本文以醫療人工智能平臺為討論主題，分析了其中的建設要點、應用關鍵要素，以及不同平臺模式之間的異同對比。

隨著人工智能技術的不斷深入發展，專業性的醫療人工智能平臺逐漸涌現出來，建議選用專業性一體化的平臺，從而節省平臺搭建和調試的工作，更加專注于模型的訓練以及系統的應用，同時所開發出的人工智能系統也具有高可靠、高效率的性能。

在未來醫療大融合的背景下，搭建的平臺應具有弱耦合、強兼容的特性，滿足人工智能系統與醫療設備以及醫院信息系統之間的兼容和集成需求，提升醫療人工智能系統的性能。

在醫院建立專業性醫療人工智能平臺的基礎上，與醫院的臨床科室密切合作，選擇適合的疾病種類進行其診斷和治療系統的開發，從而提高診斷和治療的效果。

先從醫學影像人工智能系統的開發和應用開始，在此基礎上，進一步集成更多類型的數據例如病歷數據、檢驗檢查數據、患者日常健康監測數據等，從而構建更加豐富和全面的醫療大數據，為開發更豐富的人工智能系統打好基礎。

01 醫療人工智能平臺建設

醫療人工智能平臺包括數據資源層、人工智能平臺和醫療應用層。

（1）數據資源層提供基礎數據，通過采集各個科室的醫療影像數據，病歷數據等，打通業務系統間的數據壁壘，為人工智能平臺提供數據基礎。

（2）人工智能平臺由計算能力，開源框架，算法和技術構成。計算能力為人工智能平臺的運算速度提供保障。

以肺結節醫療影像數據為例，每位患者平均擁有20-30張片子，在自動識別肺結節時常用的計算機視覺模型如殘差神經網絡，它可以使數十層甚至上百層的神經網絡的訓練成為可能，這對計算能解決方案供應商提供醫療解決方案的公司大多數是具有綜合醫療信息化經驗的公司，這些公司在醫療行業深耕多年，對醫療行業的業務流程比較熟悉，在發展人工智能醫療影像方面有天然優勢。

這些公司對醫院的應用場景、醫生的訴求有比較深刻的理解，可以快速將人工智能技術與需求結合，形成滿足醫生需求的產品。此外，這些公司具有較為廣泛的客戶渠道和穩定的合作醫院，能夠更容易將人工智能系統在醫院內部推廣、落地。

目前人工智能在醫療行業中的應用一部分以嵌入式系統應用于醫療儀器端，即在醫療設備端使用人工智能技術，優化設備性能。

例如通過動作捕捉技術判斷患者康復情況，提供可視化的數據影像展示，為醫生制定康復計劃提供有力數據支持；另一部分以數據中心里的影像數據、病歷等為基礎，在輔助影像診斷、輔助臨床決策等領域發力。

這些公司以原有業務為立足點，有多年技術積累為自身優勢，紛紛擴展新業務領域，擴展醫療人工智能新領域。

醫療數據提供方深度學習特別適合大量數據的應用，例如常規檢查產生的大量數據。

提高診斷效率和準確度的能力對于疾病的早期診斷和治療至關重要，對于因為醫生短缺導致評估影像和病理切片需要耽擱很長時間的地區，可以派上很大的用處。

作為醫療影像提供方的基層醫院、?？漆t生、省級醫院和新興的獨立影像中心對人工智能輔助影像診斷系統有迫切的需求。

中國的醫療影像數據處于從傳統膠片向電子膠片過度的階段，影像數據信噪比相對較低，即便醫生經歷長期的專業訓練，診斷結論也往往受到醫生自身經驗、疲勞程度和耐心程度等因素限制。

深度學習使用非監督或半監督的特征學習和分層特征提取高效算法來代替手動獲取特征，雖然存在一些不可抗拒的因素，如數據質量存在較大差異，但在一定程度上減少上述人為因素導致的診斷不一致性，降低誤診率。

醫療人工智能平臺建設 15 醫療人工智能平臺的建設輔助醫療機構提升服務水平，平衡醫療資源，緩解就醫壓力，特別是醫療資源匱乏的區域。

醫療機構根據自身信息化水平選擇不同的建設模式，幫助提升自身的醫療服務水平。提出了很高的要求，龐大的數據量致使計算機的運算時間變得漫長，因此搭建一個超算平臺不僅能縮短運算時間，也能提升醫療的效率，降低患者的等待時間，這在臨床應用中是至關重要的。

來源： IDC人工智能平臺架構, 2018

平臺模式一：建設獨立的醫療人工智能平臺

醫院利用大量醫療數據建設獨立于業務系統的人工智能醫療平臺，將分散在各個業務系統中的多源異構數據進行整合，利用自然語言處理技術將臨床描述信息轉化為結構化語言，生成醫療知識圖譜，把寶貴的醫學知識和治療經驗保留并快速復制到醫療資源不足的地方。

獨立醫療平臺的建設周期較長，涉及對接的業務系統較多，在建設過程中面臨更多的挑戰。

為了獲得效果較好的算法模型，通常需要對醫療數據進行標注。

即便是采用非監督學習或半監督學習，在早期也同樣需要輸入標注好的醫療數據進行模型訓練。數據標注工作耗費時間長，門檻高，對標注人員有很高的要求。目前從事數據標注工作的人員以經驗豐富的專業醫生為主，而且整個過程都是以手動標注完成。

同時，醫療系統IT廠商的協同合作意識有待進一步提高。數據作為醫療發展的“血液”，需要在各個系統間自由的流轉，打通醫院各個業務系統間的壁壘是醫療人工智能系統發展的關鍵。

平臺模式二：建設嵌入式醫療人工智能平臺

醫院原有信息化系統作為支撐醫院正常運行的業務系統，結構復雜，改造成本巨大，市場上新興的人工智能醫療診斷系統很難代替原有業務系統。

多數情況下人工智能系統提供服務接口，對接到原有業務系統中，將人工智能技術與原有業務系統有機結合。

以醫療影像為例，疑似病灶的結果輸出不需要醫生打開另一個系統，而是在原有的影像歸檔和通信系統（PACS）中提示疑似病灶的信息。

這種內嵌式的人工智能模塊可以降低系統開發成本，更重要的是這一模式不改變醫生原有的診斷流程，操作習慣，可以降低醫護人員的學習成本。不改變既定模式的人工智能系統更容易被醫院方接受，系統的使用率較高。

采用嵌入式人工智能平臺不依賴原有系統的數據。在數據的重要性日益凸顯的現在，無需開放原有系統的數據庫，既可以確保原有醫療系統的數據安全，又可以增加各廠商間配合力度，有利于人工智能技術在醫療行業中的推廣。

02 醫療人工智能系統的建立和應用三個關鍵要素

醫療人工智能系統的建立和應用中需要處理好如下三個關鍵要素，克服處理三個要素中面臨的挑戰，才能取得成功。三個要素如下：數據、平臺計算能力、深度學習算法模型。

1. 數據

醫療人工智能系統需要醫療大數據作為基礎，通過機器學習等技術形成一定的智能，用來提供輔助診斷和輔助治療的功能。

醫療大數據主要包括醫學教科書、病歷尤其是針對某類疾病的病歷、數字化醫療影像、學術論文等。

對于醫學影像人工智能系統來說，則是需要數字化影像數據，包括CT、MRI、超聲、病理等影像數據，作為機器學習的原料。

因為病歷數據、數字化醫療影像數據等屬于醫院的知識財產，所以人工智能系統的知識產權歸屬原則和管理方法，需要在實踐中不斷探索。

醫療數據種類繁多，來源廣泛，數據格式千差萬別。所以，快速處理數據的收集、集成和加工用以保障人工智能模型的訓練和學習，這是開發人工智能系 統需要克服的基本挑戰。

目前影像人工智能輔助診斷系統在醫院落地使用的時候，通常需要利用該醫院的影像數據重新學習，以及需要挑戰模型參數，才能適應醫院的需求。

這是因為在影像數據這一關鍵因素中，目前各家醫院之間因為在影像生成中采用的標準不一致。

例如關于顯影劑的服用量標準、設備參數設置不一致造成影像灰度的差別等，造成各個醫院之間針對同一個患者的影像數據不同，用來支持機器學習的時候，其模型參數也會不同 。

為了能夠加大人工智能系統的適用性，需要在開發人工智能系統的時候能夠快速集成多方來源的數據，從而訓練出更加精準、適用性更廣的人工智能系統。

2. 深度學習算法模型

除了處理數據之外，選用或開發深度學習的模型算法也是發展過程中的一大挑戰。

目前深度學習的算法很多，但是這些算法很難直接應用，而是需要做一定的改進開發，然后應用到數據訓練中，并在訓練中不斷的改進和完善，才能使算法模型越來越精確。

所以，選擇合適的算法或者開發算法、以及建立算法調整和改進的平臺系統，這是人工智能系統成功的要素之一。

因為AI系統處于起步階段，所以目前醫院用應用的人工智能系統其模型算法與實際的需求仍然有不完全相符合的問題，需要不斷的改進。算法模型的改進也是不斷把AI系統推向更加精確的一項重要工作。如下圖所示，根據調查，目前醫院中使用的AI 系統都需要不同程度的改進或升級算法。

3. 人工智能平臺的計算能力

構建一個算力強大的計算平臺是人工智能開發成功的根本要素之一。因為深度學習中需要非常巨大數量的數據輸入給訓練模型，訓練模型則需要進行巨大規模的運算來訓練模型使其具有智能，所以人工智能平臺的計算能力（算力）是其成功的一個關鍵要素。

目前，人工智能計算平臺主要使用GPU芯片，醫學影像人工智能系統更是依賴于GPU來進行訓練和學習。也有一些AI系統使用CPU、FPGA、高性能處理器（TPU）等芯片。

目前各大服務器廠商也都開發了用于機器學習和運行人工智能系統的服務器，例如戴爾、新華三、聯想、浪潮等服務器廠商。NVIDIA 也開發了用于人工智能系統的開發和運行的超級計算機DGX。

人工智能平臺的計算系統目前大多使用開源系統，在開源系統上做出定制化開發以滿足自己產品的需要。

目前使用的主流開源系統有TensorFlow，分布式機器學習工具包（DMTK），Caffe等。

在開源平臺上進行定制化開發，需要非常強大的開發能力，對于開發團隊的技術水平要求非常高，因為開發水平決定著計算平臺的計算能力和計算效率，決定著人工智能系統的精準性。

NVIDIA推出的專業計算平臺Clara，很好地打包集成了NVIDIAGPU的計算能力，并集成了多種機器學習模型，能夠為深度學習和人工系統運行提供專業的支持，也能為處理影像數據并進行機器學習提供專業工具。

03 模式對比：獨立搭建醫療人工智能平臺與嵌入式醫療人工智能平臺

醫療人工智能平臺的發展很大程度上依賴于醫院原有信息化程度。

人工智能發展的基礎是數據，醫院方需要大量的歷史數據支撐醫院醫生的科研工作、病歷分析、治療方案制定等方面的工作。

醫療系統IT廠商的協同合作意愿影響著人工智能技術在醫療機構中的應用情況。數據作為醫療發展的“血液”，需要在各個系統間自由的流轉，打通醫院各個業務系統間的壁壘是醫療人工智能系統發展的關鍵。

醫療領域對人工智能技術提出了更高的要求。醫學是一個系統且完整的體系，當前人工智能公司在醫療領域的研究很多都集中在單一病種的識別，這對學術研究是具有價值的，但單獨研究單一疾病的人工智能輔助診斷對實際臨床工作意義不大。醫療機構表示，單一病種的識別對他們的吸引力有限。

人工智能技術需要滿足臨床的基本應用，支持某一器官絕大多數疾病的識別或支持某一系列疾病的識別時，才有可能產生商業價值，從而進一步推動相關的研究，產生持續的經濟效益。同時，產品的設計需要符合醫生日常的操作習慣和診斷流程。

以超聲檢測是醫生在操作的過程中看到實時影像時就做出診斷，這要求人工智能技術支持實時診斷，對計算能力有了更高的需求。如果按照傳統的先采集后識別，有違醫生的操作習慣和診斷流程。因此人工智能技術在醫療行業的發展不僅依賴技術的發展，也需要對行業理解深入的人才。

作者：Rolia，?前?？挡┦柯摵蟿撌既思娈a品總監

本文由 @pms-rolia 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 Unsplash，基于 CC0 協議