就醫，最核心的部分是診斷。替代醫生診斷，是醫療AI的一個終極目標。現階段的小目標是，能夠讓AI為醫生的診斷及治療方案提供建議，輔助診療。特別是在醫學影像領域，應用AI技術的優勢尤為突出。
一邊是25位國內外神經影像領域的名醫專家，一邊是近半年學習了數萬份影像的國產人工智能系統“天醫智”，日前“Chain”杯全球首場神經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“戰勝”了名醫。
AI最大的優勢是計算能力的高效，尤其是在數據密集型、知識密集型、腦力勞動密集型行業領域。隨著AI大潮的到來，越來越多的行業開始探索與AI技術的融合，醫療則被認為是AI落地的第一只靴子。
然而，國內醫療AI科研進展雖然迅猛，但成果轉化率并不高。《2017年度人工智能醫療領域現狀及趨勢分析報告》顯示，醫療AI真正實現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”。醫療AI落地的痛點在哪兒？
看上去很“美”
就醫，最核心的部分是診斷。替代醫生診斷，是醫療AI的一個終極目標。現階段的小目標是，能夠讓AI為醫生的診斷及治療方案提供建議，輔助診療。特別是在醫學影像領域，應用AI技術的優勢尤為突出。
醫療數據中有超過90%的數據來自于醫學影像，對醫學影像的診斷主要依賴于人工主觀分析，這種憑借經驗的判斷很容易發生誤判。AI醫學影像識別則是通過大數據將海量醫學影像存入計算機，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膜病變診斷。在8月4日召開的國際醫療人工智能專家論壇上，北京天壇醫院神經病學中心血管神經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生對9963張眼底圖片診斷數據的對比可以看到，今天的深度學習算法（0.95）可以和醫生（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，醫生在診療過程中參考AI技術得出的結果，能夠提高醫生診斷的準確率；同時，由于通過計算機智能識別醫學影像的效率較高，可以大大提高閱片量，在一定程度上可以緩解放射科醫生的壓力。
除此之外，AI也將對診療模式帶來顛覆。“在醫患溝通的過程中，通過智能語音技術把醫患溝通從語音轉成文字，再從里邊提取信息，結合機器學習、醫學影像處理的能力以及深度學習的決策能力，給醫生的診斷和治療提供建議和思考。”科大訊飛醫療常務副總經理鹿曉亮說，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合發布的《醫療人工智能醫生認知情況調研報告》顯示，77%的醫生至少聽說過一種醫療人工智能應用。
但是，醫療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。”上海長征醫院眼科主任醫師魏銳利說，“放眼看，大多數公司的AI產品還處于研發階段。”
難點在于數據提取
“我們一直想把工作真正應用到臨床上，輸出給醫生，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，“這些產品如何輸出到客戶，包括醫生的手中，需要算法科學家和臨床醫療專家更多、更深入的合作。”
然而，作為服務落地的一方，浪潮集團健康醫療事業部副總經理潘琪表示，現實情況是，無論是醫院還是藥企，各自都有不同的需求。醫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、循證醫學等。
“即使我們采取了很全量的數據，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，臨床產生的數據不能滿足科研需求；而醫療信息系統雜亂分散，數據聚合性差，很難提取；醫生數據統計與分析的能力有限，也很難有時間配合。
另外，不同醫院的電子系統由不同的企業承建，企業之間的系統又存在壁壘，AI企業很難對不同客戶醫院反饋的數據進行整合研究，這也就限制了AI機器的反饋訓練，怎樣把醫院的信息合理、合法地向外網開放，仍然面臨著挑戰。
可以說，AI的開發很像教孩子，需要花時間訓練它，給它喂大量數據，同時告訴它什么是錯的、什么是對的。通過這種有監督的學習，AI才能成長。
“拿圖像、醫療影像識別來說，有做CT的、有做X光的、有做心電的各種各樣模態，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就能馬上去臨床應用幫助醫生。”鹿曉亮說。
“此前，有骨科醫生問，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，系統就能夠自動地幫醫生做分診。但是，人體有兩百多塊骨頭，這個工作包括準備、各種數據的標注、算法的調優，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+醫療”要想成功，企業必須要有耐心，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品研發和落地實踐。
廈門市衛生計生委副主任孫衛曾在第十一屆中國醫院院長年會上表示，目前有四大難點不能忽視。一是數據質量和數據異構化問題，如果在數據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；二是按照循證醫學的原則，需要遵循現有的臨床路徑以及經驗，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，符合相關規定，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療領域顯然是不適用的。
對于醫療AI的未來，北京雅森科技發展有限公司CEO陳暉認為，可以先去完成一個醫院內部的AI中心的建設，第一步要構建一個海量特征的數據庫；第二步要做數據模型漸變，幫助醫院把所有這些事物的算法基于上一步的大數據值提供出來；第三步要構建真正的全流程、相對完整的系統，做成全流程的診斷產品。
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倒逼科研，而一個成功的團隊應該包括算法、統計、醫療、運營、資本等各方面的人才。
最后，陳暉介紹道，在醫療領域，長期積累的影像、生化數據、病例數據都可以很好地為AI提供養料。通過AI發掘數據關聯、學習醫生經驗、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》
