医疗人工智能面临的问题与挑战
年，人工智能在健康医疗领域也迎来了一波大爆发，部分应用场景实现了落地与突破，但要真正成熟起来，遍地开花，还需要克服一系列的“成长烦恼”，要在谨慎中前行，从基础、应用、管理均需突破。
未来，通过多方的共同努力，人工智能+健康医疗在单点、纵深领域不断突破的同时，还需要将各个散点的应用组合成更大的应用场景，让分级诊疗能够真正落地，解决医疗的核心痛点；让医护告别大量重复工作，提高效率，缓解医患矛盾；让每个人都能够实现对自身健康的管控，使得个性化健康管理模式落地；让新药研发成本下降，加速药物研发以及临床试验；让行业监管升级，行业决策被优化，告别个人经验主义。未来，人工智能+健康医疗一定会让医疗更加美好，让多方主体共同受益。人工智能的发展落地除了需要强有力的政策支持外，要取得突破性发展，还需要群智开放、共享成果的新理念，并在碰撞中不断发展。
一、数据是行业发展的瓶颈，积累与创新是解决问题的关键
数据为王的时代，数据基础与产业发展并重。人工智能的发展落地，离不开海量数据作为“养料”，因此数据是人工智能发展的基石。对于机器学习而言，模型越复杂、越具有强表达能力越容易降低对未来数据的解释能力，而专注于解释训练数据。这种现象会导致训练数据效果很好，但遇到未知的测试数据预测效果会大幅降低，即发生过拟合现象，从而也就需要更多的数据来避免该问题的发生，以保证训练的模型对新的数据也能有良好的预测表现。对于医疗人工智能而言，数据的重要性更为明显。以医疗影像辅助诊断公司为例，企业训练模型的数据来源通常是公开数据集，医院合作获取的影像数据。这种模式在企业创业初期可以维持，但是当企业发展到一定阶段时弊端会开始出现。以肺结节CT筛查为例，医院展开合作，医院CT设备的数据。但是，目前市面上广泛流通的CT设备商有七到八家，机型则达到了上百种，医院合作时是针对某一机型的设备进行的数据训练，该模型在适用于其他机型时，如果一些诸如层厚、电流、电压、扫描时间等参数不同，模型需要重新针对新机型进行数据预训练。除此以外，病人受检测时的姿势（平躺或者趴窝），CT长宽像素或者像素的差别，不同排数机器的层厚差异以及薄层重构算法都是会对模型训练产生影响的因素。因此，数据问题的解决是保证医疗影像辅助诊断产品是否能够广泛应用的关键，广泛开展合作，加深数据的积累以及技术上的创新或是下一步行业发展的重点。
为了夯实基础，年各地加速建立完善全民健康信息平台，加速实现区域内健康医疗数据互联互通，按照国家要求年底将实现全民健康信息平台的国家级平台与32省级平台互联互通。
二、医疗AI产品需要实现从试验向临床应用的突破
目前，业内针对肺结节、糖网病检查等场景的医疗人工智能产品诊断准确率普遍很高，但是真实情况并非如此乐观。企业在训练自己模型时通常都有自己的数据库，各自的算法都是按照自己的数据进行训练，然后以自己的数据来验证准确性。在没有得到临床验证前，基于标准或特定数据集的实验室测试结果并不具备较大的意义，因为实际临床应用的场景是非常复杂的。具体体现在以下几个方面：
1.数据采样
以糖网病筛查为例，瞳孔较小、晶状体浑浊等人群的免散瞳眼底彩照，图像质量往往达不到筛查的要求。此外，受限于成本因素，很多基层医疗机构使用的是手持眼底相机，成像质量堪忧。
2.数据格式
在病理方面，数据缺少通用的国际标准，各医院使用的病理切片扫描仪厂家也并不一致，各扫描仪厂商的扫描文件数据格式多数为私有格式，数据的标医院积极配合，开放自己的数据存储格式。
3.诊断标准
目前图像识别技术在医疗影像辅助诊断上的应用已经取得了比较好的应用，技术上也取得了较大的突破，但是医疗影像辅助诊断产品下一步应当完善自己的算法，避免“就图论图”。以甲状腺结节诊断为例，医生诊断的依据并非只是彩超的拍片结果，还要结合甲状腺功能化验，查看抗体的相关表现。因此，将临床表征信息、患者基本信息、LIS指标、随访记录等都作为预测模型的因子，实现多模态的诊断体系将是医疗影像辅助诊断产品下一步重点突破的方向。
三、加深合作，可持续的商业模式亟待建立
现在的医疗人工智能企业多数是依靠单点医疗机构开展工作，合作方式较为单一，医院资产也难以供企业放置于院外使用。此外，医疗人工智能产品想以医院付费，不论从计费方式、软件资质等方面都较为困难。因此，建立可持续的商业模式是医疗人工智能行业长久发展的关键。与政府、医院开展合作，向医疗机构提供服务或是解决方案之一。例如，医院与希氏异构医疗科技有限公司联合成立华西-希氏医学人工智能研发中心，在消化内镜人工智能技术研发方面开展了合作。医院院长李为民所言：“华西-希氏医学人工智能研发中心，医院产学研用协同创新的重大科技转化平台，医院医院资源的重要标志”。医院与公司的合作已取得了进展，医生可以上传胃镜图像，通过在云端进行数据分析，可以对胃癌、静脉曲张、息肉等常见胃镜检查结果进行筛查，目前准确率超过90%。基于AI的消化胃镜智能系统可以提供高质量的检测结果，提高医生诊断效率，提升基层医疗机构的服务水平。另外一个案例是，一款用于肺癌早期筛查的APP与上海某区政府签署合作协议，企业进入社区基层为广大居民提供疾病筛查服务，政府给予相应补贴。
四、明确医疗责任主体，划清权责范围
人工智能不论在学习能力还是成本控制方面，都具备发挥能力的空间，可以为普通用户和医生带来帮助。但是，人工智能帮助进行辅助诊断在医疗责任认定方面也存在问题和挑战。例如，用户在使用医疗虚拟助手表达主诉时，可能会漏掉甚至错误地进行描述，导致虚拟助手提供的建议是不符合用户原本的疾病情况的。因此，目前监管部门禁止虚拟助手软件提供任何疾病的诊断建议，只允许提供用户健康轻问诊咨询服务。我国监管部门对于利用人工智能技术提供诊断功能是审核要求非常严格。在年CFDA发布的新版《医疗器械分类目录》中的分类规定，若诊断软件通过算法提供诊断建议，仅有辅助诊断功能不直接给出诊断结论，则按照二类医疗器械申报认证；如果对病变部位进行自动识别并提供明确诊断提示，则必须按照第三类医疗器械进行临床试验认证管理。未来，应进一步明确针对AI诊断进入临床应用的法律标准，做出AI诊断的主体在法律上是医生还是医疗器械，AI诊断出现缺陷或医疗过失的判断依据等问题。
五、制定人才培养计划，抢占战略制高点
人才专业水平是人工智能发展的关键因素之一。目前，我国从事人工智能行业的从业人员数不足5万人，每年通过高校培养出来的技术人员也不足人，人工智能人才缺口较大。相比于数据资源较为充足，我国的人工智能人才储备较发达国家差距较大。据统计，在人工智能行业从业者当中，美国拥有10年以上工作经验的人才占比接近50%，而我国只有不到25%。此外，我国同时掌握医疗与人工智能知识的复合型人才更是匮乏。因此，只有解决人才问题，我国才能突破医疗人工智能行业发展的瓶颈。基于此背景，我国高度重视人工智能培养，并制定《新一代人工智能发展规划》国家战略，指出要把高端人才队伍建设作为人工智能发展的重中之重。年11月，科技部在京召开新一代人工智能发展规划暨重大科技项目启动会，科技部、发改委、财政部等联合成立人工智能规划推进办公室，宣布首批四个专项开放创新平台的依托单位，其中包括依托腾讯公司建设医疗影像国家人工智能开放创新平台。我国现已通过建设国家级开放平台集聚高端人才，通过鼓励深度交叉学科研究，推进产学研合作的新模式加速人才培养。
参考文献：
1、大健康产业研究丨人工智能+健康医疗：引爆之后的风口浪尖
2、互联网医疗健康产业联盟丨年医疗人工智能技术与应用白皮书
王志勇赞赏
