聊聊RSNA2017上的机器学习

机器学习Machine Learning是今年RSNA北美放射学年会上的最大热点。在开聊之前，有必要把三个当前很火的名词放在一起说一下。

从三个技术名词开始

这三个名词分别是人工智能Artificial Intelligence, 机器学习Machine Learning，深度学习Deep Learning。先看一张图片。

（https://www.edureka.co/blog/what-is-deep-learning）

从上面的图片可以看到，这三个名词的范畴从大到小，并且是逐级包含的。现在大家各种文章和讨论中，比较喜欢用人工智能和机器学习这前两个名词，但实际上，这一次人工智能能够再次兴起很大程度上（如果不是全部的话）是由于深度学习在理论和硬件层面上的双重突破，从而带来了工程和商业上的突破。

今年RSNA新增加了“机器学习”，作为大会16个细分主题之一，而没有选择其他两个名词。我想（猜），有这样几个原因：首先，机器学习的核心要点是让机器（软件）有了自主学习的能力，这个要点是当前众多放射医生最好奇、最关注的地方；其次，深度学习只是机器学习若干“学习方法”中的一类，虽然对机器学习本轮热潮贡献最大，但它并不能代表或取代其他“学习”的方法，例如浅网络、支持向量机、随机森林等；此外，人工智能则范畴太大，所有能够接收数据，进行分析，给出结论或建议的机器（软件）都可以归为人工智能范畴，这个范畴真的是可以说从上世纪50年代电脑诞生，就开始了。换个直白的说法，放射医生对于机器有智能，能够分析影像，给出结论或建议，早已习以为常；让放射医生惊讶的是，从2015年开始，机器突然自己会学习了，这个就厉害了；而大多数放射医生其实并不关心，也不太容易搞明白，机器是用“深度神经网络”还是其他什么模型来学习的。

人气爆棚的机器学习

前面说了机器学习是今年RSNA的最大热点，这个最大热点到底有多火呢？大家可以看下面的照片。

这张照片拍摄的是RSNA一场机器学习主题报告会议室的外面。会议室里面已经坐满、站满，进不去人了。而在会议室外面有一个尺寸不大的显示屏，屏幕下方实时同步直播里面会议室的报告内容。所以进不去的人就在外面，围着这块显示屏在看、在听。机器学习的人气爆棚指数由此可见。

历年RSNA在举办高水平学术交流活动的同时，还开辟有专门的厂商展区，有总数超过400家的行业内厂商展示和宣传自己的产品。今年RSNA不仅开辟了专门的Machine Learning展区，集中展示机器学习相关产品；还设立一个Machine Learning Thearter，组织机器学习厂商在每天的固定时间，以开放式宣讲的形式，介绍自己的产品，分享自己的理念。

从产品展示和宣讲中可以看到，国际一线的工业厂商对人工智能的投入和参与，已经不再单单局限于特定病种的机器学习辅助诊断。各个厂商依托自身优势，根据自己对人工智能未来趋势的判读，纷纷在选择不同的切入点，并且很多已经取得不错的进展，形成了初步的技术优势（壁垒）。

繁华似锦，这里仅能撷英少数几个个人感觉比较有特色或代表性的公司简单介绍。

EnvoyAI——抢占机器学习医疗应用市场

从互联网大战时代对门户网站、搜索入口的争抢，到智能手机时代对应用市场、流量入口的争抢，几场大战下来，几乎所有与互联网沾边领域的”大玩家”都已经认为，要么抢占流量入口，要么建立生态圈，才能保证自己力于不败之地，有朝一日当上“武林盟主”。而目前已经硝烟四起的机器学习市场竞争，俨然也开始按照这个套路在发展。
而EnvoyAI公司正是先行者之一。先看一下来自EnvoyAI官网的主打标语：

“世界上第一个医学影像人工智能市场”，没错，这就是EnvoyAI公司的主打牌。如同它在RSNA上宣传的，EnvoyAI公司不仅是提供一个协同合作的平台，还签约邀请了16家人工智能公司入驻平台，并且要让平台直接面向终端用户（影像医生？）提供服务。通过这样一个平台，EnvoyAI要让人工智能的商业化、发布和实现都变得更加简化。其实，大家都已经能看出来了，这就是要打造医疗AI界的Apple Store或者Google Play啊。
EnvoyAI平台同时面向AI开发者和影像医生提供不同的服务。面向开发者，平台提供云端开发账户，开发者可以通过平台将自己的AI算法快速发布给医生用户，还可以借助平台的收益分成机制获得收益。面向影像医生，平台提供多种影像Viewer，Viewer与后端AI分析引擎集成，医生还可以选择对每个影像使用不同的AI引擎，同时平台还提供报告智能生成。

不过EvoyAI现有公开宣传资料中，没有介绍或回答一个关键问题：FDA注册许可。开发者的AI通过平台发布给医生，医生选择自己认可的AI，这种模式下是否需要获得FDA许可？当然，平台可以简单限定必须获得FDA批准的AI才可以在发布，但如果真的这样，考虑到目前FDA审批的手续繁琐和周期漫长，整个平台主打的快速发布就基本无从谈起了。而且，个人或小团体几乎无法获得FDA的批准。

ACR DSI——建立医疗AI验证的通用框架

FDA作为医疗AI软件的入市监管者，医院医生作为医疗AI软件的终端用户，大家其实都非常关心的是，如何验证、评估和选择如雨后春笋般迅速涌现的众多AI软件。而开发软件的AI公司目前则普遍面临着一个共同的问题（难题）如何快速的获得FDA批准，拿到上市资格。

EnvoyAI没有回答上述问题，但有一家背景强大的机构却注意到了这些问题，并且致力于提出一套通用框架来给出解决方案。这个机构就是ACR DSI（The American College of Radiology Data Science Institute™），也高调参加了本次RSNA。ACR DSI作为ACR的一家下属机构，依托ACR的强大资源，致力于组织和促进放射专家、政府官员、产业领袖、患者和投资者之间的协同合作，来促进和推动人工智能在放射学领域的应用和落地。

在其官方主页上（http://www.acrdsi.org/about-dsi.html），ACR DSI介绍了他们正在建设的这个通用框架包括下述方面：
. 定义与医学成像、介入放射和放疗相关的AI算法研发用例（Use Case）。
. 围绕测试用例，建立方法并提供工具，用于算法研发中的训练、测试和验证。
. 发展用于AI算法在临床实践中实施的标准路径。
. 为监控AI算法在临床实践中的有效性创造机会。
. 解决围绕AI算法的法规、法律和伦理问题。

关于FDA注册部分，ACR DSI借助其ACR背景，在今年10月份还与FDA官员举办了一场面对面的交流会（https://www.acr.org/Advocacy-and-Economics/Advocacy-News/Advocacy-News-Issues/In-the-October-27-2016-Issue/ACR-Data-Science-Institute-Meets-With-FDA），专门讨论如果让FDA审核适应机器学习医疗软件的新特性，如何适应当前技术更新迭代加速的整体趋势，如何通过加强监管的方式来为医疗器械软件审核流程加速。这些对于业内公司都是利好消息。

nVIDIA——RSNA首秀

nVIDIA公司在深度学习界的地位就不用做任何介绍了。让人意外却也是意料之中的是，这次RSNA上nVIDIA也来了，高调亮相，完成了他的处女秀，正式进入放射领域。本次展会上，nVIDIA公司几乎参与了大会与深度学习有关的各个环节，厂商展区开辟专门展位，剧场秀举办专场报告，学术报告做主题发言，并且还在学习中心区开辟了nVIDIA深度学习教室，开放教学，滚动授课，现场实操。

nVIDIA自身并没有进行任何放射影像深度学习算法或产品的研发，但其所有的宣传都隐含了一个主题：”我们为大家提供无所不在的基础平台“。首先，在检查设备端，nVIDIA宣布了和GE的战略合作，GE超过50万台影像设备都将用上nVIDIA的GPU，装备了nVIDIA GPU的GE Revolution Frontier CT的成像速度提高了2倍。在算法应用端，nVIDIA宣布了和Nuance（https://www.nuance.com/）的合作，与前面介绍的EnvoyAI相似，Nuance也在建立放射学AI的应用市场，要抢占医疗AI发布渠道或者说生态圈的领导地位。面向有兴趣自己动手搞AI的医生，nVIDIA则在本次展会的深度学习教室中着重推荐DIGITS平台，这个平台集成了包括Caffe在内的主流深度学习库，并预先建立了大量常用深度网络模型，极大的降低了深度学习的入门和上手门槛。

繁花似锦——有趣的公司各不相同

除了上面这些想要占据领导地位、发挥领袖作用的“大玩家”，RSNA上还有很多立意独特的有趣公司。

ContextFlow(http://contextflow.com/)公司在展会上宣传了他们的图像搜索引擎，医生只需要在图像中画出一个感兴趣区域，引擎在数秒中内找到并提供相似/相关病例。目前好像主要面向肺部CT影像，还没有获得FDA或CE许可。

Blackford(http://www.blackfordanalysis.com)公司在展会上推出了他们的AI引擎集成平台Blackford Platform。这个平台集成了来自不同厂家的医疗影像AI引擎，作为一个整体平台，提供给医院。这种模式下，医院只需要面对一个供应商，签署一个整体采购合同，经历一次集中部署，便可以拥有多个AI引擎。而对于AI厂商来讲，能够更快速的将产品推向医院，并且无需考虑和处理硬件基础设施、网络通讯的底层问题。他们已经与AiDoc等多个AI公司签署了协议，引入集成了这些产品。与前面要建立应用市场或生态环境的公司不同，Blackford公司的目标相对要简单，简单来说，就是把多个公司的AI产品整合成一个，打包销售给医院。这个目标是要“小”一些，但很明显，这个小目标也更好实现，更容易落地和产生效益。

作为一篇闲聊的小文章，能做到的也只能是挂一漏万，浮光掠影的提了少数几个个人感觉有特色的公司。如果大家想要了解更多，推荐阅读下面的国外博客，基本覆盖到了国际上的热点AI公司。
https://medium.com/@DrHughHarvey/the-a-z-guide-to-radiology-ai-companies-showcasing-at-rsna-2017-8c9976db90df

生态圈与生态位

移动互联网时代，大家一谈起竞争必谈“生态圈”。机器学习医疗应用市场也开始体现出这一趋势。在生物学中，还有一个生态位的概念。生态位（Ecological niche），又称生态龛位，是一个物种所处的环境以及其本身生活习性的总称。每个物种都有自己独特的生态位，借以跟其他物种作出区别。生态位包括该物种觅食的地点，食物的种类和大小，还有其每日的和季节性的生物节律。（https://zh.wikipedia.org/wiki/%E7%94%9F%E6%80%81%E4%BD%8D）。相应的，还有生态位法则。生态位法则也称“格乌司原理”、“价值链法则”。原指在大自然中，各种生物都有自己的“生态位”：亲缘关系接近的，具有同样生活习性的物种，不会在同一地方竞争同一生存空间。应用在企业经营上就是，同质产品 或相似的服务，在同一市场区间竞争难以同时生存。每家公司能否生存下来，取决于能否找到并站稳自己的生态位。这也是大家现在竞争的核心所在吧。