如何探索智慧医疗的突围之路

深度学习技术进入瓶颈期、产品同质化现象严重、商业化问题迟迟无解，行业需要重新审视AI和医疗两者的角色和关系。

我们如何通过AI的眼光来看待医疗行业的过去与未来？

人工智能+医疗，被不少专家认为是AI最具前景的应用领域，也是落地实现难度最大的方向。2014年以来，AI技术的发展逐步进入垂直细分领域，医疗影像以其标准化程度相对较高而被认为是最早能够实现AI医疗落地的场景之一。

一直以来，产学融合与医工交叉都是医疗AI的本源。而随着深度学习技术进入瓶颈期、产品的同质化现象严重、商业化问题迟迟无解，当下这个行业需要重新审视AI和医疗两者的角色和关系。

黎明前的黑暗，还是寒冬的开始？

医疗是一个很特殊的行业，特殊到医疗行业的每次变革似乎都是“从外向内”的外部推动。医疗行业的这种“迟钝感”并不是说医生和院长很“学究”，而是这个行业实在需要太多的敬畏和踏实。

不管是AI或者医疗大数据项目，本质上还是需要优质的数据。此前，有观点认为，“中国市场大、数据多，所以将来奇迹一定会发生在中国。”

但是，医疗大数据真的是“大数据”吗？

现实情况可能并非如此。首先，大医院的临床数据很可能不适用于县级医院。其次，每家医院的信息化工作都涉及几十个厂家，对数据的采集、存储都有各自的标准。而不同医院系统、医院不同系统的割裂性之间又让信息的共享遭遇阻碍。再者，医疗数据泄露的风险，让医院不敢把所有的数据都开放出来给企业。

南方医科大学副教授刘再毅曾说，医院影像科每天产生很多数据，但其中能用的连1%都不到。

北京中医药大学东方医院教授、信息管理处处长韦云也表示，我国医疗大数据的利用率仍然太低。“医疗大数据已经做了十几年，但现在各个医院的大量信息还是完全沉默在那里。”

数据难关之外，AI技术的发展也到了一个“瓶颈期”。

电子科技大学教授李纯明曾在接受雷锋网采访时谈到，深度学习吸引人的地方在于，原则上它在不同的应用中均可以使用同样的训练算法框架。只需替换训练数据和相应的标注进行训练，即可得出一个具有某种输入输出关系的多层神经网络。但这种看起来一劳永逸的框架，在实际应用中还有一些局限。

最近，中国科学院院士、清华大学人工智能研究院院长张钹在接受《经济观察报》采访时表示，历史上，人工智能曾因公众期待过高而几经回落。尽管产业层面还有空间，但目前基于深度学习的人工智能在技术上已经触及天花板。

人工智能在语音识别、图像识别、围棋三个领域显现了强大的潜力，但是AI技术的应用边界和条件已经逐渐清晰。

张钹的观点在医学领域同样适用：医学AI将进入后深度学习时代。

另外，医疗AI在商业化上的难题也还没有得到很好的解决。经过了三年多的发展，影像AI领域内的公司很多还没有清晰的商业模式与盈利场景，医院的付费意愿很低。

商汤科技副总裁张少霆认为，在中国的现实环境下，“人工智能+医疗”的需求是“实打实存在的”，但“人工智能+医疗”本身的商业价值如何挖掘依然是个难题。

曾在创业公司担任副总裁的张京雷说，为什么医疗AI的2B、2C模式没有跑通？最深层次的原因在于创业思维。有一些公司从诞生的第一天起，就是从IT的角度切入医疗，但是单纯从IT角度来解决医疗问题一定是失败的。

沈定刚教授和张京雷的观点不谋而合。

沈教授曾在去年雷锋网举办的CCF-GAIR大会上演讲时表示，做影像AI，必须知道我们要解决什么问题，然后找相应的技术来解决问题，而不是有了技术再找问题。

学术界和企业界，都对医学AI的商业化提出了自己的看法。可以肯定的是，医疗AI的发展绝不是一蹴而就的，它是一个系统性的工程，需要足够的勇气和智慧。

医疗AI的重重困难，让人不禁想问：现在，是医疗AI黎明前的至暗时刻，还是凌冽寒冬的开始？

道阻且长，多方合力

理想和现实之间，有很长的一段路要走。

为了推动医疗AI的发展，监管机构一直在不断完善产品的上市审批制度。其中，第一步就是建立标准库。

第二军医大学长征医院影响医学与核医学科主任刘士远，与中国食品药品检定研究院合作建设了肺结节标准数据库。这些肺结节图像数据采集来自不同的医院，患者数量达到1万，并且取得伦理委员会许可。

在建设过程中，数据库会遵循广泛性、兼容性和医学图像的标记的三大原则，最终形成没有公司痕迹、没有机器痕迹的标准检测数据库。

除了刘教授所在的中国医学影像AI产学研用创新联盟，国家层面推进评审标准落地的速度也在不断加快。

2017年，国家药品监督管理局医疗器械技术审评中心正式成立人工智能工作组，来研究人工智能医疗器械，该中心是直接负责医疗产品审评的部门。

2018年4月，在原国家卫生计生委指导下，中国电子、中移动、中科院分别牵头成立的三大健康医疗大数据集团，承担国家健康医疗大数据中心、区域中心、应用发展中心和产业园建设等国家试点工程任务。

2018年9月13日，国家卫生健康委员会发布《国家健康医疗大数据标准、安全和服务管理办法（试行）》，涉及健康医疗大数据从标准管理、安全管理、服务管理、监督管理等诸多方面，给数据共享吃下了一颗“定心丸”。

除了从顶层设计的角度来看行业，学术界也提出了几种解决医疗数据小样本问题的方法。沈定刚教授提出，“我们要尝试把大数据已经学习好的东西迁移到小数据里面。在分布式的学习方面，可以考虑在多中心训练时，贡献用于优化的梯度或者是在模型训练结束后，通过模型的集成达到模型共享的目标以及将上述两种方法结合起来。”

此外，医生对于AI的态度也有所变化。今年1月份，刘士远教授为了去学术年会讲课，对科室里肺结节软件的点击率进行了统计。他发现，软件产品的点击率最高的达到88%，也就是说一线写报告的医生有很大的可能去使用AI产品。医生与AI产品的关系从以前的怀疑、否定，到现在学着接受，并把AI当成学生，给出十分中肯的意见，这是一个十分良性的过程。

行业玩家闪转腾挪

作为这场用技术变革行业的主体，尽管盈利问题尚未解决，但医疗AI玩家也在通过不同的业务模式获得收入。

医疗AI行业的公司主要有三类：创业企业、互联网巨头、传统医疗企业。三者的侧重点和优势不同，商业模式也不尽相同。

创业企业可以为医院提供辅助诊疗等服务，为保险公司提供服务、达到控费目的，为体检机构提供健康管理、用户管理等服务。

例如，医疗人工智能公司Airdoc就与医院、保险公司、制药企业等合作，投资方复星国际的执行董事兼联席总裁陈启宇表示，复星看中的是Airdoc慢病筛查系统的技术及院外场景。除了商业保险，还有一个潜在付费方就是政府医保。Airdoc的张大磊表示，理论上来讲，政府医保应该是Airdoc最大的客户，公司也在考虑这方面的变现方向。

而互联网企业的的优势在于C端流量，利用自身平台属性与互联网技术来进行布局。

与创业企业相比，医疗 AI 产品大多只是为其产业链布局而服务。以腾讯的产品为例，在陆续发布了一系列“互联网+医疗”产品后，腾讯尝试将多条产品线进行融合，打造城市级“互联网+医疗健康”解决方案。互联网巨头并不着急变现，医疗AI的项目也往往是与“智慧城市”的项目挂钩，项目一旦成熟，带来的收益将不至于经济层面。

传统器械商是第三股重量级玩家。飞利浦中国CTO王熙曾在接受雷锋网采访时表示，医疗AI首先需要打好行业标准的根基，标准更多的是在体现在临床层面和医学路径上，包括数据质量的把控、数据共享、AI产品监管、临床测试等一些环节。

这些环节是器械商们更擅长的事情。因此，他们的变现之路也更加从容：销售渠道比较成熟，医疗人工智能可以作为设备的附加品产生效益。此外，数据标准化的能力也能打动医院这些付费方。

微软亚洲研究院副院长张益肇认为，AI医疗不是简单的用技术去找医院合作。“要想技术落地，要历经千辛万苦找对场景，还要说服政策制定者、监管部门、医院采购者、科室主任、临床医生、病人等无数当事人证明技术的有效性、安全性和可行性。最后，你还要明白你的产品谁来买单。‍这个行业出成果需要花时间，企业家和投资人要更有耐心。