人工智能与医疗的结合可能会最先实现AI+医学影像的商业化

人工智能与医疗的结合受业界瞩目，而医疗影像则被认为是AI与医疗的融合中，最有可能率先实现商业化的领域。

影像数据的标准性和大体量为AI在这一领域的应用提供了最重要前提。通过较为成熟的算法和大数据应用，机器读片可以做到较为“客观、精准、高效”，也给机器在医学影像上与人工媲美，甚至代替人工增加了可能。

风口浪尖上，科技巨头纷纷布局国内智能医学影像市常英特尔、阿里、腾讯纷纷发布AI+医学影像相关产品。

距离AI+医学影像的商业化落地，中国究竟还有多少路要走？

巨头纷纷布局

东方证券研报显示，医疗大数据中有超过80%的数据来自于医疗影像，大量的影像数据读取客观要求更为高效、准确的技术手段，而人工智能恰好可以满足要求。于是，具备技术和数据优势的科技巨头纷纷以AI+医疗影像为突破口，布局医疗领域。

尽管算法日趋成熟，数据质量、行业标准、医学伦理等仍是AI在医学影像领域落地需要深入解决的问题，基于深度学习的智能医学影像创业公司多在实验或临床阶段。

“出于将市场需求和自身技术优势结合的考虑，阿里健康将医学影像作为医疗AI的突破口。”阿里健康资深架构师范绎对第一财经记者介绍时称，凭借高性能的计算环境、云平台及深度学习技术优势，阿里健康于今年7月正式对外发布AI医疗产品“DoctorYou”，该产品的CT肺结节智能检测引擎是阿里健康进入实际应用的第一个医疗AI产品。

腾讯也在今年8月发起人工智能医学影像联合实验室，并公布其首个AI医学影像产品“腾讯觅影”，辅助早期食道癌等疾病的筛查。

为什么会吸引巨头的关注？英特尔公司医疗和生命科学集团亚太区总经理李亚东表示，当前人工智能算法已经比较成型，计算能力不断提升，数据支撑也为人工智能的应用提供了较好基础，另外，“患者在医疗影像检测上的意愿比较强，（医学影像检测）相对收费比较高，为整个商业模式的创新、支付打下了很好的基矗”

年初，英特尔与相关机构合作研发的一套基于超声影像的甲状腺结节良恶性的辅助诊断系统——“DE-超声机器人”在部分医院开始临床试点。英特尔与爱尔眼科等公司共同签署人工智能眼科疾病识别解决方案，从处理器和硬件角度支持眼科图像诊断。

相对于人工阅片，AI+医学影像具备准确率高、检测效率高等优势。李亚东总结，机器读片的优势主要在于“稳、准、狠”。“我们发现很多案例里面，人工智能准确性已经超过了一定工作年限的可比放射科医生。举例来说，三甲医院10~15年工作经验的放射科医生，读甲状腺结节的超声影像准确率在75%左右，我们的人工智能应用则达到85%以上，甚至在不断提升。”李亚东解释。

范绎表示，在某些特定病种检测的速度、效率，以及对基础和繁琐的工作的承接能力上，机器超过人类正是人类设计它的目的。“以阿里健康‘DoctorYou’CT肺结节影像检测技术来说，快速确诊阳性病例能够大量节省医生时间。”

当然，弱人工智能阶段，再高效、精准的机器，也只能作为医生诊断的辅助工具。第二军医大学附属长征医院微创外科主任仇明认为，AI+医学影像只能说使临床诊断准确率进一步提高，早期疾病的发现和诊治比以前更加提前，逐步取代一部分医生的工作，但不可能完全取代医生。

2009年，由国家卫生计生委颁布的《人工智能辅助诊断技术管理规范（试行）》就提到了对医疗机构、医疗人员的多项要求。

以影像诊断科为例，开展影像临床诊疗工作5年以上，其技术水平达到三级医院专业科室要求。必须有数字化影像诊断设备包括数字化常规X线设备、磁共振（MRI）、计算机X线断层摄影（CT）和医学影像图像管理系统及其工作站的计算机硬件平台。

此外，还要求人工智能辅助诊断医师“具有5年以上与开展人工智能辅助诊断技术相关专业临床诊疗工作经验，具有副主任医师及以上专业技术职务任职资格”。

阿里健康同样指出，“以‘DoctorYou’为代表的医疗AI永远不会替代医生，它的正确角色定位是医生的得力助手。”

事实上，科技巨头布局智能医学影像，往往采取“两条腿走路”的策略。

以技术和硬件为强项，英特尔在纵深开发典型应用的同时，更注重在水平层面为业界提供硬件和技术支持。李亚东将这种思路总结为“既铺路也开车”，“做垂直应用不是英特尔的初衷，我们的初衷还是铺路。”

而阿里健康则在B端和C端两方面发力。“我们希望在C端针对常见病和慢性病方面不断产生突破，于B端我们希望在医疗科研大数据平台、健康云服务和区块链技术上产生好的积累，最终提升医疗效率。”范绎透露，“DoctorYou”目前联合了阿里健康、阿里云、阿里巴巴iDST视觉计算团队的三方力量共同推进。

数据质量是关键

在众多医学数据中，影像数据相对标准，长时间积累中形成了体量庞大的数据集合，从这一角度来讲，AI+医学影像具备了较好的发展基矗但是，必须看到，数据质量对于人工智能在计算和学习能力提升上起着更为重要的作用，目前来看，甚至是关键作用。

李亚东介绍，人工智能的突破主要依赖于算法、计算能力和数据三方面，当前人工智能算法已经相对成型，计算能力也在不断提升，而数据则成为最重要因素，数据质量更是机器能否进行高效学习的关键。

华医资本创始人刘云同样认为，相比于算法，数据对于AI+医学影像发展更为关键。“从算法上中国没有落后国外很多，算法的比拼是小部分，大部分是对以往数据的积累能力和利用，问题还是在于数据的获龋”

这也是医疗影像跟其他医疗数据不一样的地方。医疗影像从诞生开始就因为考虑到了机器的兼容性应用了同样的数据格式，医疗器械的几大巨头以及管理部门在文件一致性上也有着清晰的标准。另外，考虑到案件的回溯，以及病人存档问题，各个国家都要求在医疗影像上存储一定的时间。所以，在医疗影像细分市场上，积累了大量的高质量数据，而且数据非常集中。

“人工智能并不是单纯追求数据量大，而是要追求质量。比如做机器学习，人工标注的准确性就非常重要，数据有没有被‘清洗’很重要，让机器接触太多的‘噪音’，肯定学不出什么东西来，数据质量是一个很关键的因素。”李亚东进一步解释。

尽管如此，现实是，我国市场上的医学影像数据质量并不令人满意。复旦大学医学影像智能诊断研究所教授刘雷解释，临床数据比较乱、错误多、缺失多，都会造成人工智能对医疗大数据的处理不是很成功。

刘云介绍，“以眼科为例，糖尿病视网膜病变筛查，网上就有10万张片子可以免费下载，但是片子有好有坏。”

那么，真正高质量的数据到哪儿去找？

李亚东认为，在医疗影像细分市场上，大量高质量数据集中在二甲以上医院，或者说比较有能力、资本、规模的大型医院。

然而，高质量数据的调取并不容易。由于缺乏有效的分享机制，高质量、有人工标记、适合机器训练的数据往往封闭在医院内部，不易获得。

“医院现在还没有比较成熟的数据分享机制，各医院不太愿意把自己的数据共享，因为都属于医院自己的财产。”海军总医院放疗科主任、伽马刀中心主任康静波坦言。

同时，数据的隐私保护和应用范围也必须考虑，“数据如何在一个合理的框架下进行分享很关键。”李亚东认为。

“现实情况是，有实力的公司往往与相关研究部门进行合作，自己发起临床获取数据，但矛盾点在于，其所能得到的数据数量又相对较校”刘云介绍。

商业化落地

《医疗影像的市场图谱和行业发展分析》报告预计，2020年，我国医学影像市场规模将达6000亿至8000亿左右。刘云估计，市场上AI+医学影像创业公司不下百家。然而，受监管认证、跨界人才以及医生、病人观念等因素影响，AI+医学影像的商业化落地仍需进一步探索。

尽管各路资本和技术纷纷抢占热点，人工智能医学影像试点遍地开花，然而医疗产品的商业化必须面对的第一个问题就是行业标准。

李亚东提出，AI+医学影像进一步推广需要一条“标准线”，需要从行业管理和质量管理方面制定指导。

刘云进一步解释，当前智能医疗行业缺乏统一的行业标准和评估体系，人工智能在CFDA中没有申报项目录，智能医学影像产品还是作为三类医疗器械向CFDA进行认证申请，这使得研发企业在拿证过程中面临标准不清等问题。

另外，责任的明晰也是商业化推广的重要保障。

仇明介绍，当前所有医学影像判断都是仅供临床参考，最后决定诊断结果的是临床医生。尽管机器诊断拥有较高的准确率，但在医疗伦理和法制方面，仍需明确责任界定问题。

正如人们在自动驾驶汽车上路问题上的小心谨慎一样，出于不了解、不放心，用户通常对智能医学影像诊断准确率上有更高要求。这也透露了当前医生和病人对于人工智能的接受程度问题。

最后，医疗和人工智能作为两个对专业化要求极高的领域，跨界人才也是其商业化发展的必备条件。阿里健康透露，在技术层面上，必须将招募更多医疗AI领域的专业人才与阿里巴巴集团的技术积累相结合。

在技术发展与广阔的市场前景下，AI+医学影像前景美好，然而，要真正实现其商业化，无论是科技巨头还是创业企业，都还有很长的路要走。“就目前来看，医疗AI的未来虽然美好，但仍需要进一步探索其在商业化上的落地。”