AI医疗--概念，应用场景及现状解析_辅助诊疗是指将ai技术用于疾病诊疗中,让计算机从医学书籍、文献、指南和案例等深

目前，国内资本多布局虚拟助手、医疗影像、医用机器人、智能健康管理这四个领域。

1、政策推动
AI政策持续利好。2017年7月国务院印发《新一代人工智能发展规划的通知》，其中明确提出“到2020年人工智能总体技术和应用与世界先进水平同步 ”。
医疗政策持续利好。2016年国务院发布《关于促进医药产业健康发展的指导意见》，明确提出开展智能医疗服务。
2、国情推动
社会进步和人们健康意识的渐渐觉醒，人口老龄化问题的加剧；病患多、医生少；医务人员培养成本过高；药物研发周期长、费用高；医生诊断不容犯错。

3、技术推动
语音和图像识别技术已达到商业化水平。 深度学习在图像的分类与识别上已经取得了非常大的进展，在医疗影像领域目前对某些病理图片的识别准确率已超过90%，可以用于辅助医生诊断。三大AI技术基石：深度学习算法+计算能力+大数据，为AI融入医疗奠定基础。
4、设备驱动
电子胶片的普及；大量可穿戴设备及胶片的投入使用，形成庞大的用户病理数据，为构建医疗大脑奠定基础。
5、基础设施驱动
超过60%的医院都已完成医院管理信息系统（hmis）的全面搭建。

AI+医疗的应用场景

从全球创业公司的情况来看，AI医疗的具体应用包括洞察与风险管理、医学研究、医学影像与诊断、生活方式管理与监督、精神健康、护理、急救室与医院管理、药物挖掘、虚拟助理、可穿戴设备以及其他。

(1)医疗机器人

机器人技术在医疗领域的应用并不少见，比如智能假肢、外骨骼和辅助设备等技术修复人类受损身体，医疗保健机器人辅助医护人员的工作等 。目前实践中的医疗机器人主要有两种：
一是，能够读取人体神经信号的可穿戴型机器人，也成为“智能外骨骼”;
二是，能够承担手术或医疗保健功能的机器人，以IBM开发的达·芬奇手术系统为典型代表。

(2)智能药物研发

智能药物研发是指通过大数据分析等技术快速、准确地挖掘和筛选出合适的化合物，缩短新药研发周期、降低新药研发成本、提高新药研发成功率。人工智能通过计算机模拟，可以对药物活性、安全性和副作用进行预测。借助深度学习，人工智能已在心血管药、抗肿瘤药和常见传染病治疗药等多领域取得了新突破。 案例： 以硅谷公司Atomwise为例：Atomwise通过IBM超级计算机，在分子结构数据库中筛选治疗方法，评估出 820 万种候选化合物，研发成本仅为数千美元，研究周期仅需要几天。2015 年，Atomwise基于现有的候选药物，应用 AI 算法，不到一天时间就成功地寻找出能控制埃博拉病毒的两种候选药物，以往类似研究需要耗时数月甚至数年时间。

(3)智能诊疗

智能诊疗就是将人工智能技术用于辅助诊疗中，让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案。智能诊疗场景是人工智能在医疗领域最重要、也最核心的应用场景。 案例： Babylon 开发的在线就诊 AI 系统，能够基于用户既往病史与用户和在线 AI 系统对话时所列举的症状，给出初步诊断结果和具体应对措施；远程用药提醒服务，AiCure 是一家帮助用户按时用药的智能健康服务公司—通过手机终端，帮助医生知晓，并提醒患者的用药，降低因不按时吃药导致复发的风险。

(4)智能健康管理

智能健康管理是将人工智能技术应用到健康管理的具体场景中。目前主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。 案例： Alme Health Coach，针对慢病病人，基于可穿戴设备、智能手机、电子病历等多渠道数据的整合，综合评估病人的病情，提供个性化健康管理方案，帮助病人规划日常健康安排，监控睡眠，提供药物和测试提醒。又如，AiCure 通过智能手机摄像头获取用户信息，结合 AI 技术确认病人的服药依从性。

(5)智能影像识别

智能医学影像是将人工智能技术应用在医学影像的诊断上。人工智能在医学影像应用主要分为两部分： 一是图像识别，应用于感知环节，其主要目的是将影像进行分析，获取一些有意义的信息;二是深度学习，应用于学习和分析环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握诊断能力。
“医学影像”应用场景下，主要运用计算机视觉技术解决以下三种需求：
1、病灶识别与标注：针对医学影像进行图像分割、特征提取、定量分析、对比分析等工作；
2、靶区自动勾画与自适应放疗：针对肿瘤放疗环节的影像进行处理；
3、影像三维重建：针对手术环节的应用。
案例：
贝斯以色列女执事医学中心（ BIDMC ）与哈佛医学院合作研发的人工智能系统，对乳腺癌病理图片中癌细胞的识别准确率能达到 92%，虽然还是低于人类病理学家 96% 的准确率，但当这套技术与病理学家的分析结合在一起时，它的诊断准确率可以高达 99.5%，国内的DeepCare 对于乳腺癌细胞识别的准确率也达到了 92%。据悉尼先驱晨报的报道，Enlitic 凭借深度学习技术超越了4位顶级的放射科医生，包括诊断出了人类医生无法诊断出的 7%的癌症，以及在人类医生高达 66%的癌症误诊率的情况下，Enlitic 的误诊率只有 47%。
下图是国内的一些AI+医疗的企业布局：

AI+医疗，医生有话说

上面说的是AI+医疗的基本应用及现状，下面说一说AI+医疗在医生眼里的样子。
目前各路资本玩家相继入场，AI医疗产品处于科研摸索期。相对于蜂拥而入的AI公司，愿意参与进来并且拥有丰富经验的医生专家是更加稀缺的资源。下面是雷锋网采访广东省人民医院放射科刘再毅教授的谈话录：

「你让我写代码，这不是见鬼吗？」

在我们科室，目前还没有智能诊断系统这样的东西。目前确实有很多产品在往临床上推。但智能影像方面，目前国内还没有一款很成熟的产品。之前，媒体有报道一些产品在医院落地，我打听过一些，医生的评价也不是很好。也就是说，智能影像诊断方面还没有一个好的落地应用案例。

很多公司的产品交互很差，用起来非常繁琐。他们工科会说，我写两行代码就可以搞定了。你让我写代码，这不是见鬼吗？所以工科思维一定要转变，深入到临床一线，看我们究竟需要什么。

至于数据方面，影像只是很小一方面，我做影像也发了很多文章，但不觉得影像是最重要的，换言之，影像虽然重要，但不是唯一，要结合其他临床信息。我们做信息挖掘时，要结合病人的基因、病理、血液实验室检查等信息。比如病人在ICU，还会考虑结合患者心电图检测信息、电解质、血氧饱和度等诸多动态信息。

目前，很多公司只做图像识别、筛查，大部分集中在肺部，为什么？因为肺有天然的对比，大家都挑了一个容易攻克的方向做。虽然在临床中确实可能减少一些工作量，但这是很小的应用场景。

以肺癌为例，我们平常在医院看到的很多病例，大部分是复查的，一些三期、四期病人的肺部有很多转移灶，合并渗出、肺不张等，计算机方法很难实现自动对比，一定要人工对比，如果计算机看完还需要医生重新确认一遍，还不如自己看呢。至于很小的肺结节，医学界有个指南，建议了怎么处理，比如发现之后，3个月、半年分别复查；根据倍增时间多久等情况判断是恶性还是良性？不可能刚发现肺结节就做手术的，这不得了。

肺结节筛查是很好的开始，但目前还有很多问题，系统可以有假阳性，可以误判，这可以由医生来把关，但漏病灶的后果是很严重的。最重要的是，如何得到监管部门的认可？国家批准之后，其临床应用的责任才能理清，否则出了问题，谁来负责任？计算机？还是批准软件的人？还是采购的人？还是医生？

另外，病人就诊时，肺结节检出只是临床诊疗过程很小的一部分。我们看一个胸部的片子，看了肺之后，还要看淋巴结、骨格等，很多公司的系统只能检出肺结节。患者来医院就诊，如果医生只是把肺结节检测结果给他，没有报告同一份影像图像其他合并的影像诊断，是要负责任的，因为在临床上做检查偶然发现肿瘤也是常见的。

所以，这种系统用在体检中心还可以，但体检中心的市场能有多大？

「说实在的，我还找不到与AI公司合作的方式」

做医学图像挖掘，医生与AI创业公司的合作是必不可少的，但一定要以医生为主导来做，公司负责后续的产品化。其中最关键在于：要解决什么样的临床问题。

我是做研究的，思路与公司可能不太一样，双方都是要提升诊断率，差异就在于具体聚焦在什么地方？科研解决的是悬而未决的问题，而AI公司是要打造一个产品解决实际问题，双方目标不一样，我觉得很多东西不是想象的那么简单。

从科研的角度来讲，目的在于提出一个临床假设，并证明。比如我想通过影像数据挖掘判断某种疾病的愈后好不好或判断疗效，在这种情况下，我会搜集病例，用某些方法验证，最后得到一个结果。至于结果如何，我们并不知道，创业者的想法跟我们肯定完全不一样。

有公司找我合作，说实在的，我还找不到合适的方式，如果要合作，一定是深入的交流，其中需要有人起到桥梁、翻译的作用。比如深度学习的很多概念我们临床医生搞不懂，但同时工科的人也多半不懂什么叫预后，甚至不知道这样做的意义何在。

医学上很多问题和其他领域不一样，比如阿里要调研用户的购买习惯，这种数据多得不得了，但医学上很多疾病数据很少，一个单位可能仅有一两百病例符合标准。我想没有一家医院敢说有几千例这样的复合标准的图像。我们医院有数万病例，但基于不同的疾病、检查方式、研究目的区分之后，数据一下子就变得很少了。

工业界和学术界的合作，对双方都有很高的要求：一是有共同的目标；二是有很好的合作机制，协调如何把利益最大化；三是双方团队质量很重要，缺一不可。

如果我与创业公司合作，最关心的他们的人员构成和数据来源。

做医学数据挖掘，一定要有医疗背景的专家，他能起到桥梁作用，把临床问题转换为技术问题，让IT团队实现；同时，做技术的没有接触过医学，可能不明白人体分为几个系统、每个系统由什么组成、有哪些脏器，更不要说疾病了。我知道很多医院做的事情是把数据提供给公司，这个方法确实可行。但如果要真正挖掘，一定要深入，不是一方简单地提供数据，一方简单地提供算法，双方直接应该有深度的交流、沟通，共同发现问题，解决问题。

国内最常见的合作方式是医院提供数据，公司来分析，双方共享成果或是公司卖软件给医院。但我认为这样的合作不长久，目标不同，长期以往，估计会分道扬镳。我觉得目前的合作，肯定得以医生为主导，靠医生发现临床问题。但跟创业公司这么说，他们肯定不乐意，我的算法很先进，凭什么你做主导？所以我不是很愿意跟他们合作，我们自己有团队，我们团队做的东西在国际上是某些研究方面是很靠前的。如果我们没有团队，也没办法。除此之外，我也考虑过，跟创业公司合作，他们是否愿意配几个人给我，专门负责某个项目，我想这是不可能的事情，怎么可能呢？

还有的医院与公司合作打造出的产品，以专利授权的形式给了公司，这对医生有吸引力，但我没尝试过，没想过转化，这样很分散精力。我关心的是公司有没有好的范例，医生是否真正获得了收益，无论是以股份、顾问费等形式。但公司愿意给吗？

创业公司很难请到一个真正专业的医学人士，去了以后怎么做项目？除非公司能跟十几、二十多家医院合作了一个临床设计，但仅把各个项目的医学语言翻译成工科语言，工作量就相当大；其次，医生如何在里面起到真正的作用，这是很难定义的。

虽然现在市面上有AI公司与医生合作做一些事情，但在大部分情况下，他们的研究是小规模研究，但应用到临床的东西，需要前瞻的多中心试验验证，这是一个很漫长的过程。况且，图像只是很小一方面，只有深入去做，潜心做临床研究，才有可能得到好的结果。

「单从软件应用角度讲，我们开发的比他们还好用」

现在的AI公司都在拼算法，虽无可厚非，但如果没有实际的或重要的原创目的，这个算法有什么用呢？

我们平常的研究，关键在于临床设计，要以临床研究的方法来设计和评价应用，因为临床研究要有符合临床的研究标准，算法再先进，没有数据支撑，没有好的验证也是很难发好文章的。今年《Nature》和《JAMA》发了两篇AI医疗相关文章，一个是眼底病相关的，一个是做皮肤病的，虽然都用到了深度学习算法，但并不是多先进的技术，它们的特点在于数量大，有十几万个病例的数据。

我们最近在做肺癌、结直肠癌等几个肿瘤的研究，关注疗效评估方面，预测预后效果，评价治疗方案好不好。如果有明确的问题和高质量的数据，需要算法把有用信息挖掘出来，这种情况下，算法能起到重要的作用。实际上，有时候我们并不需要很炫的算法，常规的方法就能解决问题。

在我们的项目中，用到的还是传统的统计学方法，也借鉴了一些数据挖掘技术，比如深度学习。与创业公司不太一样的是，我们关注更偏临床目的，基于这个问题，再去组织材料、找方法，创业公司想做的是产品，比如做病灶的检出，但对于我们组来说检出没有任何价值，因为发不了好的paper。

我们的算法能力不及创业公司，我对于学生的要求就是用成熟的技术，进行二次研发、创新之后应用，目的只有一个，就是解决我们的问题。我可以说我们组的文章质量和数量算是有一定地位的，单从影像因子来说，我们发表在《临床肿瘤杂志》的文章是目前为止，全球范围内影响因子最高的，并且还是发表于临床肿瘤领域的顶级期刊，得到临床的认可，因此我们的研究很有自己的特色。

我认为很多智能医疗公司的产品是华而不实的。单从软件的应用角度看，我们开发的比他们的还好用，但是确实没有他们界面做得炫，我的目的不是为了卖产品，而是为了好用。

有些公司说他们有一千个特征，我吹牛说我有一万个特征、两万个特征都可以，目前，我们研发了一个新特征，这是影像组学界没有报道过，是我们借鉴了信息学领域的一些理论、概念，移植到医学领域，这是我们自己的创新。

我们做研究的动力来源于喜欢，这与公司完全不一样，当然我也想发更多更好的文章，但没那么急，我没有压力去变现，不会很激进地做事情，即使做不好也不影响我的生存。有些创业公司拿到几千万、几亿的风投，一下子得到那么多钱，我也很羡慕，但我现阶段没有这样的实力，也没有这样的想法。说不定有一天，我的团队强大了，我也会去创业。

「医疗数据非常稀缺，非常宝贵」

我在研究过程中发现：影像数据的质量和数量很难兼顾，很难找到满足要求的数据。除此之外，还要结合病人的其他信息来判断，比如实验室检测、病理标本等，这更是增加了难度。

我们现在做的一个项目，需要一些临床检测项目数据，像基因、血液等相关检查数据，预计能拿到500~600例可用的数据，但投入起码是上百万，这需要科研基金来支撑，医院和病人都不可能负担这个成本。

正因为难以获取基因、病理等方面数据，所以一大波创业公司才蜂拥进入影像领域，他们的很多研究是基于影像信息判断和推断基因、病理和临床信息情况，这是一种可行的方式，但还是需要很多数据去验证。

医疗数据非常稀缺，非常宝贵。

现在很多医院的PACS系统做得很好，尽管存在影像标准化的问题，至少有图像，但很多数据是没有的，比如病人做了检查、手术、治疗之后走掉了，没有完整的随访机制，没有后续数据评估临床疗效和预后等数据。我们自己做研究，要花很大力气搜集整理这些数据。

除此之外，数据质控也很关键。比如，通过电话随访，如果病人电话号码变了，他就联系不到了；还有就是打电话随访的信息准确性问题，随访的信息有很多方面，比如肿瘤手术之后，有无复发？有没有死亡？化疗有没有进展？死亡的时间很明确，99%的亲人都记得，但有无进展是不好评估的。另外，每个随访工作人员的态度也影响随访质量。许多污染数据对我们不但没有意义，还有害处。

医疗数据不是那么简单的，不是挖掘一个点，而是很多方面。不像购物，调查消费者的购物习惯时，看其买了什么东西，价格多少，什么时候买的？数据很明确，也很容易找到。但医疗数据很多是不确定的，很难打通，这种情况下，具备完整信息的病人资料就尤其宝贵。

我感觉，医院能用的数据比例很小。判断数据是否有价值主要取决于具体研究目的。拿肺癌或其他肿瘤来说，在大医院，满足要求的可能只有10%~20%，这已经算不错的了；在二甲等地方医院，很多病人做了检查之后，去上级医院看病去了，有完整资料的病人可能只有1%~2%。

「一来就想上临床，对生命太不尊重了」

智能影像诊断还有非常长的路要走。

要真正应用在临床，要解决它的精度、实用范围和政策等问题，如果要政策批准，必须经过临床试验验证，耗资会很巨大。

我个人感觉，创业公司除了定位于肺结节检出等临床应用外，搭建科研平台也是不错的选择，要是我自己开公司，我就会这样做，帮助医生做科研的市场也不小，可以共同申请基金来维持，我知道有些创业公司就在合作申请基金。如果数据积累多了，再考虑做临床转化，像Watson这样的，这样才可能逐步走向临床。很多公司一来就想到临床，对生命太不尊重了，如果仅靠靠几百、几千例数据就取得了批准，我肯定不敢用这样的产品。

我个人觉得，医疗人工智能还非常漫长，目前无疑是过火的。

总结：

结合AI+医疗的现状和现有政策，未来这将是一个很有前景的市场，当然，新的市场必然也会存在各种各样的问题需要去解决，所以不盲目，积极探索，重视投入，将会在这个领域取得一定的成绩。