“AI+医疗”科研转化为何难

在AI 真正实现临床支持的道路上，需要严格遵循临床路径进行相关产品研发和落地实践。

就医，最核心的部分是诊断。替代医生诊断，是医疗AI的一个终极目标。现阶段的小目标是，能够让AI为医生的诊断及治疗方案提供建议，辅助诊疗。特别是在医学影像领域，应用AI技术的优势尤为突出。

一边是25位国内外神经影像领域的名医专家，一边是近半年学习了数万份影像的国产人工智能系统“天医智”，日前“Chain”杯全球首场神经影像人工智能人机大赛全球总决赛在京落下帷幕，人工智能（AI）最终以更高的诊断准确率“战胜”了名医。

AI最大的优势是计算能力的高效，尤其是在数据密集型、知识密集型、脑力劳动密集型行业领域。随着AI大潮的到来，越来越多的行业开始探索与AI技术的融合，医疗则被认为是AI落地的第一只靴子。

然而，国内医疗AI科研进展虽然迅猛，但成果转化率并不高。《2017年度人工智能医疗领域现状及趋势分析报告》显示，医疗AI真正实现商品化应用的成熟方案仅占15%，大部分仍处于尚未应用（21.5%）、尝试应用（31.94%）和计划应用（31.56%）阶段。

对于医疗AI，有人认为未来将更加蓬勃，也有人认为这是一场“虚火”。医疗AI落地的痛点在哪儿？

看上去很“美”

就医，最核心的部分是诊断。替代医生诊断，是医疗AI的一个终极目标。现阶段的小目标是，能够让AI为医生的诊断及治疗方案提供建议，辅助诊疗。特别是在医学影像领域，应用AI技术的优势尤为突出。

医疗数据中有超过90%的数据来自于医学影像，对医学影像的诊断主要依赖于人工主观分析，这种凭借经验的判断很容易发生误判。AI医学影像识别则是通过大数据将海量医学影像存入计算机，通过AI技术将其归类与学习，从而对患者影像进行初步识别诊断。

糖尿病视网膜病变是世界上主要致盲原因之一，45%患者会在诊断之前致盲，目前主要依靠眼底检测来诊断治疗，通过AI则可辅助糖尿病视网膜病变诊断。在8月4日召开的国际医疗人工智能专家论坛上，北京天坛医院神经病学中心血管神经病学科副主任李子孝介绍说，“从谷歌给出的算法和随机抽取的八个医生对9963张眼底图片诊断数据的对比可以看到，今天的深度学习算法（0.95）可以和医生（0.91）诊断出基本一样的结果。”

北京科技大学计算机与通信工程学院副院长张德政表示，医生在诊疗过程中参考AI技术得出的结果，能够提高医生诊断的准确率；同时，由于通过计算机智能识别医学影像的效率较高，可以大大提高阅片量，在一定程度上可以缓解放射科医生的压力。

除此之外，AI也将对诊疗模式带来颠覆。“在医患沟通的过程中，通过智能语音技术把医患沟通从语音转成文字，再从里边提取信息，结合机器学习、医学影像处理的能力以及深度学习的决策能力，给医生的诊断和治疗提供建议和思考。”科大讯飞医疗常务副总经理鹿晓亮说，这就是科大讯飞所设想的人工智能诊疗的新模式。

可以说，AI的触角无处不在。2017年11月，由独角兽工作室等联合发布的《医疗人工智能医生认知情况调研报告》显示，77%的医生至少听说过一种医疗人工智能应用。

但是，医疗AI还没有看上去那么美，“目前来讲，AI所取得的成果还远远没达到预想的目标。”上海长征医院眼科主任医师魏锐利说，“放眼看，大多数公司的AI产品还处于研发阶段。”

难点在于数据提取

“我们一直想把工作真正应用到临床上，输出给医生，但这个落地的过程仅仅依靠我们自己的力量是不够的。”南京航空航天大学计算机学院副教授陈芳可谓道出了所有科研工作者的心声，“这些产品如何输出到客户，包括医生的手中，需要算法科学家和临床医疗专家更多、更深入的合作。”

然而，作为服务落地的一方，浪潮集团健康医疗事业部副总经理潘琪表示，现实情况是，无论是医院还是药企，各自都有不同的需求。医院方的需求是费用管控、临床辅助决策、智能诊断等，药企方的需求是流行病调查、新药上市后研究、循证医学等。

“即使我们采取了很全量的数据，当再去支持科研的时候仍会遇到很多问题。”潘琪表示，由于临床与科研脱节，临床产生的数据不能满足科研需求；而医疗信息系统杂乱分散，数据聚合性差，很难提取；医生数据统计与分析的能力有限，也很难有时间配合。

另外，不同医院的电子系统由不同的企业承建，企业之间的系统又存在壁垒，AI企业很难对不同客户医院反馈的数据进行整合研究，这也就限制了AI机器的反馈训练，怎样把医院的信息合理、合法地向外网开放，仍然面临着挑战。

可以说，AI的开发很像教孩子，需要花时间训练它，给它喂大量数据，同时告诉它什么是错的、什么是对的。通过这种有监督的学习，AI才能成长。

“拿图像、医疗影像识别来说，有做CT的、有做X光的、有做心电的各种各样模态，还有不同的部位、不同的病种。不同的维度乘起来会有巨大的工作量，绝对不是说你做了肺结节就能马上去临床应用帮助医生。”鹿晓亮说。

“此前，有骨科医生问，能不能把AI技术应用在骨科的分诊，比如骨裂了或者出了事故，拍个CT，系统就能够自动地帮医生做分诊。但是，人体有两百多块骨头，这个工作包括准备、各种数据的标注、算法的调优，是一个非常浩大的工作量，绝对不是短时间内就能完成的。”鹿晓亮说。

“如果希望这个行业一两年内赚到钱，我劝大家还是放弃。”在鹿晓亮看来，“人工智能+医疗”要想成功，企业必须要有耐心，要有板凳愿坐十年冷的韧性。

支持临床面临诸多难题

在AI真正实现临床支持的道路上，还有很多难点和问题，因此，需要严格遵循临床路径进行相关产品研发和落地实践。

厦门市卫生计生委副主任孙卫曾在第十一届中国医院院长年会上表示，目前有四大难点不能忽视。一是数据质量和数据异构化问题，如果在数据质控标准上不能够很好地控制，那么无论是训练模型还是临床测试都会有问题；二是按照循证医学的原则，需要遵循现有的临床路径以及经验，以在可靠安全的范围内进行人工智能技术的引入；三是合法合规，符合相关规定，取得相关资质；四是算法的可解释性，大量黑箱的存在对于医疗领域显然是不适用的。

对于医疗AI的未来，北京雅森科技发展有限公司CEO陈晖认为，可以先去完成一个医院内部的AI中心的建设，第一步要构建一个海量特征的数据库；第二步要做数据模型渐变，帮助医院把所有这些事物的算法基于上一步的大数据值提供出来；第三步要构建真正的全流程、相对完整的系统，做成全流程的诊断产品。

而在潘琪看来，未来科研转化率的提高需要从临床需求出发倒逼科研，而一个成功的团队应该包括算法、统计、医疗、运营、资本等各方面的人才。

最后，陈晖介绍道，在医疗领域，长期积累的影像、生化数据、病例数据都可以很好地为AI提供养料。通过AI发掘数据关联、学习医生经验、模拟诊断过程、评估治疗效果，都是可以尝试的领域。