拥抱变革——RSNA2017参会记录

拥抱变革——2017年RSNA参会记录

推荐搜索关注微信公众号：医影杂记

每年11月份的芝加哥有两件事情从不爽约。第一，来自密歇根湖的带着几分冷意却并不刺骨的寒风；第二，全球放射学界的顶级盛会北美放射学年会（RSNA）。今年11月26日~12月1日，第103届RSNA会议如期在芝加哥McCormick Place会议中心召开。会议期间，共举办大会主题报告7场，学术讲座434场，有667家公司参加了科技展出。此外还有2个数字，参会者通过会议官方渠道预定的酒店房间数超过13.9万晚，而据估算本次盛会将给芝加哥市带来超过1.3亿美元的经济收入。

本次会议的主题为Explore. Invent. Transform。通过持续一周的参会，聆听大会主题报告，参加学术讲座，发现在Explore、Invent和Transform这三个主题词的背后是一个更为重要的关键词，Disruption，也就是颠覆。整个大会都是在讨论有哪些技术未来将对放射学造成颠覆性影响？大会包含了16个细分主题，每一个细分领域的讨论也都是在探索这一问题的答案。这里仅仅选择3个与信息化最相关的细分领域，进行简单介绍和讨论。分别是：Machine Learning， 3DPrint， Informatics。其中，Machine Learning 和3D打印都是本次大会的热点，而Informatics中，将专注讨论一下PACS重构这个流行话题。

机器学习——Top 1热点，没有之一

如果说Machine Learning机器学习是2016年RSNA的热点之一，那么在今年的RSNA中，机器学习绝对是最大热点，没有之一。首先，机器学习第一次作为一个独立的细分主题出现在16个细分主题之中。在该主题下，会议举办了超过34场的学术报告。并且，大会在厂商展区开辟了专门的机器学习展区，组织人工智能相关的产业公司在该区域进行集中展示。在该区域还专门建立了一个开放式的剧场，每天中午11:30~13:30期间，由不同厂家分别在这个剧场中面向观众举行主题讲座和产品演示。

而在RSNA独具特色的Learning Center（学习中心）区域，也开辟了专门的Machine Learning区域，集中展示医学界和科研界的最新研究成果和论文。

非常有意思的是，这次大会上，NVidia公司不仅高调参会，首次亮相RSNA，而且还在开辟了一个机器学习教室。在为期5天的会议期间，滚动公开授课，介绍他们最新的云端深度学习开发环境。观众自由免费参加，不仅能够现场听课，而且能够现场使用自己的笔记本接入云端，上手体验。使用NVidia推出的DIGITS云端平台，用户只需要在几分钟内点击鼠标，选择预制的模型和组件，就可以完成一个最简单的深度学习模型，实现对MNIST手写数字图片库的智能识别。整个过程相当轻松，足够“傻瓜”化。

本次RSNA中与人工智能相关的参展公司多达46家，不仅包含一批初次参展的初创公司，还包含了一批传统一线影像分析软件厂商，也纷纷推出自己的人工智能相关产品。相关厂商可以划分为3种类型：一是特定病种人工智能检测，如Aidense肺结节检测，Arterys心血管分析，iCAD乳腺，Lunit肺结节，Realize肺结节，Riverain肺结节与影像增强，图玛深维肺结节等；二是通用功能或平台，如BlackFord影像配准和模块集成平台，ContextFlow影像搜索，Galileo临床决策支持；三是云平台或生态环境，如Envoy深度学习模型发布与共享，RadLogics影像云平台，Google影像云。此外，一些老牌医疗影像设备和后处理工作站厂商也纷纷参与和布局人工智能，如飞利浦、东芝、Visage等。例如，三星公司本次高调参会，不仅设立了专门的人工智能展台，还举办了专门的人工智能分论坛，介绍他们的CR/DR影像中的智能应用，包括骨骼抑制、结节检测、图像质量改进、软骨分割。

关于人工智能，在2016年RSNA展会上放射医生们普遍关心和讨论的问题是，什么是人工智能？人工智能会取代我吗？但在今年的RSNA，大家的问题则变成，人工智能能为我做什么？如何学习和掌握使用人工智能？几乎所有的与人工智能相关的主题讲座都是人气爆棚。与产业界研发的热点相呼应，本次大会专门分别举办了肺结节检测和乳腺病变检测的学术报告。肺结节的报告时间早上7:30开始，但即使这么早的时间，能容纳接近300人的会议室，不仅全部坐满，而且后排和过道全部站满，另外还有直接席地而坐的。另外，会议有一场关于人工智能放射学实践经验分享的讲座，时间是从下午4:30~6:00，仍然人气爆棚，300人的会议室坐满、站满。并且大家全体听完全场，几乎没有提前离开的。

在16年的会议上，还存在着将人工智能与放射医生摆在对立面，进行论战的现象。但今年，双方几乎达成了出奇的一致。放射学专家普遍将人工智能列为将影响和改变放射学界的新兴技术之一，认为人工智能将提升放射医生的效率、价值与地位，并且鼓励大家去了解和接触人工智能。一部分放射医生先行者，已经开展了大量人工智能的临床实践，在会议上发表了高水平的论文和报告。而在产业界方面，几乎所有的参展公司在宣传和报告中，提出的理念都是，希望自己的产品与技术能够辅助医生，为医生赋能，达到一种人机合作、相得益彰的理想境界。

回到上文提出的两个问题。
第一个问题，人工智能能够为放射医生做什么？这里选择“Machine Learning in Radiology”学术讲座中的几篇报告与大家分享，一起来看看国际一线的放射医生都用人工智能做了哪些工作。ASAN Medical Center的Beomhee Park分享的基于深度网络的乳腺MR分割；斯坦福大学医学院的Mu Zhou报告了基于全卷积网络的脑肿瘤分割；ASAA Medical Center的Young-gon Kim介绍了他们同时应用深度学习和浅学习模型进行缺血性脑卒中患者发病时间是否在4.5小时时间窗之内的研究和两种模型的效果对比；Cleveland Medical Center的Atallah Baydoun介绍了将人工智能用于腹部MR放疗适型规划（Adaptive Radiation Therapy)的研究成果；University Hospital Zurich的Christian Biuthgen分享了基于PET/CT影像学报告内容语义解析的患者生存率预测研究。这些报告方向主题各不相同，但有两个共同点：一，研究中使用的网络模型都是现在非常基础和通用的模型，如2D U-Net，最简单的全卷积网络（网络结构见下图），Inception V3，以及随机森林、SVM等特征筛选和分类器；二，研究都是依托医院来进行的，都建立在非常良好（宝贵）的病例数据收集基础上。

第二个问题，如何掌握和学习人工智能？非常有意思，商业化公司代表NVidia和来自纯学术界的几位博士志愿者分别给出了两个不同的路径。NVidia公司在本次大会向大家隆重推荐DIGITS（），并在会议期间滚动免费公开教学。DIGITS同时支持本地版本和云平台版本，内置多种预先架构和训练好的通用流行网络模型。而来自OHIO州立大学等的几位博士志愿者则向大家推荐了免费开源软件KNIME（https://www.knime.com/），并在会议期间举办了多场手把手(Hands On)实操教学培训课。下图是教学现场图片。

DIGITS和KNIME二者背景、来源不同，功能范畴也不完全相同，但有一点是相同的。二者都在努力把机器学习、深度学习，包括数据挖掘、特征筛选等，做的尽可能简单化、傻瓜化。可以看到，机器学习正在变得越来越平易近人。对于普通用户或研究者，机器学习的入门门槛正在迅速降低。从上面对第一个问题的介绍也可以看到，放射学医生普遍采用的都是比较基础的机器学习模型，但都取得了不错的结果。这也反映了目前深度学习医学应用的一个潜在事实，好用（够用）的模型就在手边，谁都可以（能够）拿来用，但能够训练这些网络的临床数据，却远在医院象牙塔之中，对于有些人是近水楼台、唾手可得，对大多数人却是远在天边，遥不可及。

3D打印——让放射医生能够参与到治疗之中

与2016年相比，3D打印的热度有所下降。2016年时，不仅有多家3D打印机厂商参展，而且多个影像处理软件公司都设置了专门的3D打印模型展台，整个会场各种3D打印精美模型交映生辉。今年相关参展公司的数量和陈列的3D模型数量都大大减少。是说3D打印技术已经过时了吗？情况并不是这样。实际的情况是，很多国际前沿的医院和放射医生已经深入熟练掌握了3D打印技术，并且已经将3D打印实际应用于患者从诊断到治疗再到手术的全流程。换句话说，3D打印对于放射大夫已经成为成熟技术，甚至是常规临床工作的一部分。而对于非常成熟，甚至已经成为常规的技术，人们更多的是”习以为常“，相应的关注和讨论反而会变少。

虽然大家对3D打印已经习以为常，但当你能够有机会深入了解3D打印在很多临床手术科室，尤其是骨科的应用时，仍然会被3D打印的威力所折服。如果用一句话概括，3D打印能够让医生在手术中达到以前无法达到的精度，真正实现适应个体差异的精准手术。
本次大会上飞利浦公司专门举办了一场3D的主题讲座。会上不仅介绍和展示了飞利浦最新的ntelliSpace Portal 10中包含的3D打印建模模块，而且邀请了多家医院介绍他们的3D打印实践经验。

这里分享其中一家医院的3D打印辅助骨肿瘤切除手术的幻灯片截图。最左侧的是一位骨肿瘤患者的X光片，中间是根据患者CT影像生成的三维模型，以及为这位患者量身打造的手术固定夹具，右侧是精准切除肿瘤区域的手术效果示意图。另外还有一幅图像展示了更多的骨科手术夹具与定位器。

3D模型的设计和创建目前主要依赖CT（包括MR）这样的高精度断层扫描影像，而建模的第一个步骤就是对感兴趣区（包括器官和病灶）的分割。这种分割要求操作者对断层影像有着深入和精准的理解，需要多年的专业训练，而这正是放射医生的专职所长。由此，放射医生就成为3D打印治疗辅助流程的不可缺少环节。对于放射科医生来讲，3D打印使得他们突破传统的”诊断“领域，将自己的角色范围扩展到了”治疗“领域。这对于放射医生的地位提升具有重大意义。

PACS系统——Reconstruction

Informatics是每届RSNA都会设置的细分主题，PACS系统一直是该主题之下的持续热点之一。本次大会上PACS系统的讨论不是热点，但仍然有一场专门的讲座，题目为”PACS 2018：A Reconstruction”。这个讲座对于医院信息系统管理人员和PACS厂家来讲，真的是干货满满。它反映并讨论了很多大型医院当前普遍面临和考虑的一个共性问题：医院的PACS系统是5~10年前建立的，运行至今，已经必须要进行改变。那么，现在是应该替换还是重构现有的PACS系统？
专题讲座以“Reconstruction”作为主题关键词，请来了美国Johns Hopkins医学影像IT部主任Charlene女士和波兰Maine Medical Center集团信息部主任Robert先生分享介绍了他们刚刚完成的各自医院PACS系统的重构。这里无法详细介绍，只能把两家医院重构后的影像系统架构与大家分享。

下图是Johns Hopkins医院重构后，现在正在使用的系统架构。有几个值得关注和讨论的地方。首先，采用EMR来取代了之前的RIS，由EMR提供Worklist，并作为临床信息入口。其次，PACS系统实质上只负责提供图像显示和设备集成功能。同时，采用VNA作为最底层数据层，负责影像的长期存储。Charlene女生提到，他们集团下属有4家医院和4家影像中心，都已经切换到图中的新平台。重构带来的直接好处是，实现了中心化运营，能够用一个信息人员团队支持所有医院和中心的系统管理与维护。但直接的风险是，系统一旦出现问题，将影响和波及所有医院和中心。此外，她还提到，为了能够把EMR、PACS和语音识别报告系统整合在一起，他们做了大量的工作，过程远比他们之前预想的要艰辛。

下面两张图是Maine医院重构后的架构图。可以看到，他们重构的核心工作是引入了VNA，并且把VNA作为数据交换的前端。一方面，由VNA取代RIS，负责与EHR进行集成；另一方面，VNA还取代了PACS，负责与设备集成。Robert先生提到，对PACS进行重构是困难的，但重构提供了进行重大改进的好机会。重构工作需要将多家供应商的产品进行集成，这是很大的挑战，但同时也是机遇。

在下面的PPT中，他还分享了如何对供应商的合作关系进行”重构“。可以看到，他提倡大家紧密结合，并且要努力帮助供应商取得成功。

从两位专家的分享可以看到，他们都选择了对PACS系统进行重构。重构的架构不同，但VNA在其中都发挥着关键作用。

拥抱变革 Embrace Disruption

用一张RSNA大会主席Richard L. Ehman博士在RSNA开幕式大会发言的幻灯来结束本文吧。

Embrace Disruption是这张幻灯的主题，也是Richard博士本次大会发言的主题。从1982年PACS概念的提出，到今天PACS系统的全面普及；同样是在1982年3D打印原型方法被提出，到2014年一位英国5岁的小女孩成为第一个获得3D打印人工手的孩子，再到今天各种3D打印模型已经进入多个临床专科的诊断与治疗；从2016年大家对人工智能的争论，到今年人工智能在多个专科疾病诊断领域的实践。这些新技术的出现都在深刻改变着放射医生的工作方式，进而在持续重塑着放射医生的角色与定位。而放射医生则始终是以一种开放的心态，去拥抱这些变革。正是这种开放的态度和拥抱变革的能力保证了放射学在122年的发展历程中，被其他临床学科所信任、依赖和不可或缺。