AI赋予医疗降本增效功能，但医疗智能化之路依然崎岖

一、医疗领域存在的问题：1、“看病贵，看病难”、“医疗资源不均衡”等；2、诉求背后是“高水平医护人员少，还分布不均衡”、“医疗资源配给不足”等；

二、AI赋能于医疗领域，是一项降本增效的工具：1、七大类“医疗+AI”企业；2、医学影像是医疗领域距离商业化最近的板块；3、AI在医学影像中的具体应用；

三、大数据不能共享、医疗信息未能标准化，医疗智能化之路依然崎岖：1、大数据共享问题；2、医疗信息标准化问题；

一、医疗领域存在的问题；

目前医疗领域存在、最迫切需要解决的问题是什么？新浪微博针对这个问题发起了一项调查，最终结果是由3933人参与单选投票得出，一定程度上反映了民众所认为的、医疗改革迫切需要解决的问题。

你认为医疗改革方面最迫切需要解决的问题是什么？

如（上图）图1所示，在3933人的随机投票结果中显示，有39.6%的声音吐槽“看病贵”，其次是“医疗资源不平衡”、“医患关系”、“基层医疗”等。医疗行业的基本参与者——是医院（医疗资源）、医护人员和患者，前者在这篇文章不予以重点讨论，后二者关心的无非是“看病方不方便、贵不贵”、“今天能不能准时下班”、“今年工资会不会涨”这些朴素的诉求。

挖掘这些诉求更深层次的背后会发现，医疗现状存在着如下的问题。

结合图2和图3分析。

从供给方看，医疗资源配给不足，医护人员高水平稀缺还分布不均；

对于医护人员来说，高水平的医生稀缺，还大部分集中在一线城市，除却人才的医疗资源也是配给跟不上需求。国家卫生计生委主任李斌在出席十二届全国人大五次会议的记者发布会的时候，就表示，“目前存在优质的医疗资源总量相对不足，分部不均衡的主要问题”，“促进优质资源下沉、重心下移，首要就是通过改革来建立分级诊疗制度”。

从需求方看，“看病难”、“看病贵”；

民众的主要诉求的是缩短看病时间和降低误诊，相信“看个病9成时间在排队”的感受人皆有之，当然这里排除了部分服务好的私立医院。

二、AI赋能于医疗领域，是一项降本增效的工具；

在医疗领域，AI发展其实有一些年头了，是深度学习时机的到来让人们对AI有了新的期盼，无论是期待AI的到来能替换医生，还是诊断出某些疾病，甚至是基于大数据来选择最佳治疗或预测结果。

基于亿欧智库对业界观点的整理发现，对医疗+AI的前景期望：一种观点是“加速型进化（Accelerated Evolution）”，另一种观点是“破坏性革命（Disruptive Revolution）”。

在西门子医疗CAD（Computer Aided Detection，计算机辅助检测）部门负责人周翔博士看来，这只是一个“进化”而不是“革命”，“加速型进化”早已悄然启动，正在顺利前行。仅在医学成像领域，深度学习正在提升所有模式识别的能力，从解剖结构到疾病，以前所未有的速度提高工作流程和效率。

1、七大类医疗+AI企业；

针对医疗领域存在的问题，市面上涌现了一批“医疗+AI”的公司，亿欧智库对其做了定类划分：医学影像类、基因测序类、医疗大数据类、医疗服务类、健康管理类、药品/器械研发类、机构信息化类，如图4（上图）。

以下为分类界线的划定：

（1）机构信息化类：这类公司主要通过数据监测和分析的方式，帮助医疗机构提升运营效率和诊疗效果，降低支出成本。

（2）医疗大数据类：这个分类相对比较模糊，因为实际上其他几个类型都离不开医疗大数据。不过，这类公司相比而言更加注重数据本身的研究和分析。比如鼎鼎大名的Flatiron，就是搭建肿瘤大数据平台、累计肿瘤患者数据，并通过对数据的研发和分析服务临床、科研、新药以及患者治疗。

（3）药品/器械研发类：基于大数据和人工智能技术，让数据的计算模拟药品/器械研发过程，来帮助药企/器械厂商缩短研发周期，降低研发成本。

（4）医学影像类：基于人工智能、深度学习技术，帮助医生更快更准确的读取病人的影像数据，以更好的做出判断，目前计算机已经可以完全自动地阅读心电图，半自动地阅读宫颈刮片图，和独立承担许多实验诊断学的测试项目。

（5）医疗服务类：通常所理解的临床诊断辅助系统，包括早期筛查、诊断、康复，手术风险监测，用药安全等，而且会分不同领域，比如血液、睡眠、神经、心理等。

（6）精准医疗类：基于对人体本身的数据化，并通过对这些数据的分析提供精准治疗，基因测序的数据和通常的医疗大数据含义不一样，但是放到未来人工智能和精准医疗在基因测序这个环节上，也许是连通的。

（7）健康管理类：这里主要把对个人的健康管理和以个人用户为主的可穿戴设备，都归入其中。这类公司主要用是用户个人的健康数据来预测疾病风险、提供健康管理方案。这是医疗+AI少有的to C类别。

图5（上图）为亿欧智库收集的对应分类的部分相关“医疗+AI”企业，如有遗漏欢迎联系补充，文末有微信号。

2、医学影像是医疗领域距离商业化最近的板块；

在以上7大分类当中，医学影像是业界普遍认为距离商业化最近的板块。

一方面因为影像数据是所有医疗数据中标准化程度最高的；另一方面，医学影像受关注度高，医学影像在现代医学、生物工程和计算机信息技术的推进下，已然成为与外科、内科并列的三大治疗手段，许多重大疾病，如癌症和某些心脏病，通过高端的医学影像设备，可以在病变早期发现，不仅可以提高治愈机会并且控制了医疗费用。高精度多模态医学成像技术早已成为全球各大科研机构和跨国公司角逐的热点。医学影像市场早已是个千亿级规模的市场。

3、AI在医学影像中的具体应用；

从周翔博士的《人工智能的医疗应用：商业化和工业化之随想》一文中，亿欧智库总结出（如上图图7）：AI赋能于医学影像设备两只眼睛，一只专注于看疾病，这也就是传统的CAD（Computer Aided Detection，计算机辅助检测）领域，另一只眼睛将专注于看解剖结构，ALPHA（Automatic Landmarking And Parsing Of Human Anatomy，人体解剖学的自动标识和解析）。

1、ALPHA：基于机器学习的对人体解剖结构的自动检测在医学成像领域得到了广泛的应用。CT和MRI机器能够从预扫图中自动找到各种解剖结构，然后非常精准的对目标结构（比如说大脑）进行成像，同时减少对相邻敏感器官（比如说眼角膜）的不必要的伤害，还能跟踪器官运动，以及提供各类测量，如图8（上图）。

ALPHA工具帮助大大提高成像的质量、速度、一致性和重现性：一致性指的是指的是不同的技术人员扫描同一病人出来的图像应该是一样的。重现性的一个例子是，比如说六个月以后所照的膝盖磁共振图片应该与六个月之前的图片正好切在同一个解剖平面上,这样才能看清楚六个月的治疗的真实效果，并帮助放射医生更快更好地处理分析图像和撰写报告。

2、CAD：类比于自动驾驶中L2到L3会有事故责任主体的转变，在医学影像中也有。不过CAD计算机辅助检测算法大部分时间担当的是“第二读者”的角色，算法仅仅提供帮助／辅助，医生仍需要对图像的采集和分析负全部责任。到了L3级AI成为“第一读者”，也是“唯一读者”的时候，就成为要对事故负责任的主体。据周翔博士在其文章中介绍的，目前在心电图监测、宫颈涂片和一些病理图像自动分析的任务中AI早已扛起了主要责任。“医生只需要审核一下那些算法找到的可疑的病变区域。计算机将分析所有的胸部X射线图像，并且直接向临床医生指出哪一些人可能有病变，而把那些看上去正常的健康的人直接送回家。”

三、大数据不能共享、医疗信息未能标准化，医疗智能化之路依然崎岖；

尽管AI能着实助力医疗的改变，但解决医疗的问题是一项长线战役。

基层的诉求是“加工资、快下班”、“看病贵、看病难”，从长期来看诉求得不到满足的原因出在“大数据没能共享”、“医疗信息未能标准化”，如图9（上图）。

由于医院系统的封闭性、数据的敏感性，医院之间并不互相承认结果，导致了大数据的不足，再加上医疗信息标准化的缺失，可以说在很长的一段时间内，若没有解决大数据共享和医疗信息标准化这两个难题，医疗智能化之路依然崎岖。

1、大数据共享；

创业者需要大量数据，而医院和患者又要守住数据。

（1）医院：创业者需要大量共享数据，而医院和供应商为了利益更需要坚守壁垒，阻止共享。多年来庞大的利益链，使得数据共享化面临难以打破的僵局。如何打破各方利益，保障数据安全性，将是医疗智能化的一个重要前提。

（2）患者：另外，即便数据打通了，对于患者来说，数据安全性的保障又是另外一个难题。没有患者希望自己的数据被人泄露。

2、医疗信息标准化；

医疗信息标准化方面，医院的数据大部分没有形成标准化，即便有电子病历，内容上也是医生主观输入，而非系统化标准语言。如果在医疗领域无法形成各类信息的标准化，精准医疗等无异于纸上谈兵。

就跟玩游戏打怪一样，要满足诉求层的期盼，实现大数据共享和医疗信息标准化中间横着重重关卡，在医疗智能化的道路上，AI尽管能发挥着实在的降本增效的功能，但要解决医疗的根本问题，便会牵扯出其背后庞杂的利益网等棘手问题，医疗智能化依然崎岖。

来源：亿欧网   作者：吴亦