前面的课已经介绍一些TensorFlow的细节，在第六篇介绍了怎么使用已有的卷积神经网络模型去训练自己的数据，构建一个简单的AI识别系统。如果大家觉得前面的代码内容过于枯燥、不贴合医学，可以直接细读第六篇，完全掌握后就可以应用在自己的临床研究中。

这是最后两节课，内容是医学图像人工智能和临床研究交叉领域文献的解读，我们一起探讨他们是怎么把人工智能解决现实临床问题，这也是和网上其他计算机专业教程的最大区别。

举例目前我们临床的两个难题：

1.消化科的内镜医生在日常内镜诊疗中，非常重视早期癌症的诊治，“发现一例早癌，拯救一个家庭”是近年内镜医生的口号。但是内镜下的早癌常常非常隐蔽，和一般的炎症表现极为相似，这对于经验欠缺的医生尤其困难，那么能否建立一个AI程序判别早癌呢？

2.疫情高峰期间，有点可疑的病人几乎都需要做胸部CT扫描，而且早期的新冠肺炎CT表现和一般间质性肺炎非常接近，这使CT的阅片工作量大幅上升，但是影像医生缺乏，能不能建立一个AI程序判别CT的影像表现呢？下面就这两个临床问题看看国内的研究者是如何开展的。

消化内镜涉及大量图像，近两年已成为AI的新战场，聚集了诸如长海医院、武汉大学人民医院、华中科技大学协和医院、华西医院、中山大学肿瘤医院等高端玩家，他们各有研究的细分领域，甚至做出了产业布局，已成红海。假设你是医院消化科的学术带头人，打算开展AI与胃早癌的研究，应该怎么做呢？

1.搜集大量的胃镜图片，特别是早癌的图片，最好是多中心进行；

2.让经验丰富的医生对图片进行标注，是不是早癌，早癌区域有多大；

3.医工结合，找专业的算法团队训练AI模型。前面的几篇教程就是这部分内容的皮毛；

4.评价模型的性能，包括灵敏度、特异度、准确率、ROC等，并抽取一部分数据，做人机对比；

5.撰写文章，一般是诊断试验的套路，比起肿瘤生存分析的套路，相对简单。开展研究的难度在于1和3，一般医院找不到这么多数据，不认识或者请不起专业的算法团队。以下这篇文献是中山大学肿瘤医院在2019-10发表在《柳叶刀—肿瘤》[1]，我们看看其中的细节。