就醫(yī)，最核心的部分是診斷。替代醫(yī)生診斷，是醫(yī)療AI的一個終極目標。現(xiàn)階段的小目標是，能夠讓AI為醫(yī)生的診斷及治療方案提供建議，輔助診療。特別是在醫(yī)學影像領域，應用AI技術的優(yōu)勢尤為突出。
一邊是25位國內外神經(jīng)影像領域的名醫(yī)專家，一邊是近半年學習了數(shù)萬份影像的國產(chǎn)人工智能系統(tǒng)“天醫(yī)智”，日前“Chain”杯全球首場神經(jīng)影像人工智能人機大賽全球總決賽在京落下帷幕，人工智能（AI）最終以更高的診斷準確率“戰(zhàn)勝”了名醫(yī)。
AI最大的優(yōu)勢是計算能力的高效，尤其是在數(shù)據(jù)密集型、知識密集型、腦力勞動密集型行業(yè)領域。隨著AI大潮的到來，越來越多的行業(yè)開始探索與AI技術的融合，醫(yī)療則被認為是AI落地的第一只靴子。
然而，國內醫(yī)療AI科研進展雖然迅猛，但成果轉化率并不高。《2017年度人工智能醫(yī)療領域現(xiàn)狀及趨勢分析報告》顯示，醫(yī)療AI真正實現(xiàn)商品化應用的成熟方案僅占15%，大部分仍處于尚未應用（21.5%）、嘗試應用（31.94%）和計劃應用（31.56%）階段。
對于醫(yī)療AI，有人認為未來將更加蓬勃，也有人認為這是一場“虛火”。醫(yī)療AI落地的痛點在哪兒？
看上去很“美”
就醫(yī)，最核心的部分是診斷。替代醫(yī)生診斷，是醫(yī)療AI的一個終極目標。現(xiàn)階段的小目標是，能夠讓AI為醫(yī)生的診斷及治療方案提供建議，輔助診療。特別是在醫(yī)學影像領域，應用AI技術的優(yōu)勢尤為突出。
醫(yī)療數(shù)據(jù)中有超過90%的數(shù)據(jù)來自于醫(yī)學影像，對醫(yī)學影像的診斷主要依賴于人工主觀分析，這種憑借經(jīng)驗的判斷很容易發(fā)生誤判。AI醫(yī)學影像識別則是通過大數(shù)據(jù)將海量醫(yī)學影像存入計算機，通過AI技術將其歸類與學習，從而對患者影像進行初步識別診斷。
糖尿病視網(wǎng)膜病變是世界上主要致盲原因之一，45%患者會在診斷之前致盲，目前主要依靠眼底檢測來診斷治療，通過AI則可輔助糖尿病視網(wǎng)膜病變診斷。在8月4日召開的國際醫(yī)療人工智能專家論壇上，北京天壇醫(yī)院神經(jīng)病學中心血管神經(jīng)病學科副主任李子孝介紹說，“從谷歌給出的算法和隨機抽取的八個醫(yī)生對9963張眼底圖片診斷數(shù)據(jù)的對比可以看到，今天的深度學習算法（0.95）可以和醫(yī)生（0.91）診斷出基本一樣的結果。”
北京科技大學計算機與通信工程學院副院長張德政表示，醫(yī)生在診療過程中參考AI技術得出的結果，能夠提高醫(yī)生診斷的準確率；同時，由于通過計算機智能識別醫(yī)學影像的效率較高，可以大大提高閱片量，在一定程度上可以緩解放射科醫(yī)生的壓力。
除此之外，AI也將對診療模式帶來顛覆。“在醫(yī)患溝通的過程中，通過智能語音技術把醫(yī)患溝通從語音轉成文字，再從里邊提取信息，結合機器學習、醫(yī)學影像處理的能力以及深度學習的決策能力，給醫(yī)生的診斷和治療提供建議和思考。”科大訊飛醫(yī)療常務副總經(jīng)理鹿曉亮說，這就是科大訊飛所設想的人工智能診療的新模式。
可以說，AI的觸角無處不在。2017年11月，由獨角獸工作室等聯(lián)合發(fā)布的《醫(yī)療人工智能醫(yī)生認知情況調研報告》顯示，77%的醫(yī)生至少聽說過一種醫(yī)療人工智能應用。
但是，醫(yī)療AI還沒有看上去那么美，“目前來講，AI所取得的成果還遠遠沒達到預想的目標。”上海長征醫(yī)院眼科主任醫(yī)師魏銳利說，“放眼看，大多數(shù)公司的AI產(chǎn)品還處于研發(fā)階段。”
難點在于數(shù)據(jù)提取
“我們一直想把工作真正應用到臨床上，輸出給醫(yī)生，但這個落地的過程僅僅依靠我們自己的力量是不夠的。”南京航空航天大學計算機學院副教授陳芳可謂道出了所有科研工作者的心聲，“這些產(chǎn)品如何輸出到客戶，包括醫(yī)生的手中，需要算法科學家和臨床醫(yī)療專家更多、更深入的合作。”
然而，作為服務落地的一方，浪潮集團健康醫(yī)療事業(yè)部副總經(jīng)理潘琪表示，現(xiàn)實情況是，無論是醫(yī)院還是藥企，各自都有不同的需求。醫(yī)院方的需求是費用管控、臨床輔助決策、智能診斷等，藥企方的需求是流行病調查、新藥上市后研究、循證醫(yī)學等。
“即使我們采取了很全量的數(shù)據(jù)，當再去支持科研的時候仍會遇到很多問題。”潘琪表示，由于臨床與科研脫節(jié)，臨床產(chǎn)生的數(shù)據(jù)不能滿足科研需求；而醫(yī)療信息系統(tǒng)雜亂分散，數(shù)據(jù)聚合性差，很難提取；醫(yī)生數(shù)據(jù)統(tǒng)計與分析的能力有限，也很難有時間配合。
另外，不同醫(yī)院的電子系統(tǒng)由不同的企業(yè)承建，企業(yè)之間的系統(tǒng)又存在壁壘，AI企業(yè)很難對不同客戶醫(yī)院反饋的數(shù)據(jù)進行整合研究，這也就限制了AI機器的反饋訓練，怎樣把醫(yī)院的信息合理、合法地向外網(wǎng)開放，仍然面臨著挑戰(zhàn)。
可以說，AI的開發(fā)很像教孩子，需要花時間訓練它，給它喂大量數(shù)據(jù)，同時告訴它什么是錯的、什么是對的。通過這種有監(jiān)督的學習，AI才能成長。
“拿圖像、醫(yī)療影像識別來說，有做CT的、有做X光的、有做心電的各種各樣模態(tài)，還有不同的部位、不同的病種。不同的維度乘起來會有巨大的工作量，絕對不是說你做了肺結節(jié)就能馬上去臨床應用幫助醫(yī)生。”鹿曉亮說。
“此前，有骨科醫(yī)生問，能不能把AI技術應用在骨科的分診，比如骨裂了或者出了事故，拍個CT，系統(tǒng)就能夠自動地幫醫(yī)生做分診。但是，人體有兩百多塊骨頭，這個工作包括準備、各種數(shù)據(jù)的標注、算法的調優(yōu)，是一個非常浩大的工作量，絕對不是短時間內就能完成的。”鹿曉亮說。
“如果希望這個行業(yè)一兩年內賺到錢，我勸大家還是放棄。”在鹿曉亮看來，“人工智能+醫(yī)療”要想成功，企業(yè)必須要有耐心，要有板凳愿坐十年冷的韌性。
支持臨床面臨諸多難題
在AI真正實現(xiàn)臨床支持的道路上，還有很多難點和問題，因此，需要嚴格遵循臨床路徑進行相關產(chǎn)品研發(fā)和落地實踐。
廈門市衛(wèi)生計生委副主任孫衛(wèi)曾在第十一屆中國醫(yī)院院長年會上表示，目前有四大難點不能忽視。一是數(shù)據(jù)質量和數(shù)據(jù)異構化問題，如果在數(shù)據(jù)質控標準上不能夠很好地控制，那么無論是訓練模型還是臨床測試都會有問題；二是按照循證醫(yī)學的原則，需要遵循現(xiàn)有的臨床路徑以及經(jīng)驗，以在可靠安全的范圍內進行人工智能技術的引入；三是合法合規(guī)，符合相關規(guī)定，取得相關資質；四是算法的可解釋性，大量黑箱的存在對于醫(yī)療領域顯然是不適用的。
對于醫(yī)療AI的未來，北京雅森科技發(fā)展有限公司CEO陳暉認為，可以先去完成一個醫(yī)院內部的AI中心的建設，第一步要構建一個海量特征的數(shù)據(jù)庫；第二步要做數(shù)據(jù)模型漸變，幫助醫(yī)院把所有這些事物的算法基于上一步的大數(shù)據(jù)值提供出來；第三步要構建真正的全流程、相對完整的系統(tǒng)，做成全流程的診斷產(chǎn)品。
而在潘琪看來，未來科研轉化率的提高需要從臨床需求出發(fā)倒逼科研，而一個成功的團隊應該包括算法、統(tǒng)計、醫(yī)療、運營、資本等各方面的人才。
最后，陳暉介紹道，在醫(yī)療領域，長期積累的影像、生化數(shù)據(jù)、病例數(shù)據(jù)都可以很好地為AI提供養(yǎng)料。通過AI發(fā)掘數(shù)據(jù)關聯(lián)、學習醫(yī)生經(jīng)驗、模擬診斷過程、評估治療效果，都是可以嘗試的領域。
摘自《中國科學報》
