医疗AI到底谁受益,谁付费?|长征医院刘士远口述实录

目前医学影像AI的发展现状、瓶颈和出路。

作者: 刘士远 来源: 亿欧 2019-08-15 09:49:28

据斯坦福研究报告,从2016年开始关于AI正面的报道一直徘徊在30%左右的增长率。AI论文也从1996年开始以七倍以上的增速增长。

 

从融资的角度也可以看出,全球医疗AI的融资情况虽然在2017年有所下降,尤其是2018年总量减少。在中国数量也是减少的,但是整体的融资额是增加的,说明在中国的单笔医疗AI融资额增加。

 

对于AI的认知,尤其在医疗领域普遍的一个共识就是能够提高诊断效率,优化流程,提高满意度,解决目前医生不足的问题。

 

人工智能作为第四次工业革命,必将带来生产力的巨大变革,一定会改变我们的工作和生活。

 

我代表医生来谈一下目前医学影像AI的发展现状、瓶颈和出路。

 

发展现状

 

人们对于对优质医疗服务需求的极速增长与缺医少药看病难的矛盾越来越尖锐。

 

在医疗服务供给方面,国内地域发展极度的不平衡,不单纯是东西部的不平衡,即使东部的核心省会区域和下面的基层区域差别也是很大的。

 

而培养医生是一个长周期的过程。一般来说,培养一个合格的医生要10到15年,而培养一个影像科的医生也非常不容易,且工作压力大,现在一线的医生一天要写一百多份报告,二线的医生要改两百到三百多份的报告。

 

AI的发展如果能够替代影像科医生做一些重复性的劳动,能够减轻我们的工作负担,发展前景光明。

 

AI在整个影像工作流当中非常有价值,包括在图像的采集环节、流程优化环节、疾病的检出、量化以及诊断和疗效评价方面,都是很有潜力的。

 

目前,医学影像AI的产品很多,如今,肺结节产品是最成熟的,很多公司解决得很好。

 

其他的AI产品还包括眼底疾病、骨折、脑出血、冠脉疾病、乳腺癌和心血管等,这些都是目前头部企业主要研究的一些方向,陆续进入临床测试阶段,应该说部分的解决了临床的一些问题,见到了一些曙光。

 

医学影像的发展一定会让各方受益,让患者受到更好的医疗服务、缩短检查和取报告的时间,尤其是边远地区的患者可以通过互联网+AI享受更优质的医疗服务。

 

而医生也可以减少漏诊,提高阅片的效率,专注一些更加富有挑战性或者技术性的复杂工作。此外,医院可以通过AI产品的布局降低成本,实现分级诊疗,提升整体的诊疗水平。

 

通过AI的帮助以后,未来影像科医生的工作模式将发生巨大的变化。

 

例如,影像科医生将从电脑上面解放出来,不用一整天都盯着屏幕阅读图像,也拥有更多的时间接触病人,接触临床,参与到临床的工作当中去。

 

未来影像科的工作一定是智能化的,报告是结构化的,工作的模式更加趋向于临床化、网络化,这是一种趋势。

 

瓶颈明显

 

目前医学影像AI还存在一些问题。比如,产品方面需要符合临床场景的完整形态的临床多任务产品,不止是单病种的AI模型。

 

产品性能需要更稳定,可以放在任何医院使用。

 

在监管层面,AI在医疗每个环节发挥作用不一样,所产生的风险也不一样的,所以对医疗AI产品准确的定义、分类和分级等还需要进一步确定和细化。

 

另外,每个公司都在做临床验证,但是每个公司都是按照自己的理解并用自己的人员进行临床验证。

 

从国家的层面,毕竟AI产品和传统医疗设备不一样,验证的方法需要重新制定一个行业标准规范或流程。

 

除此之外,CFDA给企业发放二类证或三类证也相当重要,毕竟拥有证的企业才能够实现落地和商业化,整个行业的活力才能够被激活。


但发证要有检测库,现在缺少第三方真正标准的检测库。我们期待着这一瓶颈问题早点得以解决。

 

谈商业层面的前提是要有完整意义的产品和产品注册证,虽然这两个前提现在都还不完备,但很多公司已经在积极的探索商业落地的途径,而且取得了比较好的一些效果。

 

商业环节核心的问题是到底谁受益,谁付费。

 

其实在医疗的环节里都希望实现共赢,不管是AI厂商、医院、政府,还是患者,都能够从AI发展当中获得一些正面的作用。

 

数据安全层面,就是医疗数据的归属权究竟是谁,怎样合法合理的使用,包括数据伦理、产品伦理和使用伦理,这些都需要制定一些相应的规范和标准。

 

医院层面,医疗设备进入医院,需要在国家准入标准的管理之下,需要考核评价体系。

 

虽然医院对于AI大多数是“拥抱”的态度,但从医院的领导到普通医生,对于AI的态度和认知水平存在比较大的差异,其实这取决于整个行业的发展。

 

如果整个行业发展没有什么可以挑战或者值得争议的问题,我相信认知可能就趋同了。


出路在哪?


医学影像AI到底应该怎样寻求出路?


※ 算法和技术上要突破。

 

※ 由于AI特殊性,医生要更多、更深入的参与到产品研发,也需要公司更加深耕细作做实产品,也需要社会和资金要有足够的耐心,以及相关监管部门能够在各个环节里面破解发展难题。

 

目前,肺结节AI产品比较成熟,也给了行业一些启示:


第一,算法是成功的核心。

第二,高质量的数据库尤为关键。

第三,要从源头进行顶层设计,标注的质量非常重要。

第四,AI产品要进行大量的训练,以适应临床工作场景。

第五,单一模型不符合临床需求,多任务学习模型才符合临床的应用。

 

现阶段,医疗AI还是基于深度学习的方法,强依赖于标注数据,这对于产品发展来说可能会遇到瓶颈。

 

医生们不一定有充足的时间去标注。未来,我们希望AI能够在深度学习上进行算法的整合,真正实现全数据弱监督或者是无监督学习,由此可能会带来未来更好的一些应用场景。

 

医生层面,去年10月份,我们进行了一次全国调研,覆盖了31个省市和5000多医生。

 

从调研结果来看,74%的医生没有使用AI的经验,使用过的医生也大多数集中在肺结节,其次是冠脉和骨龄,说明AI产品的类别比较单一。

 

另外,参加产品研发是少数,超过80%的医生没有参与过。当然半年过去了,现在数据可能发生了很大的变化,希望这块有了比较大的改变。

 

AI产品跟传统的设备不一样,在整个工作流环节里面,要想让AI能够真正成为所谓的IA(Intelligent assistant智能助手),整个环节都需要医生的深度参与。

 

首先,什么样的产品符合医生需求,这需要医生提出来,尤其是权威医生定出规范和标准。其次,需要有能力的医生进行标注,才能够形成模型。

再次,模型形成了还需要进行训练,也需要医生提供数据训练。

最后,检测需要医生提供数据,再把高质量的标注数据放到检测库。

 

去年,我牵头做了一个关于肺结节数据标注数据库专家共识,现在正在做骨关节、冠脉的单病种征象和标注,也正在编写医学影像术语专家共识。

 

目前,AI每个病种都需要单独来做,肺结节不能够用于冠脉疾病,冠脉疾病不能用于脑肿瘤,脑肿瘤的也不能用于骨折。

 

每个产品的研发开始对疾病的部位、征象认识和标注都要单独形成专家认知,在这个基础上进行标注才能形成产品。

 

而检测库的建设要基于产品性能指标要求来做,那么,这里面包括数据的质量、数量、分割方法、征象都要认证和支持。

 

检测库必须要有相当的容量,具备多样性,同时又是动态和封闭的,要保证其公正和安全性。


【凡本网注明来源非大健康Pai的作品,均转载自其它媒体,目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。】 



医疗AI 刘士远 医学影像AI

关注大健康Pai 官方微信:djkpai我们将定期推送医健科技产业最新资讯