“88%科室使用AI产品的是肺结节筛查，6%是冠脉分析，其余依次是骨龄、乳腺和前列腺智能诊断”。

　　日前，中国医学影像AI产学研用创新联盟发布的《中国医学影像AI白皮书》，让传说中的AI医疗扎堆肺结节筛查现象有了一个更直观体现。

　　AI医疗是AI技术运用最广泛也较为成熟的领域，但伴随争议声越来越大，看好者认为AI能帮助解决医疗资源缺乏的问题，并能提高医生工作效率，从而创造价值；唱衰者则质疑其同质化严重，落地进程极为缓慢。难道AI医疗走入死胡同了吗？

　　▶▷现状

　　肺结节筛查成AI医疗企业必选题

　　“在我接触以及同行交流中发现，通常做AI医疗的企业，都有肺结节筛查产品”，暨南大学附属第一医院放射科主任张水兴教授也有类似感受，“像我们科室除了AI辅助肺结节筛查，还有乳腺癌钼靶筛查、骨龄筛查。同时，正与AI企业开展甲状腺结节筛查研究”。这两年不少AI医疗企业来登门推广自己的影像产品，记者采访过程中又有一家来敲门。

　　中国医学影像AI产学研用创新联盟理事长刘士远就曾表示：对比中美AI医疗公司业务布局可见，目前美国医疗AI企业行业分布较广泛，而中国医疗AI企业大多集中在影像方面。

　　根据估算，目前国内1500多家AI公司中，从事医学影像的公司有130家以上。肺结节筛查诊断赛道上玩家众多，既有阿里、腾讯等行业巨头的身影，也有零氪科技、深睿医疗、图玛深维、汇医慧影等已经过多轮融资的头部创业公司。

　　▶▷原因

　　对科技企业来说，肺结节筛查易入门

　　为什么大家都扎堆肺结节筛查？在张水兴看来，对于科技企业来说，肺结节筛查可谓入门级别。

　　肺结节主要是指肺实质内单发或多发直径不超过3cm的圆形或类圆形结节影，不能排除早期肺癌的可能。《肺结节诊治中国专家共识（2018年版）》肺结节的发病率35.5%，其中诊断为肺癌的肺结节占0.54%。

　　肺结节的恶性比例不高，但与肺癌的关系紧密，也让大众容易“谈结节色变”。

　　这样的场景想必不少人似曾相识：张阿姨体检结果显示肺上有一个8mm的小结节，医生告知肺结节有良恶之分，良性的话通过服药可控甚至无需治疗，但若为恶性则需立即切除，可能形成肺癌危及生命。令人纠结的是，既怕错把肺癌当良性疾病，耽误最佳治疗时机；也怕贸然手术白挨一刀，影响肺功能，降低生活质量。一个结节让张阿姨整日忧心忡忡，寝食难安。

　　一位影像AI领域从业者向记者透露，随着高分辨率CT的广泛使用以及公众对体检的重视，肺部结节愈来愈成为临床常见问题，公开数据也较多。如果是恶性肺结节，就提示患癌的风险。所以AI企业在肺结节领域很容易出产品，收效周期短，就更有希望转换成经济效益。像肝癌就少有人触及，一是肝癌影像表现多样，如巨块型、结节型、弥漫型和小癌型；二是肝癌伴有复杂肝病背景，如肝硬化、脂肪肝、酒精肝等；赛题训练集的各种肝癌数据不均衡，增加了判断难度。

　　AI医疗企业现阶段都在烧钱，算法五花八门，准确率还有待提高，付费场景尚未实现，张水兴直言，这种情况下，能沉下心做研发的凤毛麟角，不少企业登门只是着急向医生推销产品。

　　▶▷问题

　　AI医疗产品敏感性高，特异性不高

　　国际顶级期刊《自然》近年发表的一篇题为《深度学习作为提高组织病理学诊断准确性和效率的工具》的研究文章中，研究人员表示深度学习算法的灵敏度达到了100%，但假阳性率也高达40%。

　　“的确，AI能发现越来越小的肺结节，当医生工作量大、工作疲劳时，AI能轻易帮忙找到3毫米以下的肺结节，但同时也存在不少假阳性，这就需要医生再做一次把关”，张水兴表示：“我们很多AI医疗产品敏感性高，特异性不高”。

　　所谓敏感性，就是指其在诊断疾病的时候不漏诊的机会有多大，所谓特异性就是指该指标在诊断某疾病时，不误诊的机会有多大。

　　广东省人民医院影像医学部主任兼放射科主任梁长虹最近在2019第四届全球人工智能与机器人峰会上，就分享了一个案例：去年美国药监局批准了一款基于人工智能的软件，这款软件的应用程序Viz.AI Contact会分析计算机断层扫描（CT）结果并短信通知神经血管专家，来判断脑血管梗塞情况。

　　但权威杂志《放射学》（Radiology）的主编对于这个软件系统给予了强烈批评。因为这个软件系统到目前为止公开的数据没有多少，唯一可用的结果来自美国心脏协会2018年国际卒中会议的报告。该系统训练和验证数据来自埃默里大学医生建立的ALADIN非公开数据集。另外，提供了两个神经放射学家的名字，一位本身就在这家软件系统公司工作，另外一位正规途径查不到身份。“最重要的是它的特异性只有52%，类似于甩硬币（的概率）”。这提醒我们的AI公司，注意资料的完整性和可索源性。

　　▶▷展望

　　从实验室漂亮数据到临床运用仍存距离

　　零氪科技联合创始人兼CTO罗立刚指出，现在部分医疗AI产品过度重视算法，而忽视医生的工作习惯和系统稳定性，“在既定的训练数据场景中表现良好，但临床环境更为复杂，有可能不能满足临床需求，只能被搁置”。

　　罗立刚坦言，一家企业若想研发AI辅诊系统，具备处理影像、基因等多模态数据的能力，是必要条件。此外，作为系统科学，医学数据逻辑、建模、分层非常复杂和丰富。只有算法专家和医学专家深度融合，彼此听懂各自的“语言”，才能跨过医疗AI的门槛。

　　“算法再漂亮，不代表实际临床中就能起效果”，张水兴感慨，“我从2014年就开始接触AI医学影像，并参与研发，AI企业做医疗远比大家想象的难，AI医疗不仅是一个科技领域，更有医学专业的高要求”。需要在AI运用中医生与AI企业技术人员不断沟通，完善产品，从而更好服务百姓。

　　南方日报记者 李劼 通讯员 张灿城