醫療AI: '風口' | 還是 | '虛火' ?

醫藥網7月4日訊 醫療AI很熱, 但實際落地應用的很少, 目前在影像和診斷方面稍有起色, 加之真正的人工智慧人才尚未湧入到醫學領域, 醫療AI道路仍然漫長.

人工智慧的東風早已吹到了醫療領域.

優質醫療資源的供需不平衡, 醫生培養周期長, 誤診率高, 疾病譜變化快, 技術日新月異, 以及人口老齡化加劇, 慢性疾病增長, 人們對健康重視程度提高, 催生了醫療AI (人工智慧) 的發展.

長嶺資本創始人蔣曉冬對21世紀經濟報道記者表示: '為什麼我們對人工智慧在中國醫療體系中的應用這麼看好? 因為在中國醫療體系中, 醫療質量無法持續性, 醫療資源, 無論是基層還是頭部, 分配不平衡的情況都普遍存在, 而且因錯位機制引起亂象的問題也十分普遍. '

針對這些問題, 人工智慧或可扮演引領產業變革的關鍵角色. 然而醫療行業的高壁壘和特殊性, 也註定了AI賦能醫療的征途必然坎坷.

儘管醫療AI產品的嘗試多種多樣, 但尚未真正落地, 能夠符合臨床使用場景的產品仍缺席. 目前能夠在醫院投入使用的多是科研合作與試驗.

AI醫療的風口吹向重構醫療體系.

具體來說, AI基於大數據, 將頭部醫院的醫療能力賦能基層醫療, 針對不同病種開發輔助診療等功能, 讓基層醫院也可共用頭部醫院的醫療技術, 最終將醫療資源平均分布在各個層級.

通過處理大量高質量的醫療大數據推動人工智慧發展, 如病例, 影像, 基因, 並建立可驗證, 可重複的醫療標準. 使得無論在診前, 診中, 診後還是院內和院外, 患者均可享受標準化的醫療服務.

'人工智慧的未來不是代替醫生, 甚至也不僅僅是輔助醫生, 而是幫助重構醫療體系, 建立新的基礎設施的必要奠基石. ' 蔣曉冬說.

醫療AI的賦能之路, 正是基於大數據的深度學習.

如果把人工智慧分成演算法, 算力和數據三個維度, 則現在行業主要的機會集中在數據及應用層面, 競爭的核心在於數據的質量和數量. 數據是高質量的醫學臨床或生命數據, 這些數據就是磨刀石. '沒有好的磨刀石, 就磨不出好刀. ' 蔣曉冬向包括21世紀經濟報道在內的記者說.

與人類相比, AI最大優勢在於計算高效, 尤其在數據密集型, 知識密集型, 腦力勞動密集型行業裡.

回到醫療領域, 從全球 創業 公司實踐來看, 具體應用囊括洞察與風險管理, 醫學研究, 醫學影像與診斷, 生活方式管理與監督, 精神健康, 護理, 急救室與醫院管理, 藥物挖掘, 虛擬助理, 可穿戴設備等.

而人工智慧對於中國新醫療體系基礎設施的變革也主要包括: 新醫學, 即疾病的篩查和預測, 藥物臨床中病人篩選, 腫瘤診斷與治療, 藥物發現, 新靶點, 新標誌物的發現等; 以及新醫療, 包括資料結構化, 標準化, 多源異構數據匯總挖掘, 輔助診斷, 病灶勾畫優化治療方案, 健康管理等.

眾多細分賽道中, 以影像科為代表的輔助診斷領域一馬當先.

'影像科醫生每天寫上百份報告, 疲憊導致質量下降, 這部分工作如果有一個好的AI助手解決, 解放醫生, 投入更多時間進行病情研究和患者直接溝通才是有意義的. ' 第二軍醫大學長征醫院影像學與核醫學科教授劉士遠舉例說道: '醫院7000多元一份的PET-CT收到的糾紛, 反而比120元一份普通CT要少, 正是因為PET-CT實際操作中讓患者更多得到了與醫生直接的溝通. 今後AI輔助醫生髮展路徑, 也應當更多還原醫生本身價值. '

醫學影像AI作為典型的輔助診斷領域已經走出實驗室, 即將迎來商業化浪潮, 今年也亮點頻出. 部分智能影像診斷 企業 進入三類器械證審批申報流程, 有望正式進入商業化階段. AI影像產品落地速度正加快, 產品性能成熟度不斷提高.

另一方面, 除了輔診領域, 近年來投資動向也開始傾斜於AI+藥物挖掘應用. 即將深度學習技術應用於藥物臨床前研究, 達到快速, 準確地挖掘和篩選合適的化合物或生物; 縮短新藥研發周期, 降低新藥研發成本, 提高新藥研發成功率的目的. 2015年, Atomwise基於現有的候選藥物應用, 使得人工智慧演算法在一天之內就成功找到控制埃博拉病毒的兩種候選藥物.

在醫療AI領域, 資本力量競相跑馬圈地, 互聯網巨頭紛紛搶灘.

2016年被認為是人工智慧+醫療在國內形成投資風口的元年, 共有27家企業在2016年融資, 其中16家企業融資金額在千萬級人民幣以上.

國內各類公司爭相布局醫療AI賽道. 醫療人工智慧的發展迅猛, 去年全年有超過28家創業公司獲得融資, 總額超過17億人民幣.

2017年11月15日, 騰訊進入首批國家新一代人工智慧開放創新平台名單. 此前, 騰訊先以單家 醫院 作為突破, 然後通過建立聯盟或成立聯合實驗室的形式與醫院達成合作.

擁有強大人工智慧人才和技術儲備的傳統互聯網巨頭也紛紛布局醫療人工智慧. 阿里 健康 與萬裡雲聯合推出醫療AI產品 'Doctor You' , 騰訊推出醫療影像AI產品, 訊飛醫療推出了影像輔助診斷系統, 智醫助理.

騰訊互聯網事業部總經理李致峰向21世紀經濟報道記者表示: '騰訊的目標並非一下子切入太多領域, 而是把技術先做深, 再慢慢拓展. 醫療AI的賽道還有很大擴展空間, 行業仍處於起步階段, 騰訊希望吸引更多企業一起到覓影平台裡, 我們也希望能夠同在這個領域已經取得優勢的企業展開合作, 選擇同零氪科技合作, 因其具有超前的數據優勢. '

零氪科技目前與500多家三甲醫院達成合作關係並建立數據中心. 零氪醫療大數據平台已經聚集 280多萬份有效腫瘤患者病例, 單病腫瘤滲透率超過60%. 換言之, 每年新增的腫瘤相關病例, 60%都會進入零氪科技的系統中.

據21世紀經濟報道記者了解, 零氪科技已經在上半年完成D輪融資, 本輪融資達10億人民幣, 有望成為醫療大數據和人工智慧領域第一個獨角獸企業. 據接近人士透露, 經國務院批准成立的, 全球最大的主權財富基金之一 '中國投資有限責任公司' 是此輪融資非常重要的投資者.

全球範圍來看, 投資風口出現在2014年, 主要集中在美國, 英國和印度. 其中腫瘤大數據公司Flatiron 於2014年完成融資1.3億, 2016年完成融資1.75億美金並於2018年以21億美元總價被羅氏藥業收購, 成為全球醫療人工智慧企業中首家被藥企收購的公司. 人工智慧醫療持續升溫.

有數據顯示, 人工智慧+輔助診療潛在市場空間巨大, 至少是萬億級以上的營收規模. 儘管如此, 人工智慧醫療目前仍是蹣跚學步的嬰兒.

劉士遠對21世紀經濟報道記者表示: '醫學的問題很複雜, 維度很多, 不同於其他領域的人工智慧. 對企業來說, 需要的是貼合臨床問題的深入挖掘. '

比如脊柱突出問題, 影像科醫生對此需求很大, 但實際並沒有人或公司開始深入做這個細分領域. 因為涉及脊柱突出的影響維度很多, 複發度高. 有錐體維度, 肩周盤維度, 陰膜囊維度, 頸椎維度, 和軟組織維度等. 更不要說涉及疾病的種類, 錐體的形態, 密度, 核磁共振檢查等難度挑戰.

看似簡單的醫生出具報告如果落到機器層面, 只能通過對單病種大數據的深度學習, 再慢慢整合變成多任務的複合模型, 才有可能實現.

'這個路程非常長, 需要創新和突破, ' 劉士遠說, '目前AI在影像科的應用還僅僅停留在病灶檢測當中, 沒有符合臨床場景的應用落地. 無法實現從檢測結節, 進行分析到出具診斷報告的一體化進程. '

無獨有偶. 中山大學腫瘤防治中心副主任, 腫瘤醫院副院長錢朝南在上周2018中國 (廣州) 風投圓桌峰會上也指出: 'AI很熱, 泡沫也很多. 掌握人工智慧技術的計算機專家和技術的公司興奮活躍, 這叫一頭熱. 另外一頭是冷的, 是醫療應用和臨床, 這種模式顯然不利於行業發展. '

針對企業布局, AI醫療領域競爭同質化問題同樣嚴重.

以AI應用最為超前的影像科為例, 肺部, 眼部應用相對簡單, 企業搶灘布局的紮堆. 然而例如脊柱, 腹部診斷等複雜部位的試水則相對較少. 目前產品端, 只有肺部和眼底相對成熟. 應用最多的仍是肺結節的檢測, 還有一些做肺部的疾病, 包括做肺結節的鑒別診斷. 今後腦出血, 骨折, 冠脈, 肝臟可能也慢慢會進入公眾的視野.

在小範圍AI醫療落地方面, 劉士遠指出, 臨床診療的壓力最大, 對AI落地的期待值也最高. 另在影像科方面, 對評片, 胸部CT平掃, 脊柱的磁共振檢查都是醫生工作強度大的重複性勞動, 對AI的需求也自然更為迫切.

'AI領域真正小範圍落地, 單一的肺結節檢測的最早也得一年以後. 對於實現符合臨床場景能夠出報告的項目落地, 至少還需要三年以上, ' 劉士遠對21世紀經濟報道記者表示, '要實現符合臨床場景的落地, 需要的是各個單一領域的複合學習與應用. '

與國外醫療AI相比, 我國在大數據使用層面與國外處於同一水平, 甚至有更多的應用空間. 但在AI領域核心的演算法競爭上, 中國仍有一定差距, 普遍停留在對於國外演算法的二次創新, 亟待關鍵領域的突破. 'AI技術領域的核心競爭主要正是集中於數據, 演算法和神經網路的突破. ' 劉士遠強調.

零氪科技聯合創始人, 首席臨床運營官李麗平對21世紀經濟報道記者表示: '醫療AI的門檻很高, 演算法專家和醫學專家關注的方向不同, 醫學作為一個系統科學, 數據的邏輯, 建模, 分層非常複雜和豐富. 只有演算法專家和醫學專家深度融合, 彼此聽懂各自的 '語言' , 才能解決這個問題. 所以AI沒有數據不行, 只有數據也不行, 要有一大批能夠喚醒沉默的病例和數據的複合型 人才 , 才能走出最關鍵的一步. '

而在臨床研究領域的實際操作中, 需要解決的具體問題是合理科學招募患者樣本和節約臨床試驗時間. '這就要求提前對設計方案進行切實有效的可行性評估, ' 李麗平補充道, '單純的數據收集軟體很簡單, 但是進行長期數據收集, 處理分析結果則更有難度. 零氪科技的主要發展方向則集中在大數據+差異化, 從後台系統到科研服務多個環節形成閉環數據邏輯. '

除了大數據和臨床的結合, 腦科學難題的攻克也同樣制約著醫療AI發展.

針對神經網路對AI發展的促進作用, 可以理解為神經網路是對大腦系統的類比. 人的大腦是複雜的, 現階段的模仿仍停留在表層的神經細胞. 此領域, 作為國家重點發展方向的腦科學, 要想真正取得突破也必然風雨兼程.

除了臨床應用的脫節以及深耕醫療細分領域的匱乏, 帶來的普適性AI發展困局外. 宜遠智能創始人吳志力還提到, 在AI領域, 不得不承認, 最頂級的人才還沒有大量湧進來, 可能大部分在無人駕駛和在安防, 醫療領域仍十分孤單. 此外, AI演算法人才與醫學人才知識體系不同, 如何融合各自優勢發揮最大價值, 也是值得企業思考的方向.

'公司專做AI的或者兼做AI的, 大家都在往人工智慧領域方面發展, 簡單的統計一下, 大概做醫學領域AI的就有120多家, 而現在醫療AI領域的專家缺口, 尤其是AI核心演算法的專家, 可能是缺口當中的缺口. ' 劉士遠說.