“AI”潜入“医”，润物细无声

AI在医疗场景落地的征程要比想象中要缓慢而深刻。当前智慧医疗应用落地并不尽如人意。一方面，AI技术进入医疗以来，医疗信息管理和辅助诊断方面的应用与人们当初预想的智慧医疗相差甚远；另一方面，我国医疗环境自身存在人才短板、医疗信息化不足等挑战。

人工智能和医疗在各自的知识属性和技术逻辑框架下，试图跨越双方的理论体系隔阂与技术边界。正如中国科学院院士、上海市心血管病研究所所长葛均波所说：“AI+医疗的跨界融合是大势所趋，这种跨界不是单纯的生物学、临床医学、基础医学的融合，还需要数学、图像学、软件、算法、设计乃至人文学科的交叉。”

人工智能公司组成的“攻城狮”正慢慢潜入中国医疗体系的深水区。技术春风掠过医疗健康的麦田，一切才刚刚开始，AI+医疗的当下正是“润物细无声”的时节。

智慧医疗应用落地面临三大难

“AI在医疗领域的场景落地前景很好，开始会走得慢一点，就像小孩子刚开始成长会慢一点，”同济大学附属同济医院副院长王培军在2019世界人工智能大会智慧医疗主题论坛上表示，当前AI+医疗在远程会诊、医患服务上已经逐渐成熟，而真正的难度在医院内部诊断、预测、评估、治疗等环节。

当天发布的《以智慧医疗为医改抓手，建立融合共生的新型医疗服务体系》研究报告指出，目前我国在智慧医疗的三大应用场景包括：覆盖医疗机构内部全流程的信息化管理体系，连接医疗机构和患者之间、医疗机构之间的远程医疗和分级诊疗体系，以及医疗影像AI辅助诊断、医疗机器人与AI辅助临床医疗决策体系。报告称，我国医疗AI面临医疗信息化、数据、技术与标准、商业模式与人才的挑战，AI医疗高死亡率，发展机遇并存。

数据标准化问题是人工智能在医疗领域落地普遍遇到的问题。“AI医疗的挑战是落地场景、落地产品不够多，最大的原因是数据标准化不够，标准化不够，大样本就不够，这样产品的总结性就不高。” 王培军表示。对此，海军军医大学长征医院影像医学与核医学学科主任刘士远表示赞同“不同AI医疗产品有着不同的标准，诊断、分割、识别标注的方法以及不同地区的数据标准也不同。”他讲到。

作为放射科医生，吉林大学白求恩第一医院放射线科主任张惠茅认为，信息化建设在智慧医疗应用方面起到不可或缺的作用。“AI想发展，数据是它的核心，信息化手段成为了最重要的一个核心技术。此外，如何能够保证患者的数据安全，数据分享以及数据使用等政策机制的建立也非常重要。”她说到。

记者了解到，多年来，医疗信息化的应用多集中在诊疗服务的核心环节，在医院管理的其他环节并未受到重视，而后者是医院对外开展医疗服务的基础支持。同时，AI技术也为医院全流程的信息管理系统，提供了全新的技术支持手段。目前 AI 识别技术已可突破文本、图像和动态图形，已可基本覆盖医院产生的全部信息流。

此外，医疗AI行业还面临跨界人才的短缺局面。大数据、人工智能的基础知识是时代需求和必备技能。人工智能在医学的应用必须要有医生参与。针对人才问题，国家卫生健康委员会发展研究中心数据主任游茂指出，与美国相比，中国的医生大多是本科学医、硕士学医，博士也学医，毕业后一直都在医院工作。而美国不少医生本科有可能学工，然后再学医。这种人才的复合型比中国好，对人工智能的理解和应用也较快。

AI+医疗的核心：从数据治理过渡到辅助诊断

在上海市第十人民医院，一套静脉血栓栓塞症（VTE）智能化预测及辅助诊疗系统正在帮助医生和护士监控静脉血栓栓塞症的发生。当AI根据采集的患者数据预测到VTE，就会向医生护士进行预警，并告知他们预测高危患者的依据。该场景在2019年6 月获得国家卫健委评选的人工智能应用落地30个佳案例之一。这个场景开发的背后，是一家医疗人工智能代表企业——森亿智能。

不久前，成立刚满三年的森亿智能获得由腾讯领投、国药资本跟投的2.5亿元C轮融资。此时，森亿智能 CEO张少典也不过三十岁刚出头。

森亿智能 CEO张少典

三年前，张少典刚从哥伦比亚大学读完医学信息学博士回到国内，那时中国人工智能的风口还没有到来。“美国梅奥医学中心一个医院的IT人员就有2800人，而中国上海IT人员多的医院也不过百人。从基础设施、标准化，到数据应用，中美医疗IT至少有15年的差距。”中美医疗信息化建设的巨大差距，让他萌生了回国创业的念头。

数据是AI的燃料。数据的整合、治理及应用，将在未来构成医疗行业发展的核心要素。医疗AI的发展核心在于算法与高质量数据的完美结合。目前，技术虽然相对成熟，但瓶颈在于数据的应用场景，这也是森亿智能面临的挑战。

目前，我国的医学数据信息不健全、难以标准化，可用性并不高。更何况医院数据还要应用于管理、诊疗、科研等业务场景。医疗数据在低质量、高质量、有价值之间，由清洗、治理、结构化的工序将其分隔开，这也是人工智能企业潜入医疗健康领地必须面对的一道门槛。

在国内，医院里积压的海量病历大部分都以文本的形式存储。森亿智能围绕电子病历，为医院建立数据中心，对数据进行资产化，在此基础上构建人工智能模型，帮助医生进行智能化诊断决策。

将电子病历用自然文本语言处理技术进行结构化数据治理，这听上去似乎没有什么技术难度，而在张少典看来，这是一项浩大的系统工程。“医院数据的复杂程度，远超常人想象。”

医疗数据占80%的医疗影像数据，是AI+医疗容易落地的应用场景。剩下的医疗电子病历数据不仅类型复杂，而且体系割裂。张少典称，它比影像数据更为繁杂，森亿智能三年时间里，都在做相关数据的治理工作。

“‘病历’两个字内涵包括了出入院记录、手术记录、麻醉记录、护理记录、超声报告、影像报告、CT报 告等不同的数据类型，不同的科室、不同医生对病历内容的描述存在差异。”张少典介绍，森亿智能构建了一个涵盖所有数据类型的体系，“看似是用AI文本处理技术来解析电子病历数据，实际上是用不同的算法模型 处理不同类型的数据。”

医疗数据从临床药品、疾病的词库到知识图谱都需要企业从零开始搭建。“大量不同疾病种类的列表、疾病与疾病之间的关联关系等，类似这样的知识图谱很大程度都需要企业自己积累。”张少典说道。在医疗信息化领域深耕多年的森亿智能研发团队，其丰富的从业经验成为了重要的敲门砖。

解决数据整合这一难题后，如何将各种非结构化的文本进行结构化又是一座 “高山”。中文医学自然语言处理技术对医学相关文本进行结构化以及标准化解析，包括词法分析、句法分析、语义分析、实体链接等环节。通过结合医学领域知识（医学知识图谱）以及深度学习和其他机器学习技术，建立了各环节的处理模型，以解决传统自然语言处理技术在医疗领域效果不佳的问题。这也正是张少典及其所带领的人工智能团队为擅长的领域；森亿智能在通过海量文书挖掘知识概念以及关联的方法上已取得诸多突破，并已发表数篇相关领域国际论文。

当人工智能开始从数据治理过渡到辅助诊断，便触及到了AI+医疗的核心问题。正如张少典所说，这是让人工智能与临床医学深度融合的过程，要让IT人把临床医学的语言转化成IT语言，让IT人和医学人之间实现对话交流。

例如，森亿智能在为上海儿童医学中心做小儿肺炎人工智能筛查诊断方案的过程中，从患者分诊、筛查，如何判断疾病轻、重不同程度，针对不同程度的肺炎类型如何处理，如何选择治疗方案……人工智能需要在上万个选择中做判断，这非常考验AI+医疗的技术水平和对行业的理解能力。“森亿智能虽然是一家人工智能公司，但有不少员工都是医学背景。”张少典介绍。

上海儿童医学中心也是森亿智能两年前的第一个合作客户。就在采访前的两个月，森亿智能刚与这家医院建立了战略合作关系。“从开始接触到医院里的一个专家，到建立全院级战略合作关系，前前后后差不多两年时间。期间，我们经历了各种各样的波折，”张少典表示。目前森亿智能已经和多家医院建立了全院级合作关系。

从单节点诊断，到跨学科全链路诊疗

时间回到2018年12月，北美放射学年会（RSNA）上，依图医疗在会上发布全球首个基于医疗人工智能技术的癌症筛查智能诊疗平台及care.ai·胸部CT智能4D影像系统。在全球范围内首次突破单一肺结节检出，病灶检出能力涵盖结节、斑片影、条索影、囊状影、纵隔淋巴结、胸腔积液等超过95%的胸部CT影像所见，并能 够完成病灶征象分析与诊断，进行疗效跟踪与评价。

医学影像是AI+医疗落地最早、最成熟，也是企业入场最快的领域。早在2017年医疗影像AI内涌入的资金就超过了40亿元。由于肺结节影像筛 查开放的数据集，绝大部分影像AI产品都扎堆在这一领域，2017年也被称 为“肺结节年”，是野蛮人入场的领 域。但是经过三年的发展，不少人工智能企业发现医院对产品的付费意愿很低，不少医院放射科甚至出现闲置的情况。如何实现商业化成为医疗影像AI产品需要解答的一个疑问。

美国范德比尔特大学影像科学院院长John Gore

人工智能辅助影像诊断系统把医院放射科医生从大量肺结节筛查工作中解放出来。美国范德比尔特大学影像科学院院长John Gore在演讲中指出，当前医疗影像技术本身在成像、信息分析方面已经达到极限，需要人工智能技术进入该领域提高各个环节的效果。从成像、数据的选择、调整、获取，到最终诊断，人工智能完全颠覆传统医疗影像流程。他预言，十年内影像医学中成像环节将完全由机器来做。

“医生在诊断的时候，没有人会说我只查肺结节，肺结节检查只是医疗场景当中很小一部分，每一个患者的胸部CT我们都需要看肺部所有形态的病灶，同时结合肿瘤、淋巴结、 胸壁、胸膜、胸腔积液等再进行判断。”依图医疗副总裁石磊有着深厚的医学专业背景和医疗管理经验，“医疗AI在产品维度真正实现落地，要从单任务突破进入多任务，不仅要检出肺结节，还要真正具备影像胸部 CT的智能诊断能力，这也是依图医疗首先做的尝试。”

2016年，依图科技开始深耕AI+医疗领域。曾经拿下全球权威人脸识别比赛冠军的依图科技在医疗领域的开拓并不甘心在影像医学这一个角落里敲敲打打。这几年，依图医疗在医疗图像的智能诊断、医疗大数据和智能互联网研发矩阵式产品，截止目前，在300多家医疗机构已有落点应用。

依图医疗AI影像产品在武汉协和放射科的场景应用

“所谓AI阅片，并不是AI独立阅片，也不是AI独立给出诊断，实际上是‘医生+AI’。”石磊认为，AI在医疗上更高维度的场景落地应该是围绕单病种全流程诊治——即从诊断、治疗、随访、临床研究，涵盖影像、问诊、临床病历等跨多学科的诊疗信息，通过人工智能的手段，让医生从更全面的看到病人经历的诊治流程，形成临床有用的辅助决策。

这更像是一个懂得各个学科知识点，并拥有理解能力和融合能力，终做出综合诊断的AI医生。

在石磊看来，医疗AI行业应用可大致划分为三个阶段：第一阶段，是以单任务为代表的医疗产品应用，比如眼底筛查、肺结节检出等仅仅是AI 在单“点”医疗流程上的优化，目前多数医疗AI应用的场景尚处于该阶段。

第二阶段，围绕诊疗环节中“看 病”的场景，提供具备全部位、多任务能力的医疗AI解决方案，比如从仅能看“肺结节”到识别胸部CT，并实现影像衔接临床的决策建议，或从仅能提供医疗文本数据分析到提供“文本+影像+语音等”的多模态医疗数据整合和分析，这类复杂场景更贴近医疗真实需求场景，但对于企业的技术能力和医疗行业理解、认知都是巨大的挑战。目前，仅有凤毛麟角的企业进入该阶段。

第三阶段，未来真正实现以患者为中心的医疗AI解决方案，在跨模态的AI能力基础上，建立人机交互的智能诊疗新模式。不止关注病，更要关注人，这是医疗发展的趋势，也是AI在医疗应用场景中实实在在能够看得到的前进方向。

而从第一阶段走到第二阶段路上，需要实现从影像到跨模态。在真实的临床环境中，医生诊断需要影像图像、临床信息，后生成文本或者住院的病历。这是行业发展的必然趋势和壁垒，依图在这方面具备很强的技术和经验积累。

医学知识图谱用于描述各个知识点、各个知识实体，以及实体和实体之间相互关联、关系的知识体系。“它大的逻辑就是把人类医生无法标准化的知识信息，通过知识图谱的转化形成计算机能够标准化理解的相应知识点，它是整个构建智慧医疗的核心基础，也是关键的基础。”石磊表示，医疗AI领域还有诸多技术需要突破，例如在跨模态医疗图像和医学知识图谱领域等方面，这也是下一步重点实验室专注突破的重点方向。

AI+医疗正在进入接受落地场景的考验。从科室任务，单点的基于人工智能技术突破的产品，到真正走向医疗支撑的全链条诊疗体系，再到智慧医院，人工智能未来将在医疗体系中扮演核心角色之一。

有人说，未来，AI在医疗领域的赋能不是代替医生，也不仅仅是辅助医生，而是重构医疗体系，建立新基础设施的必要奠基石。临近人工智能与医学健康交界处，AI+医疗行业的企业才刚刚摸到了两者融合交叉的脉象。深潜医疗，AI还要飞一会儿。

文字丨科Way

美编丨小小粉刷匠