医学人工智能在辅助诊断中已经发挥了一定的作用，这点毋庸置疑。不过，人工智能辅助诊断软件的开发一定要密切关注市场的需求、医生的需求，要与医生深入交流，紧密合作，知道哪些能做，哪些不能做，哪些值得做。

林教授团队在与超声科医生广泛交流调研之后，将超声影像人工智能的应用定位到四个方面：超声乳腺肿瘤的筛查、超声肿瘤特征提取及辅助诊断、服务于社区基层医院、服务于年轻医生的培训。

首先是超声乳腺肿瘤的筛查，筛查就是发现是否存在结节。第二个工作是对肿瘤进行辅助诊断，辅助诊断不是简单的对肿瘤做出良性、恶性的判断，而是由医生和AI协同诊断出肿瘤表现的特征，并得出结论。第三，超声影像人工智能辅助诊断软件服务对象应首选社区基层医院。医学影像技术专业主要培养放射科医生，导致基层社区非常缺少有经验的超声医生。第四，超声影像人工智能诊断软件还可以服务于年轻医生的培训，对于年轻医生来说，可以通过这样的系统积累肿瘤判断的经验。

在此林教授展示了部分肿瘤影像，邀请现场专家学者一起鉴别哪些是良性肿瘤，哪些是恶性肿瘤，并演示了团队研发的“超云系统”。对“超云系统”筛查肿瘤过程、特征提取过程进行了详细的讲解。林教授表示“超云系统”可以实现乳腺超声图像可疑区域的动态捕捉，对可疑区域的自动特征提取和辅助诊断，可以检索相似的乳腺超声图像等。

人工智能在超声影像诊断中有哪些挑战呢？这些挑战也是医学影像在人工智能应用中存在的共性问题。

第一个就是数据库的构建问题。林教授表示数据库的构建是很困难的。众所周知，ImageNet是用于视觉对象识别软件研究的大型数据库。它的缔造者是美国斯坦福大学计算机系的李飞飞教授，当时李教授团队在网上下载了上亿图片，之后通过亚马逊平台发布，世界167个国家、接近5万个工作者共同参与图片的筛选、排序、标注等工作，最终历时2年多获得了1千5百万张标注的图片，为后续人工智能的发展铺垫了良好的基础。但医学影像数据库的构建并不乐观，美国的肺癌数据库做了15年，最终只有1080张被标注的图片数据，医学影像数据库的搭建十分不易。

但是否数据越多诊断效能就越好呢？答案是否定的。实际上需要增加的是特征分布均匀的有效数据。紧接着林教授提出一个问题，就是在人工智能辅助诊断研究中，是增加数据重要还是改进模型重要呢？研究显示，用不同的深度学习网络测试同一批数据，虽有优劣之分，但差别不大，所以数据和模型之间的平衡，也是尚待思考的问题。

第二个是数据的有效标注问题。林教授表示现在的标注很简单，基本分为良性或恶性，但是这样的标注远远不够。

第三个是产品落地问题。人工智能产品如何落地造福社会，也是值得思考的问题。如果仅仅是将产品直接应用于社区医院却没有匹配专家辅导和解读，尽管可以做出较好的诊断，但实际应用也是存在一定困难的。

林教授表示未来继续的工作主要有两个方面：进一步密切与医学诊断专家交流和合作、开展超声影像数据库的建立工作。同时林教授向我们展示了与华西医师团队开发的图像筛选标注工具，目前已从人工标注过渡到半自动标注，林教授表示今后有信心做到全自动标注，但无论如何，最终都离不开医生的校对，一旦出现结果不匹配的情况，即被退回检验，这样才能做到数据的准确性。

最后，林教授提出了对学习方法的探索和研究，指出我们是应该让人工智能学习图像还是学习规则，值得思考。