一、醫(yī)療領(lǐng)域存在的問題：
1、“看病貴，看病難”、“醫(yī)療資源不均衡”等;2、訴求背后是“高水平醫(yī)護人員少，還分布不均衡”、“醫(yī)療資源配給不足”等;
二、AI賦能于醫(yī)療領(lǐng)域，是一項降本增效的工具：
1、七大類“醫(yī)療+AI”企業(yè);2、醫(yī)學(xué)影像是醫(yī)療領(lǐng)域距離商業(yè)化最近的板塊;3、AI在醫(yī)學(xué)影像中的具體應(yīng)用;
三、大數(shù)據(jù)不能共享、醫(yī)療信息未能標(biāo)準(zhǔn)化，醫(yī)療智能化之路依然崎嶇：
1、大數(shù)據(jù)共享問題;2、醫(yī)療信息標(biāo)準(zhǔn)化問題;
一、醫(yī)療領(lǐng)域存在的問題；
目前醫(yī)療領(lǐng)域存在、最迫切需要解決的問題是什么？
新浪微博針對這個問題發(fā)起了一項調(diào)查，最終結(jié)果是由3933人參與單選投票得出，一定程度上反映了民眾所認(rèn)為的、醫(yī)療改革迫切需要解決的問題。
圖1
“看病方不方便、貴不貴”、“今天能不能準(zhǔn)時下班”、“今年工資會不會漲”
如(上圖)圖1所示，在3933人的隨機投票結(jié)果中顯示，有39.6%的聲音吐槽“看病貴”，其次是“醫(yī)療資源不平衡”、“醫(yī)患關(guān)系”、“基層醫(yī)療”等。醫(yī)療行業(yè)的基本參與者——是醫(yī)院(醫(yī)療資源)、醫(yī)護人員和患者，前者在這篇文章不予以重點討論，后二者關(guān)心的無非是這些樸素的訴求。
挖掘這些訴求更深層次的背后會發(fā)現(xiàn)，醫(yī)療現(xiàn)狀存在著如下的問題。
從供給方看，醫(yī)療資源配給不足，醫(yī)護人員高水平稀缺還分布不均；
對于醫(yī)護人員來說，高水平的醫(yī)生稀缺，還大部分集中在一線城市，除卻人才的醫(yī)療資源也是配給跟不上需求。國家衛(wèi)生計生委主任李斌在出席十二屆全國人大五次會議的記者發(fā)布會的時候，就表示，“目前存在優(yōu)質(zhì)的醫(yī)療資源總量相對不足，分部不均衡的主要問題”，“促進優(yōu)質(zhì)資源下沉、重心下移，首要就是通過改革來建立分級診療制度”。
從需求方看，“看病難”、“看病貴”；
民眾的主要訴求的是縮短看病時間和降低誤診，相信“看個病9成時間在排隊”的感受人皆有之，當(dāng)然這里排除了部分服務(wù)好的私立醫(yī)院。
二、AI賦能于醫(yī)療領(lǐng)域，是一項降本增效的工具；
在醫(yī)療領(lǐng)域，AI發(fā)展其實有一些年頭了，是深度學(xué)習(xí)時機的到來讓人們對AI有了新的期盼，無論是期待AI的到來能替換醫(yī)生，還是診斷出某些疾病，甚至是基于大數(shù)據(jù)來選擇最佳治療或預(yù)測結(jié)果。
基于億歐智庫對業(yè)界觀點的整理發(fā)現(xiàn)，對醫(yī)療+AI的前景期望：一種觀點是“加速型進化(Accelerated Evolution)”，另一種觀點是“破壞性革命(Disruptive Revolution)”。
在西門子醫(yī)療CAD(Computer Aided Detection，計算機輔助檢測)部門負(fù)責(zé)人周翔博士看來，這只是一個“進化”而不是“革命”，“加速型進化”早已悄然啟動，正在順利前行。僅在醫(yī)學(xué)成像領(lǐng)域，深度學(xué)習(xí)正在提升所有模式識別的能力，從解剖結(jié)構(gòu)到疾病，以前所未有的速度提高工作流程和效率。
1、七大類醫(yī)療+AI企業(yè)；
億歐智庫對其做了定類劃分：
針對醫(yī)療領(lǐng)域存在的問題，市面上涌現(xiàn)了一批“醫(yī)療+AI”的公司，醫(yī)學(xué)影像類、基因測序類、醫(yī)療大數(shù)據(jù)類、醫(yī)療服務(wù)類、健康管理類、藥品/器械研發(fā)類、機構(gòu)信息化類，如圖4(上圖)。
以下為分類界線的劃定：
（1）機構(gòu)信息化類：
這類公司主要通過數(shù)據(jù)監(jiān)測和分析的方式，幫助醫(yī)療機構(gòu)提升運營效率和診療效果，降低支出成本。
（2）醫(yī)療大數(shù)據(jù)類：
這個分類相對比較模糊，因為實際上其他幾個類型都離不開醫(yī)療大數(shù)據(jù)。不過，這類公司相比而言更加注重數(shù)據(jù)本身的研究和分析。比如鼎鼎大名的Flatiron，就是搭建腫瘤大數(shù)據(jù)平臺、累計腫瘤患者數(shù)據(jù)，并通過對數(shù)據(jù)的研發(fā)和分析服務(wù)臨床、科研、新藥以及患者治療。
（3）藥品/器械研發(fā)類：
基于大數(shù)據(jù)和人工智能技術(shù)，讓數(shù)據(jù)的計算模擬藥品/器械研發(fā)過程，來幫助藥企/器械廠商縮短研發(fā)周期，降低研發(fā)成本。
（4）醫(yī)學(xué)影像類：
基于人工智能、深度學(xué)習(xí)技術(shù)，幫助醫(yī)生更快更準(zhǔn)確的讀取病人的影像數(shù)據(jù)，以更好的做出判斷，目前計算機已經(jīng)可以完全自動地閱讀心電圖，半自動地閱讀宮頸刮片圖，和獨立承擔(dān)許多實驗診斷學(xué)的測試項目。
（5）醫(yī)療服務(wù)類：
通常所理解的臨床診斷輔助系統(tǒng)，包括早期篩查、診斷、康復(fù)，手術(shù)風(fēng)險監(jiān)測，用藥安全等，而且會分不同領(lǐng)域，比如血液、睡眠、神經(jīng)、心理等。
（6）精準(zhǔn)醫(yī)療類：
基于對人體本身的數(shù)據(jù)化，并通過對這些數(shù)據(jù)的分析提供精準(zhǔn)治療，基因測序的數(shù)據(jù)和通常的醫(yī)療大數(shù)據(jù)含義不一樣，但是放到未來人工智能和精準(zhǔn)醫(yī)療在基因測序這個環(huán)節(jié)上，也許是連通的。
（7）健康管理類：
這里主要把對個人的健康管理和以個人用戶為主的可穿戴設(shè)備，都?xì)w入其中。這類公司主要用是用戶個人的健康數(shù)據(jù)來預(yù)測疾病風(fēng)險、提供健康管理方案。這是醫(yī)療+AI少有的to C類別。
2、醫(yī)學(xué)影像是醫(yī)療領(lǐng)域距離商業(yè)化最近的板塊；
醫(yī)學(xué)影像是業(yè)界普遍認(rèn)為距離商業(yè)化最近的板塊。
在以上7大分類當(dāng)中，
影像數(shù)據(jù)是所有醫(yī)療數(shù)據(jù)中標(biāo)準(zhǔn)化程度最高的
一方面因為;另一方面，，醫(yī)學(xué)影像在現(xiàn)代醫(yī)學(xué)、生物工程和計算機信息技術(shù)的推進下，已然成為與外科、內(nèi)科并列的三大治療手段，許多重大疾病，如癌癥和某些心臟病，通過高端的醫(yī)學(xué)影像設(shè)備，可以在病變早期發(fā)現(xiàn)，不僅可以提高治愈機會并且控制了醫(yī)療費用。高精度多模態(tài)醫(yī)學(xué)成像技術(shù)早已成為全球各大科研機構(gòu)和跨國公司角逐的熱點。醫(yī)學(xué)影像市場早已是個千億級規(guī)模的市場。
3、AI在醫(yī)學(xué)影像中的具體應(yīng)用；
圖7
從周翔博士的《人工智能的醫(yī)療應(yīng)用：商業(yè)化和工業(yè)化之隨想》一文中，億歐智庫總結(jié)出(如上圖圖7)：AI賦能于醫(yī)學(xué)影像設(shè)備兩只眼睛，一只專注于看疾病，這也就是傳統(tǒng)的CAD(Computer Aided Detection，計算機輔助檢測)領(lǐng)域，另一只眼睛將專注于看解剖結(jié)構(gòu)，ALPHA(Automatic Landmarking And Parsing Of Human Anatomy，人體解剖學(xué)的自動標(biāo)識和解析)。
1、ALPHA：
基于機器學(xué)習(xí)的對人體解剖結(jié)構(gòu)的自動檢測在醫(yī)學(xué)成像領(lǐng)域得到了廣泛的應(yīng)用。CT和MRI機器能夠從預(yù)掃圖中自動找到各種解剖結(jié)構(gòu)，然后非常精準(zhǔn)的對目標(biāo)結(jié)構(gòu)(比如說大腦)進行成像，同時減少對相鄰敏感器官(比如說眼角膜)的不必要的傷害，還能跟蹤器官運動，以及提供各類測量，如圖8(上圖)。
ALPHA工具幫助大大提高成像的質(zhì)量、速度、一致性和重現(xiàn)性：一致性指的是指的是不同的技術(shù)人員掃描同一病人出來的圖像應(yīng)該是一樣的。重現(xiàn)性的一個例子是，比如說六個月以后所照的膝蓋磁共振圖片應(yīng)該與六個月之前的圖片正好切在同一個解剖平面上,這樣才能看清楚六個月的治療的真實效果，并幫助放射醫(yī)生更快更好地處理分析圖像和撰寫報告。
2、CAD：
類比于自動駕駛中L2到L3會有事故責(zé)任主體的轉(zhuǎn)變，在醫(yī)學(xué)影像中也有。不過CAD計算機輔助檢測算法大部分時間擔(dān)當(dāng)?shù)氖?ldquo;第二讀者”的角色，算法僅僅提供幫助/輔助，醫(yī)生仍需要對圖像的采集和分析負(fù)全部責(zé)任。到了L3級AI成為“第一讀者”，也是“唯一讀者”的時候，就成為要對事故負(fù)責(zé)任的主體。據(jù)周翔博士在其文章中介紹的，目前在心電圖監(jiān)測、宮頸涂片和一些病理圖像自動分析的任務(wù)中AI早已扛起了主要責(zé)任。“醫(yī)生只需要審核一下那些算法找到的可疑的病變區(qū)域。計算機將分析所有的胸部X射線圖像，并且直接向臨床醫(yī)生指出哪一些人可能有病變，而把那些看上去正常的健康的人直接送回家。”
三、大數(shù)據(jù)不能共享、醫(yī)療信息未能標(biāo)準(zhǔn)化，醫(yī)療智能化之路依然崎嶇；
盡管AI能著實助力醫(yī)療的改變，但解決醫(yī)療的問題是一項長線戰(zhàn)役。
基層的訴求是“加工資、快下班”、“看病貴、看病難”，從長期來看訴求得不到滿足的原因出在“大數(shù)據(jù)沒能共享”、“醫(yī)療信息未能標(biāo)準(zhǔn)化”，如圖9(上圖)。
由于醫(yī)院系統(tǒng)的封閉性、數(shù)據(jù)的敏感性，醫(yī)院之間并不互相承認(rèn)結(jié)果，導(dǎo)致了大數(shù)據(jù)的不足，再加上醫(yī)療信息標(biāo)準(zhǔn)化的缺失，可以說在很長的一段時間內(nèi)，若沒有解決大數(shù)據(jù)共享和醫(yī)療信息標(biāo)準(zhǔn)化這兩個難題，醫(yī)療智能化之路依然崎嶇。
1、大數(shù)據(jù)共享；
創(chuàng)業(yè)者需要大量數(shù)據(jù)，而醫(yī)院和患者又要守住數(shù)據(jù)。
（1）醫(yī)院：
創(chuàng)業(yè)者需要大量共享數(shù)據(jù)，而醫(yī)院和供應(yīng)商為了利益更需要堅守壁壘，阻止共享。多年來龐大的利益鏈，使得數(shù)據(jù)共享化面臨難以打破的僵局。如何打破各方利益，保障數(shù)據(jù)安全性，將是醫(yī)療智能化的一個重要前提。
（2）患者：
另外，即便數(shù)據(jù)打通了，對于患者來說，數(shù)據(jù)安全性的保障又是另外一個難題。沒有患者希望自己的數(shù)據(jù)被人泄露。
2、醫(yī)療信息標(biāo)準(zhǔn)化；
醫(yī)療信息標(biāo)準(zhǔn)化方面，醫(yī)院的數(shù)據(jù)大部分沒有形成標(biāo)準(zhǔn)化，即便有電子病歷，內(nèi)容上也是醫(yī)生主觀輸入，而非系統(tǒng)化標(biāo)準(zhǔn)語言。如果在醫(yī)療領(lǐng)域無法形成各類信息的標(biāo)準(zhǔn)化，精準(zhǔn)醫(yī)療等無異于紙上談兵。
就跟玩游戲打怪一樣，要滿足訴求層的期盼，實現(xiàn)大數(shù)據(jù)共享和醫(yī)療信息標(biāo)準(zhǔn)化中間橫著重重關(guān)卡，在醫(yī)療智能化的道路上，AI盡管能發(fā)揮著實在的降本增效的功能，但要解決醫(yī)療的根本問題，便會牽扯出其背后龐雜的利益網(wǎng)等棘手問題，醫(yī)療智能化依然崎嶇。
數(shù)字化要一盤棋更要各自為戰(zhàn)
分享到微信 ×
打開微信，點擊底部的“發(fā)現(xiàn)”，
使用“掃一掃”即可將網(wǎng)頁分享至朋友圈。