起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識一起聊聊AI醫療
在對醫療健康供需優化的路上，有一類通過借助人工智能的技術手段，針對院內市場，以提升醫療效率為核心目標的產品方向，業內稱這個方向為AI醫療。本文來談一談我對于AI醫療的思考和了解。
最近針對“互聯網+醫療健康”基于全行業產業鏈做了一定的思考和分析，把前面寫過的四篇文章貼出來，供大家追溯查看：
一、背景
大家都知道，當下醫療健康行業供需關系嚴重失衡。
從供應側來看：
- 醫療資源少（表現為醫院和醫生少，好醫院和好醫生更少）
- 地域割裂性（表現為大城市醫院多且好，小城市醫院少且差）
- 醫療效率低（表現為院內診中環節就診工作量大）
從需求側來看：
- 需求多（表現為患者數量多）；
- 需求均等（表現為各地域患者對醫療服務需求是無個體差別的）；
- 高效治愈（表現為患者都期望盡快診斷、盡快治療、盡快治愈）。
二、概述
那本文主要談的AI醫療為解決上述供需失衡環節中，都圍繞什么方向做了哪些舉措來達成了怎樣的目標呢？
本質：醫療健康行業的供給側改革。
方向：醫療行業供應中的醫療效率環節。
場景：院內市場。
角色：醫院、醫生、AI醫療平臺。
目標：提升醫療效率，完成對醫生的智力解放，讓醫生資源專注到核心業務中，從而實現醫生群體業務能力的提升，通過多地域多醫院的介入，提升醫療體系的運行效率及診療規范性。同時把頂級診療機構的診療能力賦能到基層，提升基層醫療機構的診療能力，緩解當前中國最為急需解決的優質醫療資源短缺及分布不均的問題，讓更多基層百姓享受到技術進步帶來的診療體驗提升，最終實現整體醫療資源醫療水平的提升。
三、宏觀政策
如果說行業供需環節的薄弱點代表了行業的某些痛點，行業的某些痛點代表了我們的產品方向的話，那么宏觀政策就代表了我們完成這個方向優化的整體依據。
針對AI醫療，按時間軸有以下宏觀政策：
2016.5.8國家四部委發布《“互聯網+”人工智能三年行動實施方案》
- 在【關鍵內容】中，提出加快計算機視覺、生物特征識別、自然語言理解、智能決策控制以及新型人機交互等關鍵技術的研發和產業化，為產業智能化升級夯實基礎。
- 在第三大項【推進重點領域智能產品創新主要任務】中，提出推動互聯網與傳統行業融合創新，支持在制造、教育、環境、交通、商業、健康醫療、網絡安全、社會治理等重要領域開展人工智能應用試點示范。
2016.10.25 中共中央、國務院印發了《“健康中國2030”規劃綱要》
- 推進健康中國建設，要堅持預防為主，推行健康文明的生活方式。
- 要調整優化健康服務體系，強化早診斷、早治療、早康復，堅持?；?、強基層、建機制，更好滿足人民群眾健康需求。
2017.7.8 國務院發布《新一代人工智能發展規劃》
- 該規劃提出了面向2030年我國新一代人工智能發展的指導思想、戰略目標、重點任務和保障措施，部署構筑我國人工智能發展的先發優勢，加快建設創新型國家和世界科技強國。
- 在第二大項第四部分【培育智能產品-醫療影像輔助診斷系統】中，提出推動醫學影像數據采集標準化與規范化，支持腦、肺、眼、骨、心腦血管、乳腺等典型疾病領域的醫學影像輔助診斷技術研發，加快醫療影像輔助診斷系統的產品化及臨床輔助應用。
從宏觀政策上看，在高層國家戰略的角度上，宏觀上對AI醫療是肯定和扶持的。
四、產品落腳點
確定了產品方向，那AI醫療具體的產品落腳點在哪里呢？
首先，我們來看AI醫療存在的邏輯在哪里？AI醫療是為了取代院內場景中大量重復的人工類工作而存在，這類工作需要具備以下特點：
- 人工重復性；
- 有規律、有路徑、有依據。
那在院內環境中，大量現存的醫療效率問題集合里面有哪些符合這類工作的特點，我們把這些有此類特點的工作抽出來便是AI醫療具體的產品落腳點。
4.1 影像學部分
以胸部CT診斷為例，每一位患者做一次檢測將產生200-300張切片圖像，傳統方式單片解讀通常要花醫生將近10分鐘，通常在省級大型醫院，放射科醫生每天要閱讀約4萬張圖像，工作量大、壓力大，而通過計算機視覺技術的AI醫療可有效解決這個問題。
而在院內醫療環節中，放射學科掌握 80% 以上的醫療大數據，是疾病診斷的關鍵入口之一。AI醫療介入該環節就相當于介入了醫療診斷的關鍵入口環節，其中累積的大數據也可以為后續AI醫療產品的持續優化提供源動力。
4.2 輔助診斷部分
以肺癌這個病種為例，AI醫療需要跨多學科的介入臨床場景，病種庫跨系統需集成數萬甚至數十萬例例肺癌患者全周期數據、百萬份臨床文檔和報告、千萬份原始醫學圖像，收錄了肺癌患者的影像、病理、基因檢測、病歷文本等多維數據。來實現結節篩查等初級功能，同時結合國際、國內最新臨床肺癌診療指南，來實現肺癌全類型病灶的診斷覆蓋，綜合多學科臨床信息作出診斷，從而減少該病種的誤診、漏診情況，提升診療效率。
目前市面上主流的AI輔助診斷系統已覆蓋了包括兒科、腫瘤科、心腦血管科等主流科室，假以時日，相信AI輔助診斷系統將會逐步落地到更多的臨床科室中。
4.3 科研大數據平臺
目前國內各科室醫學協會、醫院、醫學院等，缺乏更有效的科研大數據平臺，在科研場景中常需要到各個地方檢索多個離散的信息后再人工聚合，效率不高，無法將精力全部放在科研業務探索上。
AI醫療基于強大的大數據能力，可在醫院臨床大數據的基礎上，有效構建科研大數據平臺，為醫生做好科研工具的服務，讓醫生將全部精力放到科研業務中來。
五、實現步驟
如果要實現AI醫療，有以下問題要解決，解決這些問題的過程便是AI醫療的實現步驟：
5.1 數據的結構化和標準化問題
- 文本數據轉化問題：醫療數據結構隨意、差異化大、病歷格式不同、描述不同，臨床語言屬于自然語言范疇，同時具備醫學表述所特有的語法結構特點和語義特點，特定醫學實體識別相對容易，全量信息解析提取沒有現成可用的成果。
- 醫療影像提取復雜度問題：醫療影像數據屬于典型的“高維數據”，內容豐富但提取復雜，若使用人工判讀，工作量和一致性極差，無法進行萬量級大數據處理，若基于報告進行提取，會遺漏大量信息。
- 數據標準化問題：在術語使用、描述方式等多層面，臨床數據要完成徹底的標準化，才能成為高質量數據，臨床工作強度高，部分數據存在描述不完整設置表述錯誤的情況，質量治理工作復雜。
5.2 人工智能的不透明問題
這個問題本質是醫生對于AI醫療輔助診斷結果的信任問題，這個問題決定了醫生對AI診療建議的采納率，為解決這部分問題，需要在產品層面加入一些可解釋的技術分析指標，用來給醫生提供證據，告訴醫生AI診療結果的判斷原因。
5.3 商業化問題
醫療資源分布不均這一“瓶頸”是醫療供需環節的一大痛點，打通痛點便是商業化的機會。大醫院人滿為患，而基層醫療機構診療能力提升困難，以人工智能技術為工具，打破信息屏障，將大醫院的診療能力賦能基層，讓基層醫院醫生能夠更準確地進行診斷和治療，是解決我國醫療資源短缺的重要手段。而提供這一重要手段的AI醫療一定能夠再解決供需問題中找到商業化的路徑。
六、挑戰
同任何發展中的事物一樣，AI醫療也面臨著發展過程中的一些挑戰，主要表現在：
- 數據問題：人工智能應用要落地，就需要優質的數據土壤。機器學習并建模的過程需要大量數據，目前醫療數據仍然割裂在各個獨立的醫院中，從單個醫院過來的數據樣本不夠巨大。
- 醫療信息標準缺失：目前國內沒有醫療信息數據的行業通用標準，不同醫院，甚至不同醫生，對病歷編寫、對病灶標注、對病種叫法都有不同，人工智能是強數理、強邏輯的工具，對于內容的精準度和標準化要求很高。
- 人才問題：醫療本身是一個非常專業的領域，人工智能技術在醫療應用上的突破離不開醫學界的深度參與。人工智能醫療領域最缺乏的其實是復合型人才，既要懂醫學，又要懂人工智能技術。醫學人才的參與能夠讓人工智能團隊少走彎路，許多醫學問題也可能在人工智能輔助下有所突破。
上述這些發展中遇到的挑戰也只能夠在發展中解決，資源整合和各地域各醫院合作是可以有效解決這類問題，我們期望能夠在國家層面有意識地整合資源，梳理出臨床醫學人工智能的發展規律和路徑，鼓勵醫學界、科研單位、企業等多方深度合作，從而進一步推動醫療人工智能發展。
總結
本文對AI醫療做了簡單的概述，綜合來說，人工智能打破了醫院與醫院的邊界，延長了服務半徑，能直接快速的提高本院及基層醫療服務水平，助力分級診療。
可比較高效的提升醫療體系的運行效率及診療規范性，提升基層醫療機構的診療能力，緩解當前中國最為急需解決的優質醫療資源短缺及分布不均的問題，讓更多基層百姓享受到技術進步帶來的診療體驗提升。
相關閱讀
作者：田絲兒，公眾號：U-4EverYoung
本文由 @田絲兒 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自 Pexels，基于 CC0 協議
你好，對AI在聽力學領域的垂直應用有了解么？
這個還不太理解，不過感覺技術上是沒有太大問題的
騰訊覓影
對，還有很多，泛影像學輔助診斷系統已經成為紅海了，哈哈