首页
学习
活动
专区
工具
TVP
发布

寻找 AI 医疗商业元年

摘要

在 AI 医疗崛起的过去几年,医疗影像和电子病历被认为是临床应用最核心的两大商业场景。尽管人工智能技术俨然在辅助诊疗领域初显身手,但眼下,很多产品仍受制于数据不规范,以及体验效果还不尽人意的情况。

在过去的一段时间里,创世伙伴合伙人梁宇行走在一些三四线城市,被「多到无法想象」的街头小诊所惊诧。他透过玻璃门窗,隐约看到五六名患者挂盐水,大夫坐在一旁的场景屡屡重现。这是当地居民的基层医疗就诊环境的真实写照。

自医院开设之日起,就肩负起救死扶伤之责任,注定了自身与一般商业性服务场所存在的巨大不同。尽管所有人无不期盼着,技术创新有朝一日能为传统医疗提效赋能,让优质的医疗资源充分得到合理分配,但在医院这种极度封闭的环境内,设备和服务提供商进入市场时,难免遭遇阻碍。随着人工智能技术的发展和产品的快速迭代,如何更好地把先进的 AI 产品投入临床使用,降低医生重复性的劳动投入,是企业、资本和医疗从业者的关注焦点。

作为投资机构,梁宇在看 AI 医疗赛道时,发现创业公司存在的普遍情况是「商业化没有取得突破」。从 VC 的角度来讲,他也一直在寻找「AI+医疗」的商业元年。

在 AI 医疗走向崛起的过去几年,医疗影像和电子病历被认为是临床应用最核心的两大商业场景。尽管人工智能技术俨然在辅助诊疗领域初显身手,但眼下,很多产品仍受制于数据不规范,体验效果还不尽人意的情况。

(电子病例的应用还处于早期阶段,如何抽取结构化和标准化的数据特征是关键 | AI创新者论坛)

电子病历:数据不规范

在医疗行业内,电子病例被认为是医疗处方下沉到地市级医院的正确认知和方向,清华大学统计学研究中心副教授俞声对此深信不渝。但长久以来,我国的医疗基础设施、医学信息学与欧美发达国家的差距较大。同样是数据,电子病例用到的数据和人工智能领域所谈论的数据截然不同。

一般而言,电子病例的数据分为两类:一类是疾病诊断、手术等编码型数据;另一类数据涉及诊疗细节。后者需要结合医生的临床经验和知识储备,以自由文本的形式记录在病例内。作为存储用的数据,这一类数据和机器学习需要的数据类型差异很大。将这两种不同形态的数据「通用化」,中间横亘着一道狭长的沟壑。

举个例子,心电通常以是波形图的形式呈现,AI 执行这项任务的难点,主要是医生在病例上对心电的各种症状和诊断描述不统一。「这些术语在英语体系下比较好用,毕竟其发展已经有 30 年的时间,迄今累计有几百万种医学相关的概念,几千万条的医学术语,所以在欧美做医学语言处理相对容易」,俞声如是说道。

相比之下,中文的积累处于刚刚起步的阶段。「因为基础设施还没打好,如果做电文的电子病例分析,当务之急去建设并补全中文的医学术语库,搭建基础层以后,才能在上面获得更好的发展」,俞声指出,「基于 AI 电子病例在结构化和标准化方面不能完全归一,眼下需要借助 AI 算法,把病例中与疾病相关的特征抽取出来,然后才能把大量的特征交给机器人去做深度学习」。

医渡云大数据应用算法总监李林峰表示,若要将个体病患的完整病例整合起来,需要介入并打通几十个系统。这里遇到的问题是,不同医院对病例的描述方式也千差万别。这就迫切地需要把各项大数据相结合,形成统一化的数据集,以便构建标准化的数据模型。

据了解,医渡云从 2013 年成立至今,累计投入 10 亿人民币,用于系统建设和数据分析工程,目前已经与 100 多家医院达成合作,帮助这些医院构建院内的大数据平台。

AI 医疗的底层技术架构虽然已经比较成熟,但在很多专科疾病领域,由于疾病的复杂性和特征差异性,让机器在短时间成为全科专家是不可能的事情。因此,医渡云从单例病种切入,将每一种疾病需要抽取的相关特征,通过结构化的方式提取,帮助医生建立数据库,从而针对这些数据做进一步的科学研究和临床分析。

「在做电子病例研究的时候,数据的获取是很难的,而且是不规范的」,俞声表示,医学信息学基础设施的缺失对 AI 医疗的发展是重大的障碍,目前,清华大学统计学研究中心主要的工作方向集中于医学术语的提取、自动识别、补全,建立能够应用于 AI 医疗和电子数据分析的术语库。

另一方面,关于医学知识图谱的建设,如果要预测某种疾病,依照它的知识关系去提取相应的变量,再去建模,而不是直接将所有变量扔到模型内直接预测结果。俞声希望到今年年底,完成第一批用于电子病例分析的中文医学术语的分析工作。

(在影像学的诊断过程中,一些信息不是从原始数据中获取,而是通过图像再处理产生 | 视觉中国)

医疗影像:投放使用

过去一年,创世伙伴资本把投资重心向 AI 医疗倾斜。合伙人梁宇走访多家医院的影像科发现,不少公司的产品挺好,可就是没有开机,「医生根本没有用起来」。很多创业公司对外宣称,产品进入了多少家医院,但让医生把产品用起来,并渗透进他们的日常工作,还有相当长的距离要走。

回到产品本身,AI 产品投入到临床应用时,医生之所以不愿意使用,根源在于「产品做得还不够好」,「常用的系统没有嵌入进来」,导致医生还依赖于工作站来看图像。这样的 AI 产品不仅没有帮助医生提高效率,反而在浪费医生的时间。

另外,创业公司自己也要把跟客户的交流,包括跟医院的合作,最重要的一点在于,能否做出真正打动医生的产品。如果这个产品在 100 家医院医生用得很好,国家不可能不去推这样好的产品在医院用。

清华大学医学院生物医学影像研究中心研究员赵锡海从事于心脑血管技术研发和临床运用研究工作,涉及医学影像的开发、临床应用、产业转化,他从临床医生的角度分析了对于人工智能的见解和想法。

他认为在医疗活动中,影像学扮演的角色是疾病诊断,「从病人进入到医院,到身体康复后走出医院,整个过程不仅是诊断,还涉及治疗的全过程」,人工智能在临床医疗的各个环节都可以发挥重要的作用,在疾病诊断环节,影像学只是其中的一部分,还有病理、血液检测等部分。

因为模态很多,影像学相对复杂。例如肿瘤诊疗,从超声到 CT 完全由临床医生一人来操作。赵锡海谈到:「X 光和 CT 都属于 X 射线,维度一样,因此这方面突破难度较高。而磁共振的维度也比较多,成像序列比较多,方法也层出不穷,一个病人可能要扫描很多的序列,人工智能分析起来比较困难。」

王书浩表示,医疗影像的赛道目前还没那么拥挤,一方面是因为扫描后的影像体积大小在 1G 左右;另外,信息量非常大。病理医生至少在毕业后再学习 10 年才能达到资深水平,也足以说明知识量的广度和强度,「比如乳腺癌的分形有 300 多种,让机器学习这些数据的难度是非常大的」

在影像学诊断过程中,有一些信息无法从原始数据中获得,需通过图像再处理之后产生。图像后处理本身就颇具挑战,这些信息输入以后再进行分析,是比较复杂的。如果要提取更多的信息,目前比较好突破的是 X 光和 CT,而超声受操作者经验的局限,不容易在短时间内取得突破。    

在与医生交流的过程中,王书浩发现病理科在中国是相对弱势且比较落后的科室。所有病理科的医生无不在显微镜下看片子,数据没有机会被数字化,而人工智能病理对于这样的科室而言,无疑是革命性的概念,促使其从传统到数字化的转型。从医学角度来讲,病理是近乎于疾病本质的学科,病理医生又被称之为「医生的医生」。如果 AI 能够解决这样的问题,就能够和肿瘤治疗的一些本质强关联,这将更加富有意义。

AI医疗商业元年难觅

虽然在商业化落地方面,业内目前尚未有明确的统一答案。不过,汇医慧影 CMO 张雪峰坚定地认为 AI 影像必须要走 ToB 路线,而不是 ToC。另外,「要用人做事,而不是做事用人」,要从公司的优势资源入手,才能做出落地的产品。

李林峰则认为:「好产品被用户认可需要兼具这两种属性,一是解决用户刚需,二是技术发展得足够成熟。」在现阶段,医疗影像的相关产品是最适合在临床落地的应用之一,它或将成为 AI 医疗的爆点。医疗影像产品可以保证高速处理且全年无休,不仅能够缓解三甲医院的医生就诊压力,还能解决基层医院的实际需求。

从医疗活动的特殊性来看,从事 AI 医疗技术开发的企业,首先要了解医疗活动的特殊性。赵锡海强调,医疗活动是一个高度受关注的行业,一旦出现相应的问题,整个社会反响都非常强烈,因此,一脚踏进医疗行业的创业者需要非常慎重。

这种特殊性决定了诊治过程不是冰冷的医疗操作,而是包含了人文关怀在其中。未来,患者很难想象自己面对的是一个没有感情的机器人,对其问询病史,做出诊断,采取治疗。

此外不得不提的是,医疗活动涉及到大量病患的隐私,无论是电子病例还是医疗影像产品投入使用,如何对数据进行处理,保证数据脱敏、去隐私化的处理,需要一套严密的操控流程和防范机制。

当然,医疗活动必定遵从行业规范和监管。在现阶段的医疗活动当中,人工智能技术和产品的融入,需要人们很长一段时间改变观念。在政策法规方面,政府和行业内的合力破冰,是日后 AI 医疗大有可为的主力推手。

图片来源:视觉中国、网易 责任编辑:克里斯

  • 发表于:
  • 原文链接http://www.geekpark.net/news/240299
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券