机遇挑战并存，医疗 AI 发展还有这些问题等待解决
2018-07-27 郑琪 健康点healthpoint
2018年以来，国内对AI医疗的质疑声越来越多。除了底层技术和数据的问题之外，商业化前景不明也是人们不看好医疗AI的关键一点。而影响医疗人工智能商业化的重要因素就是做好标准。
2018年以来，国内对AI医疗的质疑声越来越多。除了底层技术和数据的问题之外，商业化前景不明也是人们不看好医疗AI的关键一点。而影响医疗人工智能商业化的重要因素就是做好标准。
近年来，中国医疗人工智能产业高速发展，据健康点统计，自2013年到2017年，整个医疗人工智能行业共获得241笔国内融资。仅在2017年，国内医疗AI行业公布的融资事件近30起，融资总额超过18亿元。
然而，随着医疗人工智能产业的发展，其所面临的一些困难也逐渐显现。比如行业缺少统一标准进行监管、复合型人才不足、数据结构化较差、机器学习需要结合市级医疗场景进行训练，算法有待提高、技术仍待完善等。
缺标准：CNDA尚无一例过审产品
2018年以来，国内对AI医疗的质疑声越来越多。除了上述底层技术和数据的问题之外，商业化前景不明也是人们不看好医疗AI的关键一点。而影响医疗人工智能商业化的重要因素就是做好标准。
实际上，在发展的过程中，人工智能技术必须满足客观的标准从而保证对安全性、可信赖性、可追溯性、隐私保护等方面的要求。为了更有效的评估人工智能技术，相关的测试方法必须标准化，并创建人工智能技术基准。未来人工智能技术标准化将有助于人工智能的稳健发展，统一技术、数据、安全。积极参与国际标准化研讨，加强在人工智能领域话语权。从而实现第三次浪潮下中国人工智能的超车。
健康点了解到，自从2017年7月20日国务院发布《新一代人工智能发展规划》，中国药品生物制品检定所、国家药品监督管理局（CNDA）等相关机构都在积极与行业人士接触，相关政策、监管方案都在紧锣密鼓的制定当中。不过，目前尚未发布相关政策。
今年上半年，美国 FDA 陆续传来医疗人工智能产品过审的消息，这也引起中国相关行业人士的热议。不过，相比于 FDA 的审批，对于中国企业来说，CNDA 的审批更加严格。根据2017年发布的最新版《医疗器械分类目录》显示，若诊断软件通过其算法，提供诊断建议，仅具有辅助诊断功能，不直接给出诊断结论，本子目录中相关产品按照第二类医疗械器管理。若诊断软件通过其算法（例如，CAD，骨密度外）对病变部位进行自动识别，并提供明确的诊断提示，则其风险级别相对较高，本子目录中相关产品按照第三类医疗考器械管理。如此看来，市场上大部分的医疗AI产品都属于三类。
目前，中国有部分企业已经率先申请了二类证。但如汇医慧影、Airdoc、依图医疗、推想科技等申报三类器械的产品都尚未得到认证。实际上，按照医疗器械注册流程，产品从申报到最终过审要经过产品定型、检测、临床试验、注册申报、技术审评、行政审批等六步。据了解，当下中国申报三类器械的医疗人工智能产品大多停留在注册申报之前的阶段。
值得注意的是，在国内尚无产品通过审批的情况下，飞利浦等传统医疗相关企业的器械产品及平台已经通过 FDA 和 CFDA 的认证，因此，其搭载了人工智能的器械产品及平台会更加受到用户的青睐。
少人才：医疗AI发展亟需复合型人才
人工智能人才现在是短板中的短板，既懂医疗，又懂技术的复合型、战略型人才尤其短缺。
领英此前发布的《全球人工智能领域人才报告》显示中国人工智能领域专业技术人才总数超过5万人，排名全球第七位。而美国有超过85万的AI人才。不难看出，目前中国人工智能专业人才总量较美国和欧洲发达国家来说较少，其中，10年以上资深人才尤为缺乏。此外，《全球人工智能领域人才报告》还提到，目前我国人工智能领域的专业人才供求失衡严重，供求比例接近1比10。
而在医疗行业，既懂人工智能又懂医疗的人才更是稀缺。在医学领域，据动脉网统计发现47名医疗人工智能创业公司的CTO或者首席科学家，有30名都在国外或者中国的香港、台湾进修过，占比63.8%，而与医学专业相关的人才仅有7人，占比14.9%。可见人工智能人才短缺大背景下，医疗人工智能的人才更是短缺，有估算称AI人才从事医疗行业的大约只有十分之一。
基于这样的背景，我国加强对人工智能专业人才的重视程度，国家发改委、科技部等四部委去年联合发布《“互联网+”人工智能三年行动实施方案》，并将“人工智能”首次纳入到中国政府工作报告中。从人才从业年限结构分布上来看，我国新一代人工智能人才比例较高，人才培养和发展空间广阔。
此外，教育部在《高等学校人工智能创新行动计划》中也强调，要加强人工智能领域专业建设，推进“新工科”建设，形成“人工智能+X”复合专业培养新模式。到 2020 年建设 100 个“人工智能+X”复合特色专业，推动重要方向的教材和在线开放课程建设。到 2020 年编写 50 本具有国际一流水平的本科生和研究生教材、建设 50 门人工智能领域国家级精品在线开放课程、建立 50 家人工智能学院、研究院或交叉研究中心，并引导高校通过增量支持和存量调整，加大人工智能领域人才培养力度。在职业院校大数据、信息管理相关专业中增加人工智能相关内容，培养人工智能应用领域技术技能人才。
目前，为加速培养医疗人工智能专业人才，各大高校纷纷揭牌建立人工智能学院，而此举将大大促进人工智能人才的培养。以清华大学为例，今年6月，清华大学正式成立人工智能研究院，中国科学院院士张钹院士担任新研究院的院长，图灵奖得主姚期智院士被聘为学术委员会主任，还聘请谷歌AI负责人Jeff Dean为清华大学计算机学科顾问委员会委员。
在高校开始着力培养人才的同时，相关企业也纷纷推出相应的人才培养计划。此前，飞利浦中国副总裁兼首席技术官王熙对健康点表示，无论是对于整个医疗AI 产业来说，还是对正在践行本土化战略的飞利浦来说，人才都是必不可少的重要因素。一方面大家都在竞争人才。另一方面，随着人工智能的越来越有挑战性，对于相关人才的素质也提出了更高的要求。飞利浦一方面希望可以吸引到更多的科学家，和相应的从业人员。另一方面也在不断地培养人才，通过内部的相关机制，去拓宽拓展他的视野。因为飞利浦的研究院是世界范围的，相关工作人员可以共享飞利浦来自世界范围的知识和经验，从而拓宽自己的视野。
基础差：技术与数据两大基石尚待巩固
作为人工智能发展的两个基础要素，技术的发展和数据的完善依旧是中国医疗人工智能必须要解决的问题。
从技术角度而言，中国的人工智能尚处于弱人工智能阶段。虽然当前益于图像识别、深度学习、神经网络等关键技术的突破，AI在机器人、语言识别、远程自主控制和规划、虚拟个人助理、医疗等领域已被广泛应用，但对于大多数受政策红利爆发的医疗AI公司而言，技术力量是限制其进一步发展的主要阻碍。一方面，这些公司对于复杂学科或多学科联合诊断算法还存在技术瓶颈，独立研发和创新能力还有待进一步提升；另一方面，目前中国缺少安全评估体系，企业对于医疗数据隐私防护措施不够。
数据的质量和数量是目前中国医疗人工智能竞争的核心所在。然而，对于中国医疗人工智能企业而言，市场中有大规模潜在的数据，但是却无法被整理、利用起来。一方面，中国医院内的数量庞大，但75％以上是非结构化的，并不能发挥出“大数据”挖掘的价值。另一方面，无论是建模还是训练机器，都离不开真实的临床环境，而目前中国大部分医疗人工智能产品缺少临床环境。
与此同时，数据的误差也会对人工智能的发展造成障碍。在中国当前的医疗系统中，医院与医院、院内科系互不相连、没有统一标准的临床结构化病历报告、医生手写病历不规范、临床用药、检查等细节缺失、患者离开医院后失访率高等各种原因造成健康医疗数据“误入误出”。而深度学习需要使用大规模规范化数据进行训练，细微的数据误差均会为深度学习带来负面影响。这样的数据质量不免令人为目前医疗人工智能做出的结果产生质疑。
除了技术与数据为人工智能带来的挑战外，人工智能还面临着伦理的争议。机器智能是否能够成为伦理主体？实际上，虽然医疗人工智能给医疗诊断治疗康复带来诸多便利，但当面临复杂的疾病诊断与治疗时，“生杀大权”依旧不能交给人工智能，如果完全依赖人工智能，那么医学事故的责任认定及医疗安全的监管责任认定则又是一大难题。此前，复旦大学哲学学院教授徐英瑾曾提到，虽然目前机器人还远未智能到成为伦理主体，但机器人具有伦理意识不是完全没有可能。为实现这一目标，需要人类研究伦理意识和程序之间的关系，需要人类研究伦理意识和程序之间的关系，以一套编程语言表达这套规则。
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
学习了受益匪浅
38