叉学科发展迅猛，对每个学科本身都产生深远影响。深度学习做为人工智能和机器学习的子学科，在2012年以后达到了近似人类的识别水平，在医学和生物学影响深远。人工智能的无监督学习算法在实践中会有一些优于医生掌握的先验规律的发现。

经过实践发现，根据人眼血管区域的数据可以对年龄进行很准确的估计，根据黄斑区域的信息可以提取出人的性别信息。会在实践中进一步把眼底数据用于高血压、脑卒中、帕金森等疾病的检测。

他指出，数十年前中国主要问题是创伤和传染，走到今天了主要是慢病，慢病不可以被逆转只能预防，慢病的死亡率占到全人群死亡率的86%-89%之间。视网膜病变是糖尿病最常见的并发症，通过Airdoc无创无痛的视网膜检查可以发现糖尿病风险，并且可以进行糖尿病监测。同时，Airdoc研发了持续血糖监控产品，可以通过人工智能自动分析不同食物对血糖的影响，可以帮助用户管理血糖。此外，通过视网膜同样可以判断血压、神经等问题，对慢病监测提供了更多的工具和方法。

对于视网膜图像上糖尿病特征的识别，人工会存在因为疲惫疏忽、技术不足导致的一些特征忽略，而人工智能训练出的算法基于视网膜的糖尿病预测。对视网膜图像数据应用深度学习算法提取和评估人体的信息。

孔德兴  超声人工智能：现状与展望

面对超声的扫描手法不一、分辨率低、只采集局部信息的问题，浙江大学数学科学学院求是特聘教授孔德兴提出通过图像增强算法算法来提高数据分辨率的解决思路；对于医院之间数据孤岛的状况，提出分布式计算的解决思路。

从超生领域分享了人工智能发挥的重要作用，2015年起孔教授与国家卫计委合作，超声库已经起动7个子库的建设，并且与顶级医院合作建立统一标准。通过数学技术和人工智能技术融合到影像学里解决形态学问题，可以自主判断病灶边界粗糙不粗糙，分布均匀不均匀，实现了乳腺癌识别率良性92%，恶性93%，分割准确率93%。

孔德兴教授表示，希望通过建国家库的方式，以卫健委和国家各个医院合作，同时建好以后是由他们制订国家入库的标准，但是需要国家卫健委组织专家委员会论证，论证以后我们就开始全国范围来收集，通过这个方式解决合法化和合格性；他也提出，希望结合5G技术，走软硬件结合的道路，做了超声机器人，在实践中超声读图所需时间更少，准确率更高。

张道强  机器学习与脑影像分析

全球现在有4.5亿各类脑疾病患者，其中一大类就是阿尔茨海默病（老年痴呆症），南京航空航天大学计算机科学与技术学院/人工智能学院张道强教授基于医学影像通过用三种不同的超图特征分类生成脑网络，脑网络里面每个节点有唯一性，如果把节点信息的标签拿掉会产生巨大的差异，去年张教授研发了Sub-Network子网络，把唯一信息考虑进去，通过新型的图和之后发现对老年痴呆的早期诊断认知障碍问题。

通过机器学习计算两个网络之间的相似性，来判断获得的脑图和正常人之间脑图的相似性，从而使诊断精度有了很大的提升。有异常组的连接数相对少一些的一般规律。

在构建脑图上，对于过去的pairwise correlation矩阵式构建方法上的不能反映更高维度的脑区域之间信息的问题，提出了运用数学中超图的概念的思路，经实践后，使精度从约60%提升到了94.6%；把复杂网络里预测传染病传播的有效距离的度量引入构图中，使高链接数的节点权重上升，分类的性能又有了大幅提升；另外还借鉴了数据挖掘的思想，发现患病组和正常组中频繁出现的子网络，以及权重网络挖掘的思路，提出了基于有序模式的新的图的分类方法，经运用后对多动症儿童能进行识别；借鉴计算机网络的Hub概念，找到网络中的重要节点，基于此做脑网络的分类，也取得不错的效果。

高云龙  基于医学影像云赋能平台的分享

翼展医疗集团合伙人&首席市场官高云龙分享了云平台对医疗领域的帮助，翼展医学影像云提供了数字化的完整的解决方案，可以对影像的拍片质量进行控制，在区域中心里面实现质控，通过远程诊断包括远程会诊、人工智能开放协作平台一系列的赋能，赋能之后再形成数字化影像材料分发给患者端、临床医生端，同时翼展科技为基层医院二级医院提供了云端数据中心，在基层可以随时调取。

刘满华  多模态脑影像大数据智能处理和分析方法

上海交通大学电子信息与电气工程学院刘满华副教授介绍了基于深度学习的脑影像智能处理和分析方法。她提出当前遇上的几大问题是：用于脑疾病诊断的多模态脑影像数据较少；脑影像3维大数据、提取特征需要非常深的网络和大量训练数据； 建立一个深度网络模型效率较低。

为此，提出构建多模态图像特征多层次逐级融合和级联深度卷积网络模型，克服不同模态之间的差异，探索特征潜在复杂关系，实现多模态特征的优势整合，提高脑疾病诊断和预测准确率。她也介绍了融合多个深度神经网络模型的海马分割和分类诊断的实践案例。

陈新建  人工智能眼科OCT医学影像诊断与分析

查眼底的视神经结构特征（OCT）是眼科一款常见检查设备，对视网膜进行分层扫描，发现视网膜异常。苏州大学特聘教授陈新建在会上分享了人工智能和OCT的结合成果，陈教授针对同一个人，不同时间的OCT提出基于SURF的投影图像配准，在正常的地方是可以配的，但是病变的时候很难配准，配准的算法对正常人的配准准确率超过92%。

医疗人工智能的产学研用全链条探讨

在最后的讨论过程中，来自浙江大学健康医疗大数据国家研究院副院长、浙大睿医人工智能研究中心主任吴健教，复星集团投资总监陈宏先生分别发表了对医疗人工智能的看法。 

吴教授已经在医学领域里面扎根10年，始于视网膜影像，然后延伸至CT，MRI，再到病理，还有一些X光，DR等等这些方面做过工作，目前吴教授已经在将科研成果产业化的过程中，并且号召更多的企业一同努力，共同推进医疗人工智能的发展。

陈宏表示，考核一个公司除了考核算法有没有先进性，还要看数据量，数据量的维度和质量。大致基于以下四点：第一个会考虑商业模式是否能够真正的去产业化落地；第二个我们看创始人对在这个细分医疗AI领域，具体到什么科室，甚至是药物研发的领域要有什么程度的理解，是否有营销人才、互联网的思维，互联网的思维；第三个是硬件是否能够在整个产业链上面有很好的结合；第四个是现在应该考核的是对场景的选择，就是说在未来你要么是找到更新的场景去匹配更新的数据，更新的硬件，要么是在已有的场景里面做产业链的延伸。他表示，比较看好慢病管理的领域、药物研发的领域、院外健康管理的领域、基层预防筛选的领域的人工智能机构。

在健康中国2030的蓝图下，医疗人工智能更是承担了极其艰巨的任务和使命。若想大规模应用，不仅需要打通各个环节，连接相关政府组织、高等院校、科研团队、医学专家、AI创业团队等研发力量，还要帮助医院以及医疗信息化厂商实现智能化，构建覆盖大健康全过程的智慧健康生态。