医学影像网(医学影像技术4年制考研)
新的一年回望过去，无论是在基础设施、AI医疗场景的成熟、资本注入等环节，以医学影像AI产品为代表的医疗AI终于迎来了集体绽放 。
据雷锋网报道 。com，前后已有8款产品获批 。事实上，医疗AI的商业化从来都不是靠一己之力就能完成的任务:行业标准的形成，审批层面的标准化，数据质量的提升，行业资源的整合，这些都是至关重要的 。
在医学发展的过程中，最重要的是做好顶层设计 。
此前，中国医学影像AI产学研创新联盟主席、大会主席柳时元主任曾对《医学AI掘金》表示，“行业现在缺的是标准，每个环节都是它 。虽然有些企业获得了三类证书，但这仅仅是个开始 。任何医疗产品在进入临床之前，都必须有一个效果评估体系，需要对其有效性、安全性和稳定性进行评估 。”
作为医学影像人工智能建设的要素之一，我国的数据库建设尚有欠缺 。目前公开的数据库不多，数据标注标准也不统一 。
在2020年第二届医学影像AI大会上，医学影像数据库放射影像数据库建设项目正式启动，建成后将成为国内首个标准化医学影像数据库 。
艾，每一步都在那条长久却正确的路上 。
今天文章的题目围绕“医学影像数据库”展开，是浙江大学应用数学研究所孔德兴教授在第二届医学影像AI大会上发表的 。
孔德兴教授是浙江大学特聘教授，博士生导师，应用数学研究室主任 。研究方向为医学图像处理和医学人工智能 。发表SCI论文近70篇，拥有7项授权发明专利 。作为AI技术的前沿观察者和参与者，孔德兴教授在医学数据库建设方面有很多独到的经验 。
以下是孔德兴教授的演讲内容，由雷锋网编辑 。com不改初衷:孔德兴:很高兴在大会上介绍我们团队在数据库建设方面的一些工作和探索 。今天主要汇报一下数据库建设 。
大数据是必须的，有以下三点:第一，目前的发展阶段面临大数据的支撑；二是重大国家战略；但三大数据也为科学研究提出了一些具有挑战性的问题，这些问题在工业、农业、商业、国防等方面都有很大的价值 。
今天是大数据时代 。在这里，我用广义相对论来表达我对大数据的理解 。有以下几点 。
第一点:协变，任何数据都是对客观对象的描述，就像用不同的坐标系描述物理规律一样 。比如CT和超声就是对客观对象不同模式的描述和说明 。
其次，在量变到质变的过程中，人工智能学习或训练并没有一个准确数量的数据样本 。但是，训练结果的准确性对临床诊断的准确性很重要，关系到医学人工智能产品的准确性 。
第三点:医疗大数据有一个关联聚合的原理 。简单来说，整合应用各个医院不共享的数据，就会产生聚合数据 。各大医院收集不同的分布式中心数据，这些数据是通过一些分布式架构收集的 。数据库带来的挑战可以通过技术手段解决 。每一个数据都是描述医学规律内在本质的规律，但我们从不同的数据点反映出不同的侧重点，汇聚产生一个整体现象 。
第四点:数据重组，我们可以对数据进行复制、标记、加工、利用，使其不断完善，量变产生质变，趋同产生价值 。数据是一种新型资源，处理数据的算法是一种资产 。有了这些资源，就有了算法 。
好的数据是一种资源，是人工智能发展的基石，需要真实性、准确性、完整性、可追溯性等等 。随着研究的深入和企业产业化，建立一些高质量、高标准的数据库势在必行 。从量变到质变，从临床医学模式到循证医学模式，从静态处理到动态处理，从单科图像到多模块交叉，建立良好的人工智能算法 。一切都基于良好的数据 。
从数据库时间关系的建立，我从四点简单分享给大家 。首先是医学影像人工智能的数据需求，数据库建立的规范化，数据库标准的标准化，最后是数据库建立面临的问题 。
首先，我们要提几个概念 。第一个是数据治理 。好的数据库离不开数据治理 。一般来说，数据治理是数据资产管理形成之前的整合活动，包括数据库建设计划和监督实施的要求 。
另外，数据治理有一个基本概念，就是从分散的数据到统一的数据，从很少的无组织的流程到全面的管理，从分散的数据到有计划、有实施、有治理的活动 。
数据治理具有以下特点:第一，由于多模态、多维度的动态特征，数据收集困难 。二是现阶段方法手段少 。第三，数据高度相关且复杂 。如前所述，虽然超声CT模态和表面形态不同，但它们都是描述一个人肝癌的信息 。最后，时间周期长 。
我们希望数据库能达到这三个层次 。第一，在现阶段，数据库将数据收集成具有特殊结构的数据；二是把数据库变成专家库，有数据录入要求和标准，有数据质量控制标准和处理方法 。第三，希望数据库可以是动态的，比如肝癌 。医生跟进肝癌高发原因，给政府出谋划策，分享疾病现状，从被动治疗到疾病预防，是非常重要的 。
所以有三个数据库:传统数据库，专家数据库，然后是国家数据库 。
数据管理和数据治理之间存在差异 。
数据治理是一个大框架，数据管理是数据治理的一部分 。同时，数据治理可以指导和评估数据管理 。
数据治理的体系需要从全局角度描述大数据治理的主要内容，包括保障机制、核心领域、实施评估等 。数据治理不是一个虚拟的东西，而是一个系统的选择，难度很大 。
希望从不同形态的数据中梳理出不同医院的数据，抽象出一个数据治理的指导原则 。现在这个目标对我们来说很有挑战性 。我们在数据治理方面做了大量的研究工作，今年年底会有一个框架出来供参考 。
我们有一个数据管理系统 。管理系统的实施和指导有相应的管理机制，也有支持数据管理的系统 。
数据治理是一个全生命周期的管理过程 。首先有一个数据收集形成原始数据库，数据收集成数据集 。然后做数据预处理，清洗成基础数据库；标签由医学专家制定的标准指南定义 。
其中，我们对标注做了大量的研究，发现不同的研究机构，包括不同的学会，不同的企业，医院的标准是不一样的，同样的数据由不同的研究机构标注，结果也是不一样的 。
一旦我们建立了标准数据库，我们将训练和调用数据算法 。该算法可以在医院进行测试，这对整个数据库的建设非常重要 。因为医院数据的维度不同，包括来源地区不同，方法不同 。
比如一个用上海同济医院数据开发的人工智能产品，没有其他医院的数据，可能只适合同济医院 。只有得到SFDA的批准，才能在同济医院使用 。
在数据质量管理系统中，对数据收集有要求，包括标记房间灯 。在这样的要求下，可以获得高质量的数据结果 。
在建立数据库时，隐私是最重要的 。国家卫健委开始建立国家数据库的时候，第一件事就是隐私保护，包括很大的伦理要求 。
医学人工智能的发展需要数据，首先要满足建库的要求，要科学、权威、先进，要动态，根据发展更新数据，具体情况具体分析 。
建立标准化数据库的目的是建立一个共享安全和合规数据的数据库 。它的组织形式需要一个专家团队来制定数据标准和质量评估标准，然后讨论它们的实施 。标准建立后，每个环节都需要一个标准化的操作流程 。我们数据库建设的出发点是需求驱动，以患者为中心，长期全景数据库 。
国家卫健委联合浙江求是数理医学研究所、清华大学长庚医院等单位，正在建设超声和CT肺部影像数据库和肝脏临床数据库，以及糖尿病视网膜病变数据库和检测数据库 。
浙江数学医学研究所和其他机构也在建立不同器官和模式的数据库 。最重要的是建立统一的数据标准和规范 。
建立数据库的基本原则是临床和科研的需求，需要统一临床、科研和企业产业化的标准 。它是质量控制体系下的一种高效、低成本的数据库建设标准 。这是几个基本原则 。
数据的标注也应该标准化 。标准和专家共识至关重要 。我们需要做一个标准的流程让医生来画草图，在标准的软件里人工智能的做 。
数据标注有以下难点:一是专家难以达成共识 。比如如何合理组织专家队伍，环境标准，使用工具的可信度，不同的人有不同的理解 。
到目前为止，我们面临着许多挑战 。
一是社会资源投入不足 。建一个数据库是一个标准的东西，一个长城工程，需要大量的社会投入，需要我们政府、企业、研究机构的配合 。
二是数据库建设滞后 。三是数据类型比例不均衡，有的数据样本小，有的更新快 。
面对挑战，希望加快建设，希望政府和企业各方面联手，成立高质量的专家组，制定数据标准 。我们需要卫健委统一全国的数据资源，开放共享，不让劳动浪费 。
这是一项国家工程，需要各方面的投入 。是一个千百年来贡献巨大，需要大家关注的项目 。
【医学影像技术4年制考研 医学影像网】致谢:感谢国家卫健委能力建设与继续教育中心杨爱平主任、马主任，国家医药产品管理局医疗器械技术审评中心人工智能医疗器械创新合作平台数据治理工作组专家提出的宝贵意见；特别感谢徐磊博士、颜博士和甄浩博士提供的信息和宝贵建议 。谢谢大家 。雷锋 。com
推荐阅读
- 杭州公交包车电话 杭州公共交通
- 木薯是什么东西？
- 天水客运中心车票查询 天水汽车站
- 为什么不吃早餐容易得胆结石？
- word怎么删除整页 word删除整页的办法
- 识别真金的方法
- 新生儿低钙血症是什么
- 新房释放甲醛的方法 甲醛释放
- 洗葡萄的正确方法