AI醫療

賀濤　凌馨　劉浩南　張利

2011年，在美國智力問答節目（Jeopardy）中，IBM人工智能機器人沃森（Watson）一舉擊敗兩位人類選手取得冠軍。這場對決開啟了未來10年人們對AI（人工智能）的無限想象，接下來，它會在哪個領域戰勝人類？猜測落在醫療上。

人工智能在多個醫療細分領域曾與人類醫生交手。比較知名的是2017年年末，斯坦福大學教授吳恩達領導的機器學習小組開發出一種名為CheXnet的算法，能夠更敏銳地捕捉胸部X光片中的肺炎跡象，在診斷肺炎的比拼中，也一舉擊敗4名放射科醫師。

人口老齡化加劇、慢性病患者群體增長、優質醫療資源緊缺、公共醫療費用攀升等多重壓力，使AI入醫療被寄望成為這一全球性壓力的泄壓閥。泄出的壓力也正是機遇的源頭。尤其在中國，人口數量成為優勢，醫療數據的基礎大，可以給醫療AI提供充沛的燃料。

10年過去。2021年11月5日，中國“醫療AI第一股”北京鷹瞳科技發展股份有限公司登陸港股市場。然而，曾被寄予厚望的“AI四小龍”之一依圖科技，在7月終止了上市計劃，醫療業務大幅縮水。

大熱數年的醫療AI，是到了收獲之時，還是泡沫破裂之際？這將取決于研究成果能否盡快進入臨床，并獲得大范圍應用，給醫療帶來切實改進，能否撐起領域公司的估值。

擊敗4名放射科醫師，CheXnet只經歷了一個月的診斷學習。

AI在預測中風和心臟病發作、預測嬰兒自閉癥的風險上表現出優勢;在外科手術和阿爾茨海默病預測中略勝一籌;在治療腦腫瘤、先天性白內障診斷和皮膚癌診斷上，跟人類醫生打平。“這些示范性的案例，就是一輪又一輪大額度融資的信心來源。”億歐智庫醫療產業分析師尚鞅告訴記者。過去，資本對醫療AI的熱情展露得非常明顯，因為落地的可能性被印證了。

此前的人機對戰都在研發階段，直到一年前，美國批準了第一個用于臨床的醫療AI產品，它可以分析心臟核磁共振圖像，準確度可與有經驗的醫生相媲美。進入臨床，是AI向產業化邁進的一大步。

2017年，國內醫療AI行業公布的融資事件近30起，融資總額超過18億元。融資額最高的一筆是AI醫學影像公司匯醫慧影數億元B輪融資。

“能夠在如此短時間內讓投資界集體高潮，一定是出現了商機。”易凱資本有限公司合伙人李鋼分析。

就醫，最核心的部分是診斷。替代醫生診斷，是醫療AI的一個終極目標。現階段的小目標是，能夠讓AI為醫生的診斷及治療方案提供建議，輔助診療。

AI輔助醫生做事，先從那些繁瑣的、重復性工作起步，提升診療效率。企業和研究團隊分頭蹚開兩條路：一條基于自然語言處理，根據病歷和癥狀診斷疾病;一條基于計算機視覺，通過識別醫學影像診斷疾病。

沃森是第一條路徑代表。它4年學習了200本腫瘤教科書、290種醫學期刊和超過1500萬份文獻后，嘗試在14個國家的多個腫瘤治療中心臨床應用。在輸入患者的年齡、性別、體重等基本情況和癌癥分期、局部復發、化療方案、病理分期、癌癥轉移等具體內容后，短短10多秒，沃森就會給出治療方案，在肺癌、乳腺癌、直腸癌、結腸癌、胃癌和宮頸癌等方面為醫生提供診斷建議。

腫瘤醫生的智能助手沃森落地中國一度非常迅速，其國內代理商——百洋智能科技在2017年5月曾稱，一年內將有150家地市級三級綜合醫院引進沃森。然而，沃森給出的解決方案可能還不是最好的。

第二條路徑，AI可將復雜、高維度的醫學影像數據，降維使其更易處理，因而可以快速、準確地從醫學影像中發現病癥的信息，輔助醫生診斷。

醫學影像在醫療數據總量中占比約80%，包括CT、核磁、超聲、病理、內窺鏡、眼底等，因而，醫學影像的計算機處理向來是一個龐大的產業。

全球知名風投調研機構CB Insights對美國106家醫療AI初創企業分析顯示，影像和診斷成為資本熱涌的重點領域。IBM和阿爾法狗的開發者DeepMind都在推進AI醫學影像的應用，阿里、騰訊也不甘人后。

實際上，AI的觸角已無處不在。運用語音識別和自然語言理解，醫生在診療過程中即可完成病歷編寫，能提高醫生工作效率，美國大概有72%的醫院已經實現用語音收集醫療信息，科大訊飛、云知聲等均有此項業務。

一些初創公司，還喜歡擠入慢性病管理，即運用人工智能算法，對慢性病患者進行實時健康監測及干預，甚至據此生成健康管理建議，主要針對糖尿病、心血管病等需要即時干預的慢性病患者。

轉折出現在2017年。

此前，很多一線醫生還不知道AI這個字母組合是什么意思。到2017年11月，由獨角獸工作室等聯合發布的《醫療人工智能醫生認知情況調研報告》顯示，77%的醫生至少聽說過一種醫療人工智能應用。

催逼AI箭上弦，本質上還是好醫生稀缺。藍馳創投合伙人陳維廣，在投了春雨醫生之后，他多次接到朋友的請求，讓幫忙找好醫生。對醫療的需求提升，是全球普適的驅動因素，而人口老齡化就是那塊巨大的背景板。

像一副擺好的多米諾骨牌，全球人口老齡化加速，老齡化社會之后就是醫療資源匱乏。美國人口普查局報告顯示，至2015年，全球65歲及以上人口超過6億。這一年，中國65歲及以上人口約1.44億。

英特爾醫療與生命科學部亞太區總經理李亞東介紹，目前全球約30%的醫療資源為65歲以上人群所占用，50%的醫療資源為55歲以上人群占用。

國內對AI的期待是，紓解三甲醫院爆滿的困境，協助提升縣鄉鎮的醫療水平，以免漏診、誤診。

過去，中國的醫療大數據一直存在應用障礙，信息孤島現象明顯。在醫療過程中，很多最基本的醫療術語尚不能統一，如闌尾炎和盲腸炎或食管癌和食管癌，說的是一個病，但錄入數據庫后，計算機會把它分成兩種病。

醫療數據不準確、不完整，增加數據挖掘難度的同時，也降低了數據本身的價值。要想讓AI深入，就需要協調電子病歷、化驗和影像系統、醫生記錄和醫療保險索賠材料等多方的大數據。

先行者美國在這一步遇阻。《數字美國》報告顯示，美國有近四分之一的醫院和超過40%的醫生尚未采用電子健康記錄系統。即便有電子記錄系統，也沒有與病人或其他提供者無縫共享數據，因為這些系統無法互通操作，病人需要反復講述他們的病史。

真正決定中國產生后發優勢的，是監管層對醫院病歷電子化的要求。

2018年，國家衛健委發文，要求到2020年底三級醫院要實現電子病歷信息化診療服務環節全覆蓋。這一年發布的最新版電子病歷分級評價標準，共分了0～8九個考核等級。

例如，達到二級的病歷，相當于只能進行部門內的信息交換;四級，患者就醫全流程在全院內安全共享，同時還含有藥品的配伍以及相互作用的自動審核，以及合理用藥監測的功能，為醫療決策提供支持;五級以上，就能實現院內外數據的打通。據記者了解，目前，絕大多數三級公立醫院能達到三級以上水平。有公立醫院甚至已到病歷七級水平，可以實現院外共享，這意味著患者就醫的時候，他在前幾家醫院就診的檢驗檢查結果，自動彈出，在一定區域內或者醫聯體內可以互認。病歷迅速電子化，與2020年出現的新冠肺炎疫情不無關系，迅速發展的互聯網醫療，給了中國的醫療AI企業“超車”機會。到2020年底，全國有互聯網醫院1100多家，是2018年數量的近10倍。

在一位業內人士看來，授權誰擁有這個數據，誰可以調用數據，打通數據通路，扭轉醫生對醫療AI的印象，也就水到渠成。

曾經，外科和影像科醫生對AI的整體滿意度低于平均水平，主要是因為AI未能減少醫生的工作量、對原理的質疑，以及準確率不高。很多使用過閱片AI的影像科醫生沒有體會到工作量降低。

漏診的產生，問題很可能出在訓練數據上。黃家祥介紹，很多AI創業公司都是靠公開的數據源起步的，訓練的數據量非常有限;還有些公司跟一兩家醫院合作，把服務器放到醫院去訓練，也能訓練出一個AI模型來，而且對于單一病種，測試效果可能也不錯。但如果換了另外一個不同的數據集來測試，很可能就“水土不服”了。

一位醫療AI研發人員透露，與合作醫院傳輸圖像，需要用光盤去拷數據，因為很多醫院的設備，U盤都插不進去。“主要是考慮到安全問題，一旦出事，醫院會擔很大的責任。”

除了漏診，還有假陽性。

山東大學齊魯醫院放射科副主任于德新向記者提到，早期肺結節影像AI系統最令人糾結的地方，是設計過于敏感。例如，肉眼可以看到3個小結節，用軟件掃一遍，找出8個。根據診療指南，非常微小的良性肺結節，即使檢測出來也沒有太大臨床意義，并不會影響患者的預后。

“好多小結節報出來后，有些患者變得非常焦慮，甚至跑到北京、上海去會診，增加了很大的心理負擔。”因此，于德新和同事們建議廠家，不再標識3毫米以下的良性結節。

如果一個人有超過20個肺結節，醫生一個看一下就要30秒，這反而成了一種負擔。

“目前來講，AI所取得的成果還遠遠沒達到預想的目標。”上海長征醫院眼科主任醫師魏銳利說。放眼看，大多數公司的AI產品還處于研發階段。

現階段的AI都是弱人工智能，其主流的深度學習方法存在一個明顯的缺陷，即它的過程無法描述。換句話說，AI算法的整個過程猶如一個專用的、無法打開的“技術黑箱”，所謂可用不可見。它既沒有普遍的適應性，也無法拆解出具體的智能化業務規則，而且高度依賴于參與訓練的海量數據。

深度學習的特點是有問必答，只要有數據輸入，就有結果輸出。但Wision AI的聯合創始人劉敬家分析，如果沒有金標準對結果進行校驗，很可能輸出錯誤的結果，而且很容易蒙蔽人。

醫學是注重證據的學科。 “技術黑箱”中僅有數學公式推導，卻沒有明確的理論解釋其決策過程。

醫生們擔心，這種思維用于簡單的類似于醫學影像標準等的工作尚無大礙，一旦涉及更為復雜的醫療決策輔助，甚至醫療方案的整體評估建議，不考慮決策過程完全以結果為導向去輔助醫護人員，會讓醫護人員陷于被動，甚至暴露在難以控制的決策風險中。

放眼整個行業，一個逐漸清晰的場景就是，影像AI會率先支撐基層醫療。基層醫院用影像AI篩查以后，發現一些有問題或者看不準的病例，再交由上級醫院的醫生來確診。

麥肯錫全球研究所預測，大面積使用人工智能診斷疾病可能不會太快發生，即使早已入局的巨頭們，也不過是入門級水平，這并不妨礙AI會成功滲入，成為醫療的底層技術，就像之前的IT技術一樣。

◎ 來源| 財經雜志（有刪減）