人工智能想要充分赋能心血管领域，仍有“两道门槛”需跨越

医疗是人工智能较好的落地场景之一。近几年，随着人工智能政策的出台，资本的接连涌入，医疗人工智能公司呈雨后春笋般涌现。人工智能技术最先成熟应用的领域是在肺部，肺结节筛查准确率已经达到了95%以上。此后，乳腺癌、冠状动脉斑块、皮肤癌、眼底病等疾病筛查产品也接连出现，如去年谷歌率先推出了乳腺癌筛查平台等。

事实上，心血管领域对于人工智能技术也抱有极大期望。据《中国心血管病报告2017（概要）》最新发布的数据显示，近年来，我国心血管病患病率与死亡率均逐年上升，心血管患病人数高达2.9亿，而心血管病死亡占居民疾病死亡构成40%以上，居首位，已经成为影响中国居民健康水平、阻碍社会经济发展的重大公共卫生问题和社会问题。

但要想将人工智能技术充分赋能心血管领域，有“两道门槛”需跨越：

一、在数据收集阶段，需促进医院与医院间的数据互联互通，实现高效运算、快速分析及其与临床表型组数据的整合；

二、能进行大规模组学数据分析，落地应用。

难题一：医疗数据前端存壁垒，心血管信息化研究平台难形成

欲将人工智能技术应用到心血管领域，第一步需解决的是数据收集问题。目前，各医院间存在系统相互割裂，壁垒森严的问题，这也就造成了各家医院间的信息数据难以交换、共享和整合，更无法大规模进行数据模型训练。

构建一个心血管信息化研究平台是解决数据壁垒的根本。此前，中国心血管健康联盟就曾主导成立了“iHeart项目”，以此来整合及共享心血管疾病相关临床信息，促进跨领域、跨行业的数据融合及协同创新。中国医学科学院阜外医院也曾成立国家心血管疾病临床医学研究中心，致力于心血管平台建设。

具体来讲，心血管信息化研究平台的建设流程包括：

一、对数据进行采集与转化，从院内专家的临床经验、文献资料抽取知识内容，通过数据的治理引擎对数据进行统一处理，并在此过程中进行数据的质量控制，最终将数据汇总到临床大数据中心；

二、对大数据中心的数据经过加密脱敏，通过映射到标准术语集，再经过自然语言处理，形成术语库及知识库；

三、存储于通用数据模型，可进行科研分析平台的多场景和多中心应用。

在平台建设中，有两个难点：

一、对数据质量的控制。中国工程院院士、国家心血管病中心主任胡盛寿就曾在2018深圳国际BT领袖峰会上提到，我国的医疗数据存在不完整和不真实的问题，比如诊断行为不规范，信息产生、采集的错误百出。而平台建设需要高标准、高质量的标注数据库。

二、平台建设也需诊断场景的深度学习模型研发。虽然深度学习算法有很多公开的开源模型，但这些模型都是在一定的数据集上训练出来的，且大多是基于自然界的二维图像。

也正是这两个难点，中国至今还没有心血管领域的医疗产品通过FDA认证。但为解决上述问题，大部分的心血管信息化研究平台在建设上都会选择有科研实力的大型医院作为模型数据构建试点区。此外，在模型的搭建上，也会选择有临床医学数据中心实施经验的单位进行承建。

难题二：心血管领域的临床决策支持系统成熟难度大，落地较困难

自2015年以来，国家已陆续出台了多项推动医疗人工智能领域发展的政策，Al产品也纷纷出现。在心血管领域，已经有不少的医学影像筛查产品。但能对诊疗起到更大帮助的临床诊疗决策支持系统目前仍处在一个十分不成熟的阶段，其主要原因一个是术语库的建立难度大，另一个是人机交互体验难以实现。

术语库的建立往往与心血管信息化研究平台的建立有莫大关系，而人机交互体验则涉及到后期的应用落地。通俗一点讲，人机交互体验就是让系统按照医生的临床思维过程，在医生需要的时候提示需要的信息，为医生输出可支持智能评估，智能填表、自动风险提醒、医嘱提醒、治疗方案建议，医疗质量控制等多种决策支持服务，并结合心血管临床科室的实际临床决策场景，提供提醒、警告、建议等多形式的决策服务。

人机交互之所以难以实现的主要原因在于Al医疗这一行很少具备兼医学知识与技术并存的人才，临床决策支持系统的构建主要依靠的是技术人员，但最终的用户是医生，两者的思维差异很大，因此，人机交互体验不佳。

建立临床决策支持系统就面临重重困难，而要建立心血管领域的临床决策支持系统更不简单。目前，临床决策支持系统主要以全科为主，应用场景也主要偏向基层，为全科医生服务，主攻心血管领域在少数。未来，人工智能技术想进一步赋能心血管领域，可以预料到还有很长一段路要走。