【鈦坦白】匯醫慧影郭娜：人工智慧技術如何為醫療信息化賦能？

圖片來源：視覺

在鈦媒體在線課「鈦坦白」第44期，我們請來了三位鈦客，分享醫療信息化的現狀和市場機會。本期鈦客之一、匯醫慧影聯合創始人、CMO郭娜，畢業於清華大學，曾在美國華盛頓智庫The Nixon Center工作，曾任電信北京公司政企客戶部國際IT、互聯網行業銷售總監，2015年共同創辦匯醫慧影醫療影像大數據和人工智慧創業公司。

本文節選自郭娜在鈦坦白的分享。如果您還不是鈦媒體Pro用戶，希望查看鈦坦白所有乾貨，進入鈦坦白九個專業群交流，並查看更豐富的專業數據和信息，可點擊： 註冊。

以下根據郭娜在鈦坦白的分享實錄整理：

大家好，非常高興能夠通過鈦坦白這個平台跟大家認識，我是匯醫慧影的郭娜。

匯醫慧影成立於2015年，2年來我們在醫療信息化和人工智慧進行了非常深入的布局。選擇人工智慧的契機是因為雲計算與高性能計算GPU的發展，還有海量數據的存儲，這些因素導致我們發現新一輪以數據為驅動力的醫學影像革命變成了可能，像在匯醫慧影更早之前的雲計算Paas、Iaas到Saas平台的可能。同時我們看到像商湯、曠視這樣通用級別的人工智慧演算法公司，以及像匯醫慧影這樣垂直到醫療行業的人工智慧公司也開始嶄露頭角，其實都是在於新的技術解鎖了新的需求。

醫療信息化是下一代AI實現的重要平台

回歸到醫療AI，我認為有三個要素可以稱為拉動人工智慧的三駕馬車：第一是對於數據的計算能力，比如說GPU的發展；第二是有效數據的增長，也就是可以深入計算的數據不斷增長積累；第三就是數據科學家、人工智慧科學家。而一個人工智慧的垂直公司在這三個方面的實力也就決定了它的技術實力。

那大量的醫療數據是否是有效數據？是否能更好的跟臨床診斷相結合？同時這些數據是否可以不斷的進行結構化可採集、可計算？這些問題就變得非常重要。醫療信息化原來提供的是一個工具，能更好的解決效率問題，而今天當人工智慧時代來臨時，我們會發現醫療信息化不僅僅是一個工具，同時它將會成為下一代人工智慧得以實現的一個非常重要的平台。也就是說，什麼樣的工具得出的數據是更容易採集的；是更能幫助計算機得出精準診斷？那就是醫療信息化，它在今天變得非常重要，而且非常的迫切。

• 醫療信息化需要更結構化、標準化、統一化

我們縱看全球人工智慧的發展，可能美國、澳洲、歐洲整個數據的結構化、統一性和有效性是遠遠高於的。

比如說德國，他們國家所有的影像報告結構化程度已經非常高了，所以從數據的採集到傳輸整理，包括到數據信息化的整個鏈條當中，數據是更加有效、更加易於計算的，於是當他向人工智慧發展的時候其實阻力和中間的一些坑會更少。

再比如澳大利亞，我舉一個非常簡單的例子。當澳大利亞的救護車接到病人的時候，病人所有的數據就已經開始在救護車裡面的信息系統裡面錄入，當救護車到達醫院的時候，救護車上的信息就可以通過藍牙或其他方式傳輸到醫院急診室里所有的設備上，這樣直接實現了信息化的無縫對接，也就實現了治療的有效性和時間的節約。

這樣的場景其實對我們國家的醫療信息化現狀來說，我們還有一個非常長遠的路要走。因為我們國家的醫療信息化公司雖然非常多，但標準不夠統一，包括所有的介面、到每家醫院具體的實施，每家醫院做很多個性化localization的改進，導致醫療信息化在我們國家依舊其實還有很大的進步完善空間，方向是更結構化、更標準化、更統一化。

• 醫療信息化的完善會為醫療AI做鋪墊

的醫療行業其實趕上了一波非常重要的人工智慧技術革命，因為我們國家的人口多，醫療數據非常豐富，的病種情況跟國外也不一樣，大家都非常期待醫療人工智慧在落地。但我們忽然發現，醫療信息化成為了人工智慧領域的暗礁。也就是更好的信息化平台能夠解決整個臨床數據的結構化和統一化，而當它解決的時候其實就已經為醫療人工智慧做了一個巨大的鋪墊。

非常有意思的是，我們看到的信息化在整個臨床需求中是下一代軟體升級本身的必然需求，而當信息化遇到人工智慧這波浪潮的時候，就會出現人工智慧賦能性的信息化。當人工智慧像人腦這樣更多的去幫助醫生解決臨床問題的時候，那麼信息化解決的不光是效率問題，還能讓整體信息流更好地形成人工智慧的基礎和數據來源，所以我相信這一波人工智慧和信息化的相互結合帶來了新一波醫療信息化的產業升級，包括下一代軟體的升級。

人工智慧與醫療信息化如何結合？

整體醫療信息化的產值現在在按照每年11%到15%的速度在複合增長，我們認為人工智慧的再次興起給信息化本身命題也帶來了新的想法。舉個比較簡單的例子，我們現在在跟很多頂級醫院在合作人工智慧的時候，如果要採集有效數據，那麼這些有效數據會通過刻在光碟中或者拷到硬碟上，然後再拿出來進行標註，再提供給像我們這樣的演算法公司來進行計算，過程當中被浪費掉的時間和人力其實非常寶貴，因為我們知道醫生已經每天非常忙了。

在這個過程中被浪費掉的時間和精力就使得人工智慧的推動速度非常慢，而且使得一個非常好的契機因為信息化的相對落後產生了非常多問題。雖然我們是一個人工智慧公司，但是我們還是會不斷在醫療信息化進行大量的投入，進行產品和平台的研發，為了讓醫生在整個工作的流程中有一個自我解放的工作環境，同時這樣的數據又能夠有效的進一步進行智能演算法、人工診斷，然後真正的將所有數據形成知識。

所以最近我們也在關注一些好的醫療信息化公司，他們是真正參與到了信息化過程中。我覺得這一代新革命其實還是蠻有意思的，原來我們醫生是醫生，開發軟體的工程師是工程師，大家相互不理解對方的需求，而且有些時候做出來的東西還有蠻大gap。但新一代的信息化將更多的專家系統和知識系統，更多的技術包括自然語言理解、語音／語義識別、數據結構化技術、精準勾畫技術等融入到信息化的升級版本。

• AI在醫療影像書寫的應用

比如我們在寫影像報告的時候，影像報告就可以自然實現結構化，同時在書寫的時候，通過自然語義的演算法可以更好的提示醫生如何在這個報告當中能更精準地寫出信息，包括幫醫生去糾錯。

匯醫慧影其實提供了大量這樣信息化的技術來讓診療過程變得更便捷，而這一塊其實在我看來也是醫療人工智慧來幫助信息化進行升級的，所以很難看到醫療信息化和醫療人工智慧完全是分裂的兩個領域，相反其實他們彼此的相互助力和相互滲透是一個必然趨勢，也是一個必然落地方式之一。

匯醫慧影也和科大訊飛在合作，比如在我們的一些影像雲平台上，原先大家手寫的報告現在可以通過科大訊飛的智能語音來寫。其實我覺得可能背後的技術是人工智慧的技術，但實際上解決的還是醫療信息化效率問題。而解決了基本的HIS、PACS、LIS包括EMR之後會有更多的升級版本，這些升級的版本更多考慮到醫生的實際需求，更多解放醫生的時間，給醫生更好的使用體驗，我覺得潛力、需求和價值還都是巨大的。

• 影像報告將更數字化、移動化、智能化

我覺得更多信息化技術的參與可以更好的幫助病人去了解自己的健康狀況。比如原來傳統的膠片大家是打出來的，污染環境並且攜帶不便，像我們現在推出數字智能膠片也是醫療信息化當中非常重要的組成部分。

首先我們實現了所有的病人不需要再第二次去醫院拿片子，全部都變成數字化、移動化和智能化的影像數據、電子報告。

其次是信息化所有的專家系統。比如說肺腺癌，可能病人看到但不知道該怎麼理解的時候，在上面一點擊就可以看到什麼叫肺腺癌，以及後續的一些病歷都會通過信息化的手段跟進。病人二維碼一掃就可以得到他的數字智能膠片，不光拿到膠片，還可以針對上面的病症病種看更多的解釋。

真正的醫療信息化會帶來關懷

我覺得真正下一代的信息化不光是對醫院效率提升，而是通過信息化，通過人工智慧這些看似非常科技的詞給病人、給醫生帶來更多的價值關懷，這是我覺得醫療信息化在下一代軟體升級中最大的價值和意義。

所以我們所談的人工智慧並不是取代人，並不是說取代醫生，而是讓我們的醫生可以擺脫更多繁雜的工作，我們病人可以少進醫院拿片子等待排隊。通過信息化的東西可以一站式服務，可以更高效的了解自己的身體，可以更高效的健康管理，這是信息化真正解鎖的新需求。比如說我們說共享腳踏車可以滿足城市小年輕人每天多睡十分鐘，從捷運再到公司然後騎車進行，我覺得這是信息化能帶來很多看似非常傳統，但其實又有很多想象力的地方。

以上是我簡單做一些拋磚引玉，這也是我們現在做人工智慧的一些分享和心得了，也歡迎大家能夠一起討論。我相信這一輪的人工智慧是第四次工業革命的開始，也非常高興的能夠看到我們在這一輪的人工智慧競賽中有機會參與。並且由於我們數據的特殊性，使得我覺得在這一次人工智慧的競賽中是有特殊地位的。匯醫慧影能夠參與其中，其實也有非常多的困難，不光是落地的困難，也有技術的困難，但是整體來說我們也願意盡自己公司的力量能夠更好的來推動這一次變革，謝謝大家。

鈦坦白群友互動：

1、剛您也提到數據是很貴的，特別是對於人工智慧來說，訓練模型需要大量數據。不知道郭總在這方面有什麼建議，有什麼經驗分享給大家？

郭娜：我們看到比如像商湯在過去的兩年當中標註了十億的人臉數據，所以整體來說人工智慧對數據量要求是比較大的。但是到了醫療影像這個領域有個特殊性就是醫療影像本身十年前就存在有CAD這樣的演算法，就是所謂的計算機輔助診斷。所以醫療影像本身的特殊性是在有了長期積累的同時還需要進行一定的數據重新分割建模，包括特徵提取。在這個演算法當中，一方面有更新的人工智慧CNN演算法,也有傳統建模的方法，所以兩者相結合，其實是可以將數據的需求相對的降低到一定幅度。

2、似乎人工智慧在醫療中大多只能針對單病種進行模型訓練。請問郭總會優先選擇哪些病種呢？

郭娜：選擇訓練的話，市面上比較成熟的是像肺部的CT、X光，包括乳腺這些。十年前的CAD也是在這個地方率先來做的，所以在這些領域，從經驗，從數據的豐富性以及人員整體的經驗來說是相對更容易產生突破的。但是現在也開始逐漸對更多的病種來進行涉獵了，我覺得跟每個創業公司的基因有關係，你的優勢演算法是彌散型的還是算更小的結節。另外也是根據整個的市場規模和最後整個產品化、場景化落地的需求來最後定義。

我認為，目前用人工智慧演算法對疑難病症進行突破的難度還是比較大的，比如說像肺小細胞癌、對照式浸潤式肺腺癌，這些數據可能在一個醫院都只有一兩百例有效數據。其它病種，相對來說數據量是更豐富的，拿計算機來計算就更為方便，像這樣的數據或病種一些公司會優先入手來做的吧。

最簡單的是醫療數據是比較大的，比如像乳腺數據是4000×4000的，而不像我們人臉數據10×10是比較小的，另外整體的醫療數據CT也好，核磁也好，他們是一個三維數據。而我們平常看到正常的人臉數據可能是一個二維數據，CT進行計算重建之後是一個三維數據，所以整體計算模型也是三維的計算模型，這本身就帶來了很大的建模難度。同時又因為大家一定相對的懂醫了，到底這個地方是肺結節還是正常的，一定是要有正確勾畫和理解的。所以醫療影像最大的難度在我看來是一個跨學科的東西，大家對於各個學科都要有很好的理解和掌握，才能夠去確定這個問題如何進行有效解決。

這塊在我看來其實是有非常大的價值的，未來其實一方面是人工智慧能夠代替掉非常多簡單重複的工作，另外一方面對於人來說，跨學科的知識領域和視野也將會成為有非常競爭力的人才結構方向。可能就是懂醫的會去搞投資，搞投資的又反過來需要非常懂人工智慧，所以一定是一個多元多背景的知識結構才能幫助我們更好的去定位和理解問題，同時提出的問題和解決的問題可能才會更有價值。

（本文獨家首發鈦媒體，根據匯醫慧影聯合創始人、CMO郭娜在鈦坦白上的分享整理）

鈦坦白第44期：醫療信息化的現狀和市場機會