AI智能助力放射科医生读片4万张 成为超级助手

随着新兴技术的发展，医疗产业作为AI与垂直行业紧密结合的一个重点领域，已经越来越多地落地到实际运用场景中。根据前瞻产业研究院发布的报告，中国医疗AI的市场规模在2016年已达到96.61亿元，有望在2018年达到200亿元。

从几秒成像的智能CT辅助影像诊断系统，到涵盖量血压测脉搏的自助导诊仪，在上海一些三甲医院的急诊大厅或是医务人员的办公室，都可以找到AI(人工智能)技术的身影。

上海交通大学人工智能研究院副院长王延峰告诉记者，当前AI在医疗领域产生还未产生变革性的创新，但已经开始运用的这些场景对于提高医生的诊疗效率是毋庸置疑的，AI可以帮医生完成冗余重复、低技术含量的工作，成为超级助手，更大效能发挥医生的医学专业技术。

医学影像领域是AI发力重点

从全球层面看，美、英、日等国均高度重视AI在医疗领域的应用。

中国信通院《人工智能发展白皮书产业应用篇》显示，美国的FDA(食品药品监督管理局)实施了“数字健康创新行动计划”，重构数字健康产品监督体系，并单独组建成立AI与数字医疗审评部，加速 AI 医疗发展;英国 NHS(国家医疗服务系统)正计划在整个卫生服务部门大规模扩展AI，用于日常操作和治疗;2016年起，日本厚生劳动省就开始规划AI医疗相关政策，包括医疗费用的修正、采用AI医疗的激励措施等，并预计在2020年全面实施与推动AI医疗制度。

我国也相继印发了《关于促进和规范健康医疗大数据应用发展的指导意见》、《新一代人工智能发展规划》、《“十三五”卫生与健康科技创新专项规划》、《关于促进“互联网+医疗健康”发展的意见》等文件，规范和引导AI技术在医疗领域的应用。

上海于4月发布的12个首批AI试点应用场景中，就有来自复旦大学附属肿瘤医院、上海第十人民医院等单位入选。

记者在走访中发现，AI在医学影像技术中的应用，已经成为部分医院较为成熟的领域，这也和全球的数据相吻合。

由于医疗影像诊断有着可存储、可传输，又相对标准化的特点，也成为最早应用在AI研发和落地的领域。根据Global Market Insight的数据报告，从应用划分的角度来说，AI医学影像市场作为AI医疗应用领域第二大细分市场，将以超过40%的增速发展，在2024年达到25亿美元规模，占比达25%。

“随着AI技术的发展，机器对图像的理解能力上升到了新的高度，而相当一部分医疗数据来自影像数据，利用深度学习对影像内容作检测分类和量化已达到了较高的准确率。”王延峰告诉记者。

技术在发展，但我国还存在医疗资源分布不均的问题。截至2018年底，中国每千人医师数是2.4人，医生密度低也造成了医院无法满足患者居高不下的需求。

这一表现在影像领域更为突出。根据《中国人工智能医疗白皮书》，以肺结节检测为例，一家三甲医院平均每天接待200例左右的肺结节筛查患者，每位患者在检查环节会产生200~300张左右的CT影像，放射科医生每天至少需要阅读4万张影像。不同于智能机器，人每天在长时间处理机械式阅片工作后，精力和准确度会下降，这就有可能出现误诊的情况。

同时，每年上升30%的影像检查量和平稳增长的影像医生资源(4%)也让影像诊断有了发展空间。

上海第十人民医院放射科主任汤光宇对第一财经记者直言，就算是像他这种经验丰富的老教授，也无法保证在长时间看片时没有遗漏，而对于肺结节病人，最担心的就是漏看。

“有的病人一个肺里有很多结节，这种情况下，即使95%的结节都没有问题，但漏了一个可能就会带来严重后果。”汤光宇说，至少AI在医疗影像识别领域帮了医生一个大忙。“能将医生诊断效率提升30%~50%，比如解放一些老专家，让他们有更多时间进行深度研究。”

但AI就不会存在遗漏的情况吗?汤光宇表示，医生可能更需要注意AI系统的“过度”诊断，由于AI辨识非常灵敏，因此偶尔会出现过度诊断的情况，这时候医生最后的甄别也就更为重要。

《中国人工智能医疗白皮书》显示，据第三方统计，从100家与AI相关的非上市企业2018年预计营收来看，1/10是AI医疗公司，这10家AI医疗公司里有6家属于AI医学影像领域。在融资方面，AI医学影像是获得融资最多的医疗领域。

未来的超级助手

不只是医学影像领域，在上海的一些三甲医院，导诊机器人、智能助理等AI辅助手段都已经开始尝试运用。

在上海第十人民医院的急诊楼大厅，一个蛋壳式的导诊仪器引起了记者的注意。一名胸痛患者自己在“蛋壳”内量血压、测脉搏、测体温后，直接前往医生处进行下一步诊断。此时，医生电脑里已经同步出他的初诊情况，整个过程不到十分钟。

类似情况还出现在复旦大学附属肿瘤医院。数据显示，过去一年，该医院年门诊量达144.72万次，如何有效分配资源成了他们亟需解决的问题。如今，他们在挂号环节就利用AI实施了定向分级。

“其实有很大一部分病人是不用挂专家号的，我们能否在病人挂号前分析病人病情，为其匹配相应专家，避免号源浪费呢?”复旦大学附属肿瘤医院副院长吴炅对包括第一财经在内的记者表示，这种情况下就出现了“精准预约”的预约挂号模式，通过患者上传的真实病例资料，让AI引擎有了“分诊功能”。

在该项服务下，每位患者平均节省2.5小时的就诊时间，患者挂专家号的等待时间平均减少7.4天，到诊率提高了7%。专家门诊的效率平均提高了3.5倍左右，并且有效打击了黄牛号的现象。

可以发现，上述的诸多“AI+医疗”的应用场景，目前还是处于比较基础的图像、语音等AI应用层，并未出现深度学习的场景，这也和人工智能以及医疗行业发展的自身特点有关。

“目前‘AI+医疗’的运用主要还是为了提高医生能力，代替医生完成冗余重复、低技术含量的环节为主。”王延峰说，以智能辅助诊断为例，虽然如今应用得越来越多，但是仍处于起步阶段。AI的深度学习依赖海量数据提升模型性能，但医疗数据获取和标注的难度远比公共数据要大。另外，部分公众对于智能化诊断的接受程度相对较低，基层医生也习惯于传统的诊疗模式。

不过，王延峰认为，未来我国“AI+医疗”的应用前景可期，尤其可以在诊断、推理、管理、手术、护理、病历、培训等多个领域充当医生的“超级助手”。“比如AI护理机器人可以补充我国护理人员缺口。培养年轻医生过程中，智能模拟系统以及已经运用比较多的智能辅助影像系统，都可以提高这些经验不足的年轻医生处理问题的能力。”

我国市场上大致成型的AI医学影像产品大多正处于医院试用阶段，该领域的公司基本还没实现盈利。“AI医疗企业如何获得盈利是一个值得思考的问题。在一个公益服务体系下如何构建盈利模式，是他们未来的一个挑战。”王延峰认为。