聚焦數字健康|醫療AI浪潮再起: 如何跨越鴻溝再出發?

2022年08月11日 19:26   21世紀經濟報道 21財經APP   唐唯珂
醫療AI的故事很美好——匹配優質醫療資源、提高醫院效率、加強質量控制、降低誤診率。但從科研到應用再到商業化,行業仍需要翻越數個鴻溝。

21世紀經濟報道記者 唐唯珂 實習生 柏林 廣州報道 在國家推動下,國內醫療AI發展浪潮再起。

近日,工業和信息化部科技司、國家藥品監督管理局醫療器械注冊司發布“人工智能醫療器械創新任務揭榜入圍單位名單”,此次共有221個項目入圍。揭榜任務主要面向智能產品和支撐環境2個方向,聚焦智能輔助診斷產品、智能輔助治療產品、醫學人工智能數據庫等8類任務。業內眾多知名企業在列,如百度、邁瑞、科大訊飛、聯影醫療、鷹瞳科技等。

雖然近年來AI科技不斷升溫,醫療AI的故事也廣受追捧——匹配優質醫療資源、提高醫院效率、加強質量控制、降低誤診率,但是從科研到應用再到商業化,醫療AI仍需要翻越數個鴻溝。

中國醫師協會超聲醫師分會婦產專委會、中山大學附屬第一醫院婦產超聲科主任謝紅寧教授對21世紀經濟報道記者表示:“醫生在一線臨床工作,同時還要兼顧帶學生、醫教科研都要做,每天還要面對很多就診病人。從醫生端來說,我們希望醫療人工智能能夠真正落地幫助到我們,提升我們的工作效率,分擔工作壓力,而不是只停留在僅有的科技研究,真正能拿出產品幫助我們?!?/p>

然而,醫療行業的強監管與復雜性已決定了醫療AI從概念到落地應用的坎坷。目前,超聲是醫學影像領域中應用AI技術最廣泛的???,AI逐步在一線醫療中為醫生提供輔助性功能。

受挫之后的定位切換

早在上世紀七十年代,國外便開始了計算機與疾病之間的探索,開始時主要用于病癥與疾病之間的匹配。1974年匹茲堡大學研發了INTERNIST-I內科疾病的專家系統,該知識庫包括了572種疾病,約4500種癥狀,以及10萬種疾病與疾病表現之間的聯系。該系統在80年代進入了商業化階段,但受制于當時計算機的算力和算法,90年代進入瓶頸期。 

隨后進入了AI影像時代。伴隨70年代CT投入臨床實用,醫學影像數字化設備誕生,圖像存儲和傳輸標準進一步發展,AI影像出現不少嘗試。然而,受當時圖像分辨率和算法的掣肘——直到2006年深度學習的突破——IBM 沃森是該領域的典型探索者。

理論上說,沃森能大大提高醫療效率。當前,每73天醫學文獻會翻2倍,沃森每秒能學習267萬頁,相比之下醫生需要每周花160小時。

然而實際上沃森的商業化也并不順利,營收與投入差距極大。近年來,沃森花費幾十億并購機器學習、醫療臨床數據、人口健康數據、醫學圖像算法等背景的公司,單2016年就花費近40億美元。然而,2020年其財報顯示營收只有15億美元。2020年12月,傳出沃森將被IBM出售。

隨著醫療AI步入深水區,以往替代醫生的發展趨勢也成為進一步賦能輔助醫生,幫助醫生提高工作效率,加速下沉醫療發展。

謝紅寧教授表示:“在超聲應用方面,人工智能這種自動識別功能,能夠幫助我們快速的提高工作效率。平常檢查一個孕婦,需要掃查胎兒的多個部位,包括胎兒的顱腦、心臟、四肢、胸腹部臟器等。但醫生的長期工作容易出現疲倦,忙的時候就很容易漏。這時候我們需要的就是能夠有切實提升我們自身工作效率的醫療AI提醒醫生每個檢測部位?!?/p>

此外,醫療AI也在下沉市場有更大的應用場景。中國超聲醫學工程學會副會長李安華教授向21世紀經濟報道記者指出,目前上級醫院的虹吸現象嚴重,許多鎮級醫院培養出來的B超醫生被縣級醫院調走,導致鎮級醫院留不住人才。以乳腺癌篩查為例,目前仍有很大的篩查缺口。另一方面即便篩查出來,有多少婦女最終去看病治療的也仍是未知。許多鄉鎮醫院自負盈虧,即便有機器也沒有醫生會使用,甚至有嶄新的B超機器放在角落里,怎么通過醫療AI解決下沉區域人員的缺口也至關重要。此外如何利用醫療AI引入標準化的質量控制體系也將對乳腺癌下一步篩查賦予新的意義。

醫療AI利用機器學習和數據挖掘兩項核心技術,探索在醫學場景中模擬、延伸和拓展人類智能。臨床醫療中那些基于大量標準化數據的重復勞動,醫療AI可以分擔。比如,醫學影像、病理判讀等以客觀數據為支撐的疾病診斷。

在醫院里,醫生往往越老越吃香,而醫療AI深度學習的數據庫里包含全球的臨床數據和研究文獻,這些數據體量可能遠超普通醫生一生掌握的醫學資料量。換言之,讓計算機學習醫療大數據之后再做判斷,其效率和準確性完全有可能超越醫生。當然,這是后話。

隨著一次次的碰壁,我們不得不承認現在醫療AI的角色現實,是嵌入醫療全程,輸出接近醫生水平的決策支持,而非取代醫生。

難點突破方向在哪?

在未來,醫療AI面對的諸多難點仍聚焦在數據算法、落地與付費,技術與臨床需求的結合。

此外,國內醫療AI公司普遍缺少自創算法,計算機算力也有很大掣肘?!澳壳暗钠款i是算法。中國公司沒有自創的算法,或者說是取自于國外的算法,如果不做大量的重新編譯工作,那么算法的匹配度就不高?!崩畎踩A說,“另一方面懂技術的人和懂臨床需求的人的結合也至關重要?!?/p>

廣州愛孕記CEO創始人汪南博士也指出:“目前能發明算法的人還是主要集中在谷歌、微軟等,但是原始的算法基本是對自然圖像的識別,對企業來說未來如果想用在影像學或超聲上運用,我們必須對底層的算法做大量的編譯優化工作,讓其適應應用場景的屬性,并且編譯完成后需要大量測試,最后形成自己的算法。而這些工作也需要大量的投入,目前中國公司很少在做?!?/p>

廣東省人工智能產業協會常務副會長兼秘書長張崟向21世紀經濟報道記者表示:“未來醫療AI行業需要解決技術人才和醫學人才難以結合的難題。隨著人工智能技術的不斷發展,人工智能在醫療行業的各個細分領域也逐步地深度融合,智能醫療也逐步細分出了基于圖像識別的輔助診斷系統,基于大數據處理及NRP技術的數字化醫院,以及基于深度學習的藥物研發等多個細分的賽道?!?/p>

醫療AI的用戶群體主要能分為To-C和To-B。

To-C主要面對個人用戶,主要有智能問診和健康管理兩類。To-B包括藥企和醫院,前者主要應用于藥物研發;后者包括醫學影像、虛擬助手、醫學研究、醫院管理和基因測序等。

其中,AI醫學影像是目前醫療AI熱門領域,AI醫學影像能夠幫助醫生病灶篩查、靶區勾畫、三維成像、圖像分析、定量分析等。相對醫生根據經驗逐張機械重復的人工閱片,AI能夠根據標準批量初篩,閱片時間短,準確率穩定。

此外,圖像識別算法相對成熟,市場需求大(影像科醫生供不應求——影像數據年均增長30%,放射科醫生年均增長4.1%)。目前,醫學影像數據占全部臨床數據的80%以上,是臨床診斷、疾病治療及健康管理的基石。由于我國醫療資源分布不均,許多偏遠地區的醫生經驗及配備不足,對醫學影像的分析不夠準確且效率低下。

在一線醫療場景中,醫學影像的分析復雜且耗時,醫生必須將多層影像數據與精細的決策過程相結合,并解讀評估。汪南表示:“醫療AI在醫學影像方面能夠幫助醫生解決一些機械重復的勞動,把醫生的時間釋放出來,做一些創造性和決策性的工作,這個是醫療AI的定位”。

在行業早期,醫療AI企業主要就是想解決醫院臨床場景中的這些實際痛點,如推想醫療等都是秉持著“從臨床中來、到臨床中去”的研發思路,和醫院以科研合作的方式進行算法和產品的打磨。人工智能技術的發展則有望帶來解決方案。隨著產品的成熟,醫療AI逐漸進入醫院的實際臨床場景,供影像科、放射科等科室使用。目前,醫院場景是醫療AI目前商業化最為成熟的場景,也是目前競爭最為激烈的場景。

而在醫學人才的培養方面,醫療AI也有相應的賦能場景。

謝紅寧指出,高年資醫生在培訓年輕醫生時往往因為接診患者過多常常沒法抽出時間。如果加入醫療AI的輔助,工作的效率提高,導師便能與學生多講一講課或者就這個病例與學生多聊一聊。在教學考核方面醫療AI的加入也可以對規范化教學與提高教學質量有很大幫助?!皩W生在實踐時人工智能就會反饋,這個結構沒看對,只能打五分。對于考核來說,以前做題目很容易,畢竟分數很客觀,但是落實到操作考試就很難。如果人工智能加入,學生自己練習操作后,便能在幾秒鐘就打出分數,這將對教學有極大幫助?!?/p>

關注我們

国模吧无码视频一区二区三区,久久人人妻人人做人人爽,99这里只有精品99,国产一级视频,爆操日韩网站