亿欧公司副总裁高昂：医疗人工智能商业落地的大数据门槛

8月30日，由浙江省卫计委、浙江省发改委、浙江省经信委主办的2018第四届西湖论健•浙江国际健康产业高峰论坛暨智慧健康大会在杭州举行。科学院院士毛军发、浙江大学医学院附属邵逸夫医院院长蔡秀军、浙江省卫生和计划生育委员会主任张平、中国信息通信研究院政策与经济研究所所长鲁春丛、浙江省工业和信息化研究院院长兰建平等嘉宾出席大会。

亿欧公司 作为该会支持单位，会上，亿欧副总裁高昂发表了题为“医疗 人工智能 商业落地的大数据门槛”的演讲，以下是演讲全文：

各位嘉宾下午好，我是高昂，来自亿欧，非常感谢主办方组织这么好的活动，并给亿欧这样一个分享的机会。

亿欧并不是一家医疗机构，而是一家 产业创新 服务平台，我们致力于推动新技术、新理念和新政策在产业中落地。前面的嘉宾的分享都很精彩，很多大数据赋能产业的逻辑都讲的很深入，我相信，很难讲得更好了。那么我试着从人工智能商业落地过程中遇到的大数据门槛这个角度，结合亿欧过去两年在这方面的研究成果，分享几个观点。

大健康产业是一个万亿级的市场。医疗资源不均衡，再加上国人就医观落后等因素，使我国的大健康产业目前存在着诸多痛点。同时，大健康产业正在经历“从以治病为中心向以人民健康为中心”的重大变革。 政策、环境、观念、技术都在发生着巨大的变革，在这一轮变革中发挥关键作用的正是“人工智能”。而纵观人工智能这两年来的快速发展，在大健康领域，也有着非常多适合人工智能技术商业落地的应用场景。

人工智能在大健康产业发展迅速

从整个人工智能企业诞生数量来看，2014年之后进入一个高速发展期。其中大健康行业诞生的人工智能企业数量排在前列，而排在大健康之前的更多是一些宽泛的领域。

资本层面，热度持续高涨。2012-2018年，大健康行业的人工智能企业共计获得投资142次，总金额达241.22亿。同时，主要的VC也都在大健康产业纷纷布局。

智能影像诊疗最受资本追捧

每个行业的人工智能应用热点均有不同。金融行业中，最热的是智能风控；安防行业，最热的是身份认证系统和智能摄像机；汽车行业则是辅助驾驶系统和自动驾驶算法；而在大健康行业，最受资本追捧的则是智能影像诊疗。在2017年，获得投资的智能影像诊疗企业就有21家。

人工智能的核心是机器学习与数据挖掘

简单的界定一下人工智能的范畴。就目前技术发展而言，人工智能以机器学习、数据挖掘为两大技术核心，两者技术范畴上有所交叉。机器学习又包含对抗学习等诸多种类，其中倍受瞩目的就是深度学习。

按照拓扑结构分类，深度学习可分为卷积神经网络、循环神经网络和全连接神经网络，并通过算法框架实现深度学习过程。在机器学习与数据挖掘的技术之上，实现了目前市场上最常见的三大技术应用，即计算机视觉、智能语音技术和自然语言处理。另外，人工智能技术的实现，还要依托硬件的支持（处理器/芯片、传感器元件等）以及云平台提供的存储与计算服务。

大数据为基础：人工智能对医疗相关产业链整体产生影响

人工智能对于各行业各领域的赋能，在生产环节表现为生产效率的提升和生产成本的降低；在赋能效果方面表现为传统行业的升级、新兴行业的出现，最终导致相关产业链的整体变化。这其中正是在医疗信息化推动多年之后，形成了一定的大数据积累，并以此积累为基础实现的产业链变革。换句话说，人工智能让大数据的积累发挥出了更大的社会价值与商业价值。

从数据来看，预计到2020年，人类产生的医疗数据总量将达到40万亿GB。

大数据条件越成熟，人工智能产品的落地效果越好

上面所提到的三大技术应用，落在大健康行业的场景中，即会产生相应的产品与模式。

如图所示，各位的左侧纵列代表的是AI技术，右侧横行代表的是应用场景。交叉节点就是商业模式，目前的市场格局一目了然。

由此，我们整理出了八大应用场景和十大人工智能产品。亿欧智库进一步针对这十大主流产品的形态、功能、技术成熟度、使用效果、落地难点、发展情况、企业案例等方面进行分析。

不难发现，相对成熟度较高和效果较好的产品，都是大数据的数量和质量都相对完善成熟的领域。

部分人工智能产品的落地受到大数据门槛的限制

医学影像： 由于数据短缺、成本较大、门槛较高等因素，AI+医学影像产品落地速度缓慢。这一领域的公司主要以科研合作的方式从医院获取影像数据，但训练模型所需影像数据量较大，仅依靠几家医院提供数据远远不够，但更多医院的影像数据难以实现共享。

靶区自动勾画&自适应放疗： 利用放疗科已标注数据，可免除人工标注成本，但获取可用影像数据门槛较高。首先，需要至少4名放疗科医生同时对一套片子进行标注，然后需要放疗科医生交换片子相互审核一致性，在此基础上需要做病理检验（医学上只有病理才是“金标准”）确认医生标注的肿块是异常的肿瘤组织，这套片子才视为可用。

影像方面的打通还需要政府和监管部门的介入。打破信息孤岛在业界提了很多年，但在影像数据上，离真正打通还有很大一段距离。在这一点上，银川正在进行很好的尝试。在亿欧上周举办的非公医疗峰会上，银川市卫计委主任马晓飞主任表示，银川将会在一年之内将全市范围内的医疗数据实现全面打通，一家的片子可以在全市范围使用。

医疗大数据辅助诊疗： 第一，受限于传统医疗体系，医疗信息往往被封闭在一家医院的“院墙”之内，而且即便是在医院内，不同科室之间的信息也难以相互联通。信息无法共享，导致每个医生、科研人员所能掌握的数据量非常有限；第二，样本量小，成本高：受到信息割裂现状的影响，肿瘤研究的样本数量往往在百例左右，然而成本却非常高，400例规模的多中心联合项目的成本大概在1000万人民币左右；第三，数据结构化比例低：大规模数据分析的前提是数据的电子化，而事实上肿瘤患者的X光/CT影像、病理检验等检测大量数据，基本是以纸质形式保存。

在这方面，科研合作目前是打破医院数据壁垒的有效手段之一。致力于搭建肿瘤大数据平台的新屿科技，以肿瘤科研为切口获得病历数据的同时，自主研发了肿瘤知识库和标准化肿瘤科研模型，并将临床数据与基因数据整合分析。除了与医院进行合作，新屿科技还积极与基因公司、CRO公司（专业从事药品研发）、移动医疗公司开展合作，提供更多标准化增值服务。

健康管理： 智能硬件和手机App，是用户健康类数据的主要来源。目前用户的健康类数据独立存在于各智能硬件、手机App之中，“数据孤岛”明显。以手机为例，苹果公司基于IOS系统的封闭生态，通过苹果健康App、智能手表等设备将所有用户的数据进行统一的收集和储存。而Android系统的手机厂商却很多，部分手机厂商（例如华为手机）提供健康类App，同时开发或代销健康类硬件设备，则华为仅仅可以获得用户在华为产品上留下的数据，用户所使用的其他设备数据则无法获得。

从国家层面建立统一整合的健康数据管理平台，可以挖掘数据深层价值，由此提供更多的服务、产生更大的商业价值。这种形式目前在贵州、银川等地都已经开始了不同形式的尝试。

未来的挑战

数据数量： 中国医疗整体数据量大，但针对不同病种的数据量和质量参差不齐，有些病种的训练数据缺乏；健康大数据孤岛问题有所缓解，但仍未达到深度学习的阶段。

数据质量： AI数据处理中标注的准确性关乎结果的准确性，近两年之内还是需要大量医生去标注；药物研发中的数据质量对于研发效率的提升至关重要。

人才： AI算法人才与医学人才知识体系不同，如何融合各自优势发挥最大价值，值得企业思考。

市场培养： 医疗被认为是人工智能最早落地的领域，但是医疗的特殊性对产品的要求会更高，从认识到被接受再到相应支付体系的完善，以及到医保的接入，都需要一个很长的过程。

非公医疗体系将会成为人工智能、大数据快速落地的优质土壤

在解决这些挑战的过程中，亿欧认为，非公医疗体系具备一定的优势。一来，非公机构的数量和比例都在逐年增长；二来，由于医疗资源的不均衡，非公医疗体系更加迫切的需要成熟的人工智能产品落地；三来，非公医疗体系面临的体系约束相对较小。

同时国家层面的支持依然必不可少，美国每年在医疗大数据建设的投入在30亿美元左右，已经持续了20年。而我们国家的这个数字大约在5亿元左右。除此之外，未来希望能够有更多由监管部门、公立机构、民营机构和科技企业四方共同推进的科研合作项目，这也将更快推动整个大健康产业的快速发展。亿欧作为一家第三方机构，希望能够在中间发挥好观察者、推进者、赋能者的角色。感谢大家的聆听。