AI如何与医疗行业各个环节深度融合？

本文系投稿稿件，版权归原作者所有

未来围绕核心医疗生态体系， 人工智能 将与医疗体系中的各个环节展开深度融合，不断提升基础性诊断效率，促进药物研发及 基因检测 的速度与准确率，完善患者预防诊断的周期管理，加速制造企业的智能化转型。 AI 到底如何赋能医疗行业？文章将从医疗诊断、药物研发、健康管理、器械生产四个方面展开。

医疗诊断

诊前预防：AI+基因检测

通过人工智能与基因检测技术相结合，可以进行更专业更高效的基因测序与检测，提前预测疾病发生的风险。该技术主要是通过测定组成人类染色体中所包含的30亿个碱基对组成的核苷酸序列，绘制人类基因组图谱，并且辨识其载有的基因及其序列，达到破译人类遗传信息的最终目的，认识疾病产生的机制，从而实现疾病的预测。

传统基因检测中，基因组数量庞大，人工实验费时且实验成本高昂、检测准确率低，而人工智能基于强大的计算能力，科研迅速完成数据的分析，穷尽已有数据库，且能够避免遗漏，挖掘出隐藏于表层原因之下的深层次关联结构，实时高效的更新突变位点和疾病的潜在联系，通过增强解读基因能力，提供个性化精准疾病干预方案，从而有效预测该疾病的相关症状，提前做好相关预防工作。但是基因检测的难度极高，需要高昂的时间和经济成本。生命科学龙头企业如华大基因等，通过多年的技术及数据的积累加持在基因检测方面形成较深的护城河，正在引入人工智能技术检验其在基因测序领域的应用效果，不断尝试拓阔健康管理服务领域。

诊中判断：人工智能+医疗影像

医疗影像，是目前人工智能在医疗领域最热门的应用场景之一。目前我国医疗影像领域存在诸多问题：供给不平衡，影像科医生数量不足，尤其是具有丰富临床经验，高质量的医生十分短缺，而且阅片数量极大，根据《中国人工智能医疗白皮书》，以肺结节检测为例，一家三甲医院平均每天接待200例左右的肺结节筛查患者，每位患者在检查环节会产生200~300张左右的CT影像，放射科医生每天至少需要阅读4万张影像，而诊断结果基本由影像科医生目测和经验决定，尤其是在长时间处理机械式阅片工作后，精力和准确度会下降，误诊、漏诊率较高。如果都能将人工智能与医学影像相结合，能够为医生阅片提供辅助和参考，大大节约医生的时间，提高诊断的精确度。

该场景运用涉及到的人工智能技术为计算机视觉技术。主要应用计算机视觉技术解决以下三种需求：一是病灶识别与标注，可针对医学影像进行图像分割，特征提取、定量分析、对比分析等工作；二是靶区自动勾画与自适应放疗，针对肿瘤放疗环节的影像进行处理；三是影像三维重建，针对手术环节的应用。

针对不同的医疗影响应用场景和当下急需解决的医疗痛点，上海联影医疗科技有限公司推出了基于uAI联影智能平台打造的智能体检读片、智能骨伤鉴定等智能诊断应用以及智能化医学影像设备，探索人工智能与医疗影像结合的无限可能，且为诊断精准度和疾病可控性的提高做出了重要的贡献。以“智能体检读片”为例，在中国，一家体检中心每天会产生上千例X光胸片，但平均往往只有几十例存在异常，医生要将大量时间精力耗费在逐一阅读健康胸片上。这样不仅医生负担重，患者看病也要耗费更多等待时间。现在，只需在X光设备上安装这款“智能体检读片”智能诊断应用，就能有效解决这一问题，它如同一位医生的“AI助理”，可快速从海量影像中预筛出健康的X光胸片，只将有疑似疾病的提交医生阅读，不仅能将不同肺部疾病的片子分流整理，让医生知其然；还能将片子中的异常区域可视化，让医生知其所以然。目前，在肺结节、肺水肿、胸膜增厚等14种肺部疾病中，这位“AI助理”已有9种诊断精准度排名世界第一。同样，基于uAI联影智能平台推出的智能化医学影像设备也将大大提升医生的扫描效率，使医学成像过程更好、更快、更安全、更经济。

2018年7月29日，Vision China视觉健康创新发展国际论坛(2018)联手医疗领域人工智能企业Airdoc首次为大众带来了一场眼科领域的“人机大战”，比赛采用的是人机协作的PK方式，一方是由北京大学人民医院眼科与眼视光中心主任赵明威领队的5位专家团队，一方是由温州医科大学附属眼视光医院眼底外科医师陈峰领队的5位非眼底专业的年轻医生加上已经完成数百万张影像识别学习的AI辅助团队。在比赛的最终环节，两组医生需要用最短时间挑选出30张眼底图中的糖网照片并进行分期。在人工智能的帮助下，AI团队仅花费3分钟就完成了30张影像的判读，并且准确率达到了91%，取得了比赛的胜利。这一比赛的事实结果表明有人工智能协助的从医时间较短、资历较浅的眼科医生的诊断准确率和效率可以与从业经验丰富的资深眼科医生达到相同水平线上，图玛深维等公司的AI影像产品已获得了二类医疗器械认证，但由于监管要求，其产品应用仅限于异常识别，尚不可以开展自主诊断，应用场景有待于进一步开发。

诊中判断：AI+辅助诊断

随着医学的不断发展以及检验病灶的不断增加，相关专业划分更加细致，面对复杂的多学科多领域的病情，需要临床医生掌握更丰富的疾病知识以及治疗手段，以便及时洞察病情本质；与此同时，中国的医疗资源供给不均衡，部分基层卫生机构的医师资源不足、经验和诊疗能力不足，而配套硬件设施却较为齐全，在这种情况下，人工智能辅助诊断应运而生。

通过利用自然语言处理、计算机视觉、机器学习等技术，人工智能设施通过患者档案上传、自测化验结果分析等快速了解患者所患病症；然后结合数据库中大量数据信息如文献、临床指南和临床经验等，合理通过推理假设将获取的病症信息联系起来，形成各种可能的结论及其对应的可能性；进而生成对应的诊断方案和治疗结论，在此基础上由专业的临床医生进行最终诊断，并把有关治疗数据实时反馈于人工智能辅助诊断之中。

在上海的一些三甲医院已经开始尝试运用导诊机器人、智能助理等人工智能辅助手段来提升治疗效率、简化手续流程。以复旦大学附属肿瘤医院为例，患者自主量血压、测脉搏、测体温后，连接设备同步初诊情况，整个过程不到十分钟，便可前往医生处进行下一步诊断，通过 “精准预约”的预约挂号模式以及AI引擎模型的预先设置，让人工智能引擎有了分诊功能。患者只需要按照平台要求实名上传病史资料，通过AI引擎的计算分析判断患者病情，并将专家号匹配给病情重、急需专家诊疗的患者，同时为患者智能提供合理的就医路径引导。

从2018年3月试点精准预约到2019年6月，复旦大学附属肿瘤医院共有11个外科科室、83位医生，每周共计875个专家号接入精准预约功能。仅2019年上半年，该项智能服务就为超过11万患者提供服务，为超过16000名患者提供专家号源，解决了这些疑难患者的燃眉之急。目前，医院精准预约服务已覆盖甲状腺癌、乳腺癌、胰腺癌等15种常见肿瘤疾病。在该项服务下，每位患者平均节省2.5小时的就诊时间，患者挂专家号的等待时间平均减少7.4天，专家门诊的效率平均提高了3.5倍左右[1]。

诊后治疗：医疗机器人、AI个性化治疗

结合人工智能技术可以实现个性化的治疗方案。治疗过程包括评估疾病风险和制定个性化的诊疗方案等，需要大量的计算资源及数据的深度挖掘，人工智能基于强大的计算能力，能快速完成海量数据的分析，挖掘并更新突变位点和疾病的潜在联系，强化人们对基因的解读能力，进而提供更快速、更精确的疾病预测和分析结果，实现个性化的治疗方案，便于患者更好更快痊愈。

机器人是人工智能各类应用中最备受关注的一项应用，国内目前的医疗机器人主要包括手术机器人、肠胃检查与诊断机器人（包括胃镜诊断治疗辅助机器人等）、康复机器人（针对部分丧失运动能力的患者）以及其他用于治疗的机器人（例如输液药物配制机器人）。面对新型冠状病毒这样的具备高传染性疾病时，如果能通过医疗机器人、远程医疗、远程手术等设备和手段实现医疗过程，将会大幅度减少医疗人员被感染的状况。但是目前存在的问题就是，医疗机器人开发成本过高，且远程诊疗和远程手术等技术研发成本也是非常高的，且高度依赖5G和AI等技术，目前虽然这些设备和技术已经有定点试用，但是高成本的使用条件使得这些设备和技术暂时只允许在一线城市的小部分领域应用，且5G等技术还未真正成熟和得到普遍推广应用，医疗机器人、远程诊疗和远程手术等还隐藏着许多未知的安全风险，以上的种种因素都导致在面对现阶段大面积感染疾病的情况下，医疗机器人、远程诊疗和远程手术等无法普及应用。

药物研发

AI+药物挖掘

人工智能在药物研发中的应用表现为药物挖掘：AI助力缩短新药研发时间，降低研发成本，使低成本、快速研发个性化治疗药物成为可能。

药物挖掘，主要完成新药研发、老药新用、药物筛选、药物副作用预测、药物跟踪研究等方面的内容；人工智能技术在药物挖掘方面的应用，主要体现于分析化合物的构效关系（即药物的化学结构与药效的关系），以及预测小分子药物晶型结构；同一药物的不同晶型在外观、溶解度、生物有效性等方面可能会有显著不同，从而影响了药物的稳定性、生物利用度及疗效。

人工智能与药物挖掘的结合，使得新药研发时间大大缩短，研发成本大大降低，这将有可能根本上改变用药“平均”观念，即某种药物在临床使用中对大多数人有效，则认为这种药物对所有人有效，比如肿瘤患者，每位患者的肿瘤基因组均不相同，导致生物学行为有差异，也就导致药物在临床反应中效果不一；而通过低成本、快速的药物挖掘研发个性化治疗药物将成为可能，目前主要成果体现于抗肿瘤药、心血管药、孤儿药（罕见药）以及经济欠发达地区常见传染病药，其中抗肿瘤药占了1/3左右。

健康管理

AI+预防管理

传统的医疗路径为“患病后治病”，而在未来的医疗健康生态体系下，医疗对健康结果的达成将超越对于诊疗项目数量的关注，通过基因检测等途径，获取基因、代谢和表型(性状)等数据，引入人工智能技术对以上数据进行分析，进而可对用户或患者进行个性化行为干预，为用户提供饮食、起居等方面的健康生活建议，以保持长期的身体健康 。因此在未来，对于疾病大家都可以做到“防范于未然”和“居安思危”，未来的医疗路径将通过提前预防，从而切断患病根源等来实现，将病源扼杀在摇篮里，大大降低人们患病的概率。

目前来看，健康管理市场在模式和格局等方面尚未成熟，依然是各大企业纷纷布局与尝试的新兴市场，国内以碳云智能和妙健康为典型代表，海外则有Validic、Welltok等公司，健康管理的具体落地场景可分为三大子场景，一是营养学场景，根据人工智能技术结合目标用户的基因序列帮助其饮食结构的合理化，二是身体健康管理，根据智能可穿戴设备实时检测用户的信息，帮助其生活习惯的规律化，三是精神健康管理，通过各项可测得数据的结合与分析，及时反馈用户的情绪波动，帮助其心理状态的良性化。

AI+医院管理

医院管理，主要指针对医院内部、医院之间各项工作的管理，主要包括病历结构化、分级诊疗等。现阶段病例电子化的逐步实现，使病例结构化以挖掘更深层次数据价值成为可能。病例电子化，为人工智能技术提供了数据支撑，通过人工智能中的自然语言处理技术，能将非结构化的医疗数据，转换成结构化的医疗数据。使全国各大医院的数据互联互通，能对重大传染疾病做出迅速的反应，及时重视预防。

AI+分级诊疗

分级诊疗，就是要按照疾病的轻、重、缓、急及治疗的难易程度进行分级，不同级别的医疗机构承担不同疾病的治疗。分级诊疗的实现，离不开医联体与智能云服务，二者是相辅相成的。医联体是将大型医疗机构（提供高级医疗服务），基层医院，乡镇医疗机构等链接在一起，实现数据互通，将数据和人才集中在影像云平台，实现分级诊疗。其中比较典型的是瑞达医疗，其建立的分级诊疗平台，能够实现远程门诊，远程托管与会诊，以及双向转诊等功能。这一技术的普及将会有效整合医疗资源，大幅度提高现有医疗体系的运作效率。

目前大部分医院处于数字化转型的初级阶段，而且无论在临床规范和标准的一致化、医院企业数据互联互通上以及信息化发展的程度上，均未达到智慧医疗的实践程度，需要进一步的技术发展、医企合作和政府推动。

器械生产

AI+智能制造

人工智能与制造业结合的本质，是将智能设备如机器人、数控机床、3D打印等通过通信技术有机连接起来，实现生产过程自动化；并通过各类感知技术如传感器、计算机视觉等收集生产过程中的各种数据，通过工业以太网等通信手段，上传至工业服务器，在MES（Manufacturing Execution System，制造执行系统）、DCS（Data Collection System，数据收集系统）等软件系统的管理下进行数据处理分析，并与ERP(Enterprise Resource Planning，企业资源计划)软件系统相结合，提供最优化的生产方案或者定制化生产，最终实现智能化生产。

不断通过流程智能化带动生产智能化，因为流程领域的生产流程本质上是连续的，而且往往是处于密闭的管道或容器中，生产工艺相对简单，生产流程清晰连贯，生产全过程数字化难度相对较低。流程领域企业接下来要做的是在全面贯通整合各阶段数据的基础上，运用人工智能的深度学习、强化学习（主要是动态规划方法）进行实时数据分析和实时决策，并进一步将智能系统延伸至供应链、生产后服务等各个环节，最终实现生产的全面智能化。

同时在运输过程中建议和提倡非接触，通过相关设备的运输和传递医疗物资和设备，提升了产业端上游的生产效率，提升产品质量，降低人为错误，替代人类进行高风险劳动，保障生命安全，也减少了产业端下游与有关病毒的接触，如广东等地区的几家公司纷纷向武汉等疫情严重地区无偿捐赠自己公司的智能机器人，机器人可以自动识别障碍物、避开障碍物等，实现了点对点传输和运输医疗物资和设备，有效地保护了在前线奋斗的一线援助人员。

发展路径建议

产业端

（1）不断积累医疗大数据，实现各方数据共享

在产业端，一是要不断积累高质量数据，高质量数据是人工智能发挥作用的基础与前提，当前的医疗行业数据大、种类多，但是如何标准化数据是需要进一步解决的问题，不断将非结构化数据转化为结构化数据，逐步实现患者患病全周期数据记录，是医疗行业各参与方需要长期关 注并解决的问题。二是要加强整合各个医院和企业的数据共享，由于各参与方的利益诉求不尽相同，所以短期内很难自主共享重要数据，而从长远发展来讲，数据的不断积累会使得技术的应用实现规模效应，从而降低成本促进整个行业的健康发展。

（2）扩大交流与合作，搭建合作伙伴网络

一方面是积极业内间的交流与合作，通过行业内的高等院校、科研机构以及医院企业对国家发展政策规划以及国际技术发展演进趋势的研究，在此基础上结合行业共性及自身比较优势，规划整体的医疗智能化措施流程，包括医疗智能化的定义、目标、标准、商业以及盈利模式等等。另一方面是确定搭建业间合作伙伴网络，提高端到端解决问题的效率，在医疗服务供给方和需求方、人工智能技术供给方和需求方之间提供有效沟通合作渠道，通过统筹结合各方的需求使得技术的开发、服务的提供更加完备健全。

技术端

（1）搭建统一技术平台，重点突破共性技术

通过企业和资本对人工智能技术的不断投入，并对人工智能关键共性技术的持续归纳总结，使得人工智能技术可以在各个行业都能落地，同时鼓励各方整合相应技术标准，搭建统一的技术平台，促进规模效应联合研究突破，适当海外建立研究机构，不断学习国外先进的技术应用以及人才的培养体系。通过在人工智能技术的不断突破，看到更多与医疗行业应用落地的可能性，进而达到掌握医疗AI核心技术、奠定发展基础的目的，不断在算法技术、感知认知、数据平台等多方面积累核心优势，实现从技术到应用的演进，助力医疗行业蓬勃发展。

（2）以结果为导向，搭建产学研多方协作平台

鼓励产学研联合组建智能制造技术联盟，在产权保护基础上促进计算力、数据、算法等开源或开放，提供更高效便捷的产学研等协作的信息沟通渠道，提供创新企业注册、项目申报、税务等服务，促进各方更深入、专业的交流，促进资源共享、信息互通的实现，以产生一加一大于二的协同效应，通过高等院校的人才培养、科研机构的技术开法以及医院企业的落地应用，使得相关的课程与技术理论不断在实践中得到验证，以结果为导向，不断提高技术的实用性和实效性。

政府端

（1）建立多渠道投融资机制，激发产业发展热情

人工智能行业作为信息化时代处在发展前期的行业，需要政府通过设立专门的贷款方案及补贴政策，鼓励银行等金融机构提供资金，吸引民间资本进行投资，以此来积极引导各大科技巨头、相关初创企业以及医疗行业中医企的积极转型，激发外部围观者进入新兴赛道的热情与活力，由于初创企业的智能化之路面临更大的试错成本和不可控风险，稍有不慎就会危及生存同时，政府也应严格审核，注意向中小初创企业进行适当的政策倾斜与鼓励，如成果返税、政策补贴等，让更多的小微企业参与到智能化进程的浪潮当中。

（2）适当放开政府监管，丰富医疗治理环境

对于新兴行业，会存在由于监管机制不完善、配套政策的不健全而导致业内投机分子钻空子问题的出现，人工智能不同于传统计算机行业，其自主学习能力强、迭代速度快、推理过程存在着黑匣子的情况，因此审慎监管的原则是正确无误的，但是从长远角度来看，需要适当的在风险可控范围内进行适当试错，通过进一步合理放开合适的产品性能检测和注册审批流程，不断授予人工智能技术在医疗行业中更高级更广泛的使用权限，不断在实践中建立相应的评价体系和监管审批标准，使得医疗行业智能化程度不断加深，为整个社会带来更丰富的医疗治理环境。

批注：

[1] 数据来源：东方网、腾讯网

本文系投稿稿件，作者：5GAI产业研习社；转载请注明作者姓名和“来源：亿欧”；文章内容系作者个人观点，不代表亿欧对观点赞同或支持。