以深度学习为代表的人工智能技术最近在医疗影像的分析识别领域取得了很大进展。FDA在4月批准通过了一项应用于糖网筛查的自助式人工智能诊断设备IDx，这是一个里程碑式的事件。通过FDA的声明，FDA主要看好该公司和医生的合作，而不是同医生比试的路子。估计中国也将在未来一两年推出相关的标准和批准相关产品。

在肺癌辅助诊断方面，本实验室学生团队和清华大学计算机系胡晓林副教授合作，赢得了2017年国际数据大赛的第一名，比赛内容为从CT图像预测肺癌的发病率。肺结节的形态多变且大小不一，需要运用比较复杂的深度神经网络和基于概率的贝叶斯网络协同来识别。我们利用了LUNA和DB3两个数据集上进行交替训练，总体达到了AUC=87%的结果，大致对应于80%的敏感率，和80%的特异性，医生水平大约为78%的敏感率，和80%的特异性。

我的观点是未来这方面的进一步提高有赖于更好的标注、以及把病史等其他因素加入帮助诊断。我们在中日的临床数据集的初步经验表明，在实心结节上的模型预测效果和在公开数据集上类似，但在磨玻璃结节上效果还不理想，在弥散性肺病情况下容易假阳性。最近深度学习算法的进展主要集中在提高可解释性以及通过迁移学习和交互式标注减少对标注数据的要求。我们将相关方法运用到弥散性肺疾病类型的肺间质病的纹理分割上取得了不错的初步成果。这些成果也可以被运用到提高肺癌辅助诊断中。

展望未来，我们需要把有更高可解释性的深度学习算法和基于贝叶斯网络的推理系统结合，融合病人的其他信息和医生的先验知识，构建完整的针对多种肺疾病的完整诊断系统。另外通过对大量多模态电子病历和影像数据的挖掘，以及通过和医生的交互，可以挖掘新的诊断经验。由于人工智能在短期还不能完全模拟人的认知，在可见未来最好的模式仍然是人机协同，由于这次人工智能的诊断率已接近人类，我相信相关的诊断系统能真正帮助医生提高诊断效率。