智慧醫療“撫平”就醫內卷

導語：從2008年“智慧醫療”的概念首次被提出，到如今，智慧醫療雖然早已不是一個新鮮的名詞。

出品丨數科社 作者丨檸溪

疫情催溫數字化發展的這兩年，在以 5G 等為代表的技術驅動下，中國智慧醫療市場需求高速增長，規模迅速擴張，全國各地都在積極探索智慧醫療，醫療行業正迎來新一輪重大變革和轉型，新的運用場景也在加速落地。

來自光明網最新報道顯示，在新冠肺炎疫情期間，依托“天河人工智能創新一體化平臺”構建的世界首個“新冠肺炎CT影像綜合分析AI輔助系統”，已為百余家醫療機構提供服務，訪問量已超過100萬次。

實際上，這個智能系統是的基礎其實是基于“天河人工智能創新一體化平臺”構建的“天河智能醫學影像云”。組建沒多久的這個“影像云”平臺，已形成集大規模影像數據安全高效匯聚管理、人工智能醫學智能影像輔助診斷、云端影像多角色多終端協同診察為一體的系統化應用，目前處于落地服務階段。

某種意義上講，這可以被看作的智慧醫療云服務在中國普及的開端。

01丨AI抗疫的應用

2020年疫情爆發之后，當時醫療界專家一直在思考一個問題，那就是在大流行疾病面前，如何準確提升醫生診療的水平同時還能減少時間成本。

關鍵，在醫學專家眼中，一開始新冠病情嚴重依賴核酸檢測結果，問題是有些核算結果未出但CT影像已經有癥狀的病人，容易耽誤最佳診治時間。

于是，2020年3月，國家衛健委在專家提醒后下發通知，要求一線醫療工作者通過多種診療手段共同判定病人是否患有新冠，而不單單依靠核酸檢測結果。

然而，新的問題又出現了，那就是雖然典型的CT圖像可能有助于早期篩查疑似病例，但由于各種病毒性肺炎的圖像比較相似，影像科醫生很難通過肉眼直接判斷。

為此，醫療專家和人工智能專家都不約而同把目光投到了AI影像分析領域。

這個任務交到了國家超級計算天津中心應用研發部手里。不過一開始，團隊被很多重復的算法疊加以及邏輯梳理的工作困住了。

因為不熟悉面對的醫療領域各種工作流程，整個技術團隊無法站在醫生的角度考慮問題，技術在實現過程中走了很多的彎路，而且代碼越弄越復雜。

再加上之前他們希望能利用一套系統解決所有的問題，于是不停給系統增加學習的樣本，但系統由于無序的知識灌輸所產生的學習效果也非常不到位。

最后，將目標聚集在新冠CT影像識別上才有突破，這其實相當于在一個有邊界的地域抽取關鍵知識，并對關鍵知識進行優化，以實現在關鍵點的知識圖譜完美覆蓋。

最終國家超級計算天津中心應用研發部在全國醫療影像專家的支援下，僅用20天左右，“新冠肺炎CT影像綜合分析AI輔助系統”就成功上線。

該系統基于“天河人工智能創新一體化平臺”，實現了基于CT影像的新冠肺炎特征檢測功能，可作為臨床輔助診斷手段，有效提高了新冠肺炎患者的篩查能力。

由于當時有突發大量的一線臨床影像可以供系統學習，整個系統進化速度非常快。兩個月后，系統就已經正式可以對外提供服務。

相較于影像醫師約10分鐘/例及最初核酸檢測總耗時24—48小時，使用這個系統的檢測分析每例只需要10秒。而且經過不斷系統優化，該系統的總準確率已超過90%。

由于該系統不需要現場部署，可以遠程在電腦、手機等多種終端使用，目前已為包括美國、墨西哥、印度等全世界多個國家與地區的醫療機構和科研機構提供了技術支持，切實為全球抗疫貢獻了強大的科技力量。

這被看作是曾經遙不可及的智慧醫療云服務第一個落地的項目。也被很多業內人士看作中國智慧醫療云服務發展的基石。

一方面，它連接醫院等內部醫學影像系統，將患者醫學影像數據及診斷報告情況近實時上傳至云端，并面向包括醫院管理人員、醫生、患者等多種角色提供基于云端協同的醫學影像管理應用，包括影像存儲、影像協同、遠程會診等功能模塊，同時提供基于數據權屬和角色權限的云上閱片應用，即電腦、手機等多種閱片模式，滿足云膠片、云PACS等服務需求。

這同時也為整個智慧醫療影像云的學習建立了龐大的數據庫，有利于整個系統的進化和升級。

另一方面基于對新冠肺炎、糖尿病視網膜病變、腦出血、肺結節、乳腺癌等疾病的智能輔助診斷算法及建模能力，它還建立了基于醫學影像的人工智能輔助診斷系統，輔助醫生提高影像診斷準確度及診斷效率，實現醫學影像數據從醫療機構采集到云端存儲管理，再到智能化輔助分析診斷，直至面向醫生及患者服務的一體化應用，打造“數據不離開平臺、可用不可見”的醫學影像安全高效智能應用模式。

這實際上在節省中小醫院經費同時提升了這些中小醫院診療疾病的水平，可以增加各個地方醫療資源普及的力度，同時降低病人被誤診的可能性。

02丨深度學習的陣地

如今，得益于智慧醫療的不斷發展，看病有望變得更加方便快捷：基因檢測可發現健康人的基因缺陷，盡早提示健康風險；通過醫療大數據建立病癥模型，幫助醫生迅速診斷病情；可口服的納米級智能手術機器人在進入人體后，進行精準無創手術；人工智能家庭醫生作為補充，負責常見病的治療和慢性病的護理……

而某種意義上，在AI已經成為中國當下最火熱的技術賽道的時候，醫療單位如何在這場技術的洪流中緊跟技術趨勢完成升級轉型，考驗的不僅僅是相關研究單位的發展視野和戰略，更是考驗技術負責人對于醫療傳統業務轉型的把控力。

這就需要深度學習的模型規劃和算法調整能力，而這也是智慧醫療云想真正落地實現普及的前提。

中國知名人工智能專家吳明輝曾表示，AI落地創造價值唯有從大數據開始，“凝練大知識，協同HI(人類智能)、AI(人工智能)和OI(組織智能)三者合一的能力，以人機同行、行業服務為抓手，將大AI思想落地到行業應用場景中。”

這其實也是深度學習理論應用在智慧醫療云發展的理論基礎。

深度學習屬于機器學習的分支，是目前實現人工智能技術的重要手段。隨著深度學習技術在圖像處理和計算機視覺領域的廣泛應用，利用深度學習技術輔助臨床診斷和決策已成為醫學圖像分析領域的研究重點。

醫學影像智能診斷的流程可大致分為3個步驟，首先獲取大量高質量的圖像數據，然后對圖像進行預處理，最后挖掘圖像信息，進行分析預測。其中海量、高質量的圖像數據是深度學習訓練的基礎，圖像預處理（如配準、感興趣區域提取）是后續分析準確度的基本保障，挖掘信息、建立預測模型是臨床智能決策的關鍵。

首先，海量、高質量的醫學圖像數據是利用深度學習技術實現影像精準診斷的基礎。然而，由于成像設備和采集時間等因素的限制，在醫學成像的過程中不可避免地會受到噪聲、偽影等因素的影響。同時，針對某些成像方式，需要在成像分辨率和采集時間上進行折中，例如在CT成像中，為了降低輻射的影響，需要減少投影采集數目，因此優化低劑量CT圖像的降噪效果就成為很多醫療企業想通過AI解決的重點問題。

而當前的深度學習能力，完全可以利用有噪圖像和無噪圖像來訓練模型，學習噪聲類型，或者學習無噪圖像與有噪圖像之間的對應關系，進而實現圖像降噪。

其次，高分辨率的醫學圖像可以提供更多的臨床診斷細節，然而由于采集設備的限制，臨床上高分辨率圖像較難獲取。

因此，如何利用深度學習技術從一幅或者多幅低分辨率醫學圖像中獲得高分辨率圖像成為當前主要研究熱點之一。隨著深度學習模型在自然圖像超分辨率重建中的成功應用，采用深度學習模型進行醫學圖像超分辨率重建的研究逐漸開展起來。

第三，也就是最重要的醫學圖像目標識別，這屬于臨床診斷的一種，即在一幅圖像中標記出可能病變的區域，并對其進行分類處理。

傳統的人工標記識別費時費力。最初將深度學習模型應用于目標識別時，主要是將圖像分成小塊，逐塊輸入由CNN等組成的二分類模型中，判斷其是否屬于目標區域。隨著深度學習模型在目標檢測領域的快速發展，尤其是Fast R-CNN模型和Mask R-CNN模型的出現，將整幅醫學圖像輸入模型，即可一次找到所有可能的目標區域。

此外，在醫學圖像目標識別中，同樣存在數據不充足的問題。為了解決這個問題，基于遷移學習的醫學圖像識別逐漸開展起來。

如基于ImageNet數據進行模型遷移，實現肺結節、乳腺癌和結直腸息肉的檢測。同時，基于臨床經驗知識指導的遷移學習也被應用到醫學圖像的目標檢測中。典型代表有AGCL模型，其基于注意力的課程學習，實現胸片中的腫瘤檢測；CASED模型，其可檢測CT圖像中的肺結節；特征金字塔模型其采用不同對比度的圖像，利用多尺度注意力模型實現腫瘤檢測。

根據中國信息通信研究院數據顯示，2017年中國人工智能市場規模達到217億元，2020年已經超過700億元，年度復合增長率大于50%。

正因此，這兩年全球的AI市場熱點，中國的獨角獸企業都在不遺余力追逐。這樣的背景下，AI在中國的發展一日千里，并越來越跟基礎的學科與細節應用相結合，出現了大眾化和普及化的趨勢。

從某種意義上講，當前中國急需的既懂醫療影像又懂算法和AI理論的人才，才是AI技術在中國智慧醫療領域落地的關鍵。

03丨結語

近年來，在互聯網巨頭百度、阿里巴巴、騰訊、京東的精耕細作下，微醫、丁香園等逐漸深入大眾的生活，未來智慧醫療領域正在形成一個強大的應用模式和管理體系，AI賦能醫療產業的效果也會更上一個臺階。

對于消費者而言，依托AI技術的支持，打造更舒適、方便、安全和健康的智慧生活是大眾追求的生活方式。智慧醫療的構建作為其中的重要環節，必將受到重視和支持。以最普遍的醫療結算為例，自從有了微信、支付寶等移動支付方式之后，醫院排隊結賬的長隊變短了，新技術與醫療的結合確實讓生活更舒適了。

誠然，隨著智慧醫療的不斷普及，在不久的將來，醫療行業將融入更多人工智慧、傳感技術、大數據等高科技，使醫療服務走向真正意義的智能化，推動醫療事業的繁榮發展。

但需要注意的是，醫療AI的研發需要大量醫療數據支持，而獲得數據之后，如何做好健康醫療大數據的共享和開放工作又是一大難題。雖然，醫療健康大數據的共享和應用是商業發展和技術創新的需要，但也給個人隱私安全帶來了威脅。整體來看，在智慧醫療的美好和現實之間，依然橫亙著技術、服務、醫療數據等不少難點。

只能說，大門已經打開。未來，就在腳下。