AI医疗

贺涛　凌馨　刘浩南　张利

2011年，在美国智力问答节目（Jeopardy）中，IBM人工智能机器人沃森（Watson）一举击败两位人类选手取得冠军。这场对决开启了未来10年人们对AI（人工智能）的无限想象，接下来，它会在哪个领域战胜人类？猜测落在医疗上。

人工智能在多个医疗细分领域曾与人类医生交手。比较知名的是2017年年末，斯坦福大学教授吴恩达领导的机器学习小组开发出一种名为CheXnet的算法，能够更敏锐地捕捉胸部X光片中的肺炎迹象，在诊断肺炎的比拼中，也一举击败4名放射科医师。

人口老龄化加剧、慢性病患者群体增长、优质医疗资源紧缺、公共医疗费用攀升等多重压力，使AI入医疗被寄望成为这一全球性压力的泄压阀。泄出的压力也正是机遇的源头。尤其在中国，人口数量成为优势，医疗数据的基础大，可以给医疗AI提供充沛的燃料。

10年过去。2021年11月5日，中国“医疗AI第一股”北京鹰瞳科技发展股份有限公司登陆港股市场。然而，曾被寄予厚望的“AI四小龙”之一依图科技，在7月终止了上市计划，医疗业务大幅缩水。

大热数年的医疗AI，是到了收获之时，还是泡沫破裂之际？这将取决于研究成果能否尽快进入临床，并获得大范围应用，给医疗带来切实改进，能否撑起领域公司的估值。

击败4名放射科医师，CheXnet只经历了一个月的诊断学习。

AI在预测中风和心脏病发作、预测婴儿自闭症的风险上表现出优势;在外科手术和阿尔茨海默病预测中略胜一筹;在治疗脑肿瘤、先天性白内障诊断和皮肤癌诊断上，跟人类医生打平。“这些示范性的案例，就是一轮又一轮大额度融资的信心来源。”亿欧智库医疗产业分析师尚鞅告诉记者。过去，资本对医疗AI的热情展露得非常明显，因为落地的可能性被印证了。

此前的人机对战都在研发阶段，直到一年前，美国批准了第一个用于临床的医疗AI产品，它可以分析心脏核磁共振图像，准确度可与有经验的医生相媲美。进入临床，是AI向产业化迈进的一大步。

2017年，国内医疗AI行业公布的融资事件近30起，融资总额超过18亿元。融资额最高的一笔是AI医学影像公司汇医慧影数亿元B轮融资。

“能够在如此短时间内让投资界集体高潮，一定是出现了商机。”易凯资本有限公司合伙人李钢分析。

就医，最核心的部分是诊断。替代医生诊断，是医疗AI的一个终极目标。现阶段的小目标是，能够让AI为医生的诊断及治疗方案提供建议，辅助诊疗。

AI辅助医生做事，先从那些繁琐的、重复性工作起步，提升诊疗效率。企业和研究团队分头蹚开两条路：一条基于自然语言处理，根据病历和症状诊断疾病;一条基于计算机视觉，通过识别医学影像诊断疾病。

沃森是第一条路径代表。它4年学习了200本肿瘤教科书、290种医学期刊和超過1500万份文献后，尝试在14个国家的多个肿瘤治疗中心临床应用。在输入患者的年龄、性别、体重等基本情况和癌症分期、局部复发、化疗方案、病理分期、癌症转移等具体内容后，短短10多秒，沃森就会给出治疗方案，在肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌等方面为医生提供诊断建议。

肿瘤医生的智能助手沃森落地中国一度非常迅速，其国内代理商——百洋智能科技在2017年5月曾称，一年内将有150家地市级三级综合医院引进沃森。然而，沃森给出的解决方案可能还不是最好的。

第二条路径，AI可将复杂、高维度的医学影像数据，降维使其更易处理，因而可以快速、准确地从医学影像中发现病症的信息，辅助医生诊断。

医学影像在医疗数据总量中占比约80%，包括CT、核磁、超声、病理、内窥镜、眼底等，因而，医学影像的计算机处理向来是一个庞大的产业。

全球知名风投调研机构CB Insights对美国106家医疗AI初创企业分析显示，影像和诊断成为资本热涌的重点领域。IBM和阿尔法狗的开发者DeepMind都在推进AI医学影像的应用，阿里、腾讯也不甘人后。

实际上，AI的触角已无处不在。运用语音识别和自然语言理解，医生在诊疗过程中即可完成病历编写，能提高医生工作效率，美国大概有72%的医院已经实现用语音收集医疗信息，科大讯飞、云知声等均有此项业务。

一些初创公司，还喜欢挤入慢性病管理，即运用人工智能算法，对慢性病患者进行实时健康监测及干预，甚至据此生成健康管理建议，主要针对糖尿病、心血管病等需要即时干预的慢性病患者。

转折出现在2017年。

此前，很多一线医生还不知道AI这个字母组合是什么意思。到2017年11月，由独角兽工作室等联合发布的《医疗人工智能医生认知情况调研报告》显示，77%的医生至少听说过一种医疗人工智能应用。

催逼AI箭上弦，本质上还是好医生稀缺。蓝驰创投合伙人陈维广，在投了春雨医生之后，他多次接到朋友的请求，让帮忙找好医生。对医疗的需求提升，是全球普适的驱动因素，而人口老龄化就是那块巨大的背景板。

像一副摆好的多米诺骨牌，全球人口老龄化加速，老龄化社会之后就是医疗资源匮乏。美国人口普查局报告显示，至2015年，全球65岁及以上人口超过6亿。这一年，中国65岁及以上人口约1.44亿。

英特尔医疗与生命科学部亚太区总经理李亚东介绍，目前全球约30%的医疗资源为65岁以上人群所占用，50%的医疗资源为55岁以上人群占用。

国内对AI的期待是，纾解三甲医院爆满的困境，协助提升县乡镇的医疗水平，以免漏诊、误诊。

过去，中国的医疗大数据一直存在应用障碍，信息孤岛现象明显。在医疗过程中，很多最基本的医疗术语尚不能统一，如阑尾炎和盲肠炎或食管癌和食管癌，说的是一个病，但录入数据库后，计算机会把它分成两种病。

医疗数据不准确、不完整，增加数据挖掘难度的同时，也降低了数据本身的价值。要想让AI深入，就需要协调电子病历、化验和影像系统、医生记录和医疗保险索赔材料等多方的大数据。

先行者美国在这一步遇阻。《数字美国》报告显示，美国有近四分之一的医院和超过40%的医生尚未采用电子健康记录系统。即便有电子记录系统，也没有与病人或其他提供者无缝共享数据，因为这些系統无法互通操作，病人需要反复讲述他们的病史。

真正决定中国产生后发优势的，是监管层对医院病历电子化的要求。

2018年，国家卫健委发文，要求到2020年底三级医院要实现电子病历信息化诊疗服务环节全覆盖。这一年发布的最新版电子病历分级评价标准，共分了0～8九个考核等级。

例如，达到二级的病历，相当于只能进行部门内的信息交换;四级，患者就医全流程在全院内安全共享，同时还含有药品的配伍以及相互作用的自动审核，以及合理用药监测的功能，为医疗决策提供支持;五级以上，就能实现院内外数据的打通。据记者了解，目前，绝大多数三级公立医院能达到三级以上水平。有公立医院甚至已到病历七级水平，可以实现院外共享，这意味着患者就医的时候，他在前几家医院就诊的检验检查结果，自动弹出，在一定区域内或者医联体内可以互认。病历迅速电子化，与2020年出现的新冠肺炎疫情不无关系，迅速发展的互联网医疗，给了中国的医疗AI企业“超车”机会。到2020年底，全国有互联网医院1100多家，是2018年数量的近10倍。

在一位业内人士看来，授权谁拥有这个数据，谁可以调用数据，打通数据通路，扭转医生对医疗AI的印象，也就水到渠成。

曾经，外科和影像科医生对AI的整体满意度低于平均水平，主要是因为AI未能减少医生的工作量、对原理的质疑，以及准确率不高。很多使用过阅片AI的影像科医生没有体会到工作量降低。

漏诊的产生，问题很可能出在训练数据上。黄家祥介绍，很多AI创业公司都是靠公开的数据源起步的，训练的数据量非常有限;还有些公司跟一两家医院合作，把服务器放到医院去训练，也能训练出一个AI模型来，而且对于单一病种，测试效果可能也不错。但如果换了另外一个不同的数据集来测试，很可能就“水土不服”了。

一位医疗AI研发人员透露，与合作医院传输图像，需要用光盘去拷数据，因为很多医院的设备，U盘都插不进去。“主要是考虑到安全问题，一旦出事，医院会担很大的责任。”

除了漏诊，还有假阳性。

山东大学齐鲁医院放射科副主任于德新向记者提到，早期肺结节影像AI系统最令人纠结的地方，是设计过于敏感。例如，肉眼可以看到3个小结节，用软件扫一遍，找出8个。根据诊疗指南，非常微小的良性肺结节，即使检测出来也没有太大临床意义，并不会影响患者的预后。

“好多小结节报出来后，有些患者变得非常焦虑，甚至跑到北京、上海去会诊，增加了很大的心理负担。”因此，于德新和同事们建议厂家，不再标识3毫米以下的良性结节。

如果一个人有超过20个肺结节，医生一个看一下就要30秒，这反而成了一种负担。

“目前来讲，AI所取得的成果还远远没达到预想的目标。”上海长征医院眼科主任医师魏锐利说。放眼看，大多数公司的AI产品还处于研发阶段。

现阶段的AI都是弱人工智能，其主流的深度学习方法存在一个明显的缺陷，即它的过程无法描述。换句话说，AI算法的整个过程犹如一个专用的、无法打开的“技术黑箱”，所谓可用不可见。它既没有普遍的适应性，也无法拆解出具体的智能化业务规则，而且高度依赖于参与训练的海量数据。

深度学习的特点是有问必答，只要有数据输入，就有结果输出。但Wision AI的联合创始人刘敬家分析，如果没有金标准对结果进行校验，很可能输出错误的结果，而且很容易蒙蔽人。

医学是注重证据的学科。 “技术黑箱”中仅有数学公式推导，却没有明确的理论解释其决策过程。

医生们担心，这种思维用于简单的类似于医学影像标准等的工作尚无大碍，一旦涉及更为复杂的医疗决策辅助，甚至医疗方案的整体评估建议，不考虑决策过程完全以结果为导向去辅助医护人员，会让医护人员陷于被动，甚至暴露在难以控制的决策风险中。

放眼整个行业，一个逐渐清晰的场景就是，影像AI会率先支撑基层医疗。基层医院用影像AI筛查以后，发现一些有问题或者看不准的病例，再交由上级医院的医生来确诊。

麦肯锡全球研究所预测，大面积使用人工智能诊断疾病可能不会太快发生，即使早已入局的巨头们，也不过是入门级水平，这并不妨碍AI会成功渗入，成为医疗的底层技术，就像之前的IT技术一样。

◎ 来源| 财经杂志（有删减）