智能医疗辅助诊断——调查与思考

背景

为什么要做智能医疗？

• 优质医疗资源不足且增长缓慢
• 各地方医疗资源分配不均
• 客观条件满足，人工智能技术发展，算法、算力、数据齐备

《目录》指出，医用软件按照预期用途分为辅助诊断类和治疗类。诊断功能软件风险程度不仅依据处理对象（如癌症、恶性肿瘤等疾病的影像）为判定依据，还按照其采用算法的风险程度、成熟程度、公开程度等为判定依据。如果医疗 AI 产品通过算法提供诊断建议，仅仅辅助诊断而不直接给出诊断结论，按照第二类医疗器械管理；如果医疗 AI 产品通过其算法对病变部位进行自动识别，并提供明确的诊断提示，相比较而言风险级别较高，则按照第三类医疗器械管理。业界将相应类别的医疗 AI 产品分别称为“二类 AI”和“三类 AI”。

引自：2019 年，医疗 AI 的热潮将会退去 2019年5月5日

 

方案

怎么做智能医疗？

• 人工智能

 

挑战

智能医疗面临的难题是什么？

• 医疗数据公开性低，不易获取且难以清洗

• 产品难以通过审批

 

缺点

智能医疗有什么短板？

• 新型病毒或者变异病毒样本少，以人工智能难以检测
• 由于医疗责任，机器不能全自动诊疗，医生有额外学习成本

 

现状

智能医疗发展的现状如何？

扎堆医疗影像学、病理学，以肺部、眼疾为主

调查显示，目前医疗 AI 的发展主要集中在影像方面，几乎九成公司都在做医疗影像，针对的疾病主要是肺部、眼疾。这是因为肺结节和糖网数据相对丰富，影像科目前对 AI 的应用相对成熟，且影像科 CT 平扫、磁共振检查等工作多为重复性劳动，对 AI 的需求也很迫切，这导致了医疗 AI 行业的同质化竞争严重。

仅次于肺部疾病的是眼底疾病。包括体素科技、Airdoc、健培、Deepmind、爱尔眼科，以及 IBM Watson、腾讯、百度等在内的十余家企业已在该领域布局。DeepMind 还在 Nature Medicine 上发表了一项里程碑式的医疗 AI 研究成果，它的 AI 系统能够对常规临床实践中的眼球扫描结果进行快速诊断，可识别 50 余种眼部疾病，准确率与眼科专家一样出色，甚至更好。

病理学也是模式识别的主要突破口，但同样也是以图像形式呈现，最容易以大数据为依托通过模式识别进行疾病的诊断与鉴别诊断。目前，在病理学方面，AI 已应用于血液系统恶性肿瘤（主要是白血病）的辅助诊断。不过，目前病理学应用 AI 还是有局限性的，病理学实体肿瘤实质和间质成分更加复杂，部分肿瘤的确诊还要依靠免疫组化，这些都会大大增加 AI 诊断的难度。

引自：2019 年，医疗 AI 的热潮将会退去 2019年5月5日