《IDC专业化医疗AI平台白皮书》：中国乘AI之风直上世界第二

《IDC专业化医疗AI平台白皮书》聚焦中国医疗AI平台，实地调查多家中国医疗机构，从底层芯片到医疗机构全方位披露中国医疗AI生态图谱，并为AI企业开出加速医疗AI系统开发运行的五大药方。

白皮书中介绍，目前国内外医疗服务需求持续快速增长，但受到各种资源的限制，医疗服务供给能力难以与需求同步增长，优质医疗资源长期处于相对短缺状态。医疗人工智能系统的出现为解决这一难题提供了新途径。

1、AI医疗落地之年，中国成全球第二活跃国家

在国外，除了闻名全球的IBM Watson系统外，谷歌、微软、苹果等巨头均在积极探索AI改变医疗健康领域的可能。

而几年前还名不见经传的中国，乘AI之风扶摇而上，在2018年上半年超过英国成为全球医疗AI交易第二活跃的国家。

其中，因为用之不竭的影像数据和图像识别算法的成熟，医疗影像正成为医疗领域应用热门中的热门。在政府的支持下，腾讯、阿里等国内科技巨头也都卯足了劲儿打造医疗AI平台。

根据IDC白皮书呈现的数据， 中国有近千家医院部署了AI系统，其中超过一半的医院部署了医学影像AI系统。 目前中国有超过100家医疗AI公司，其中约40家属于医疗影像AI公司。

IDC对36家中国医院的调查结果显示，约三分之一的医院表示，医学影像AI系统的主要价值在于有效提高了诊疗和治疗的工作效率。

基础设施提供商、新兴医疗AI创企、解决方案供应商、医疗机构等各类公司初步构成了中国辅助影像的生态体系。

▲医疗人工智能生态图谱

芯片是整个医疗AI发展的核心环节，为医疗服务系统升级提供算力的支撑，现在深度学习较有代表性的主流加速方案有GPU、FPGA、ASIC、TPU等芯片。根据IDC白皮书提供的信息，受性能、成本等因素影响，GPU在医疗AI领域更受认可。

除了芯片厂商外，技术提供商也是整个医疗AI体系重要的底层支柱。目前中国AI创企的业务主要面向应用层，辅助医疗影响诊断、辅助临床诊断、虚拟医生诊断、基因测序、新药研发等应用均在快速发展。

▲医疗人工智能市场成熟度

IDC白皮书对这些应用所需的AI技术以及它们在国内的发展情况均做了具体的分析。 例如，得益于AI图像和语音识别技术的相对成熟，我国医疗AI创企业务场景多集中在病灶筛选和语音电子病历，同时深耕基因测序、药物研发等方面的公司相对较少。

不过，不是说有了技术就能轻易做好应用，更遑论医学这种与人体健康关系密切的应用。

技术公司不懂医学，医学专家又不懂AI，要想快速结合AI技术和医疗需求，还需要具有综合医疗信息化经验的公司来提供整体解决方案。

这类公司更加熟悉医疗行业的业务流程，对医院应用场景和医生诉求有更深刻的理解，拥有广泛稳定客户渠道，在快速整合AI技术和医疗需求方面具备天然优势。

而之所以将医疗机构这些数据提供方最后提及，是因为高质量的标注数据对医疗AI系统的表现至关重要。中国有许多医院设备还相对老旧，影像数据信噪比相对较低，对医生诊断造成干扰。

深度学习通过提取高效算法来代替手动获取特征，在一定程度上降低人为因素造成的误诊率，这对医生短缺的地区尤为有帮助。

2、三大难题阻碍医疗AI平台构建，IDC为开发者开药方

总体来看，基层医院、省级医院、独立影像中心等医疗影像提供方均对AI辅助影像诊断系统有迫切需求，但建立如是系统需要翻越数据、算法和算力等多座大山。

经分析，IDC白皮书将建立和应用医疗AI系统的难题分为三点，分别是 建立医疗大数据系统 、 开发AI算法模型 和 建立专业的AI平台 。

▲医疗人工智能平台组成

其中， 医疗AI平台包括数据资源层、AI平台和医疗应用层 。数据资源层采集来自各科室的医疗数据，应用层则影响AI技术的选择。

AI平台由开源框架、算法和技术构成，算力为AI平台的运算效率提供保障，开源框架和算法的选择则影响最终呈现的AI应用效果。

搭建医疗AI平台通常有两种方案。

一种是独立于业务系统的医疗AI平台 ，它会将分散在各个业务系统中的多源异构数据进行整合，生成医疗知识图谱。

此类的平台的好处在于，可以快速将医学知识和治疗经验移植到医疗资源不足的地方。但它的缺点也很明显，即数据标注耗时长、建设难度大。

另一种是嵌入式医疗AI平台， 它将AI模块内嵌到医院原有业务系统中，不会改变医生原有操作习惯，也不依赖原有系统数据，有助于保障数据安全。

据IDC白皮书提供的信息，中国医疗机构对后者普遍接受度更高。

那么开发者应该如何着手搭建精确可靠的AI平台呢？IDC白皮书不仅对医疗AI平台做了全面的研究，还分条缕析地为开发者们提供了一些工作原则方法上的药方。

比如，建议先选择开发医学影像AI系统，选择专业性的AI平台来开发和运行系统。

再比如，先从独立医疗AI平台着手，部署和应用较成熟的AI智能系统，在其落地并运行顺畅后逐步建立嵌入式医疗AI平台。

参考这些建议，或许能帮助开发者们在搭建AI平台少走一些弯路。

3、专业一体化平台成新秀，高效精准引行业玩家青睐

尽管医疗AI系统的部署正在很多医院如火如荼地推进中，但部署过程中的问题也持续存在。

在IDC调查的医院中，有31%的医院都认为医疗结构的硬件平台和AI系统间集成和性能调优难度大、硬件性能利用率低是最大的难题。此外，优秀的AI系统对医院的设备和开发能力均有较高要求。

一方面，很多医院成像设备老化，画质达不到要求，收集到的影像数据质量不够高，或者运算机器升级不及时，无法快速执行应用新算法。

另一方面，开发水平决定AI计算平台的准确度和计算效率，对开发团队的技术能力要求很高。

这一通下来，多数开发人员都会感到“偏头痛”。而专业性一体化平台可以节省平台搭建和调试工作，使开发者专注模型训练和系统应用，这使之无疑会受到更多开发者的青睐。

英伟达推出的一款医学成像超级计算机Clara即是如此。它是一个具有突破性算法的开放平台，集成了英伟达GPU的计算能力和多种机器学习模型，并提供专业工具和运行支持，可以为医疗仪器实现虚拟升级。

具体而言， NVIDIA Clara超算平台提供一个开放的、可扩展的、可远程的通用平台，利用深度学习技术进行3D重建，将医学影像设备中存储的二维影像数据转化为全彩色动画成像，显著提升数据量和数据维度，从而更好地帮助医疗人员进行诊断。

▲在英伟达Tesla V100 GPU上运行V-net（卷积 3D 神经网络），对心脏左心室进行3D立体超声波成像（NVIDIA blogs）

NVIDIA Clara AGX系统是Clara平台的核心，为开发者提供丰富的软件开发工具包（SDK）进行设计和开发工作，开发者还可将应用产品部署到嵌入式、预置式和云端等多种计算环境中。

Clara超算平台已经开始帮助中国AI公司更快捷地实现仪器智能化和工作流程自动化。例如，专注于为医疗影像辅助筛查的AI公司推想科技就采用Clara，以帮助研发人员缩短开发周期。

因为Clara对硬件没有硬性要求，同时还能解决英伟达不同代产品间的兼容性，推想科技计划在今年3月推出基于Clara超算平台的肺结节辅助诊断产品，以替换该公司此前在200多家三甲医院部署的产品。推想科技还计划在云端部署Clara，为医疗资源贫乏地区赋能。

在人们越来越关注健康的今日，但凡癌症等顽疾能早几年被成功筛查，就能拯救数以万计的生命。前沿AI技术正凭借其强大的计算能力，逐步参与到癌症早筛、基因测序、新药研发等工作中，全面推动医疗行业的革新。

如今，医疗AI的开发和应用已经成为一种必然趋势，而一个在临床诊断上具备出色表现的医疗AI系统，需要像Clara这样强大而易用的通用平台，在帮助开发者提高开发效率的同时，确保专业高水准的诊断准确度。

与金融、零售等行业相比，AI在医疗行业的利用率还很低，但也因此有着更广阔的上升空间和机遇。在国内多类公司争相布局医疗AI领域的风口，医疗AI生态体系的角色分工会更加细化。

随着AI在医疗领域的商业模式更加成熟，跨地区数据整合有所突破，以及更多掌握AI算法和医学知识的通用人才成长起来，精准医疗的实现指日可待。

 

白皮书如下

责任编辑：李兰松