Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

王晓行 作者

落地、审批、探索新应用场景,2019年医疗AI依旧路远且艰,但成效明显

经历了多年发展,医疗人工智能进入了发展的深入区,行业发展已经从概念普及发展到产品验证、落地、审批、商业化方面的探索,赋能的领域也从影像发展到疾病预测、慢病管理、医疗质控、药物研发等方面。

人工智能在跟器械、医院、政府等各方合作中,慢慢推动了智能化医疗器械标准预研与制定、行业数据库建设、技术评测与临床试验方法研究、公共服务平台构建等。

展望未来,虽然医疗人工智能2019年的发展虽然遇到了种种困难,但人工智能将在医疗领域发挥的重要已经得到医疗行业的认可,正在潜移默化的改变医疗手段甚至医疗模式。

2019年,医疗AI的发展到底如何,动脉网和元璟资本联合主办的2019未来医疗100强大会医学人工智能论坛给予了思考与答案。

在医院内研发医学影像AI工具的探索

北京大学第一医院医学影像科主任 王霄英

好的AI产品和服务能为医院的降费增效做出的贡献,所以医院应积极与企业、高校合作,为医疗AI的应用提供好的空间。

在医院内研发AI,并不是为了获得AI产品,而是以AI项目促进医疗工作流程的优化,为AI技术在医院落地做出努力。专业的事情应该交由专业的人来做,医院需要与学术界、产业界合作,共同实现AI的价值。

医院应该适应新技术而改变自身。目前医学影像科并没有为医疗AI的应用提供足够好的环境。

首先,传统的医疗工作流程不适应现代化信息工具的植入,我们正努力做到将PACS/RIS与AI整合。

其次,医疗数据的产生、收集和处理的过程不规范,非结构化数据、语义不清晰的数据、个性化采集的数据等均影响AI的效能。只有改变医务人员的工作习惯,规范的医疗行为才能产生规范的医疗数据。第三,传统的医学影像报告不利于AI结果的呈现,我们正在尝试以结构化报告、图文报告等方法发布结果,提高AI的显示效果,提升患者体验。 

AI领域的工作也要拓宽思路。AI赋能医疗的领域绝不仅仅只有影像的识别与判读,考察医疗服务的指标包括:质量、安全、效率、人的体验等,这些都是改善医疗服务的刚需。

王霄英主任表示,医院研发和使用产品,并不会考虑商业化进而把它研发成为产品,同时也不会像大学一样重心放在算法模型的钻研。医院更在乎的是实用性,无论使用的信息化工具、智能化工具采用何种技术,如深度学习、机器学习或者基于规则的程序,只要好用、易用就好。

医院与学术界、产业界合作有自己坚守的底线,最重要的是依法合规。AI科学研究项目需要有正规立项,经过机构伦理委员会批准后方可执行。

AI临床服务需要遵守国家卫健委医政医管局的医疗技术临床应用管理规定,符合卫健委对医疗机构的基本要求、对人员的基本要求、对技术管理的基本要和培训管理要求。

另外,数据安全也是头等大事,北京大学第一医院从不允许任何人或组织未经批准下载拷贝医疗数据。在法律法规的管控下做工作,才能保证AI在医院持续健康的发展。

IBM Watson Health 助力健康生态体系转型

IBM大中华区首席医疗顾问  李明

上周Watson Health的总裁Paul Roma在IBM官网博客发表了一篇文章,展望2020年医疗行业的发展趋势。他认为未来的趋势和过去十年医疗核心目标没有改变,还是以提高患者的就医体验、提高效率、降低医疗成本为目标。但是整个医疗行业发展的趋势是不断转向包容,基于价值的健康服务体系。

所谓价值医疗、价值健康,简单理解就是成本效益的关系,花最少的钱办更多的事情。事实上医改的目标是给大家提供适宜的医疗技术,而不是所谓的最好的医疗技术。这其中基于价值的健康体系包含了个人医疗价值和群体社会价值、技术价值和资源的配置价值。

所以在基于价值的健康体系中一定有更多的参与方和要素参与。背后一定是以技术进行驱动,这些技术包含了人工智能、区块链、云计算、物联网和量子计算等。如果没有大数据、算法创新、算力增长,人工智能便不会在新的浪潮重新起来。

云计算能更大的降低其使用基本,区块链让更多的参与方便捷获取数据,而不是将数据集中在一处。量子计算机的出现相对于现在的计算机来说类似一种核武器和常规之间的差异,IBM率先量子计算机的商业化生产。

数字化疗法,直接对患者实施软 件生成的干预措施,旨在预防、管理或治疗生理失调或疾病。是对传统治疗方式的有益补充。也涉及了医保支付方,生命科学领域的应用。

优势包括:为患者提供更准确的治 疗方案,通过预防、早期干预及更出色的基于价值的医 疗模式,降低疾病总体发生率。

IBM Watson Health其不仅仅应用在肿瘤领域,在整个健康医疗体系中多个领域还有很多应用。

比如,在保险支付方领域有医疗支付方案、政府医疗健康、社保与关爱服务解决方案、以及肿瘤学与基因组学解决方案、医疗服务提供者解决方案、生命科学解决方案、医学影像解决方案等。

生命科学领域在中国市场主推 IBM clinical development 方案,能有效地缩短临床实验周期。Micromedex 为临床医生和药学研究人员提供实时、全方位药学资料库。

基于IBM Watson Health SPM的健康管理服务运营平台为慢病管理和健康管理提供智能的、集成的方案。至于大家比较熟悉的Watson 肿瘤解决方案已经为中国超过5万肿瘤患者提供了帮助。

数字医生提质增效心脑疾病诊疗

数坤科技创始人兼CEO 马春娥

我们认为人工智能和人类的医生不是互相替代的关系,而是人机协智的关系。医生和医疗AI产品的协同工作,在诊疗效果、效率、患者体验方面的效果都要优于医生。医疗AI作为一种工具是可以提供更好的医疗服务的。

比如,10月16日,平谷区“卫生健康信息化联合研发应用中心”正式成立,包括华为、中国移动、数坤科技、平安集团等共8家科技企业,与平谷区卫健委签署合作协议,结合以北京友谊医院、北京中医院等打造的医联体,平谷区与医院、科技企业共同打造“平谷智慧医疗模式”,用人工智能和信息化等技术,当好基层人民重大疾病守门人。

2019年12月份,北京市卫健委牵头,联合平谷区卫健委以及京津冀基层区卫健委,将心肺脑辅助诊断平台纳入了中国健康行的项目。在活动现场,京津冀有25个基层的区卫健委跟数坤科技签约,启动京津冀基层医学影像人工智能中心。

我们希望把这些在协和、安贞等大医院用得好的技术应用在基层。国家医改政策中把冠心病、卒中作为重要的管控目标写进健康2030规划中。

而基层缺少相应的技术人员和优秀的医疗专家,所以需要引入人工智能作为第一道守门人,并与大三甲医院联通,提供坚实的支撑。数坤科技希望利用技术的力量将这些疾病的发病率控制下来。

医疗AI产品从产品验证年,进入市场验证年

蛋壳研究院执行总监 罗仕明

 飞利浦创新中心高级总监 曾永勤

2019年人工智能的发展已经进入了深水区,医疗AI迎来商业落地的考验,各大产品纷纷进入临床应用、嵌入医院的工作流,启动付费市场;医疗AI产品从产品验证年,进入市场验证年。

为此,2019年动脉网联合飞利浦一起,从AI在医院端的应用场景出发,以产品的商业化落地为目标,探究了2019年医疗AI应用的最新进展;考察对象包括近200家创新企业,通过采访调研、实地考察、问卷调查、专家访谈等多种方式获取丰富的一手信息,综合分析行业现状,分析角度包括产品属性、落地进展、商业模式、政策、资本、招投标等多个维度,并撰写了《2019中国医疗人工智能报告》,这是继动脉网过去三年连续发布医疗AI年度报告以来的第四份报告。

该报告提供的主要内容包括:

  • 第一,以医院诊疗流程的数据流为主线,围绕人工智能在医院的各个应用场景,分享了40余家创业公司的方案和实践,并提出了整合式全流程AI医院;

  • 第二,更新了被访企业在2019年的应用数据;

  • 第三,从商业模式的不同维度,分析了医疗AI各种应用的潜在的商业模式;

  • 第四,统计了医疗AI 40多家医疗AI市场部负责人的背景、分析了各公司2019年进行市场推广的策略;

  • 第五,根据医院的招投标数据和企业的投融资数据,从侧面验证了市场的接受度。

人工智能赋能价值医疗

杏脉科技总裁兼CTO 房劬

价值医疗通俗的讲类似于企业经营中的投入产出比的概念,在保证医疗效果的前提下,减少医疗支出。这样的概念非常契合现如今医保控费的大环境。

比如,心脑血管的参保人数占总参保人数的比重不超过5%,但是心脑血管的疾病却占用了超过一半的基金数额,总的来说心脑血管疾病的医保负担非常重要。其中以心脏支架为代表的高值耗材是影响心血管支付的重要因素,目前医保局通过耗材零差价、集中采购、反腐的方式来降低高值耗材的价格,这都起到了明显的降低了心脑血管疾病诊疗的成本。

同时,杏脉科技则希望通过技术手段,在保证诊疗质量的前提下,更合理的规划支架的使用。

美国2017年心脏学会FFR诊断指南支出,可以通过FFR的测量更合理的指导支架的使用,同时能够保证手术质量。但受限于有创FFR测量费用昂贵、有创、辐射等原因,此项技术一直未能在国内广泛开展。 

杏脉科技通过DSA数据与CTA影像的结合训练,融合应用深度学习技术、血流动力学等多种创新手段进行深度研发。贴合临床需求,延续流体力学仿真的思路,在传统计算方式基础上自研了一整套全自动网格划分技术及自主研发的CFD求解器,使原本需要4-6小时才能完成的流程缩短到了10分钟,且整个过程不再需要流体力学工程师介入,同时保证了精度。

在此基础上,杏脉科技更进一步研发了冠脉搭桥术前规划系统。受限于冠脉搭桥手术的难度,术前医生很难确定取多长的桥血管,取的越长对病人的损伤会越大,但取的太短可能起不到引流的效果。

另外,以什么位置作为搭桥的起点,什么位置结束,序贯桥的顺序如何决策,都是面临的问题。有经验的外科医生可能在大脑中模拟出搭完桥手术之后血液流动变化的情况,但很多医生并没有这个经验。 

通过杏脉自主研发的冠脉搭桥术前规划产品。医生可以在平台上直接通过鼠标去选取桥血管长度、管径、搭桥的起始点、终点,之后可以在5到10分钟之内模拟出血流在管桥中的变化,包括压力的变化,以及壁面切应力的变化。

壁面切应力对管腔有非常大的影响,并与术后血管的再闭塞强相关,这几个参数综合起来可以很好的对心外科医生做指导。 

深度卷积网络与医学影像处理

小白世纪首席科学家 黄高

经过多年的发展深度卷积网络技术已经有了飞速的发展,其与医学图像的结合也有了很多的实践,但是当我们用算法处理真实世界中的医疗数据还是会面临很多问题:

  • 第一,可解释性,医生希望依靠深度卷积网络进行辅助诊断,不仅要给出结果,还要可解释,因为医疗的严谨性决定了医生必须要寻根问底。

  • 第二,数据模态的多样性,医疗数据除了影像还包括文本等信息。

  • 第三,因果推理,这在在AI领域是非常有挑战性的问题,相关性可以通过各种算法判断出来。比如,抽烟到底会不会引发肺病,通过数据能看出相关性,但怎么从数据里边找到因果性。

  • 第四,AI模型在不同设备、不同中心之间的迁移。第五,AI算法与医学知识的结合。

“AI+医疗”行业创新的三大机会

元璟资本合伙人田敏

纵观近年来医疗行业创新现状,我们认为,中国“AI+医疗”市场目前还处于相对早期阶段,然而随着政策的持续利好和技术的深入探索,我们看好将AI数据与医疗技术相结合的各个领域

在我们看来,在医药和医疗领域,AI技术均能发挥重要作用,这其中包括医药相关的药物发现、药物合成、临床前CRO、临床CRO,以及与患者密切相关的早诊早筛、病历诊断、疾病诊断和后期康复的医疗产业链。

对比2017年、2018年及2019年AI医疗医药领域融资事件,我们发现,在病情诊断、治疗康复和药物研发这三个领域,融资数量最多的是病情诊断领域,这其中医学影像辅助诊断占比高达80%,成为名副其实的红海领域。

诊断领域,尤其是在影像诊断领域,自2016年开始就有无数多家公司涌入,在各个影像领域创业。但是该领域早期的技术壁垒并没有想象中的高,而后期商业模式的探索和发展路径却很长。不过,针对疾病的早筛、早诊,尤其是缺乏医疗水平的基层,AI起到的作用非常大。

康复领域主要是基于人体各项数据进行的慢病管理,目前国内已经有公司在该领域进行尝试。近年来,随着中国人口结构老龄化加剧,老龄人群康复服务需求增长,未来可穿戴辅助康复设备和慢病监测管理具有较大的市场空间,我们也在持续观望该领域的新机会出现。

而在药物研发领域,目前中美之间仍然存在较大差异,美国大量的医疗AI公司都集中在药物研发的领域,中国近两年也出现了海归团队/本土团队开始药物研发领域的各种尝试。

相对而言,中国目前还处在这个领域发展的早期阶段,但市场潜力巨大,AI技术赋能药物研究领域技术壁垒较高,企业前期需要建立起和大公司的技术合作能力,而后期则要靠持续的数据积累和商业模式的构建,才能建立起自己的行业壁垒。

用AI打造以随访为入口的医疗后花园

健海科技CEO汪健

健海科技主要利用人工智能辅助病人随访和病人慢病管理。

整个医疗分为健康、诊前、诊中、诊后、康复市场。其中诊前、诊中被大众所熟知,但是诊后的病人出院,再到回医院门诊复诊的过程在整个医疗体系中不被关注。健海科技则主要定位诊后市场。

诊后病人管理的问题是工作量太大,国家的政策希望家庭医生去管病人,现在互联网医疗中慢病管理的业务也是交由医生来负责,但是我认为这是很难实现的,因为医生是整个医疗体系中的稀缺资源,所以健海科技希望AI提升医疗行业的产能进而去管理病人。

我们发现在医院通常负责术后的并病人管理工作的是护士而非医生,所以我们第一步做的是研发出虚拟护士,作为医生和患者的中间角色,担负病人管理工作。

另外,国内现在有大量的研究和指南在临床路径,但是病人管理路径的指南和研究相对较少。目前虽有借助可穿戴设备进行慢病和身体检测,但是并未很好地实现管理。所以健海科技梳理各种病种的知识库,把病人管理的知识图谱做出来。

健海科技的做诊后病人管理的方法是全病程动态路径。我们去梳理病人的诊后管理路径,从病人第一次就诊,根据他的诊断、用药、医嘱、检查检验生成病人固定的跟踪路径。

当一个病人的治疗方案发生变化的时候,后期所有的跟踪内容都会动态变化,也就是根据手术术后管理方式去管理病人,而不是根据前期的病种方式去管理病人。

为此,健海科技打造了一款智能AI随访系统,核心优势在于其AI技术——济世大脑。它拥有智能辅助互动、智能辅助判断、智能辅助处理引擎,集合深度学习、大数据处理、语音合成、识别、分析等技术,通过电话、微信等途径辅助医护人员完成医院随访、满意度调查、复诊提醒、慢病管理等工作。

人工智能技术驱动的慢病管理创新

 第四范式医疗业务负责人、主任科学家涂威威

第四范式的特点是用机器寻找海量的规律,因为机器的可复制性非常的强,只要有数据的地方,在AI算法的帮助下可以不断的从数据中发现规律。

糖尿病的预防管理存在4个方面核心问题:预测、干预、管理、科普。

为此,第四范式与瑞金医院联合发布的“瑞宁知糖”和“瑞宁知心”等慢性病管理产品,可在具备简单输入指标的情况下,评估并预测普通用户糖尿病及糖尿病心血管并发症等常见疾病至少未来3年间的患病风险、危险因素,给予个性化干预方案,帮助用户进行长期自我管理。

该系列产品对世界卫生组织定义的慢性病三级预防均有针对性支持,依靠第四范式领先的人工智能技术和瑞金医院前沿的代谢病研究,该系列产品具备筛查准确率高、模型预测指标具备医学解释性、个性化干预方案、可长期自我管理等应用特点。

作为一家技术公司,我们并不懂医疗,所以我们觉得应该找到自己对应的位置,在产品研发过程中只负责技术层面的事情,把我们从数据中挖掘规律的能力把这给到合作伙伴,并将这一能力赋能医保、商保、健康管理、辅助诊断、医学影像以及药物研发等医学领域。

如何让医疗AI变得可信

 爱医声联合创始人、清华大学副研究员闾海荣

医疗AI发展到现在,有很多进展,但能进入实用的很少,这里面,医生们认为AI产品不可信、体验不好,是主要原因。之所以不可信,有以下几方面原因:

第一,数据问题。源头的数据质量不高、不可信,很难保证训练出来的模型、算法可信。

第二,机器学习黑盒/黑箱子的问题。如果我们训练出来的模型发生了偏差,尤其是系统性的偏差,那就很恐怖;诊断出现了问题,但并不知道中间的逻辑过程。这样的缺陷使得很多用户、医生、行业的从业人员对自己训练出来的模型,自己也没有多大的信心,更不太可能让医生去用。

比如,现在在学校实验室利用AI做病理研究,训练出来的模型算法准确度能达到99.9%以上,但是将产品用到临床里面的时候,并不具备太高的临床可用度。

因为医生看病问诊是根据指南和经验,以及他看过的历史病例来做诊断。只有将专家系统、概率图网络、知识图谱这些相关的过程映射到模型里面,医生才会有用的信心。

如何让医疗AI变得可信?我认为有以下几个角度:

  • 第一,知识管理。把医生的指南、临床的知识库输入到系统里面。这方面IBM Watson做的很好

  • 第二,知识图谱构建。机器录入数据之后可以构成高质量的知识图谱。

  • 第三,案例学习。将传统的通过数据学习的方式构建模型与构建的案例库结合起来。

  • 第四,将以上体系跟用户很好的交互起来。所以最关键的工作是打造全栈可视化的交互和解释的体系。通过这样的方式可以让背后的逻辑、知识跟医生、普通用户之间进行非常好的互动,而且是及时的互动。

全栈AI打造的几个核心的能力包括:听、说、看、思考、学习、交互。

深度学习辅助决策三类创新药医疗器械开发实践

 硅基智能总经理胡志钢

医疗AI发展到现在,审批已经是行业最为关注的重点,这是企业大规模商业化的敲门砖。目前硅基智能的产品5月份进入三类医疗器械绿色审批通道,12月份,药监局到公司进行了体系审核。

关于医疗AI产品的三类证审批,创新医疗器械审批国家药监局主要关注四个方面:

  • 第一,算法核心专利要明确证明用在公司的产品中,要把算法的核心技术阐述清楚,是如何应用在产品中的。

  • 第二,产品定型,把标准数据的来源说清楚,从量化、溯源的角度把事情解释清楚。

  • 第三,临床显著应用的价值,要有真实世界的临床数据来证明产品确实能够解决临床上的问题,并提供给监管部门。

深度学习辅助决策医疗器械软件审评要点跟其他产品开发思路类似,可分为临床需求分析、数据收集、算法设计、验证与确认等阶段,其中数据是最重要的一个点。

数据收集包含数据采集、数据预处理、数据标注和数据集构建等活动。

数据采集更关注数据来源的合规性、数据的多样性。产品如何与临床之间更好的契合,数据采集要考虑包括疾病构成、地域、人群分布、设备、机构层级、流行病学等因素。

另外数据采集质量评估,数据脱敏程度,数据转移方式均要符合一定规范要求。 

数据预处理:包含数据清洗和数据处理两部分。预处理需考虑选用的方式方法对产品的影响及其风险,并明确预处理前数据什么样子,预处理之后数据变成什么样子。此外,进行预处理的软件工具要经过确认,证明数据处理是可靠的。

数据标注和标注过程中的质量控制。标注人员要明确其资质要求,经过严格的培训和考核,标注过程应当明确数据标注流程与方法,并对标注质量进行持续的量化分析。

数据集的构建:最终通过前面严谨的标注出来之后形成了标注数据集,需要把它划分成不同的训练集、调优集、测试集。数据集划分需要考虑的因素包括医生临床的经验、算法专家对数据集的要求等。

数据集的划分还要涉及到数据样本的分布,临床的需求。训练集样本分布要均衡,要考虑到各个病种学习的充分性。调优集、测试集要考虑临床应用场景下真实的疾病分布,以及是否有其他疾病的干扰因素。


动脉网
动脉网

专注医疗产业服务平台

产业医疗AI
暂无评论
暂无评论~