赵泓维作者

医疗AI商业化前夕,企业已经准备就绪?不妨看看医生反馈意见

对于医疗人工智能而言,2018年是全新的一年。时至年尾,人工智能商业化徐徐开幕。

在这个承前启后的节点上,动脉网邀请了60多位医疗人工智能相关的医生、学者、商业人士同聚上海,共论医疗人工智能,总结过去,聚焦未来。

在本次大会上,长征医院影像医学与核医学科主任刘士远、中国医学科学院阜外医院放射科主任赵世华、上海市静安区中心医院眼科主任吴良成、浙江省人民医院放射科主任龚向阳、浙江大学医学院附属邵逸夫医院放射科主任胡红杰、浙江大学医学院附属邵逸夫医院互联网与人工智能办公室主任林辉、上海市北医院眼科主任陈吉利等七位主任发表了主题演讲。

动脉网结合蛋壳研究院的研究成果,总结了各位专家的看法,试图从言语的交锋中勾勒出一幅清晰的人工智能需求画像。

纵览AI新进展

2017年,蛋壳研究院发布了第一份医疗人工智能报告,该报告详细分析了人工智能在医疗领域的运用、商业模式、生产成本和人才储备的情况。经过一年风雨,人工智能企业不再完全围绕算法、特异性和敏感度为自己拉票,而是把更多精力放在了产品落地方向。

不过,人工智能企业的着力点与人工智能的发展虽无须在时间上保持一致,但是还得以算法、数据及算力为核心竞争力。

说到数据,以健康医疗平台服务提供商健康有益为例,华为、VIVO等厂商从该企业日均调用的APIW量高达50万余次;慧医科技数据平台的每日使用量也高达17万次。这些健康企业的数据使用次数已达到这样的量级,是否意味着第二波数字化浪潮已有了初步成果?

如今应用最为广泛的AI产品当属糖网筛查产品。全球有超过4.15亿糖尿病患者(2017年统计),而中国以1.144亿高居第一,其中21.4%-27.29%的患者在工作年龄期间便发生糖网病变。所以,糖网病变筛查兼具体量大、优先级高两个特点。然而,不可能所有的筛查工作都由三甲医院承担,而应该分流至县级及以下医疗机构或是健康快车这样的眼科专科中心。 

其次受企业青睐的是院内影像产品。过去两年,医生的工作量增长迅速,整体影像数量增长幅度达10%-20%。2017年CT总量为26万,MRT总量为8.3万。每个科室日均产生约1000例X线片,进行约1000次CT扫描,近300次核磁、乳腺和胃肠照影,这些数字反应了企业的硬需求。

心脑血管类AI产品相比于其他影像AI产品而言,准入门槛更高,技术挑战更大,所以参与者相对较少。但心血管疾病诊断过程复杂,医生通过二维的图像还原患者病状不仅需要经验,还需要想象力。

部分企业AI产品情况

(数据来源于动脉网、蛋壳研究院)

AI都在医院价值几何?

长征医院影像医学与核医学科主任刘士远对医学影像方向AI产品的作用进行了简单的总结,他认为AI在医学影像中的作用是多维的,主要包括四项作用。

1. 病灶检出,这是AI质量的第一道考量——AI需保证准确性,避免漏诊发生。漏诊常常会引发医疗纠纷,降低漏诊率则可以降低医疗隐患。

2.定量分析,医生的评测、判断时常会有一些误差,如果医生能在人工智能的帮助下,全自动或半自动地做一些定量分析,整体诊断准确度将会有所提升。同时,分析过程中处理及生成的病灶量化信息,治疗需要量化信息均有很多潜在价值。

3. 病情诊断,对于已有的数据进行分析后,无论是机器还是人都需要作出判断,如肿瘤良恶性判断的结果非常多元,需要多种AI技术进行综合运用才能生成准确的判断结果。

4. 治疗规划,医生怎样治疗?方案怎样设计?路径怎样规划?这些都是AI未来需要深究的问题。

从整体的场景上看,现有的AI影像产品在检出层面、量化层面、诊断层面、随访和愈后层面均有涉及,具体的产品则五花八门。

在检出、诊断方面,应用AI最为广泛的当属胸部肺结节的检出,如今觅影、推想、汇医慧影等十几家产品已经成型,且已上报NMPA审批。

神经系统方面的AI也已初具规模,雅森、妞诺、铱硙运用各自的技术对阿尔茨海默、癫痫等神经类疾病进行早筛、诊断日益成熟,相应的产品成功在医院落地。

骨科产品主要是针对骨折及骨龄测试,卫宁、依图等企业的产品能在几秒中的时间内完成骨龄测试。心血管方面,数坤、Waston等产品能够运用AI对冠心病进行检测。糖网方面,Airdoc不仅发展了医院端,更与宝岛眼镜合作,满足用户日常视力测试需求。

随访和预后则依赖于医院的信息化水平。如今医疗信息化公司均有采用AI技术的趋势,研究人员利用深度学习、NLP等技术关联相应的知识图谱,可为医疗管理与临床决策提供全面、智能、高效的支持。

但是,无论是哪一种AI产品,它的存在均是为了辅助医生而非替代医生。计算机记忆、处理大数据的能力必然远优于人类,但要在综合决策方面超越人类,相应技术遥遥无期。

国内外均投入巨大的人力和财力对真正的人工智能进行研究,但能触及到的不过是冰山一角。人的神经网络可不是简单的几层结构就能复制,还有很多深化的问题。在脑科学的研究没有重大突破的前提下,“AI取代人类”这一论调无异于天方夜谭。

AI落地并非一帆风顺

如同信息化系统历经曲折才能在医院生根发芽一般,AI产品同样行走在一条曲折向上的道路上,诸多问题层出不穷。

 1、接口问题

浙江大学医学院附属邵逸夫医院互联网与人工智能办公室主任林辉指出,在AI产品连接医院的过程中,首先遇到的便是接口问题。

“国内外均有同一种现象,即当产品对接医院时,首先遭遇的是HIS对接问题。作为一个医生,我非常希望有一天医院能实现系统云化,那样我们就可以连接很多的医院,推进医院HIS的标准化与规范化,把中国老百姓的数据真正连接起来,打破信息孤岛,实现医院和医院间的互联互通,打造全面的健康中国。”

2、数据问题

企业和医院合作时,常常会伴随数据安全的风险、法律方面的风险以及知识产权分割方面的风险。尤其是在知识产权分割方面,企业和医院之间的矛盾可能直接扼住企业方的咽喉。

所以,当企业和医院合作时,双方必须考虑签定的战略合作关系,如对一些数据使用进行约定,基于研究的目地选择性地在内网发送和接受相关数据。数据脱敏是必要工作,事后清理也必不可少。

3、技术问题

不同于安防、零售等计算机视觉技术的应用,医生必须对每一个病人尽责。如果出现漏诊、误诊,谁来负责?医生签名则是医生负责,若缺失医生签名呢?

其次,以眼底AI为例,它的训练过程依赖于清晰的眼底阅片,相关的数据均是来自于国内最好医院,而基层医院拍出的照片清晰度相比较低,那么到了基层是否会出现水土不服?

最后,当AI习惯于处理典型的病例后时,是否会对一些复杂性的、多重疾病产生混淆?这些都是现在AI面临的重大问题。

4、信任问题

林辉认为:“AI企业在进入某一医疗细分领域前,需要把医疗服务的现状做一个梳理。大家都知道,虽然中国的医疗为百姓们的健康做出了巨大贡献,但这个系统本身就是一个病人,且病得不轻;大家都知道看病难,看病贵,但医院就像一个菜市场,人来人往。医生花在每个患者的时间不到2分钟,这么短的时间可以做出精准的诊断吗?我们在诊疗过程当中,打发之事时常有之。”

“那么,大家知道大医院忙,医生打发我,为什么不去基层医院呢?这是另一个问题——这些医院靠谱吗?人们越来越重视健康,大家绝对不会把自己的生命交给不信赖的医疗服务机构上面。尽管大城市里面的基层卫生服务中心能在病人的服务方面产生增量,但绝大部分的诊疗中心仍门可罗雀。”

所以,要推进AI在基层的运用,不仅仅是一个质量问题,更是一个信任问题。如何让患者对基层医院产生信任,提高基层设备的使用率,这需要努力,也需要时间。

从临床标准到伦理,我们要做的还很多

刘士远在会议上对AI的所有参与者提出了五点建议。

首先,医生需提出需求,找出当前临床的痛点,解释什么样的产品有潜在需求,引导研发机构选择医生研究的方向。从预约排队、登记检查、看图分析、出具报告、到疗效评价、随访等,每一个能够改善医生工作体验和工作效率的产品都非常必要。

第二,当模型形成以后,医生应该是AI的培育者。AI的模型就像一个新生儿,需要给它营养。哺育过程中优质的数据必不可少,低维度的数据同样至关重要。

第三,现在缺少一些质控的标准,医生应该成为标准的制定者和执行者。数据库采集标准、图像入库标准、图像质量标准都需要医生参与制定。另外建设数据库时涉及的病种分布、构成问题,监管者及企业也需聆听医生的意见。

第四,医院是AI伦理问题的主体,拥有数据的许可权、所有权、隐私权等,相应的伦理标准需要医生、企业、监管者共同参与制定。

第五,医生和企业应成为医学影像AI的呵护者和传播者。在这个过程当中,医生需避免抵触情绪,企业则切忌过度宣传。企业过度的宣传和炒作会误导民众,当医生期望值太高,而产品又没有那么好,人们对AI产品的态度就会迅速回落,最终阻碍产业发展。

商业化前沿探讨

据蛋壳研究院了解,中检院现已收到30-40个产品审批申请,其中糖网产品占比32%,肺结节产品占比35%,X光产品占比10%,内窥镜占比10%,还有13%左右是其他产品。当病种数据库建成后,审批将陆续放行,商业化的进程就会加快,所以资本早已开始布局。

蛋壳研究院高级研究员罗仕明了解到,至今为止,肺结节没有产品收费的情况,而糖网已出现收费的产品。

两个项目的区别在于:肺结节项目是以科研项目为名进入医院,而糖网筛查符合医院收费目录的标准,能够从医院分成。具体而言,重庆单眼检查价格为33元,广州单眼检测价格为40元,单日的检查总量可达5000例,其中企业分成比例约为50%。

糖网类产品找到了一个精准的现有医疗目录的切入点,这是一个非常好的案例,同理,人工智能企业是否能去翻阅一下医院的收费目录?也会有心者会有新的收获。

人工智能走到今天,企业很少再谈特异性和敏感度,而是谈产品化水平。基于现有大量数据的训练之下,各家企业产品的准确度和特异性已经非常接近。在人工智能通用领域,科大讯飞搜狗已经将其API对外开放,用户支付少量费用就可使用,图象识别也将如此。

人工智能发展到一定阶段之后,医疗人工智能将成为社会基础能力。至于现在为什么没能成为社会基础能力的原因,归根结底,现有的医疗资料的储存、整理可能是限制发展的症结所在。然而,短时间内我们无法彻底解决这一问题。

动脉网
动脉网

专注医疗产业服务平台

产业医疗AI
1
相关数据
搜狗机构

搜狗成立于2003年,是中国搜索行业挑战者,AI领域的创新者。目前搜狗月活跃用户数仅次于BAT,是中国用户规模第四大互联网公司。2004年8月,搜狗推出搜狗搜索,现已成为中国第二大搜索引擎。2006年6月,推出搜狗输入法,重新定义了中文输入,目前搜狗输入法覆盖超5亿用户,是国内第一大中文输入法。2017年11月9日,搜狗在美国纽约证券交易所正式挂牌上市,股票交易代码为“SOGO”,开盘价为13.00美元,市值超50亿美元。

http://corp.sogou.com/
科大讯飞机构

科大讯飞股份有限公司(SZ.002230)成立于1999年,是一家专业从事智能语音及语言技术、人工智能技术研究,软件及芯片产品开发,语音信息服务及电子政务系统集成的国家级骨干软件企业。科大讯飞的语音合成、语音识别、口语评测、机器翻译等智能语音与人工智能核心技术代表了世界最高水平。

http://www.iflytek.com/
汇医慧影机构

汇医慧影成立于2015年4月,是一家国家级医学影像人工智能高新技术企业。公司拥有图像深度学习的核心技术和多项专利技术,基于云计算、大数据、人工智能技术,构建了智慧影像云平台、数字智能胶片、肿瘤放疗云平台、大数据智能分析云平台和人工智能诊断云平台等五大平台,打造了医学影像的数字化、移动化、智能化,完成了从筛查、诊断、治疗到预后的闭环,是国内唯一一家以数据为驱动,从科研到临床全流程覆盖的高科技公司。截至2017年12月,汇医慧影已经接入700多家医院,包含北医三院、301医院、北京肿瘤医院等超过200家三甲医院和系列高端连锁医疗机构。并完成B轮超过2亿元融资。

www.huiyihuiying.com
相关技术
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

规范化技术

规范化:将属性数据按比例缩放,使之落入一个小的特定区间,如-1.0 到1.0 或0.0 到1.0。 通过将属性数据按比例缩放,使之落入一个小的特定区间,如0.0到1.0,对属性规范化。对于距离度量分类算法,如涉及神经网络或诸如最临近分类和聚类的分类算法,规范化特别有用。如果使用神经网络后向传播算法进行分类挖掘,对于训练样本属性输入值规范化将有助于加快学习阶段的速度。对于基于距离的方法,规范化可以帮助防止具有较大初始值域的属性与具有较小初始值域的属相相比,权重过大。有许多数据规范化的方法,包括最小-最大规范化、z-score规范化和按小数定标规范化。

推荐文章
暂无评论
暂无评论~