在国家推动下，国内医疗AI发展浪潮再起。

(资料图片)

近日，工业和信息化部科技司、国家药品监督管理局医疗器械注册司发布“人工智能医疗器械创新任务揭榜入围单位名单”，此次共有221个项目入围。揭榜任务主要面向智能产品和支撑环境2个方向，聚焦智能辅助诊断产品、智能辅助治疗产品、医学人工智能数据库等8类任务。业内众多知名企业在列，如百度、迈瑞、科大讯飞、联影医疗、鹰瞳科技等。

虽然近年来AI科技不断升温，医疗AI的故事也广受追捧——匹配优质医疗资源、提高医院效率、加强质量控制、降低误诊率，但是从科研到应用再到商业化，医疗AI仍需要翻越数个鸿沟。

中国医师协会超声医师分会妇产专委会、中山大学附属第一医院妇产超声科主任谢红宁教授对21世纪经济报道记者表示：“医生在一线临床工作，同时还要兼顾带学生、医教科研都要做，每天还要面对很多就诊病人。从医生端来说，我们希望医疗人工智能能够真正落地帮助到我们，提升我们的工作效率，分担工作压力，而不是只停留在仅有的科技研究，真正能拿出产品帮助我们。”

然而，医疗行业的强监管与复杂性已决定了医疗AI从概念到落地应用的坎坷。目前，超声是医学影像领域中应用AI技术最广泛的专科，AI逐步在一线医疗中为医生提供辅助性功能。

受挫之后的定位切换

早在上世纪七十年代，国外便开始了计算机与疾病之间的探索，开始时主要用于病症与疾病之间的匹配。1974年匹兹堡大学研发了INTERNIST-I内科疾病的专家系统，该知识库包括了572种疾病，约4500种症状，以及10万种疾病与疾病表现之间的联系。该系统在80年代进入了商业化阶段，但受制于当时计算机的算力和算法，90年代进入瓶颈期。

随后进入了AI影像时代。伴随70年代CT投入临床实用，医学影像数字化设备诞生，图像存储和传输标准进一步发展，AI影像出现不少尝试。然而，受当时图像分辨率和算法的掣肘——直到2006年深度学习的突破——IBM 沃森是该领域的典型探索者。

理论上说，沃森能大大提高医疗效率。当前，每73天医学文献会翻2倍，沃森每秒能学习267万页，相比之下医生需要每周花160小时。

然而实际上沃森的商业化也并不顺利，营收与投入差距极大。近年来，沃森花费几十亿并购机器学习、医疗临床数据、人口健康数据、医学图像算法等背景的公司，单2016年就花费近40亿美元。然而，2020年其财报显示营收只有15亿美元。2020年12月，传出沃森将被IBM出售。

随着医疗AI步入深水区，以往替代医生的发展趋势也成为进一步赋能辅助医生，帮助医生提高工作效率，加速下沉医疗发展。

谢红宁教授表示：“在超声应用方面，人工智能这种自动识别功能，能够帮助我们快速的提高工作效率。平常检查一个孕妇，需要扫查胎儿的多个部位，包括胎儿的颅脑、心脏、四肢、胸腹部脏器等。但医生的长期工作容易出现疲倦，忙的时候就很容易漏。这时候我们需要的就是能够有切实提升我们自身工作效率的医疗AI提醒医生每个检测部位。”

此外，医疗AI也在下沉市场有更大的应用场景。中国超声医学工程学会副会长李安华教授向21世纪经济报道记者指出，目前上级医院的虹吸现象严重，许多镇级医院培养出来的B超医生被县级医院调走，导致镇级医院留不住人才。以乳腺癌筛查为例，目前仍有很大的筛查缺口。另一方面即便筛查出来，有多少妇女最终去看病治疗的也仍是未知。许多乡镇医院自负盈亏，即便有机器也没有医生会使用，甚至有崭新的B超机器放在角落里，怎么通过医疗AI解决下沉区域人员的缺口也至关重要。此外如何利用医疗AI引入标准化的质量控制体系也将对乳腺癌下一步筛查赋予新的意义。

医疗AI利用机器学习和数据挖掘两项核心技术，探索在医学场景中模拟、延伸和拓展人类智能。临床医疗中那些基于大量标准化数据的重复劳动，医疗AI可以分担。比如，医学影像、病理判读等以客观数据为支撑的疾病诊断。

在医院里，医生往往越老越吃香，而医疗AI深度学习的数据库里包含全球的临床数据和研究文献，这些数据体量可能远超普通医生一生掌握的医学资料量。换言之，让计算机学习医疗大数据之后再做判断，其效率和准确性完全有可能超越医生。当然，这是后话。

随着一次次的碰壁，我们不得不承认现在医疗AI的角色现实，是嵌入医疗全程，输出接近医生水平的决策支持，而非取代医生。

难点突破方向在哪？

在未来，医疗AI面对的诸多难点仍聚焦在数据算法、落地与付费，技术与临床需求的结合。

此外，国内医疗AI公司普遍缺少自创算法，计算机算力也有很大掣肘。“目前的瓶颈是算法。中国公司没有自创的算法，或者说是取自于国外的算法，如果不做大量的重新编译工作，那么算法的匹配度就不高。”李安华说，“另一方面懂技术的人和懂临床需求的人的结合也至关重要。”

广州爱孕记CEO创始人汪南博士也指出：“目前能发明算法的人还是主要集中在谷歌、微软等，但是原始的算法基本是对自然图像的识别，对企业来说未来如果想用在影像学或超声上运用，我们必须对底层的算法做大量的编译优化工作，让其适应应用场景的属性，并且编译完成后需要大量测试，最后形成自己的算法。而这些工作也需要大量的投入，目前中国公司很少在做。”

广东省人工智能产业协会常务副会长兼秘书长张玺向21世纪经济报道记者表示：“未来医疗AI行业需要解决技术人才和医学人才难以结合的难题。随着人工智能技术的不断发展，人工智能在医疗行业的各个细分领域也逐步地深度融合，智能医疗也逐步细分出了基于图像识别的辅助诊断系统，基于大数据处理及NRP技术的数字化医院，以及基于深度学习的药物研发等多个细分的赛道。”

医疗AI的用户群体主要能分为To-C和To-B。

To-C主要面对个人用户，主要有智能问诊和健康管理两类。To-B包括药企和医院，前者主要应用于药物研发；后者包括医学影像、虚拟助手、医学研究、医院管理和基因测序等。

其中，AI医学影像是目前医疗AI热门领域，AI医学影像能够帮助医生病灶筛查、靶区勾画、三维成像、图像分析、定量分析等。相对医生根据经验逐张机械重复的人工阅片，AI能够根据标准批量初筛，阅片时间短，准确率稳定。

此外，图像识别算法相对成熟，市场需求大(影像科医生供不应求——影像数据年均增长30%，放射科医生年均增长4.1%)。目前，医学影像数据占全部临床数据的80%以上，是临床诊断、疾病治疗及健康管理的基石。由于我国医疗资源分布不均，许多偏远地区的医生经验及配备不足，对医学影像的分析不够准确且效率低下。

在一线医疗场景中，医学影像的分析复杂且耗时，医生必须将多层影像数据与精细的决策过程相结合，并解读评估。汪南表示：“医疗AI在医学影像方面能够帮助医生解决一些机械重复的劳动，把医生的时间释放出来，做一些创造性和决策性的工作，这个是医疗AI的定位”。

在行业早期，医疗AI企业主要就是想解决医院临床场景中的这些实际痛点，如推想医疗等都是秉持着“从临床中来、到临床中去”的研发思路，和医院以科研合作的方式进行算法和产品的打磨。人工智能技术的发展则有望带来解决方案。随着产品的成熟，医疗AI逐渐进入医院的实际临床场景，供影像科、放射科等科室使用。目前，医院场景是医疗AI目前商业化最为成熟的场景，也是目前竞争最为激烈的场景。

而在医学人才的培养方面，医疗AI也有相应的赋能场景。

谢红宁指出，高年资医生在培训年轻医生时往往因为接诊患者过多常常没法抽出时间。如果加入医疗AI的辅助，工作的效率提高，导师便能与学生多讲一讲课或者就这个病例与学生多聊一聊。在教学考核方面医疗AI的加入也可以对规范化教学与提高教学质量有很大帮助。“学生在实践时人工智能就会反馈，这个结构没看对，只能打五分。对于考核来说，以前做题目很容易，毕竟分数很客观，但是落实到操作考试就很难。如果人工智能加入，学生自己练习操作后，便能在几秒钟就打出分数，这将对教学有极大帮助。”

（文章来源：21世纪经济报道）