AI助力協醫集團解決臨床需求

陳曲

醫療被認為是金融之外，人工智能另一個在短期內大有可為的市場，機器學習、圖像識別、語義理解等技術的能量均可在醫療項目中得到很好的釋放。

那么醫生在診療過程中會產生哪些可以靠AI解決的需求，以及醫院在人工智能上的應用狀況如何？根據協醫集團主任、全科/內科醫生朱穎所說，協和系醫生集團（協醫集團），是由協和系醫生發起的多學科創新型醫生集團。協醫集團匯集了北京協和醫院主任級別醫生上百人，以及臨床、影像、檢驗、基礎研究等50多個科室300多名醫生，組成醫療專家團隊。“人工智能火熱后，協醫集團也主動接觸了一些AI公司，我們很積極地去嘗試新型科技帶來的高效率。”朱穎對人工智能的認知程度完全不像一個臨床醫生，更像是一個對AI技術求賢若渴的“探索者”，可見醫院現階段對AI的了解和需求已不僅停留在紙面。

對AI的迫切需求

朱穎先根據切身經歷談到她在遇到一些病例時，急需大數據來協助的需求：在判斷患者的結節是良性還是惡性，她會與影像醫生、呼吸科醫生、腫瘤科醫生、胸外科醫生會診。會診之后仍舊無法統一結節是良性和惡性的結論時，每個醫生都會根據自己的臨床經驗去判斷。腫瘤醫生可能認為50%的概率是惡性的，而影像醫生覺得可能30%的概率是惡性的。由于這些評估均基于醫生的個人經驗，因此它沒有一個量化的標準，有人會高估風險，有人則會低估風險。

“作為一個面對患者的臨床決策者醫生來講，我特別需要人工智能來支持我。醫院方希望數據量越大的時候，特別是結節變化過程的影像資料和最后的病理能夠很好地結合大數據和算法，從而給到我一個相對精確的建議。這樣也助于我跟患者溝通時，來幫患者制定下一步臨床策略。”

對于這個臨床上遇到的困惑，協醫集團也在積極嘗試與國內外的人工智能公司合作。

朱穎介紹到，海外的影像等產品基于國外數據訓練而成，其中大部分來自MSK和MDmedicine中的病歷來做診療和推薦。以IBMWatson為例，目前進入中國市場的只有六種腫瘤方案，并未覆蓋全部，而且中美腫瘤的病因并不相同，如美國肝癌的發生更多與過量的飲酒有關，而中國肝癌的第一大病因是乙肝這類病毒感染所導致的。因此中、外在診療上會有很大的差異。

針對這一情況，協醫集團的專家也非常樂意與AI公司一起合作，一方面推進海外優質產品在中國的落地，另一方面也積極助力中國本土的AI產品更快地應用于臨床。

協醫集團和AI公司正在進行哪些合作案例？

■數據合作

在數據方面，醫院方可為AI公司提供醫生的經驗數據。以影像為例，普通圖像的數據標注非常簡單，但影像由于其復雜性，需要專業的醫生進行標注。協醫集團的醫生與高校進行聯合研究，通過分析復雜度較高影像圖像，從而產生帶有標注的數據，然后再與AI公司共同基于這些經驗數據訓練模型。

當然，這些數據僅為醫生的判斷記錄。由于數據安全和個人隱私問題，醫院方的數據并不會開放給AI合作伙伴。

協醫集團的一位中醫曾嘗試參與一項研究：他根據自己的經驗認為口干、飲食不佳等癥狀可能與脾虛有關，總結出上百份類似的癥狀數據后，讓AI公司輸入這數百份數據從而得到口干和脾虛關聯性的模型。

■醫療助手

在自然語言處理方面，協醫集團初步試用了加拿大醫療產品Askdoctor。Askdoctor本是醫生患者的問診平臺，由醫生免費回答患者問題。后期AskDoctor根據以往積累的醫患問診數據，從而利用數據挖掘和自然語言處理技術開發了醫療助手從而替代人工的回答。

朱穎說到，協醫集團試用醫療助手的目的是出于問診階段患者在說自己的癥狀時可能會說很久，而醫生為加快速度通常會多次打斷他們，使得患者沒有得到很好的傾訴。而機器卻能長時間聽取，可以從患者那里提取更多有效的信息，從而給出合適的治療建議。

■Watson

隨后朱穎提到協醫集團的醫生已開始嘗試使用IBMWatson，她覺得Watson非常讓人眼前一亮的地方是可直接輸入臨床數據，然后它能給出分等級的診療建議：如80%、70%、60%這種數據化的推薦，而且每一個推薦都有具體的文獻支持。

Watson在美國雖拿到了醫生認證，但國內沒有類似的認證，所以它的作用和功能更多停留在咨詢和建議階段，也達不到直接做診斷和處置，但可協助協醫集團處理很多初級的工作。不過對于經驗比較豐富的腫瘤醫生來講，Watson的作用并沒有那么大。而且Watson推薦的一些藥物只在美國有。即便是推薦性很高的臨床方式，在中國也難以實現，有一定的地域和臨床基礎差距。

為了讓Watson更多地服務于國內醫院，協醫集團也參與到了改進Watson的項目當中。

“Watson的中國運營商杭州認知曾聯系到我們，希望協醫集團來幫他們做IBMWatson本土化的設計方案。協醫集團未來也會組織一批頂級的腫瘤專家的團隊來一起籌建這個項目，為此，醫生們會給出診斷建議訓練Watson，從而聯合建立起一個具體的解決方案。機器在數據量足夠大的時候，它一定比我們的醫生識別得更精準。”朱穎如是說。

為了讓更多人工智能產品在國內廣泛使用，還需要政府的支持。Watson與醫院之間的合作，費用還無法被醫保接受，但目前部分省份在談Watson歸入醫保范疇問題。

在問到醫生是否會被AI取代時，協醫集團的醫生指出，“皮膚科醫生診斷皮膚病是靠視覺識別，看一眼就能知道這是什么病，如果一眼看不出是什么病，再看也沒有用，這時候就需要去做活檢，切下組織放在顯微鏡底下去看。未來‘一眼就能看出的這類皮膚病診斷相對而言比較容易被被取代，病理醫生也如此。”

與此同時，對方也談及在自己疲憊和情緒不穩定的情況下會出現漏診和誤診的情況，而機器卻不會。醫生們有時雖然會感覺到危機，但他們很樂意把自己的知識和經驗體系化后結合數據，去幫助AI更快速的成長，而AI反過來又能幫助他們做更多標準化的任務。

醫療推進過程困擾AI的難題

雖然AI確實可提高效率，而且醫院方在技術汲取上也愈加開放，但不得不面對一些根深蒂固的問題：國內數據收集存在一個非常大的問題，即各個醫院的PIS系統并不能打通，電子病歷系統也無法共享。患者要在A醫院看病，他需要帶著自己在B醫院的所有資料到A醫院。而美國一整個州范圍內的醫生，可查看某個患者之前在本州任何一個醫院的所有病歷治療記錄。這一塊是目前國內醫院需要解決的問題，大數據大規模應用的重要前提是區域電子病歷平臺的統一，假設北京市統一使用電子病歷平臺，那患者無論在北京的哪個醫院看病，都可以把之前的數據調取出來。

朱穎繼續補充到，國內很多醫療數據包括病歷、影像資料都不標準，這會影響到數據提取。尤其像一些基層醫院，病人做完診療后，資料就會刪掉，無法調取。即便是大醫院，數據也不會長久保留。

在這種情況下，數據平臺未打通與缺乏高質量的數據使得AI產品在開發階段會層層受阻，而且這些問題在短期內是無法解決的。endprint