南方財經全媒體記者 李潤澤子 實習生 楊婧文 廣州報道

編者按

“人工智慧從你出生那天就認識你，讀過你所有的電子郵件，聽過你所有電話錄音，知道你最愛的電影……”尤瓦爾·赫拉利在《未來簡史》一書中描述了這樣一種未來景況：人工智慧比人類更瞭解自己。

步入人工智慧時代，人類的生活習慣和生產方式正在被重塑，科幻和現實滲透，驚喜與擔憂交加。人與機器的未來是一場親密的合作還是激烈的戰爭？機器會將人類的智慧拓展到什麼樣的邊界？

深度賦能行業、落地場景是人工智慧的“最後一公里”，AI前沿觀察系列推出“新場景”稿件，探討AI在具體應用場景下的現狀與進展，難點與突破，前景與未來。本篇聚焦AI落地最早的行業之一——醫療。

電影《超能陸戰隊》裡，大白（Baymax）是陪伴著主角小宏的私人健康顧問，它裝載著一萬多種醫療方案的資料，可以掃描生命指數，提供醫療幫助。

具備專業醫療知識的同時又有反差萌的大白實際上是經過了84次實驗精心研發的醫療智慧機器人。隨著劇集的增加和劇情的推進，大白不斷被賦予新的使命和任務，開發出新的功能。

在現實中，AI與醫療早已相遇，且融合不斷加深。以計算機視覺、自然語言處理、機器學習等為代表的AI子技術已廣泛滲透於醫學影像、精準醫療、健康管理、醫療資訊化、藥物研發、醫療機器人等多樣化場景中，成為行業發展的重要驅動力。

當前，

在AI賦能之下，醫療轉型之路開啟，進入資料驅動新時代。然而，在我國醫療AI發展的同時，問題也逐漸顯現，資料既是我國醫療AI的優勢也成為了行業發展的痛點。

資料驅動醫療的時代來臨

AI與醫療行業的結緣由來已久。1959年，在“人工智慧”概念被正式確立後的第三年，美國喬治敦大學教授萊德利（Robert S。 Ledley）便首次應用布林代數和貝葉斯定理建立了計算機診斷的數學模型，併成功診斷了一組肺癌病例，開創了計算機輔助診斷的先河。

隨著AI發展，20世紀60年代中後期，以模擬人類專家思維過程為特點的專家系統出現。醫療診斷正是一項典型的專家任務。因此，醫學專家系統便成為應用較早、使用廣泛、卓有成效的醫療AI技術。

1976年，世界首個用於血液感染病的診斷、治療和諮詢服務的醫療專家系統MYCIN誕生。1978年，北京中醫醫院關幼波教授研發出了我國第一個醫學專家系統——關幼波肝病診療程式，由此打開了我國醫療AI研發的序幕。

此後三十年間，我國累計研發出上百個AI專家系統和開發工具，但幾乎所有的技術和系統都還是“紙上談兵”，真正能夠為醫生所接受且投入臨床使用的醫學專家系統少之又少。

進入21世紀，

醫療資料資訊化和複雜度不斷提升，以資料驅動的研究和應用開始逐漸佔據醫療AI的主流。

“

醫療正成為一門資料主導的行業。

”在華南理工大學計算機學科學與工程學院教授、博士生導師蔡宏民看來，

傳統醫學模式已受到AI影響產生變革，逐漸由依託經驗的傳統醫學轉向更為理性的循證醫學。循證醫學需要對錶象和特徵進行觀察得出判斷，因此需要數量龐大的觀測樣本資料。

他進一步解釋，

當前醫療數字化使得醫療資料積累速度加快，資料量激增。AI技術的革新，在海量資料的基礎上，賦予了醫療更多可能性。

在我國，

AI之於醫療的價值更直接的體現在瞭解決醫療資源的矛盾上。

“

我國人口眾多，老齡化趨勢加快，醫療需求增大，但目前醫療資源有限，仍面臨著需大於供的局面，亟需AI技術應用以解決供需矛盾。

”中華醫學會放射學分會主任委員、中國醫學影像AI產學研用創新聯盟理事長，上海長征醫院影像醫學與核醫學科主任劉士遠表示。

騰訊健康認為，AI數字技術能讓醫務工作者從一些重複性、低效工作中解放出來，提高醫生工作效率。此外，優質醫療資源一般集中於發達城市的三甲大醫院，存在分配不均衡的問題。AI的普及，尤其在基層醫療系統的下沉，能讓優質醫療服務供給更加普惠。

其進一步分析表示，

AI的訓練過程實際上是計算機對人類醫生最頂尖醫學能力的一次總結和沉澱，透過數字化的部署，AI是有可能廣泛下沉到基層醫療機構的，讓人類醫生的醫學經驗在基層發力，緩解優質醫療資源不均衡問題，這也是AI對醫療最有價值的地方。

面向AI的醫療資料治理

演算法、算力和資料是AI的三大要素，AI以此為養料迭代發展。在這三者中資料尤其重要，因為相比於人類而言，AI的“大腦”訓練需要更為大量的資料。

我國龐大的人口數量，及產生的大量醫療資料，無疑為醫療AI的發展提供了基礎。

鷹瞳科技以其聚焦的視網膜影像向南方財經全媒體記者舉例，

中國的人口基數大

，糖尿病、高血壓、中風、心梗等疾病的患者眾多，即便是一些罕見病和相對罕見的病灶也有相對可觀的病例資料，比如視網膜母細胞瘤（Retinoblastoma， Rb），患病率大概在20萬分之一，那麼這些罕見病在一些國家可能只有幾十例上百例，而在中國樣本量會多得多，這就為演算法模型的研究奠定了基礎。另一方面，中國地域遼闊，有來自不同地區、民族和不同飲食習慣的人，這也使得

獲取的樣本更多元化，給醫療AI的持續研發創新提供強有力的資料支撐

。

然而，在我國醫療領域，資料既是優勢也是行業發展的痛點。

根據艾瑞諮詢釋出的《中國面向人工智慧的資料治理行業研究報告》，醫療資訊化建設支援了醫療資料的爆炸式增長，但是醫療資料在流通、共享、儲存、管理等環節尚未標準化，導致資料多源異構難彙集、資料標準體系不健全等問題始終存在，掣肘著AI應用乃至行業的發展。

哈爾濱工業大學計算學部教授關毅也告訴南方財經全媒體記者，

目前關於醫療資料的收集業內並無統一標準。醫院住院病歷是重要資料來源之一，這些資料需經過醫生的審查和標註、醫院的倫理審查和去隱私化處理後進行運用。但即便經過這些處理後，許多醫院仍然對獲取和利用醫療資料上有所限制，如電子病歷資料不能離開醫院等，影響了醫療AI相關科研工作的開展。

隱藏在醫療資料問題背後的或許是以醫療資料確權為代表的諸多難題。

蔡宏民解釋，醫療資料面臨權屬界定難題，當前對其權利主體並無明確規定。此外，各方在使用醫療資料時還涉及到使用者資料安全保護。“

受制於各方利益訴求和隱私暴露風險，只能在相對封閉的環境中利用AI技術去做研發，這難以實現社會層面的使用和創新。

”

對於這個問題，此前中國政法大學網際網路金融法律研究院院長李愛君對此就建議，國家主導構建國家級健康醫療大資料交易平臺，授權企業進行運營，打造以區塊鏈和隱私計算支撐的可信資料授權和可控計算環境，探索在保護資料處理相關主體的合法權益的前提下實現資料權利的權能的分離機制。開展健康醫療資料相關主體收益分配製度試點，完善健康醫療資料資產定價和收益分配激勵機制，透過價值傳導刺激整個鏈條活力。

此外，醫療資料標註耗時、質量差、專業性強等問題也同樣突出。

對於上述難題，

目前業界內大多則採用了合作模式。據瞭解，由於在大多數情況下，醫院或者政府方並不具備單獨處理、研究分析醫療資料的能力與精力，因此在實踐中部分機構往往會與第三方展開合作。

據鷹瞳科技介紹，其就是透過研究合作及客戶服務，建立了視網膜影象資料庫。資料庫中的資料均為真實世界使用者視網膜影像及其相應的多模態資料，並由數百位醫學專家雙盲交叉標註。

騰訊健康則是藉助自身的技術優勢，透過“騰訊覓影開放實驗平臺”，打通從影像資料脫敏、接入、標註，到模型訓練、測試、應用的全流程，構建起資料全生命週期管理閉環，為全行業提供標準化工具。

理性主義技術路線的最佳實驗場

當前AI處於後深度學習時代，正在向理性主義技術路線迴歸，而結合深度學習技術和符號處理的推理技術，也已成為AI的新熱點。

“

醫療領域，特別是疾病診斷，是一個臨床推理的過程，即運用邏輯知識排除不確定性。因此，疾病診斷恰好成為這些技術的最佳應用領域，也是理性主義技術路線的最佳實驗場。

”關毅指出。

事實上，基於深度學習演算法的醫療AI產品已經進入商業化階段。《2022醫療AI行業報告：長期主義的堅持與守望醫療AI盈利破局》統計就顯示，截至今年9月日已累計28家企業49款AI產品獲得第三類醫療器械註冊證，其中就包含總計29款搭載深度學習演算法的軟體。

在此之前，醫療AI演算法審評審批也已逐步完善。2019年，國家藥監局便釋出了一份長達41頁的《深度學習輔助決策醫療器械軟體審評要點》，為該領域醫療器械軟體審評和註冊申報提供參考依據。

今年3月，國家藥監局釋出了《人工智慧醫療器械註冊審查指導原則》（下稱《指導原則》）。這一最新檔案也對人工智慧審批適用的演算法進行了完善，在深度學習的基礎上加上了遷移學習、整合學習、聯邦學習、強化學習、生成對抗網路、自適應學習。

值得注意的是，《指導原則》從可解釋性的角度將醫療AI所使用的演算法分為了白盒演算法和黑盒演算法。同時，《指導原則》明確人工智慧演算法作為人工智慧醫療器械的核心，其設計主要考慮演算法選擇、演算法訓練、演算法效能評估等要求。

但在蔡宏民看來，

目前AI技術應用於醫療領域雖然確實存在可解釋性低的弊端，但可解釋性低不限制醫學研究或者臨床診斷。在實踐中只要可以透過回顧性的方式驗證即可。

“從臨床的角度來講，只需AI做出的判斷與醫生相吻合即可，過程的重要性並不高。”蔡宏民說。

更多內容請下載21財經APP