7月1日，在由武漢國家生物產業基地建設管理辦公室主辦、火石創造承辦、光谷健康智慧園協辦的醫療大數據與醫學人工智能高峰論壇上，Airdoc創始人兼董事長張大磊做了題為《AI在醫療領域中應用的問題與局限》的演講。

Airdoc是醫療領域人工智能領軍企業，專注于人工智能醫學影像識別領域的應用，一直嘗試通過科技手段解決影像學方面醫療資源分配不平均。在現場，張大磊重點分享了在智能影像領域的實踐經驗，以及人工智能在醫療圖像識別上的局限性。

本文系根據張大磊先生在《醫療大數據與醫學人工智能高峰論壇》上的精彩分享整理而成。根據嘉賓意見，分享內容已刪去部分敏感觀點及內部信息。

“More Intelligent， Better Care”

“在現實中醫療資源分配不平均很多人被漏診，而人工智能可以學習醫學專家的經驗，應用在基層能夠輔助基層醫生工作，提升他們的疾病識別水平。”張大磊這樣描述成立Airdoc的初衷，語氣誠懇。

近幾年，人工智能圖像識別技術快速發展，在某些特定領域已經超過人類。醫學影像作為疾病診斷的重要路徑之一成為了一個熱點。醫療行業涉及知識面廣，人工智能可以在多個環節發揮作用。比如：醫學影像識別、生物技術、輔助診斷、藥物研發等領域，目前應用最為廣泛的當屬醫學影像識別。

“總體來講，整個行業呈現出欣欣向榮的態勢。但實際上真正落地的時候還是有很多問題。”張大磊簡單介紹了人工智能在醫療圖像識別上的三種常規做法及其局限性。

人工智能在醫療圖像識別上的三種常規做法

張大磊介紹，目前人工智能在醫學影像識別的應用上主要有三種方法：分類、檢測和分割。

分類是最簡單的，需要輸入大量的樣本學習，一般“萬”級別的樣本訓練出來的結果才能說比較好，但是只能夠識別有沒有病，不能對醫學影像進行標注。

張大磊現場舉例：假設通過算法識別圖片上的高度相似病變，如果用分類樣本量小就很難調準。這一環節存在著樣本量不夠以及樣本不均衡的問題，同時，醫生標注的工作量是最小的，醫生把弱標簽經過分類處理之后就可以進行標注。

檢測，即從圖像中檢測出來有什么。需要的訓練樣本量一般比分類的樣本量少一些，但醫生標注的工作量有所增加。舉個例子，如果要標注放射樣本量，醫生需要把每個片子看一遍，把有問題的地方框出來，這個過程中如有框漏，會影響檢測的效果。<余下全文<