吕乐：AI 医学影像学者的医者仁心

吕乐：AI 医学影像学者的医者仁心

随着社会发展，老龄化的问题也日益凸显，给医疗体系带来了新的挑战。使用医学影像辅助诊断技术，可以帮助医生及早筛查病人，缓解治疗负担。

「做科研要明白你的动机和初心是什么。」这是医学影像资深学者吕乐博士在采访中反复提及的核心思想，「我们的工作就是希望临床能用起来，帮助医生，真正对病人有好处。像我们做的骨质疏松检测和胰腺癌早筛，都是能让病人获益的，病人是我们工作的动力。我这些年工作的核心就是为了病人，尽可能为病人多做一点事。」

从利用深度学习在三维影像中进行癌症检测，到包含11万张胸透图的大规模医疗影像数据库，吕乐博士在这次采访中向我们介绍了他的研究和心路历程，同时给青年学者和医学影像领域的发展提出了深刻的建议，下面是采访全文（全文8977字，阅读时间大约17分钟，有适当删节）。

吕乐，2007年获得美国约翰霍普金斯大学计算机系哲学博士学位，期间在微软研究院北京和Redmond工作两年，师从沈向洋和Kentaro Toyama 及Paul Viola，博士期间研究方向是计算机视觉与统计学习。2006年10月起在西门子美国研究院工作开始从事医学影像的技术和产品研发。2006～2013年对西门子的基于医学影像的癌症检测和诊断系统做出了突出贡献，领导研发的产品在全球20,000家医院使用，并发表顶级会议论文15篇和12个美国专利。

2013年一月起，在美国国家卫生研究院临床中心工作五年，对深度学习在医学影像中的应用作出了一系列推动整个行业发展的贡献。2015年获得NIH年度最佳导师奖，2017年因为突出的临床贡献获得NIH临床中心院长奖。2017年受Nvidia CEO黄仁勋的邀请，创立了英伟达的医学影像人工智能研究组。2018年至2021年是平安集团美国公司华盛顿研究院的执行院长。

受访对象：吕乐

采访：李梦佳

整理：李中梁、李梦佳

西门子时期

西门子时期

Q：您在 CV领域有25年经验，在医学影像领域也工作了15年左右。这么多年来在这个领域您看到了哪些变化和延展？

A：15年变化还是蛮大的。医学影像大概25年前就有人研究了，之前很多前辈的做法往往不是基于统计，也不是数据驱动的。

之前的医学影像分析的做法是基于模式假设，我认为这个肿瘤应该是什么样的，然后制定一个模板去匹配。例如，我认为肺结节是个圆球，我拿椭圆球的模型去匹配肺结节，比如肠癌，我认为是在肠壁上长了一个小包，大概是半球形。我就设定一个半球形的模型，在三维影像里面检测这种半球形，这是之前的非数据驱动的方式。

肺结节(pulmonary nodule, PN)，指肺内直径小于或等于3 cm的类圆形或不规则形病灶，影像学表现为密度增高的阴影，可单发或多发，边界清晰或不清晰的病灶。

而我们在西门子的做法是基于统计的。在医学影像行业里，国内外研究者很多都是我之前在西门子开发不同领域的同事，比如郑冶枫（腾讯天衍实验室）是做心脏的，周少华（中科院）是做超声，我主要做CT里面的肿瘤，肠癌和肺癌。我们在西门子的影像分析方法跟以前不一样，我们基于数据驱动，虽然没有现在深度学习时代这么大的数据，但只有几百上千个病人，所以我们当时必须用新的算法，比如像 Boosting、Random Forest算法。

计算机视觉从2000年之后到深度学习爆发之前，这12年左右的时间，大家主要是做基于概率的统计学习，也是我们在西门子主要采用的方法。

当年在世界上有两个最发达的工业界研究机构，一个是微软，一个是就西门子。在美国只有这两家公司的研究院真正在计算机视觉最好的期刊之一IJCV（International Journal of Computer Vision）上发表过机构专刊（institutional special edition）说明他们的工作在行业内是比较受认可的。

西门子

当时的人工智能主要是基于统计学习的非深度学习，比第一阶段基于传统模式匹配的方法要好非常多。我没有太经历过第一个年代，直接经历了第二个年代，我是第二年代里的一份子。

2012年9月吕乐博士和西门子美国CEO讲解自己刚刚获批的美国专利内容

NIH时期

NIH时期

Q：后来是什么样的契机您去了NIH（美国国家卫生研究院）？在美国的医学研究机构工作有什么样的体验？

A：2012年我决定去NIH，主要有两个原因。

首先，我觉得做医学影像，要跟临床、跟医生更紧密的结合起来。我在西门子的时期，医生集中在费城的几个大医院里，西门子的办公室在费城郊区，我每年都会去医院里待6天，医生会来教我们看片，我觉得医生还是很厉害，他们会从他的逻辑来判断为什么这个东西是肺结节，为什么这个东西是大肠息肉为什么不是。我觉得这个世界上很需要既懂临床又懂技术的，但真正在这之间起到桥梁作用的人很少，而且你真正深入临床医院就会知道当中有无穷多的事情可以做，这是我的好奇心。

另外一个原因，当时在西门子做统计学习遇到了瓶颈。虽然当时正处于统计学习的高峰，但高峰之后，其实就是瓶颈。我觉得我们能解决的问题解决差不多了，不能解决的问题可能需要新的工具。（笔者评论：其实这个观点对我们现在深度学习时代遇到瓶颈的现状也是有借鉴意义的，我们可能需要新的工具。）

所以我在西门子工作6年多后，去了NIH（National Institutes of Health，美国国家卫生研究院）。NIH主要靠美国政府提供资金，相当于是美国医学影像的国家队。这里是美国乃至全世界最先进的最大的临床转化中心，把各种各样的创新成果在临床上验证，真正治好病人，然后再把这个成果向全世界推广。

NIH（National Institutes of Health，美国国家卫生研究院）

我们医院有30个人获得了拉斯克临床医学研究奖，可以认为类似于临床的诺贝尔奖，奖金比诺贝尔奖高，更偏临床。至少有30个人做出这种从0到1的临床上的转换，我们做的事情和他们比是比较渺小的。

在NIH的五年就是深度学习的时代。深度学习做医学影像为什么有可能成，是因为我们当年做统计学习的时候，比以前非统计学习的方法好非常多，在模型的泛化性能以及解决问题的复杂度上提升了很多，从统计学习到深度学习，我愿意为了我的好奇心去冒这个风险。在美国大公司里愿意冒风险的人不多，但NIH给了我们试错的空间，学术相对自由，资源也丰富，同时不用花费时间申请基金。

Q：您在NIH期间所做的工作都解决了医学影像领域的哪些问题？

A：2012年，AlexNet把深度学习用在计算机视觉后，大家就开始接触学习。到2014年CVPR，大概有5%~10%的文章开始用深度学习，可以说是深度学习在计算机视觉中应用的元年。我们是2013年底开始做医学影像。当时大家会顾虑说，有了SVM有没有必要做深度学习。并且自然图像有上百万标注的ImageNet数据集，医学影像是没有这么大规模的标注数据集，而且医学影像又是三维的，怎么解决这个问题？我们后面工作也是围绕着这些问题展开。

我的博士后Holger Roth是德国人，在英国UCL拿的博士，在NIH和我工作的时候他有一篇开天辟地的文章「A New 2.5D Representation for Lymph Node Detection using Random Sets of Deep Convolutional Neural Network Observations」发表在2014年MICCAI。

这篇文章巧妙的解决了深度学习怎么在三维影像里面做癌症检测，完成肿大淋巴结的诊断。在以前的统计学年代，西门子在这个问题上做的最好，大概能做到50%+。而这篇文章用深度学习分析三维医学影像的工作做到了70%+，相比原来有大概25%的绝对提升，在当时是一件很轰动的事情。

使用2.5D数据解决三维影像中的癌症检测问题

做一个新的东西，前三篇文章比较难中，很多人会不买账。我们比较幸运中了，并且后来拿到了2018年MICCAI的Young Research Publication Impact Award，在医学影像领域非常有分量的一个奖项。

吕乐博士和Hoo-chang Shin，Holger Roth在MICCAI 2018的会场，Holger得奖(五年最有影响力的MICCAI论文)之后的合影。

验证了深度学习的医学影像分析上的可用性后，用深度学习做医学影像分析的工作逐渐多了起来。这时候就想到，深度网络到底要不要那么深，是不是网络不用那么深就能解决问题了。这个问题当时在计算机视觉里面也有类似的思考。因为太深的网络训练不出来，优势也不明显。「网络越深越好」今天我们认为是理所当然的，但在当年其实是有争议的。

第二个问题是不同医疗系统的数据库，统计侧特性是不同的，正因为它统计特性不一样，对神经网络的结构也是有要求的。

我的另外一个博士后 Ho-chang Shin 的工作「Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning」就解决了上述的问题，说明了网络确实越深越好。Google当时在CVPR上也做了一篇类似的工作。

深度网络到底要不要深，其实跟数据集、以及要解决的问题有关。在NIH，医生不是很关心计算机视觉用什么算法、数据集，而是关注他要解决的临床问题，我们一起解决。

当时这篇文章2015年投MICCAI被拒了，最后中了2016年的MICCAI。这篇文章目前为止被引用了3200多次，可以说是奠基性的工作，所以好的工作也不一定当年就被接收，因为标新立异是不太容易被立即接收的，审稿人会质疑你的真实性和准确性。由此我也学到很多，所以我也不是特别在乎文章会不会中，坚持做好的工作，总是会发表的，对这个领域有贡献。

这个文章特别长，有16页，做实验也做得很辛苦，当时还是圣诞节，我们经常带着我的博士后工作到晚上2:00。在NIH大家的工作主要是好奇心驱动的，去探索未知问题的答案。这一点在中国还是比较缺少的。你需要让年轻人能够放松，让年轻人能够真正探索一些比较重要的东西。做出有影响力的工作，是需要一个相对来说宽松的环境和不忘初心的奋斗精神的。

这篇文章合作者中包括两个医生 D. Mollura, R. Summers。第一作者H. Shin是韩国人，博士在英国念的，美国可以把全世界的人都弄到美国去做研究，这也是美国的优势。

在NIH，我的博士后有政府发工资，他们给我干活，他们走了再招，比较宽松。但是，美国政府的工资比市场价格会低一点，这是科研自由的代价。相比来讲，医生在美国的工资是很高的，但是美国政府里面总统的工资是最高的，所有人的工资不能超过美国总统的40万美元。医生在政府工作一般是30万美元左右一年，但实际上他们在外面公司干活都是可以拿到80-100万美元的薪水。

但在政府里面，医生有更多资源，他可以一半时间看病，一半时间做研究。有的医生觉得，人生要有所取舍，没有挣很多钱，但是有很多时间去做研究。他们的初衷是想把某个病治得更好，NIH是做研究的天堂，可以提供丰富的资源，离开NIH就没有这么丰富的资源了。

吕乐博士和NIH的合作医生，同事以及Trainees在办公室的合影

Q：您所说的NIH有很多医院的资源，所以数据很多是吗？

我们医院数据信息化做的早，有100万病人的数据。同时NIH有很好的博士后，NIH给博士后和他们的家人最高等级的保险，甚至比我们雇员的保险等级要高，所以在NIH大家没有后顾之忧。大家专注于探索科学，特别是临床科学。相比学校我是幸运的，不用写标书写基金，有医生和我合作，有博士后帮我干活，有丰富的数据和计算资源。

我在NIH学会了最重要的一点就是问题驱动。医学影像是个应用学科，我想把临床问题解决的更好一点。经过几年的熏陶，我基本上跟医生的价值观是一样的。

我从2013年1月去到NIH开始和医生做同事。我们在放射系，旁边还有肿瘤系的这些科室，大楼有一半是病房，一半做临床科学。楼里有几十个美国科学院院士。有的院士办公室在地下室三层不见天日。我们的办公室也比较压抑，后面加了一个小窗户才好点。但是大家为了能做自己喜欢的科研，这些外部环境也就没那么在意。

再说一个例子，临床上X光胸片图非常普遍，40%的医学影片都是X光胸透，对疾病诊断的意义很大。但当时最大的数据库大概有四五千张X光胸透图，有比较大的局限性，用来做深度学习的效果不是特别好。我和我的博士后王晓松（Xiaosong Wang）分析效果不好的主要原因是数据集太小了，而不是算法不好。后面我们就发表了论文 「ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases」，这是最近五年在CVPR医学影像方向引用次数最高的文章，目前有一千多的引用。

Q：这篇2017年的工作主要是解决胸透的数据库的问题吗？这项工作当时遇到了哪些困难？

A：对，我们发布了第一个真正的大规模医学影像数据库，包含了11万张胸透图，大概是之前的20多倍（此前的数据库只有四千多张）。这个数据库是网上可以下载到的。

我们在发表这个文章的时候，有人说这个工作肯定发表不出来，数据库是不能公开的。虽然说在美国比较支持数据共享，但是这种11万数据，涉及3万多病人的数据库之前还没有人做过。合作的医生害怕这个数据库后面会出问题，不敢发表数据。但如果不发表数据，论文也就发表不了。后来我说，要是不发表这个数据库的话，我就要辞职。后来我找到我们的院长，他是美国陆军退休的四星将军，原来美国陆军总院院长，他很支持我们发表数据，他说出事了他兜着，所以最后我们还是把这件事办成了。

左图：获得NIH临床中心2017年院长奖，右图：获得整个NIH 2015年最佳导师奖。

其实美国对隐私的要求非常严格，我们的数据库中有的光图不仅包含胸透图还会有些文字，虽然不是病人的姓名，但还是可能会推断出病人。甚至病人可能戴了装饰品，比如一个特别的项链在x光线下也能看见，你也可能由此推断出来病人是谁。所以这里面有很多关于隐私的问题。

当时做这个工作是艰苦卓绝的。因为有病人隐私问题，我们实验室用计算机OCR检测算法把胸片上的文字去除，最后实验室十几个人用肉眼把11万张图片过了三遍。最后这个数据库做出来，被各个媒体广泛报道。

ChestX-ray8大规模数据集中疾病标签的统计弦图

我们这个工作发表后，斯坦福、MIT都分别发了很大的数据库，目前基本上有100W全世界的胸透图供大家免费下载。我们开了个头，之后各个机构跟进扩展了领域的数据集规模到百万级别。

到了2018年，Ke Yan从清华毕业后来NIH工作。我们发表了「Deep Lesion Graphs in the Wild: Relationship Learning and Organization of Significant Radiology Image Findings in a Diverse Large-scale Lesion Database」这个工作。这篇文章解决的问题比较难，引用数也不高，但我个人觉得这个工作比刚才2017年的那篇还重要。这个工作对整个肿瘤影像有巨大的推动作用。我们收集了1万多个病人的CT数据，其中测量标注了3万多个躯干范围内的肿瘤。我们研发了一个可以描述肿瘤相关性的网络，解决了医学影像全部肿瘤疾病的检测，这个工作我认为是我在NIH的巅峰之作。

这篇工作相当于解决了一个简化版的多病灶检测问题，可以把身上诸如肾、肝脏、胸腔、骨头瘤、淋巴等部位的疑似病灶检测出来。原来AI只能解决肺结节，或者肋骨骨折这类检测，现在我们的工作就可以把这些问题一起检查出来。

自监督算法提取的病灶特征在DeepLesion数据集上展现出良好的区分性

我2013年得了NIH医院的最佳导师奖，2015年就得了整个NIH的最佳导师奖。2017年我们用胸透片的工作也获得了医院的院长奖。这个奖项也是大概10年能得一次，所以我在NIH不到5年能拿到这个院长奖是比较幸运的。

我在NIH的5年是我的第二个阶段，主要是做深度学习在医学影像里的应用。一年一篇重量级的工作，每年解决一个问题，且不说大小，每年都能将整个领域多多少少往前推动一步。

NIH期间，我们还和临床医生合作还写了30多篇工作发表在临床医生的顶会上（RSNA，Radiology Society in North America，相当于放射学的CVPR）。这个会议的平均录取率是15%，但是我们投稿的录取率是90%左右，而且我4个博士后在2016、2018、2019和2020年拿了4个最佳论文奖，也是创造了历史。

2021年的RSNA，PAII也中了10篇（超过6篇是主要与大陆医院的合作），其中7篇为大会口头报道，对比一下，协和医院可能是4篇RSNA大会口头报道，包括其中一篇和PAII的合作。

最近我们有一篇做肿瘤的文章中了 Clinical Cancer Research。据说在国内在医学影像方面能发这个期刊以前只有两篇，我们这个是第三篇。

Q：后来为什么从NIH离开，加入PAII Including，组建了Bethesda Lab呢？

A：我觉得我在NIH做到这个地步也到头了。于是在NIH最辉煌的时候我就离开了。第三个阶段，我的核心目标就是真正有个技术团队把成果做成技术解决方案，转化为产品去帮助病人。这就是我离开NIH到现在快4年时间主要在做的事情。PAII类似于西门子，我们虽然也发表了很多文章，但本质上是做产品。

PAII时期

PAII时期

Q： 您觉得在临床上，医学影像应用落地遇到最大的问题是？

A：我觉得最重要是这个行业里面，技术跟临床的人的配合度不够好。真正技术特别好的人，跟真正特别懂临床的人，他们说话说不到一块去，大家不能互相理解。

Q：您觉得跟医生、病人或药厂，或其他第三方沟通起来最大的问题在哪儿？

A:大家不能从彼此的角度出发，大家不能从彼此的角度去互相理解，说话不是非常有共鸣。当然，也有例外。国内我觉得北航田捷老师团队（现中国科学院自动化研究所研究员，北京航空航天大学医学科学与工程学院副院长）在国内来说算是做的比较好。PAII在国内有7个大医院，在美国有两个，在台湾有一个。我现在有和很多医院合作，每天和医生并肩作战，和医生一起写了100篇文章，更了解他们的诉求。我周一到周五的上午都是在跟合作的医生开会，迭代我们的问题。我们在做的工作也是医生提出来的，比如X光胸透、各类肿瘤，如果确实对病人有好处的，我们就解决这个问题。所以医生也非常有动力，因为我们解决的是他想要被解决的问题。

在公司做相关的产品，问题是需要医生提出来的，我不会比医生更明白应该做什么，但这个行业里很多人不和医生商量，想当然地去做一个问题，这其实就是缺乏对临床的尊重。

但也不是所有医生说的都对。要找到一些最厉害、最聪明的医生，他们不仅临床水平高，而且对临床还有想法，和他们一起讨论工作。

PAII时期，吕乐博士和同事，合作医生以及到访的博士导师的合影。

Q：也就是说那些paper的灵感其实来源于临床和医生。

A：我们所有的问题都来源于临床。要落地要做产品，就要去平衡这个产品，与科研、文章之间的关系。对我来说，科研即临床，临床即产品。核心就是抓住临床，解决临床里面的重大问题。而衡量产品的标准即，是否在临床中被高频调用。

Q：现在有哪些产品是比较高频调用的？

A：我们在长庚医院里面做了一篇骨折的文章。医院拍的片子先用我们的AI跑一遍，处理好后医生看AI的热力图跟原始的图来检测骨折。我们合作的台湾医院创伤科是亚太地区学术水平最高的一个科室，我们前两天还收到了感谢信，在台湾也被20多家媒体广为报道。

举个例子，有个工人在高速摔伤，他的股骨头骨折了，股骨头治好之后，发现他的血压还很低，但是医生找不到病因，之后借助AI来看片子，AI显示他除了股骨头骨折，盆骨的一处也骨折，于是找到止血，血压就平稳了。

这只是一个例子，但这种例子说明我们的AI已经能够做到火眼金睛，在某些地方甚至比人还要厉害，AI可以看到你看不见的东西。现在AI在子任务上甚至比放射科医生要好一些，当时我们的AI和22个医生做对比，仅次于一个骨科的专科医生。

我们有一篇文章发表在Nature Communications上，讲的是AI能检测5种以上的骨折。盆骨骨折是比较严重的骨折，特别是盆骨的X光医生很难看出来一些病变，我们的AI就可以辅助医生做临床诊断。AI指出一个地方有问题，医生再仔细检查，防止因为图像太大漏诊。

Q：那么AI在癌症早筛上目前有什么应用呢？

A：目前我们正在做一个平扫CT筛查胰腺癌的工作。胰腺癌早期除了脸黄外往往没有其他征兆，有个例子是说一个病人因为胰腺癌去世，后来把病人一年前做的平扫CT拿出来，能看到胰腺有一些异常。医生在诊断的时候先是有个注意力机制观察片子，再仔细观察异常部分。

Q：既然AI现在是和人类医生互补，那么AI有哪些地方是不如人类的呢？

A：人可以看片诊断后对病人进行触诊、问诊，不仅仅是单一通过片子进行诊断。医生是可以进行很复杂的逻辑推理，这个AI目前还达不到。另外一方面，AI可以做人做不了的事情，从普通X光中观测人的骨密度跟骨折，医生大概看出来骨密度的高低，但是不能定量来测量骨密度。临床以前用双能X光来测量骨密度，现在有AI了就可以用普通x光来测量。

按照标准，中国需要每百万人拥有12个双能X光机，但是现在中国每百万人仅有0.2个。通常女性50岁后、男性60岁后就应该每年骨质疏松检测一次，但现实状况是，比如住在乡下的人不会为了做一个双能X光特意进城，这时候用普通X光+AI诊断就可以做骨质疏松检测，提前检测出来喝口服药可以自治疗这个病。万一老人骨折了，需要花费大量的社会费用，AI也是在帮助解决一个社会问题，在帮保险公司、卫健委这些单位解决问题。

这也是我们最近做的一个比较欣慰的工作，最初也是台湾医院的医生提出了这个设想我们才有信心去做这件事，所以做研究要和临床结合好。

Q：您觉得精准医疗下一步在算力、算法或模型等技术上会有什么新的突破吗？

A：技术上的创新一直有。我们在计算机视觉顶会CVPR，ECCV上发表了很多文章。比如去年ECCV上有23篇医学影像的文章，我们占了4篇。首先医院给了我们大量真实的数据，其次我们和专科医生合作，由他们提出问题是比较实际和专业的。当然，医院提供的数据不是可以直接用来训练AI的，我们在弱标注上用半监督学习和自监督学习做了很多研究。

我一直推崇的是「big data weak label」，大数据很重要，但是我不相信GAN之类生成数据的方法，因为人体太复杂了，用生成的很像的数据做医学诊断是非常危险的。所以需要大数据就需要大量的病人，但是每个病人数据的标注可能不是很详细。所以我们研究弱标注，用算法补齐缺失的标注来训练鲁棒性强的神经网络。在2015年我们就开始做自监督学习，还是比较前沿的。

Q：今年CVPR您也发了一些工作，是做的什么方向呢？

A：我们用自监督方法做图像的配准，比以前最好的算法精准并且要快50倍，医生用我们的算法可以点一下鼠标就能快速出结果。我们算力上比较充足，在算法上也做了大量创新。因为真正把病人治疗好，是需要创新的，不创新你就做不好。所以我们在半监督学习和自监督学习上做了大量的工作。

Q：最后一个问题，您对这个领域的年轻学者和从业者有什么研究方向或者人生的建议？

A：首先我想举个反例，希望大家不要走这条弯路。我做了很多会议的领域主席，包括人工智能顶级杂志TPAMI的副主编，审稿的时候有两次就发现大陆的学者在论文数据上作假，考虑学生做科研还有毕业的压力，也没有给很严重的处罚，最后就是通知了他的老师。

TPAMI期刊

国内我觉得科研相对浮躁些，大家都急着写文章。有些「创新」的方法，实际上结果并不好，他就把文章的实验结果篡改，最后被揭发出来，还是要要严肃认真对待科研，不能作假肯定是底线。当然这也跟社会风气有关，有没有一篇顶会顶刊工资差很多，所以有的就是金钱驱动的科研。

第二，要去解决那些真正需要被解决的问题，其实临床里面有很多重要的问题都没有被解决，你能解决了，就会对临床有很大的帮助。

我觉得现在有的问题不应该花那么大的精力去解决，反而是在画蛇添足。比如现在的刷榜，做的结果已经很好了，你比SOTA好一点，可能就是训练的时候过拟合的多一点，不见得对这个问题的本质有新的理解。实际上这个领域里面还有很多问题亟待解决。

做科研要明白你的动机和初心是什么。我们的工作就是希望临床能用起来，帮助医生，对病人有好处。像我们做的骨质疏松检测和胰腺癌早筛，都是能让病人获益的，病人是我们工作的动力。我这些年工作的核心就是为了病人，尽可能为病人多做一点事。希望我们开发出的工具能够让医生在临床中用得爱不释手，我觉着这可能比拿到药监局的三类证还要重要。

医学影像这个领域可以说是任重道远。目前这个领域还不够热，我希望可以有更多的人参与到这个领域中来。我在NIH医院工作5年，医院走廊上都是病情严重的病人，他们是最幸运的病人，也是最痛苦的病人。因为NIH是全世界最大的临床转化研究的医院，用中国老话来说那里本质上是死马当活马医的地方。我们把一些还不是临床指南的成果给病人试试，如果不试的话可能病人就要去世了。当然，并不是说没写进临床指南就没有作用，或者说在草菅人命，其实有很多的科学证据来证明这可能会有效，所以会尝试，而且是免费治疗。

特别是看到医院里躺在病床上全身插着管子的年轻病人，会觉得自己比他们幸运的多，我想真正做点技术能帮助到他们，这是我发自内心的一个朴素的想法。我们做科研的人崇尚技术，但是当你在医院看到那些医生不忘初心，把病人放在首位，才真正体会到医者仁心。

所以我最后是想强调一点，呼吁更多的人来干我们这一行，真正踏踏实实地进步，而不是图一个热闹。热闹总是会有散场的时候，我希望我们在场的时候还能留下来点什么，帮助这个领域再往前发展。只要这个领域在进步，那么患者的生存质量就能得到提高。比如胰腺癌如果能早一年切除，那么患者生存期至少比以前要多3到4年，这个是很有价值的。

我一直觉得医疗比自动驾驶还重要，因为每个人都需要医疗资源。我最后再补充一点，医疗里不仅是癌症，有三个问题是人工智能可以帮助解决。

一个是慢性病，比如骨质疏松、脂肪肝、肝硬化。还有风湿性关节炎，你治不好这个患者就不能动，需要家人照顾，会带来一系列的社会问题。第二个是癌症，各种各样的癌症。第三是退化性神经性疾病，主要是老年人出现帕金森综合症。

如果这三个疾病不能及早治疗，往后人类社会进入老龄化，活得越久就越容易得这些疾病。如果社会不能解决这个问题，那么医疗系统可能就会被拖垮。所以我们现在需要有这个紧迫感、使命感，来解决这些问题。我相信医疗AI在这方面是可以发挥重要作用的。

另一方面，既然我们需要做这些事，就需要有人来做，不能让现在的做医学影像的公司死掉。国家政策应该在科学严谨的情况下比较开放一些，让大家快速发展。这些事情做好了，对全世界都是有好处的。

女篮五号 http://www.cityruyi.com/lm-4/lm-1/7096.html