深訪數十家智能醫療公司：4大方向或將成為AI領域最早一批落地技術

在醫療數據標準化、共享化尚未成熟的今天，個性化精準醫療等領域必定在相當長的時期內無法實現。然而，影像識別等輔助性診療工具由於深度學習演算法及影像數據標準化的支持，或將成為最早一批落地的技術。

本篇基於Xtecher研究院對數十家智能醫療公司的訪問形成。

作者｜小生生

編輯｜甲小姐、歐拉拉

網址｜www.xtecher.com

微信公眾號ID｜Xtecher

無論寒暑秋冬，如果有哪個地方終日人滿為患，那可能是各地區的大醫院。目前國內看病難、看病貴、醫患關係緊張早已不是一朝一夕的難題。問題背後，巨大的利益鏈關係與緊張的醫療資源都是亟待解決的問題。

「醫改」年年是熱點詞，卻年年令人無奈，「互聯網+醫療」推行至今，醫改收效微乎其微。如今，能否通過人工智慧+醫療助力變革，成了群雄逐鹿的新浪潮。

2014年，陳寬在芝加哥大學攻讀博士學位，此前他接觸到醫療影像領域並發現國內醫療資源嚴重不足的問題，尤其體現在放射科醫生超負荷工作方面。涉足機器學習領域的陳寬意識到，若將深度學習與醫療影像結合，做出一個影像識別系統，或將降低醫生工作強度。同年陳寬休學回國，創辦推想科技，專註醫療影像診斷。

兩年後，另一位創業者彭志勇從GE Healthcare（通用醫療）離職，創辦了微至雲動，致力於醫學影像在互聯網時代的應用。

彭志勇有10年以上PACS（影像歸檔和通信系統）研發經驗，在業界深耕十多年後，他感到外部時機成熟，並判斷醫療影像會在應用方向有新的突破。

不僅上述兩位，越來越多的創業者湧入智能醫療領域，希望通過人工智慧對醫療數據的解讀、處理，幫助病人進行自我管理，輔助醫生進行決策，緩解醫療資源的緊張。

根據方正證券今年發布的互聯網醫療報告顯示：儘管目前安防和智能投顧是人工智慧最火熱的應用領域，但人工智慧或將在醫療領域率先落地。O'REILLY最新報告顯示：人工智慧將在決策支持、醫療系統設計、患者自我管理、人口管理等領域帶來革新。

應用場景：四大方向或將最先落地

人工智慧將如何改變傳統醫療？

Xtecher研究院認為，四大方向或將最具商業落地前景：

方向一：決策支持——醫學影像識別系統，是目前最有可能率先落地的應用。

微至雲動CEO彭志勇告訴Xtecher：影像的數據化是所有醫療數據標準化做的最好的一個子類別，這也許會是人工智慧在醫療領域最早技術落地的垂類。

目前，國內醫院多數仍使用影像膠片，且醫院間系統不通，病人轉診須重新拍片，不僅對患者不便，且極大浪費了醫療資源。若能把患者影像資料整合，讓醫生隨時查閱，將會給醫生和病人帶來極大便利。

行業存在痛點，而技術可能帶來革新。

彭志勇團隊推出的微雲影像，通過DICOM HTML5 Viewer v2.0技術，提供包括醫學影像的接入、存儲、調閱的公有雲SaaS服務，讓醫生可隨時通過電腦在線訪問患者的影像資料。

初期，醫生並不相信WEB產品可以做到和膠片一樣的體驗，但隨著應用的深入，醫生不僅對產品表示滿意，更對產品功能提出了新的需求，例如：希望多幀文件可以導出成視頻等偏門需求。目前，微雲正投入大量時間完成醫生提出的新需求。

與醫療影像在線閱覽形成互補的是諸如推想科技所做的智能醫療診斷系統——通過大量學習過去的影像數據，對醫療影像進行分析並協助醫生診斷。

推想科技創始人陳寬告訴Xtecher：醫學影像是所有大病診療的入口和基礎，放射科醫生是醫療行業最短缺的人員之一。最近一輪人工智慧技術爆發的核心——深度學習，正好最擅長分析影像類數據。基於此，使得影像識別技術成了最有可能在醫療領域率先落地的技術。

推想科技還表示，此前一家醫院心胸組使用了他們的輔助診斷系統，不久后醫院骨肌組也提出了安裝診斷系統的意向。

方向二：醫療系統設計——從治療過程到醫療保險的全過程，通過人工智慧對數據的分析，實現分級診療，提高護理成果降低成本，發現騙保等不良行為。

一旦能夠建立起個人電子檔案，就可通過深度學習構建相關的健康診療模型，對病人過往數據進行分析，從而診斷與合理用藥。例如：治療同一個患者可使用多種品牌藥物，但哪種最有效？醫生往往無法確定。一旦通過智能系統，就可通過歷史數據判斷個體從第一次患病到如今服用哪種藥物更為適合，避免了多次就醫的可能，降低看病費用，提高就醫效率。

目前國內多數患者相信大醫院權威，即使小病也湧入大醫院，造成醫療資源的浪費。建立個人檔案后，能夠通過健康診療模型對病人數據的分析，配合社區全科醫生，形成分級診療，讓患者養成小病在社區醫院解決的習慣。

同時，通過智能系統的預測，可獲知各時段病人峰值情況，及時作出部署，建議病人分時段診療。

此外，不少醫療機構存在通過和參保人「合作」採取「掛床」住院、「借證」住院、「開大處方」等違規操作，大量醫療資金被套取，而部分民眾卻仍看不起病。

對此，負責智慧醫療化的軟通動力副總裁、醫療信息化評審專家李宇塵告訴Xtecher：通過人工智慧對大數據分析，可以優化醫療流程，對醫保進行監控。

通過對醫保卡及醫院床位掛鉤、用藥監控、大數據比對等手段，可及時發現不良數據，對違背邏輯行為進行預警，對業務相關的費用進行監控管理，使資金流向與參保人員緊密結合。舉例來說，正常情況下，大部分患者一年生病次數應該會趨於穩定水平。通過人工智慧對醫療系統的監控，一旦發現某個患者就醫次數、用藥量異常，便可及時提出預警。再由人工介入調查，可極大降低人工成本，減少醫療資源損失。

方向三：患者與人口管理——通過風險識別，患者可進行自我管理；相關部門可及時對地區疫情作出響應。

隨著人工智慧技術的發展，醫療可穿戴設備也將助力患者的自我管理。

藍色感測CEO黃涌告訴Xtecher：設備的小型化、智能化，有助於患者低成本地監測自己的健康。患者無需住院，不必耗費時間排隊等候，即可了解自身疾病情況。

例如，血糖情況需在長期連續的時間內進行監測，若中間斷掉，則數據將不利於醫生的診斷。而此類患者，通過醫療穿戴設備即可持續積累血糖、血壓等數據。但目前來看，可穿戴設備能否做到醫用級的精度，以及能否通過醫療審查取得資質，還是一個巨大的挑戰。

人口管理方面，通過對醫療數據的收集與充分利用，能夠整合患者如血液檢查、組織樣本、每年度治療等信息。一旦數據達到一個足夠的臨界值，可由演算法得出模型，對各地區人口患病情況進行監測，對某些具有傳染性疾病的地區提前干預，進行隔離、消毒等。

四、精準醫療：通過數據的標準化，有可能實現個性化醫療，但行業仍處於萌芽期。

若醫療數據標準化，電子病歷填寫的都是機器可識別的術語標籤，通過數據調用，即可了解個體出生到當下的健康狀況。

個性化精準醫療的概念提出超過二十年，人工智慧和機器學習的出現，雖然有可能加速將其帶入現實，但並不容易。

前香港醫管局大數據顧問、現微基因CTO陳鋼告訴Xtecher：如果未來醫療數據標準化、共享化，可通過智能演算法對一定基數人群長期追蹤，了解各階段人員生理情況。繼而基於大數據基礎，通過機器學習模型，對個體生理走向進行對比預測，提前發出疾病信號，為個體提供精準醫療。

但就目前來看，醫院之間的系統封閉只能獨家使用。因此在短時間內有可能實現的是患者在某家醫院獲得個性化診斷——只要患者長期在一家醫院問診，那該醫院就可以擁有患者長期的信息，繼而提供個性化精準醫療。

雖然人工智慧將在不少領域為醫療帶來變革，但情況也不足夠樂觀——由於醫院系統的封閉性、數據的敏感性，醫院之間並不互相承認結果，導致了大數據的不足。加上醫療信息標準化的缺失，可以說在很長的一段時間內，若沒有解決大數據共享和醫療信息標準化這兩個難題，醫療智能化之路依然崎嶇。

前提與難點：大數據與標準化

隨著IBM、谷歌、騰訊等巨頭及創業公司的湧入，智能醫療日益火爆，但若沒有大數據與信息標準化為依託，一切都是零。正如李開復所言，大數據是人工智慧的前提。同樣，沒有大數據也就無從談及醫療智能化。

從創業者角度來看：

以微雲影像和推想科技為例，前者需要擁有足夠多的影像資料，才能夠建立起一套足夠強大的影像在線閱讀系統；後者也只有基於足夠的影像資料才能做出一套高精度的影像識別系統。

推想科技CEO陳寬告訴Xtecher，從與醫生的雙盲測試結果來看，他們推出的產品已經達到一般主治醫生的水平，早前他們曾在一家醫院檢測出了兩例連醫生都沒看出的肺癌患者，家屬對此甚為感動。

當然，模型也有不足，穩定性仍需提高。

「畢竟模型學習的數據量還是有限的」，陳寬說，所以當遇到與訓練數據差異比較大的罕見病例時，模型的表現可能會有波動。而不同醫院都有各自獨立的診斷標準，現階段很難做到一套標準模型滿足所有醫院。

而目前，醫療數據被各大醫療機構封閉，無法共享，數據不足嚴重阻礙了醫療智能化。

從醫院與患者維度來看：

醫院和藥廠或者醫療器械廠商之間都存在著巨大的利益關係，不同醫院對於廠商的選擇各不相同。如果影像或是其他數據互通了，那就意味著背後的利益將會被削減甚至消失——患者省錢了，但是醫院和供應商則利益減少。因此，既得利益者會成為改革的阻礙，這也是數據共享難以實現的重要原因之一。

另外，即便數據打通了，數據安全性的保障又是另外一個難題。沒有患者希望自己的數據被人泄露，你能想象有一天坐在你旁邊的同事知道你得了某種性病的場景嗎？現在，即使是大型企業雲端儲存也不斷發生數據泄露事件，誰能保證以後我們存在雲端的疾病信息不被泄露。

而作為醫生來講，更不會願意將自己的診斷結果共享到雲端，萬一他的診斷失誤在雲端被人察覺，醫生的自身利益將受到損失。

因此，無論是醫生還是患者，在信息沒有保障的情況下，誰也不願意將自己的醫療信息拿出來共享。

此外，還有一些醫生對此非常矛盾，一位主任醫生告訴Xtecher：他既希望可以有更多的數據用於醫療研究，但又擔心自己醫院的數據被泄露出去。

綜上所述：創業者需要大量數據，而醫院和患者需要守住數據；創業者需要共享數據，而醫院和供應商為了利益更需要堅守壁壘，阻止共享。多年來龐大的利益鏈，使得數據共享化面臨難以打破的僵局。如何打破各方利益，保障數據安全性，將是醫療智能化的一個重要前提。

而與數據同樣重要的，當屬數據標準化。

目前，醫院的數據大部分沒有形成標準化，即便有電子病歷，內容上也是醫生主觀輸入，而非系統化標準語言。微基因CTO陳鋼認為，如果在醫療領域無法形成各類信息的標準化，精準醫療等無異於紙上談兵。

SNOMED CT（醫學系統命名法——臨床術語）是當前國際上廣為使用的一種臨床醫學術語標準。其應用包括了如電子病歷、醫囑錄入、葯事管理等，如此方能便於計算機進行統計分析與數據挖掘，為醫療數據標準化提供術語支持。

雖然SNOMED CT被很多英語國家廣泛引進，但由於其幾十萬條的海量術語及與非英語國家的語言理解障礙，要使其真正在推行起來還有很長的路要走。

大數據與標準化是人工智慧進軍醫療領域的一個基礎環節，其根本問題還是在於如何打破固有利益鏈。

正如支付寶的出現衝擊了傳統的金融領域，如果人工智慧在醫療領域也出現一個巨頭，打破傳統醫院地位，實現去中心化，或許將會助力醫療改革。

踏入一片荒地，總是困難重重，但這並沒有阻擋巨頭和開拓者們的野心。

大軍湧入：目標壯麗，道阻且躋

國內外的巨頭與創業公司們正進一步進軍智能醫療，DeepMind正和英國NHS（National Health Service，英國國家醫療服務體系）旗下的兩家醫院合作，開發用於腎臟疾病的監控軟體Streams。DeepMind借鑒區塊鏈技術，推出了「verifiable data audit」，幫助NHS、醫院、醫生以及患者，實時監控醫療數據變化，並記錄下每一次對這些數據的應用、修改等。

去年IBM Watson首次來華，在天津市第三中心醫院為21名罹患胃癌、直腸癌和乳腺癌等的患者進行了義診，不僅可以提供可選擇的診療意見，更幫助醫生總體評估該方案的療效及風險。近日，IBM又和萬達簽訂戰略合作協議，助推Watson在華落地，此舉將進一步推進腫瘤治療、臨床試驗匹配等方面的進展。

今年2月份，百度撤銷了醫療事業部，但並不意味著李彥宏放棄了醫療業務，而是調整了著力點。原百度醫療事業部總經理李政將轉至AI團隊，充分利用人工智慧技術，結合智能小e和拇指醫生的業務方向，推進探索人工智慧在醫療領域的解決方案。

而不缺錢的騰訊在2016年永洪科技C輪融資時領投3千萬美元，隨後又在思派科技B輪融資時參與投資數千萬美元。前者是一家大數據分析平台，通過智能演算法，為醫院管理層提供全院運行狀況輔助決策。後者是一家專註腫瘤領域的數據平台，並以此為基礎進行智能診療系統的研發。

年初，推想科技宣布完成由紅杉資本基金領投的5000萬人民幣A輪融資。而在這之前，他們已經獲得了1250萬人民幣的天使輪融資。目前推想科技覆蓋的病種包括了腦部、腹部等。應用場景覆蓋X光、CT等超聲病理影像。

陳寬告訴Xtecher：「目前產品已經完成了商業化的突破，在數百家基層醫院上線，更涵蓋了北京、廣州等全國各地的三甲醫院。」

而就在月初，NVIDIA助力推想科技進一步布局智能醫療。陳寬表示，推想解決方案目前應用了NVIDIA的TITAN X和Tesla P100，依靠GPU的助力讓硬體和軟體速度達到了幾十倍的提升，這對於海量數據的處理、高清圖像的數據分析來說尤為重要。

總之，在進軍智能醫療的道路上，註定充滿坎坷：醫療信息化難以切實推進、醫療數據缺失標準化、數據共享化遙遙無期、人工智慧存在黑箱問題以及政策因素的影響都極大的限制了智能醫療的發展。

但無論是巨頭還是創業者都沒有放棄努力。

今年兩會，科大訊飛董事長劉慶峰建議發展人工智慧，助力醫療改革。隨著人工智慧在兩會上被寫入全國政府工作報告，未來醫療領域人工智慧發展或將減少一定阻力。

可以看到，在醫療數據標準化、共享化未成熟的情況下，諸如個性化精準醫療等領域必定在相當長的一段時期內無法實現；而影像識別等輔助性診療工具由於演算法及影像數據標準化等客觀條件的支持，或將成為最早一批落地的技術。當然最終一切暫未有定數。

隨著IBM、谷歌、騰訊等巨頭以及創業公司的湧入，智能醫療日益火爆，如何打破各方利益，實現數據共享，同時保障數據的安全性，這只是實現智能醫療，推動醫改的一小步。但若沒有大數據與信息標準化為依託，醫療智能化的實現，道阻且躋。