AI医疗站上新起点 算法、数据、伦理成为下阶段挑战

“一尊尊白色人形雕塑在墙上呈现出身体剪影，象征人类隐疾正在医学造影下得以浮现；AI眼底筛查科室中，眼科医生正用AI设备帮助体验人作智能眼疾分析；帕金森康复训练AI游戏吸引使参观者互动、并评估其康机能度……”2019世界人工智能大会的最后一天，腾讯“超级智医院”里依然火爆。

“我国约六成的帕金森病人在前半年会去错科室，这在于其诊断非常麻烦。”腾讯医疗人工智能研究院院长范伟表示，“国际标准下此类评估每次要花医生30~40分钟时间；也有海外发达国家医院的相关测试则需要3个医生来共同完成，最终分数也不同。如今我们通过人工智能分析，就可以达到因果高度一致。”

当前，对AI医疗领域的集中关注点，已从应用范围转向了发展质量；而其所需要面临的算法、数据、伦理等方面的挑战才刚刚开始。

AI医疗迭代仍需算力

如今，AI与医疗的融合日趋紧密，其更多地以赋能设备、临床的模式，体现在医学影像、智能穿戴、管理系统等各领域中；其背后的数据、算法科学则整在经历更大挑战。

怎样的情形需要AI的介入？其在慢病诊疗方面所发挥系统性价值或许可以说明一些问题。

以糖尿病为例，患者数与全周期健康管理的需求决定了AI的存在形态。“我国糖尿病患者人数占比11.6%，且正以每年2%的速度递增。”宁光院士在2019世界人工智能大会上的介绍。患者数激增但医生人数不足，使得AI辅助糖尿病管理成为一种必须。

基于庞大的患者需求，宁光团队和第四范式合作开发了一系列AI医疗产品：能自我评估糖尿病患病几率的“瑞宁知糖”，可进行糖尿病并发症评估、控制早期病情的“瑞宁知心”等，其功能大部分都整合在APP内。

“这是一种方法的改变，完全没有推荐药品、完全没有推荐患者更多的检查，但确是我们现在的医改方向。”宁光表示，“患者可以取得什么样的结果呢？从糖化血红蛋白来说，其比率已经从30%提高到51%；而综合管理率上来看，血糖、血压、血脂三个指标已经从9.8%提升到了20.6%。”

上述这些AI产品的基础开发者、第四范式CEO戴文渊认为，“我们过往的思维是推理思维、实验的思维，这在数学课、物理课里都曾提及；但是到了信息时代就要掌握要计算思维。为什么要学会计算思维？就是要让机器也具备构造世界的能力，只有具备了构造世界的能力，才能让计算机按照你的模型去做你想要的工作。”同时，戴文渊也曾是世界知名计算机大赛的冠军获得者。

AI医疗也将在算法升级下实现新的迭代。第一财经记者也了解到，除了华为早已在进行AI芯片的产品开发外，联影医疗也在近期通过了AI医疗芯片研发、并实现了在PET诊断设备上的应用。

“我认为AI医疗芯片将给这一产业带来创造性的变化。”联影医疗董事长薛敏告诉第一财经记者，“它将通过具有爆发式的运算能力，使得设备扫描速度更快，体积也更小，功耗更低。”

解决AI落地难问题

根据国家有关文件，下一阶段，AI医疗的主要赛道一方面在于要建设国家级医疗数据资源服务平台，推动医疗AI的数据训练级以及测试级；另一方面则是要加快医疗影像辅助系统、临床辅助应用，推动医学影像数据采集标准化规范。

“无论是从资本、技术还是政策层面，AI医疗将进入新的发展期。” 上海市卫生和健康发展研究中心主任金春林对第一财经记者表示，而AI医疗的普遍应用的场景也涉及3方面类别，“其一是医疗机构内部全流程的信息化管理体系；其二是AI技术在连接医疗机构与患者之间的功能、和及分级诊疗体系；其三是AI辅助疾病诊断、临床医疗决策体系。”

但AI在深入、持续应用在医疗领域的过程中仍存许多难题。“AI落地的场景及产品不够多，最大原因是在于样本不够、数据无法标准化，那么其产品的总结能力就不高。”同济大学医学院影像系主任王培军表示。

尽管数据受限，但在样本沉淀数最多的影像领域，AI医疗仍能承载一定使命。在广东省人民医院影像医学部主任梁长虹看来，小数据有时候也能完成大任务。

“以某细胞瘤141例的数据样本为例；早期患者可以通过磁共振检查来看是否有增强、坏死，AI影像分析还能注明是否有水肿区域；再进一步做了进行基因检测后可以看到，该结果显示的特征和某细胞瘤很多生物信息是相关；而这是我们放射科医生肉眼所不容易判断的。” 梁长虹补充。

上述数据缺乏的难题究竟能否得到解决？飞利浦大中华区副总裁、整体解决方案中心总经理陈胜裕给出四方面的建议，“第一是要AI技术必须和临床场景结合才具备实用性；第二是AI发展阶段的临床数据库标准建设很重要；第三是要将产、学、研、用放在一个开放的平台上，多方同心协力；第四则是要具备医疗与工程相结合的意识。”

另有业内人士认为，为了降低风险，AI医疗领域的安全保障机制、安全和服务管理办法等仍需完善。“这方面则可以参考国家卫健委在2017年2月份发布的15个限制临床应用的技术管理规范。” 国家卫健委医管中心副主任高学成说。

高学成也提到，当下亟待突破的应该是医疗健康数据的互通共享，这也包括了将数据格式、数据质量、开放借口等标注化，并建立其背后的标准规范体系、安全技术体系、数据生命周期管理。

此外，AI医疗领域的下阶段发展还将面临一定的社会伦理风险，比如人（医生职业自由与设计者、制造者）在责任认定所面临的风险，患者隐私保护所面临的风险，以及医生主体性地位面临的道德等风险。