醫療AI商業化前夕，企業已經準備就緒？不妨看看醫生反饋意見
對於醫療人工智慧而言，2018年是全新的一年。時至年尾，人工智慧商業化徐徐開幕。
在這個承前啟後的節點上，動脈網邀請了60多位醫療人工智慧相關的醫生、學者、商業人士同聚上海，共論醫療人工智慧，總結過去，聚焦未來。
在本次大會上，長征醫院影像醫學與核醫學科主任劉士遠、中國醫學科學院阜外醫院放射科主任趙世華、上海市靜安區中心醫院眼科主任吳良成、浙江省人民醫院放射科主任龔向陽、浙江大學醫學院附屬邵逸夫醫院放射科主任胡紅傑、浙江大學醫學院附屬邵逸夫醫院網際網路與人工智慧辦公室主任林輝、上海市北醫院眼科主任陳吉利等七位主任發表了主題演講。
動脈網（公眾號：vcbeat）結合蛋殼研究院的研究成果，總結了各位專家的看法，試圖從言語的交鋒中勾勒出一幅清晰的人工智慧需求畫像。
縱覽AI新進展
2017年，蛋殼研究院釋出了第一份醫療人工智慧報告，該報告詳細分析了人工智慧在醫療領域的運用、商業模式、生產成本和人才儲備的情況。經過一年風雨，人工智慧企業不再完全圍繞演算法、特異性和敏感度為自己拉票，而是把更多精力放在了產品落地方向。不過，人工智慧企業的著力點與人工智慧的發展雖無須在時間上保持一致，但是還得以演算法、資料及算力為核心競爭力。
說到資料，以健康醫療平臺服務提供商健康有益為例，華為、VIVO等廠商從該企業日均呼叫的APIW量高達50萬餘次；慧醫科技資料平臺的每日使用量也高達17萬次。這些健康企業的資料使用次數已達到這樣的量級，是否意味著第二波數字化浪潮已有了初步成果？
如今應用最為廣泛的AI產品當屬糖網篩查產品。全球有超過4.15億糖尿病患者（2017年統計），而中國以1.144億高居第一，其中21.4%-27.29%的患者在工作年齡期間便發生糖網病變。所以，糖網病變篩查兼具體量大、優先順序高兩個特點。然而，不可能所有的篩查工作都由三甲醫院承擔，而應該分流至縣級及以下醫療機構或是健康快車這樣的眼科專科中心。
其次受企業青睞的是院內影像產品。過去兩年，醫生的工作量增長迅速，整體影像數量增長達10%-20%。2017年CT總量為26萬，MRT總量為8.3萬。每個科室日均產生約1000例X線片，進行約1000次CT掃描，近300次核磁、乳腺和胃腸照影，這些數字反應了企業的硬需求。
心腦血管類AI產品相比於其他影像AI產品而言，准入門檻更高，技術挑戰更大，所以參與者相對較少。但心血管疾病診斷過程複雜，醫生通過二維的影象還原患者病狀不僅需要經驗，還需要想象力。
部分企業AI產品情況
（資料來源於動脈網、蛋殼研究院）
AI都在醫院價值幾何？
長征醫院影像醫學與核醫學科主任劉士遠對醫學影像方向AI產品的作用進行了簡單的總結，他認為AI在醫學影像中的作用是多維的，主要包括四項作用。
1. 病灶檢出，這是AI質量的第一道考量——AI需保證準確性，避免漏診發生。漏診常常會引發醫療糾紛，如果降低漏診率則可以降低醫療隱患。
2.定量分析，醫生的評測、判斷時常會有一些誤差，如果醫生能在人工智慧的幫助下，全自動或半自動地做一些定量分析，整體診斷準確度將會有所提升。同時，分析過程中處理及生成的病灶量化資訊，治療需要量化資訊均有很多潛在價值。
3. 病情診斷，對於已有的資料進行分析後，無論是機器還是人都需要作出判斷，如腫瘤良惡性判斷的結果非常多元，需要多種AI技術進行綜合運用才能生成準確的判斷結果。
4. 治療規劃，醫生怎樣治療？方案怎樣設計？路徑怎樣規劃？這些都是AI未來需要深究的問題。
從整體的場景上看，現有的AI影像產品在檢出層面、量化層面、診斷層面、隨訪和愈後層面均有涉及，具體的產品則五花八門。
在檢出、診斷方面，應用AI最為廣泛的當屬胸部肺結節的檢出，如今覓影、推想、匯醫慧影等十幾家產品已經成型，且已上報NMPA審批。神經系統方面的AI也已初具規模，雅森、妞諾、銥磑運用各自的技術對阿爾茨海默、癲癇等神經類疾病進行早篩、診斷日益成熟，相應的產品成功在醫院落地。骨科產品主要是針對骨折及骨齡測試，衛寧、依圖等企業的產品能在幾秒中的時間內完成骨齡測試。心血管方面，數坤、Waston等產品能夠運用AI對冠心病進行檢測。糖網方面，Airdoc不僅發展了醫院端，更與寶島眼鏡合作，滿足使用者日常視力測試需求。
隨訪和預後則依賴於醫院的資訊化水平。如今醫療資訊化公司均有采用AI技術的趨勢，研究人員利用深度學習、NLP等技術關聯相應的知識圖譜，可為醫療管理與臨床決策提供全面、智慧、高效的支援。
但是，無論是哪一種AI產品，它的存在均是為了輔助醫生而非替代醫生。計算機記憶、處理大資料的能力必然遠優於人類，但要在綜合決策方面超越人類，相應技術遙遙無期。國內外均投入巨大的人力和財力對真正的人工智慧進行研究，但能觸及到的，不過是冰山一角。人的神經網路可不是簡單的幾層結構就能複製，還有很多深化的的問題。在腦科學的研究沒有重大突破的前提下，“AI取代人類”這一論調無異於天方夜譚。
AI落地並非一帆風順
如同資訊化系統歷經曲折才能在醫院生根發芽一般，AI產品同樣行走在一條曲折向上的道路上，諸多問題層出不窮。
1
介面問題
浙江大學醫學院附屬邵逸夫醫院網際網路與人工智慧辦公室主任林輝指出，在AI產品連線醫院的過程中，首先遇到的便是介面的問題。
“國內外均有同一種現象，即當產品對接醫院時，首先遭遇的是HIS對接問題。作為一個醫生，我非常希望有一天醫院能實現系統雲化，那樣我們就可以連線很多的醫院，推進醫院HIS的標準化與規範化，把中國老百姓的資料真正連線起來，打破資訊孤島，實現醫院和醫院間的互聯互通，打造全面的健康中國。”
2
資料問題
企業和醫院合作時，常常會伴隨資料安全的風險、法律方面的風險以及智慧財產權分割方面的風險。尤其是在智慧財產權分割方面，企業和醫院之間的矛盾可能直接扼住企業方的咽喉。
所以，當企業和醫院合作時，雙方必須考慮簽定的戰略合作關係，如對一些資料使用進行約定，基於研究的目地選擇性地在內網傳送和接受相關資料。資料脫敏是必要工作，事後清理也必不可少。
3
技術問題
不同於安防、零售等計算機視覺技術的應用，醫生必須對每一個病人盡責。如果出現漏診、誤診，誰來負責？醫生簽名則是醫生負責，若缺失醫生簽名呢？
其次，以眼底AI為例，它的訓練過程依賴於清晰的眼底閱片，相關的資料均是來自於國內最好醫院，而基層醫院拍出的照片清晰度相比較低，那麼到了基層是否會出現水土不服？
最後，AI在習慣於處理典型的病例時，是否會對一些複雜性的、多重疾病產生混淆？這些都是現在AI面臨的重大問題。
4
信任問題
林輝認為：“AI企業在進入某一醫療細分領域前，需要把醫療服務的現狀做一個梳理。大家都知道，雖然中國的醫療為百姓們的健康做出了巨大貢獻，但這個系統本身就是一個病人，且病的不輕；大家都知道看病難，看病貴，但醫院就像一個菜市場，人來人往。醫生花在每個患者的時間不到2分鐘，這麼短的時間可以做出精準的診斷嗎？我們在診療過程當中，打發之事時常有之。”
“那麼，大家知道大醫院忙，醫生打發我，為什麼不去基層醫院呢？這是另一個問題——這些醫院靠譜嗎？人們越來越重視健康，大家絕對不會把自己的生命交給不信賴的醫療服務機構上面。儘管大城市裡面的基層衛生服務中心，並在病人的服務方面產生增量，但絕大部分的診療中心仍門可羅雀。”
所以，要推進AI在基層的運用，不僅僅是一個質量問題，更是一個信任問題。如何讓患者對基層醫院產生信任，提高基層裝置的使用率，這需要努力，也需要時間。
從臨床標準到倫理，我們要做的還很多
劉士遠在會議上對AI的所有參與者提出了五點建議。
首先，醫生需提出需求，找出當前臨床的痛點，解釋什麼樣的產品有潛在需求，引導研發機構選擇醫生研究的方向。從預約排隊、登記檢查、看圖分析、出具報告、到療效評價、隨訪等，每一個能夠改善醫生工作體驗和工作效率的產品都非常必要。
第二，當模型形成了以後，醫生應該是AI的培育者。AI的模型就像一個新生兒，需要給它營養。哺育過程中優質的資料必不可少，低維度的資料同樣至關重要。
第三，現在缺少一些質控的標準，醫生應該成為標準的制定者和執行者。資料庫採集標準、影象入庫標準、影象質量標準都需要醫生參與制定。另外建設資料庫時涉及的病種分佈、構成問題，監管者及企業也需聆聽醫生的意見。
第四，醫院是AI倫理問題的主體，擁有資料的許可權、所有權、隱私權等，相應的倫理標準需要醫生、企業、監管者共同參與制定。
第五，醫生和企業應成為醫學影像AI的呵護者和傳播者。在這個過程當中，醫生需避免牴觸情緒，企業則切忌過度宣傳。企業過度的宣傳和炒作會誤導民眾，當醫生期望值太高，而產品又沒有那麼好，人們對AI產品的態度就會迅速回落，最終阻礙產業發展。
商業化前沿探討
據蛋殼研究院瞭解，中檢院現已收到30-40個產品審批申請，其中糖網產品佔比32%，肺結節產品佔比35%，X光產品佔比10%，內窺鏡佔比10%，還有13%左右是其他產品。當病種資料庫建成後，審批將陸續放行，商業化的程序就會加快，所以資本早已開始佈局。
蛋殼研究院高階研究員羅仕明瞭解到，至今為止，肺結節沒有產品收費的情況，而糖網已出現收費的產品。兩個專案的區別在於：肺結節專案是以科研專案為名進入醫院，而糖網篩查符合醫院收費目錄的標準，能夠從醫院分成。具體而言，重慶單眼檢查價格為33元，廣州單眼檢測價格為40元，單日的檢查總量可達5000例，其中企業分成比例約為50%。
糖網類產品找到了一個精準的現有醫療目錄的切入點，這是一個非常好的案例，同理，人工智慧企業是否能去翻閱一下醫院的收費目錄？也會有心者會有新的收穫。
人工智慧走到今天，企業很少再談特異性和敏感度，而是談產品化水平。基於現有大量資料的訓練之下，各家企業產品的準確度和特異性已經非常接近了。在人工智慧通用領域，科大訊飛，搜狗已經將其API對外開放，使用者支付少量費用就可使用，圖象識別也將如此。
當人工智慧發展到一定階段之後，醫療人工智慧將成為社會基礎能力。至於現在為什麼沒能成為社會基礎能力的原因，歸根結底，現有的醫療資料的儲存、整理可能是限制發展的癥結所在。然而，短時間內我們無法徹底解決這一問題。