医学人工智能过得还好吗？

【编者按】2019年悄然而去，对于医疗信息化行业而言，一年来国家卫健委、国家医保局、国家药监局等部门政策频出，医疗卫生机构用户、医疗IT产业，处于深刻的变化之中。医疗AI产业持续遭遇资本寒冬，医疗AI初创企业们产品化困难、融资困难是普遍现状，一些前期投入过高、盈利又困难的企业已经倒下。

本文发于HIT专家网news，作者为孙鹏；经亿欧大健康编辑，供行业人士参考。

“现在医学人工智能（AI）应用已经很多，但是真正嵌入到临床业务流程的，真正让医生喜欢点击的，还为数甚少。信息技术人员要和医生摸爬滚打，一起开发更多让医生喜欢的人工智能应用。”2019年5月，解放军总医院计算机室原主任任连仲教授曾一针见血地指出了医学人工智能的落地现状。

2019年，医疗AI产业持续遭遇资本寒冬，医疗AI初创企业们产品化困难、融资困难是普遍现状，一些前期投入过高、盈利又困难的企业已经倒下。经历了前两年的狂热，业界对于医学AI的认知已经趋于理性和务实。

从细分场景中融入AI

2019年，以CDSS（临床辅助决策支持系统）、VTE（静脉血栓栓塞症）智能防治系统等为代表的AI应用，通过“嵌入”医生工作站融入临床业务流程。

西南医院大数据与人工智能中心汪鹏主任表示，现在研究CDSS的时机非常好，电子病历系统应用水平分级评价等政策对于CDSS有明确要求，基于人工智能的CDSS可望占据医院信息化建设“高点”。

据了解，西南医院正在局部科室探索建立大数据驱动的CDSS技术框架，以医学知识图谱构建为核心，系统功能包括：诊断推荐、检查检验推荐、治疗方案推荐、相似病历、智能提醒、医院用药推荐、循证知识搜索推送等。

2019年，医学人工智能领域迎来一波“VTE热”。VTE（静脉血栓栓塞症）智能防治系统是一个典型的利用现有技术和资源，解决临床实际痛点的尝试。VTE具有高发病率、高死亡率、高误漏诊率的特点，已被列为医疗质量评估的重要指标。

上海市第十人民医院信息管理处夏洪斌处长曾介绍，该院VTE智能化预测及辅助诊疗系统上线后，每周平均可为600名护士节约150小时工作时间，比传统的人工判断更为精准，能够有效降低VTE的发生率。

面向患者服务、后勤管理的AI应用也有了较大进展。如智能预问诊、智能随访、用药管理、智能导医机器人、智能运输机器人等。2019年3月，国家卫生健康委启动“医院智慧服务分级评估”，面向患者服务的AI应用迎来政策机遇。同煤总医院在山西省率先实现线上智能导诊预问诊服务，系统可根据患者症状描述推荐就诊科室，患者可直接完成挂号。同时，利用预问诊服务提前录入患者主诉等内容，系统可自动导入至门诊电子病历。

2019年，AI 还“接入”了基层医疗信息化。比如，百度开发的灵医智惠CDSS已在北京市平谷区马坊社区卫生服务中心等基层医疗机构落地；众阳健康开发的全科医生诊疗机器人也应用于济南市平阴县孝直镇和圣苑社区卫生服务中心等基层医疗机构，北京大学中国健康发展研究中心主任李玲教授更是形容该机器人为“智慧型赤脚医生”。

李玲教授认为，当前中国医改走出了一条“农村包围城市”的新路：强基层、保基本，给基层赋能、为基层送工具。我国有3亿高血压患者、2.5亿糖尿病患者，中国老百姓最需要对常见病、多发病进行治疗和健康管理。

融入临床业务流程的挑战

但是，即便从临床细分场景切入，首先需要临床的深度参与。

清华大学人工智能研究院院长、中科院院士张钹直言不讳地表示，人工智能的关键不是数据，而是让医务人员起作用。人工智能在医疗领域需要医务人员全程参与，要发挥他们的聪明才智、医学知识和临床经验。只有借助医生的智慧和经验才能有效利用数据，包括低质量的数据。

实际上，从技术层面看，医学人工智能也的确离不开医生参与。除了AI模型训练等环节需要医生深度参与外，机器学习和深度学习方法本身也具有很大局限性，需要大量人工标注。

同时，与医生相比，机器学习缺乏很多生理、病理等方面的理论知识，尤其缺乏对不同来源信息的综合利用，目前还远远达不到医生的综合判断能力。这也是为什么目前知识图谱成为医学人工智能研究的重点内容。

由于很多应用很难融入到医院临床实际工作流程中，影响了医生参与的积极性。解放军总医院医疗大数据中心薛万国主任表示，医学人工智能在现阶段的落地范围还是呈散点式、单一式的应用。散点式的功能很难形成统一的工作流程。比如，现在已经有了针对急诊胸痛患者的鉴别诊断模型，但急诊科每天面对的是很多不同类型的疾病。

AI在医院落地的IT挑战

首先，由于“散点式”应用带来的系统集成上的难题。

据了解，解放军总医院此前基于8万例输血病例，建立红细胞输注量个性化预测评估模型，准确率接近90%，已将该模型嵌入医生工作站，实现医生输血申请的智能化管控。

在薛万国主任看来，很多研究成果都没能实现落地应用的原因之一就是系统集成不到位，大量模型还游离在业务之外。他建议，不同疾病模型的使用环境都不同，为了避免把医生工作站改造得“支离破碎”，需要建立统一的集成规范解决问题。

上海市儿童医院于广军院长建议，AI系统要与医院原有系统结合，需要具备比较强的集成化能力，医院要选择工程化、集成化能力比较强的合作方。据了解，上海市儿童医院此前与卫宁健康合作研发的人工智能骨龄检测系统实现了亚秒“读”骨龄，从读片到输出骨龄诊断报告全过程不到30秒，并实现将AI系统无缝嵌入到PACS/RIS系统。

其次，阻碍AI融入医院业务流程的另一大问题是数据质量和标准。

知名医疗信息化专家陈金雄主任曾指出，目前医疗数据质量还远远不能满足智能医疗的要求，如果把医院数据分为数字化、集成化、数据化、要素化、结构化、语义化和智能化7个层级，那么大部分医院还只是实现数字化，尚未完全实现集成化。目前即使最高等级的医院基本也只是实现集成化和数据化，离后几个阶段还有很长的路要走。

事实尽管如此，但产业领域一直在探索。比如，医疗AI创新企业森亿智能就以中文医学自然语言处理技术起步，从医院对科研数据的需求切入，研发出智能化科研平台产品，已在全国几十家医院落地。后为解决医院信息孤岛和数据可用性低问题，研发基于AI技术的新一代医院信息平台，一直聚焦医院数据治理问题。

医疗AI需解决准入及监管问题

当前医学人工智能产品的准入门槛、审评测评、商业模式等有待进一步明确。目前，我国已有糖尿病视网膜眼病诊断软件、CT肺结节辅助诊断软件等人工智能医疗械产品在研究申报中，但距离获得第三类医疗器械注册证还有很远的路。

国家层面正在加速行动。据了解，国家药监局早在人工智能医疗械产品注册申报之前就启动了人工智能医疗器械安全有效性评价研究，目前已形成了人工智能医疗器械审评指导原则体系构建等基本思路。

2019年，国家药监局医疗器械技术审评中心发布“深度学习辅助决策软件审评要点”，针对AI独立软件和AI软件组件。主要思路是以深度学习辅助决策软件为切入点，基于需求分析、数据收集、算法设计、验证与确认、上市后监测、软件更新等在内的全生命周期，重点关注AI软件的数据质量控制、算法泛化能力以及临床使用风险。

2019年7月，国家药监局医疗器械技术审评中心联合国家计算机网络与信息安全管理中心、中国信息通信研究院、解放军总医院、清华大学等14家单位共同发起成立“人工智能医疗器械创新合作平台”，通过构建开放协同共享的人工智能医疗器械创新体系，服务于科学监管、科技创新、产品转化，推动新一代人工智能医疗器械技术与产品早日达到国际先进水平。

日前公开消息显示，国家药监局将《人工智能医疗器械安全有效性评价研究》纳入第一批药品监管科学研究课题之中。