影像AI系统对于影像科室的诊疗和科研工作极为重要

在多发/隐藏的病灶查找、病灶的随访对比、病灶的精准测量等场景下，没有细致的图像特征标签提取，海量鉴别诊断规则就无从自动开启。指望一线医生手工、大规模地测量图像特征来填写结构化报告是反人性的。虽然当前影像AI还有各种缺陷，但从其不知疲倦的工作能力和工作态度来讲，对影像诊断工作就具有非凡的生产力价值。

根据ACR-DSI（美国放射学会数据科学研究院）的观点，在影像业务领域会有几百个业务场景需要特定的AI来协助医生提取关键图像、测量值、特征值等信息。如此多的场景是因为不同器官、不同的疾病类型，在不同的影像设备下有不同的表现。虽然很多场景具备迁移学习的机会，但毕竟是有这么多离散的领域需要是深入研究，并不能用一套统一的算法来覆盖。

影像AI优缺点都很明显

影像AI当中的深度学习算法，是基于自动化的过程发现数据背后的统计规律，而不是理解人的思维模式和逻辑。由此就存在着两个潜在的风险：

首先，如果让一个影像AI认知过多的事物会变得不伦不类，而不是像人那样变得样样精通，对这种能力落差需要有清晰的认知。如果数据当中包含的信息类型太多，大数据并不能提升模型的质量，反而造成成本的指数型上升。

其次，由于模型运算过程的不可解释，在结果出现较大误差的情况下，很难干预和纠正。模型包含的信息类型越多，出现这种不可解释的风险就越高，纠正的成本代价就越高，往往超过业务本身的价值。

在医学影像AI的设计思路

自深度学习的基础算法创建以来，改进算法主要是为了应对在特定场景下处理大数据时的效率，并不提升最终结果的质量。基于上述这些信息，在医学影像深度学习领域，降低成本和风险的做法应遵从如下两个原则：

首先，将模型的业务目标定义得狭窄而清晰。这样就可以使用精准标注的几百例数据获得敏感性、特异性都满意的模型。这是一种小数据应用，无需使用高深的算法，而且质量并不降低。

其次，将高水平医生的逻辑思维变成系统性管理的代码，精准地管理多个小模型集合的整体行为。用这种方式构建的系统，出现不可解释结果的概率会大大降低。即便出现了，纠正起来也比较容易。

在上述这样一种业务构建思路下，设计精准的小模型、精准的序贯逻辑，以及精准的标注就成为核心价值，算法的重要性淡化了，医疗机构的价值就突出了。

众多临床场景下的AI难以形成固定的产品，只能形成个性化的方案

相比大数据、几个简单的模型组合的构建思路，这种多个小模型、严谨序贯逻辑的构建思路优缺点也很明显。优点是成本低，稳定性高；缺点是项目化，产品化的通用性差。如果每个客户都需要数据进行训练，就失去了产品本身的商业价值。

越是CT类的图像，尤其是CTA，由于成像机理简单，对比强烈，容易通过大数据训练形成稳定的产品。但在MR影像AI领域，由于成像机理复杂、图像风格多样，即便规模很大的数据，也很难形成稳定的产品。这种情况下，医疗机构自身创建的个性化算法就大有用武之地。

在ACR认为存在的数百个独特AI业务场景中，也许只有1/3的场景能使用产品化的AI；而多达2/3的场景，由于个性化的成本问题，企业界不愿直接涉足产品，往往提供一些平台，由医疗机构自行完成个性化系统的研发并投入使用。所以我们会看到美国的医疗机构医工结合开发的个性化AI很多，而论文多半也都是小数据下的研究产物。

与所有的AI训练平台类似，都具备：原始影像数据的导入、匿名、图像浏览、单模型训练所需数据全生命周期的管理，包括入组、标注、预处理、模型训练、模型测试、效果评价等。

共享式AI的设计特点主要体现在三个方面：

首先，将一个较复杂的临床业务按照高水平医生的诊断思路拆解成多个细小的逻辑步骤。其次，在每个步骤上设计业务目标简单、输入/输出清晰的深度学习或者组学模型。第三，除了模型数量多、单个模型内容简单之外，共享式AI特别重视临床实用化，而非完成创新理念。实用化的AI有着与流程整合、效能评价相关的管理功能。

同一组数据用于多个不同模型训练的数据管理

个性化的模型使用几百例高质量的病例即可完成训练和测试，训练出敏感性/特异性双高的模型。如果有1000例高质量的数据，那么完全可以满足十几个甚至几十个相关业务中的小模型训练。这些模型训练和测试集共享这1000例数据，数据根据模型任务的不同，划分到不同的任务视角当中即可实现数据的复用，不用拷贝到不同的存储空间下边，而且可以各自管理各自的标注、预处理等新生成的过程数据，以及各自管理训练和验证过程。

多个AI小模型序贯网络的控制架构

一个完整的业务模型被分割成多个序贯的小模型，其内部的逻辑架构将变得相当复杂，需要一套配置工具来进行模型之间的衔接管理。在内部的流程逻辑领域，共享式AI的开发平台比传统的AI开发平台的功能要强得多。

完整模型与流程业务系统的交互架构

共享式AI讲求业务实用化，所以控制进入业务的图像质量是第一步的工作。如果质量不符合（扫描条件不符、序列缺失等），就会给与拒绝。

AI业务的处理状态需要与RIS系统保持同步，以便确定能否允许诊断医生撰写报告。

当AI模型完成分析工作时，其生成的、带有本体标签的关键图像、测量值将按照特定的消息模式输出，以便顺利整合到以结构化报告为代表的后续业务流程中。

基于结构化报告的绩效数据获取

共享式AI平台开发的业务模型注重真实场景下的绩效和持续改进，因此需要关注AI发现的病灶数量、位置、性质，诊断医生调整后的病灶数量、位置和性质，以及审核医生调整后的上述信息。在某些场合下，还需要分析使用AI、不使用AI的绩效差异。这些绩效数据的获取和持续改进工作，离不开各类结构化报告系统的LOG分析。