医疗AI的研发之路有哪些路径可循

放眼全球，人工智能（AI）方兴未艾，医疗健康成为AI开发炙手可热的重要领域。自2018年起，我国皮肤病学领域陆续发布了多款AI产品，在医疗AI研发的竞技场上大放异彩。

医疗AI研发，我们有哪些既有经验和路径可循？近日，记者专访了中日友好医院副院长崔勇教授，他是中国人群多维度皮肤影像资源库项目（CSID）项目发起人兼专家组组长，同时参与了皮肤AI应用的研发，从皮肤病学专业这个小切口进入，以其为样本，探讨医疗AI研发的个中奥妙。为什么要研发一款AI产品？研发成功后能否落地推广？崔勇认为，AI很火，但在一片火热中更要对这些问题保持理性思考。

“我们来看看它可能是什么。”崔勇拿出智能手机，打开他参与研发的AI皮肤应用，用连接在手机上的便携式皮肤镜，对着记者手部的一颗深色丘疹拍了一张照片，图像上传至云端后，这款AI产品很快给出辅助诊断结果：良性，可信度98%；前3位最可能疾病包括，色素痣（可信度43%）、血管瘤（可信度43%）、皮肤纤维瘤（可信度14%）。点开每一项可能疾病，都有详细的疾病特征及诊断介绍。

2018年，我国皮肤疾病门诊量约2.4亿人次，但皮肤病专科医生仅有2.8万人，与巨大就诊需求相比，皮肤科医疗资源严重不足。同年，崔勇联手互联网公司完成的一项针对1000名各级医院皮肤科医生的在线调查显示，三甲医院医生对皮肤肿瘤良恶性诊断的正确率平均约为70%，而基层医院仅约为30%。崔勇说，常见病易误诊，皮肤肿瘤易漏诊，罕见病不认识，这就是我国基层皮肤病诊断面对的严峻现实。

“我国皮肤肿瘤的发病率以每年3%~5%的速度增长，其中黑色素瘤的5年生存率仅48%，而美国、日本分别达到93%和67%。除治疗药物疗效存在种族和遗传背景差异外，我国对于黑色素瘤的早期诊断不足是主要原因。同时，我国有银屑病患者700万人，白癜风患者1400万人，对这些疾病的病程评估手段不足，缺乏科学的防控指导，严重影响患者身心健康。”崔勇说，CSID专家组研发皮肤AI的初心，就是从高死亡率的疾病、高发病率的慢病入手，切实赋能基层医生，提高他们对于这些皮肤病的诊疗水平。

算法和数据是AI研发的两大要素。可靠算法价值千金，优质数据更是千金难买。皮肤病学是依赖形态学直观特征建立的学科，皮肤影像已经成为皮肤病辅助诊断和动态评估的重要手段。海量且高质量的皮肤影像数据是AI研发的基础，但长期以来，我国皮肤影像数据一直处于“孤岛林立”的状态。任何一家医院积累的数据，其广度、丰度、深度都远远不足以支撑AI开发。

“数据标注是AI研发的另一个关键环节。”崔勇说。针对皮肤影像数据的深度学习会受到非皮损区域信息的影响，干扰核心信息的读取，因此需要专业人员（主要是专业医生）对目标区域进行标注，更好地建立特定区域影像信息与疾病之间的对应关系。“将标注区域的诊断结果告诉AI，AI在大量重复学习图像共性特点的基础上，通过算法建立自己的诊断思路，这个过程就相当于将专家的诊断经验传授给AI。”

据悉，为了实现数据标注的规范化，项目组制定了皮肤病分类分级标准并申请专利，将皮肤病分为皮肤肿瘤和非皮肤肿瘤，将皮肤肿瘤分为良性、恶性、交界性3类，每一类又分为多个不同层级。“有了分类分级标准才能对影像数据进行规范标注，基于神经网络模式对标准化皮肤影像大数据进行深度学习，才能使AI具备对特定皮肤病作出分级分类判断的能力。”崔勇说。

2018年，国家远程医疗与互联网医学中心皮肤科专委会、中国医学装备人工智能联盟皮肤科专委会联合牵头，建立了包括全国400家各级医院的皮肤影像中心网络。“这为AI的应用推广打下了组织基础。”崔勇说，通过多维度皮肤影像分析管理系统上传皮肤影像，基层医生可以在AI的协助下出具影像检查报告，实现基层检查、上级诊断。

“依托复旦大学附属华山医院医联体，皮肤AI应用跑了一圈数据，3个月时间里，基层医生共调用了3000多次AI，辅助做出了1万多份影像报告。”崔勇表示，对于构建新型远程皮肤病学模式而言，培养具备熟练使用皮肤影像设备能力的基层医务人员是必由之路。CSID依托全国皮肤影像中心网络已经构建了教育和能力认证平台，已培训并认证基层医院皮肤科医生3000多人。

回顾皮肤AI应用的研发历程，崔勇认为，专家主导、技术协同、资本融入，应该是医疗AI研发的可循模式。AI研发的方向和规划，产品的推广体系建设，都应由医学专家从临床需求的角度出发来把握，影像数据库和影像标注的质量控制，也必须依靠专家的指导来完成，“专家团队的缺乏是目前国内不少AI公司的共同短板”。

不久前，崔勇参与研发的皮肤AI应用成为国家卫生健康委统计信息中心评出的“医疗健康人工智能应用落地最佳案例”之一。崔勇说，CSID正在为其他医学AI的研发提供可参考的协同模式。