尋找 AI 醫療商業元年

在 AI 醫療崛起的過去幾年，醫療影像和電子病歷被認為是臨床應用最核心的兩大商業場景。儘管人工智能技術儼然在輔助診療領域初顯身手，但眼下，很多產品仍受製於數據不規範，以及體驗效果還不盡人意的情況。

在過去的一段時間裡，創世夥伴合夥人梁宇行走在一些三四線城市，被「多到無法想象」的街頭小診所驚詫。他透過玻璃門窗，隱約看到五六名患者掛鹽水，大夫坐在一旁的場景屢屢重現。這是當地居民的基層醫療就診環境的真實寫照。

自醫院開設之日起，就肩負起救死扶傷之責任，注定了自身與一般商業性服務場所存在的巨大不同。儘管所有人無不期盼著，技術創新有朝一日能為傳統醫療提效賦能，讓優質的醫療資源充分得到合理分配，但在醫院這種極度封閉的環境內，設備和服務提供商進入市場時，難免遭遇阻礙。隨著人工智能技術的發展和產品的快速迭代，如何更好地把先進的 AI 產品投入臨床使用，降低醫生重複性的勞動投入，是企業、資本和醫療從業者的關注焦點。

作為投資機構，梁宇在看 AI 醫療賽道時，發現創業公司存在的普遍情況是「商業化沒有取得突破」。從 VC 的角度來講，他也一直在尋找「AI+醫療」的商業元年。

在 AI 醫療走向崛起的過去幾年，醫療影像和電子病歷被認為是臨床應用最核心的兩大商業場景。儘管人工智能技術儼然在輔助診療領域初顯身手，但眼下，很多產品仍受製於數據不規範，體驗效果還不盡人意的情況。

電子病例的應用還處於早期階段，如何抽取結構化和標準化的數據特徵是關鍵 | AI 創新者論壇

電子病歷：數據不規範

在醫療行業內，電子病例被認為是醫療處方下沉到地市級醫院的正確認知和方向，清華大學統計學研究中心副教授俞聲對此深信不渝。但長久以來，我國的醫療基礎設施、醫學信息學與歐美發達國家的差距較大。同樣是數據，電子病例用到的數據和人工智能領域所談論的數據截然不同。

一般而言，電子病例的數據分為兩類：一類是疾病診斷、手術等編碼型數據；另一類數據涉及診療細節。後者需要結合醫生的臨床經驗和知識儲備，以自由文本的形式記錄在病例內。作為存儲用的數據，這一類數據和機器學習需要的數據類型差異很大。將這兩種不同形態的數據「通用化」，中間橫亙著一道狹長的溝壑。

舉個例子，心電通常以是波形圖的形式呈現，AI 執行這項任務的難點，主要是醫生在病例上對心電的各種症狀和診斷描述不統一。「這些術語在英語體系下比較好用，畢竟其發展已經有 30 年的時間，迄今累計有幾百萬種醫學相關的概念，幾千萬條的醫學術語，所以在歐美做醫學語言處理相對容易」，俞聲如是說道。

相比之下，中文的積累處於剛剛起步的階段。「因為基礎設施還沒打好，如果做電文的電子病例分析，當務之急去建設並補全中文的醫學術語庫，搭建基礎層以後，才能在上面獲得更好的發展」，俞聲指出，「基於 AI 電子病例在結構化和標準化方面不能完全歸一，眼下需要借助 AI 算法，把病例中與疾病相關的特徵抽取出來，然後才能把大量的特徵交給機器人去做深度學習」。

醫渡雲大數據應用算法總監李林峰表示，若要將個體病患的完整病例整合起來，需要介入並打通幾十個系統。這裡遇到的問題是，不同醫院對病例的描述方式也千差萬別。這就迫切地需要把各項大數據相結合，形成統一化的數據集，以便構建標準化的數據模型。

據了解，醫渡雲從 2013 年成立至今，累計投入 10 億人民幣，用於系統建設和數據分析工程，目前已經與 100 多家醫院達成合作，幫助這些醫院構建院內的大數據平台。

AI 醫療的底層技術架構雖然已經比較成熟，但在很多專科疾病領域，由於疾病的複雜性和特徵差異性，讓機器在短時間成為全科專家是不可能的事情。因此，醫渡雲從單例病種切入，將每一種疾病需要抽取的相關特徵，通過結構化的方式提取，幫助醫生建立數據庫，從而針對這些數據做進一步的科學研究和臨床分析。

「在做電子病例研究的時候，數據的獲取是很難的，而且是不規範的」，俞聲表示，醫學信息學基礎設施的缺失對 AI 醫療的發展是重大的障礙，目前，清華大學統計學研究中心主要的工作方向集中於醫學術語的提取、自動識別、補全，建立能夠應用於 AI 醫療和電子數據分析的術語庫。

另一方面，關於醫學知識圖譜的建設，如果要預測某種疾病，依照它的知識關係去提取相應的變量，再去建模，而不是直接將所有變量扔到模型內直接預測結果。俞聲希望到今年年底，完成第一批用於電子病例分析的中文醫學術語的分析工作。

在影像學的診斷過程中，一些信息不是從原始數據中獲取，而是通過圖像再處理產生 | 視覺中國

醫療影像：投放≠使用

過去一年，創世夥伴資本把投資重心向 AI 醫療傾斜。合夥人梁宇走訪多家醫院的影像科發現，不少公司的產品挺好，可就是沒有開機，「醫生根本沒有用起來」。很多創業公司對外宣稱，產品進入了多少家醫院，但讓醫生把產品用起來，並滲透進他們的日常工作，還有相當長的距離要走。

回到產品本身，AI 產品投入到臨床應用時，醫生之所以不願意使用，根源在於「產品做得還不夠好」，「常用的系統沒有嵌入進來」，導致醫生還依賴於工作站來看圖像。這樣的 AI 產品不僅沒有幫助醫生提高效率，反而在浪費醫生的時間。

另外，創業公司自己也要把跟客戶的交流，包括跟醫院的合作，最重要的一點在於，能否做出真正打動醫生的產品。如果這個產品在 100 家醫院醫生用得很好，國家不可能不去推這樣好的產品在醫院用。

清華大學醫學院生物醫學影像研究中心研究員趙錫海從事於心腦血管技術研發和臨床運用研究工作，涉及醫學影像的開發、臨床應用、產業轉化，他從臨床醫生的角度分析了對於人工智能的見解和想法。

他認為在醫療活動中，影像學扮演的角色是疾病診斷，「從病人進入到醫院，到身體康復後走出醫院，整個過程不僅是診斷，還涉及治療的全過程」，人工智能在臨床醫療的各個環節都可以發揮重要的作用，在疾病診斷環節，影像學只是其中的一部分，還有病理、血液檢測等部分。

因為模態很多，影像學相對複雜。例如腫瘤診療，從超聲到 CT 完全由臨床醫生一人來操作。趙錫海談到：「X 光和 CT 都屬於 X 射線，維度一樣，因此這方面突破難度較高。而磁共振的維度也比較多，成像序列比較多，方法也層出不窮，一個病人可能要掃描很多的序列，人工智能分析起來比較困難。」

王書浩表示，醫療影像的賽道目前還沒那麽擁擠，一方面是因為掃描後的影像體積大小在 1G 左右；另外，信息量非常大。病理醫生至少在畢業後再學習 10 年才能達到資深水準，也足以說明知識量的廣度和強度，「比如乳腺癌的分形有 300 多種，讓機器學習這些數據的難度是非常大的」

在影像學診斷過程中，有一些信息無法從原始數據中獲得，需通過圖像再處理之後產生。圖像後處理本身就頗具挑戰，這些信息輸入以後再進行分析，是比較複雜的。如果要提取更多的信息，目前比較好突破的是 X 光和 CT，而超聲受操作者經驗的局限，不容易在短時間內取得突破。

在與醫生交流的過程中，王書浩發現病理科在中國是相對弱勢且比較落後的科室。所有病理科的醫生無不在顯微鏡下看片子，數據沒有機會被數字化，而人工智能病理對於這樣的科室而言，無疑是革命性的概念，促使其從傳統到數字化的轉型。從醫學角度來講，病理是近乎於疾病本質的學科，病理醫生又被稱之為「醫生的醫生」。如果 AI 能夠解決這樣的問題，就能夠和腫瘤治療的一些本質強關聯，這將更加富有意義。

AI 醫療商業元年難覓

雖然在商業化落地方面，業內目前尚未有明確的統一答案。不過，匯醫慧影 CMO 張雪峰堅定地認為 AI 影像必須要走 ToB 路線，而不是 ToC。另外，「要用人做事，而不是做事用人」，要從公司的優勢資源入手，才能做出落地的產品。

李林峰則認為：「好產品被用戶認可需要兼具這兩種屬性，一是解決用戶剛需，二是技術發展得足夠成熟。」在現階段，醫療影像的相關產品是最適合在臨床落地的應用之一，它或將成為 AI 醫療的爆點。醫療影像產品可以保證高速處理且全年無休，不僅能夠緩解三甲醫院的醫生就診壓力，還能解決基層醫院的實際需求。

從醫療活動的特殊性來看，從事 AI 醫療技術開發的企業，首先要了解醫療活動的特殊性。趙錫海強調，醫療活動是一個高度受關注的行業，一旦出現相應的問題，整個社會反響都非常強烈，因此，一腳踏進醫療行業的創業者需要非常慎重。

這種特殊性決定了診治過程不是冰冷的醫療操作，而是包含了人文關懷在其中。未來，患者很難想象自己面對的是一個沒有感情的機器人，對其問詢病史，做出診斷，采取治療。

此外不得不提的是，醫療活動涉及到大量病患的隱私，無論是電子病例還是醫療影像產品投入使用，如何對數據進行處理，保證數據脫敏、去隱私化的處理，需要一套嚴密的操控流程和防範機制。

當然，醫療活動必定遵從行業規範和監管。在現階段的醫療活動當中，人工智能技術和產品的融入，需要人們很長一段時間改變觀念。在政策法規方面，政府和行業內的合力破冰，是日後 AI 醫療大有可為的主力推手。

圖片來源：視覺中國、網易