医疗诊断类AI项目落地的十步走

近年来，随着AI(人工智能)技术逐步进入医疗保健领域，以前那些被认为是巨大障碍或不太可能的诊疗方法已经变得可行。与此同时，美国有超过90%的医院已经从基于传统的纸张病例系统，转移到了电子化记录与诊断方式上。医生们可以通过AI技术来预测、发现和分析各种重大疾病和罕见病例。

什么是医疗诊断中的AI?

简而言之，医疗诊断中的AI就是通过自动化和预测等技术与方法，协助医疗诊断的过程。通过AI系统，用户可以减少从检查、到发现、再到诊疗之间的时间缺口;医院能够自动化地快速挖掘各种医疗记录，并生成相应的治疗结果建议。此外，一些具有预测分析功能的AI平台，还能够通过机器学习和高级算法，发现患者用药的不规律性，甚至预测患者的死亡率。

根据Frost & Sullivan(译者注：全球知名市场研究与企业咨询公司)在2016年进行过的一项研究表明，医疗保健领域的AI应用具有如下特点：

• 预测到2021年，市场总值将达到66亿美元。
• 未来两年的总体增长率将高达40%。
• 医学影像类的诊断水平将大幅改善。
• 医疗成果的转换潜力为30%到40%。
• 潜在的治疗改善成本为50%。

AI在医疗诊断中的重要性

首先，对于医生而言，他们及其所在的医疗保健组织，有机会获取并利用到其他医生的集体知识，以及数百万条患者的病史记录。而且有了AI技术及其系统，他们对于这些记录的访问完全可以实现自动化，并且是基于信息相关性的。整个过程只需要几秒钟便可完成。当然，这只是AI在医疗诊断领域的众多功能中的一项。AI就像一名虚拟化的私人助理，可以根据相似的病例和既有的治疗方案，向医生提供多种建议。

目前，虽然AI尚不具备完全取代医生的能力，但它已经具有了挖掘数据，执行分析，以及识别模型等人类普遍无法达到的能力。AI能够和那些经验丰富的医生相得益彰，全面提高医疗诊断过程的效率与质量。

总的说来，AI在医疗诊断中的作用可以概况为：

• 改善诊断。
• 降低成本。
• 模型识别。
• 临床相关，高质量和快速度的数据生成。

业界对于医疗诊断类AI的批评

尽管AI在医疗诊断方面有着许多明显的优势，但是人们在应用此项技术时，仍然会产生各种顾虑甚至是批评。其中包括：

• 无论是要访问高质量的数据，还是要开发用于智能分析的模型，识别对应的特征，以及训练不同的算法，这些都会涉及到高昂的成本。
• 由于各种软件的分散性与多样性，以及电子病历保存效率不但低下，而且缺乏全面性，许多医疗机构会发现自己的实现模型与其他组织完全无法兼容。这往往会造成弊大于利的情况。
• 出于安全性的考虑，许多系统都与互联网相隔离，而这就导致了信息共享和数据访问完全无法实现。面对信息孤岛，AI只能苦于缺乏必要的训练数据。
• 一些较为传统的医疗工作者会将AI的建议，视为对于医生专用水平、乃至权威的挑衅。他们仍然会遵从本能，甚至会出于感情原因做出相反的判断与决定。

如下图所示，根据思科的观点：“在近期受访者中，有54%的医疗保健组织管理者认为在未来的五年内，AI会在本行业内被广泛地采用;36%的患者则对AI缺乏信任，而30%的临床医生甚至对AI的应用持有抵触情绪。”

AI在医疗诊断中的潜力

通过智能化的系统与流程，医生和医院能够及时地识别出那些带有肾功能衰竭、心脏疾病、手术后感染、以及二次住院风险的患者。

大量的电子健康数据与公共数据库信息，可以结合成为强大数据源，让AI系统能够在几秒钟内完成庞杂的研究工作，进而根据相似的病史流行程度，以及患者的过往记录，提出治疗和用药建议，并且计算出成功的几率。

此外，针对某种药物可能对某类人群并无效果的情况，AI系统能够在医生开具处方时，向医生提出警告，甚至是药物风险的揭示。同时，AI分析系统还能够敏锐地捕获患者以往记录中的异常情况。例如：某位患者虽然声称自己从不饮酒，但是他的诸多检测指标却都能表明他有过饮酒的迹象，那么AI系统通过综合分析，就能及时以高亮的方式提请医生的注意。

如下图所示，根据思科的观点：在2018年《肿瘤学年鉴》中，曾有过一项研究：他们让卷积神经网络(CNN)--一种机器学习(ML)系统，与58名皮肤科医生进行了一次较量。通过“观看”超过100,000张恶性与良性肿瘤的图像，人工智能(AI)系统可以准确地检测出95%的黑色素瘤，而人类皮肤科医生只发现了其中的86%。

为了进一步理解AI的用途，下表给出了使用AI最普遍的六大行业。可见，医疗诊断就占有其中的一席之地。

下面我们具体讨论一下医疗诊断类AI项目落地的十步走。

步骤1：使得医疗保健机构的各个成员熟悉上面我们所讨论到的 AI基本功能和优势。这不但有助于他们对AI形成清晰的认识，而且能够帮助他们对AI提出合理的需求，产生切实的期望。

步骤2：识别和发现现有医疗诊断过程中的各类“痛点”。考虑并分析是否可以通过现有的AI相关技术予以解决。通过需求列表的形式，清晰地罗列出AI能给组织带来的真实价值。

步骤3：专注于业务优先级，通过深入分析，权衡采用AI所创造的价值与所涉及到的实施成本之间的关系。这样可以确保每一项投资，都能够直接与其带来的业务价值相匹配。

步骤4：通过向医生、护士、以及医疗工作人员宣介AI的相关技术，让他们参与系统的设计，并提出合理化的建议。由于熟悉业务，并能够深度参与本机构的日常运作，他们往往能够指出技术人员可能忽略掉的细节问题。

步骤5：确定解决方案，组建AI项目团队，招募开发人员，完成编码与测试，并试运行该系统。在此阶段中，为试点项目和后续部署建立清晰的时间表，是项目成败的关键。

步骤6：分配专职的团队成员，负责定期对医疗保健机构进行用户教育，收集系统在部署与运行过程中所碰到的问题，以及督促和确保医护人员能够定期使用该系统。

步骤7：对于组织而言，一脚跨入AI系统难免会有些不适应，以及不可预见的错误。因此，我们应当根据医生、护士、以及医疗工作人员的使用反馈，不断优化系统并按需改进算法。

步骤8：无论是患者的相关数据还是智能算法的信息存储，都是AI系统的重要组成部分。因此，对于每一个希望迈向AI的医疗机构而言，都需要为大量的数据存储需求做好充分的安排。

步骤9：与开发人员进行定期交流，其中涉及到评审现有的AI算法，以及已经采用的数据采集与分析技术。这些沟通能够确保所部署的AI服务，符合医务人员的原始需求，并体现实际的业务价值。

步骤10：在开发过程中寻求AI系统和技术实现能力之间的平衡。这将消除未达到预期的效果，而避免人员的失望情绪。

协助医疗机构进行旧系统的AI转换

每个医疗保健组织都需要根据自身的特定需求，对既有的、特别是那些“遗留”的系统进行评估。对于老旧系统的处置方式，业界经常会用到“迁移”、“现代化”和“转型”等方式，下面我们来看看三者之间的区别：

迁移：医疗机构处置其遗留系统最简单的一种方式。它涉及到将现有系统从一个平台迁移到另一个平台，这是一种在保持系统功能和设计不变的前提下，比较直接有效的方式。不过，随着系统性能的提升，其相应的迁移成本也会增加不少。

现代化：直接对现有系统进行功能与性能等方面的增强。此方法并不涉及将旧的系统迁移到其他平台，只是进行本地升级与功能性的“现代化”。在某种程度上，这是一种折中的方案。

转型：既涉及到上述迁移的活动，又伴随着现代化的提升过程。AI系统的项目落地常会以这种方法对遗留的系统进行全面改造。也就是说，我们一边原地改进既有的某部分系统，一边大刀阔斧地新增具有AI和机器学习能力的平台。

医疗诊断的AI未来