影像科|为医疗插上AI的翅膀( 二 )

此时医疗AI影像终于有了用武之地，经过5年的发展医疗AI影像辅助系统已经可以帮助医生进行病灶筛查、靶区勾画、三维成像、病历分析等工作。与传统人工阅片相比，人工智能阅片不仅能实现快速高效的大规模筛查，提升影像科工作效率，而且影像检测准确率也远远高于传统阅片，极大地减少了误诊漏诊现象。
不仅如此，新冠疫情爆发所带来的海量病患影像数据，给AI系统“喂”足了养分，不仅大大提升了AI医疗影像辅助系统的准确率，同时在一定程度上满足了AI+CT等医疗影像产品通过医疗审批所需的数据标准，直接促进了AI医疗影像技术的快速“落地”审批。
AI+医疗对药企来说也是一个新的发展机遇。药企最“头痛”的就是新药研发难，研发贵的问题。过去业界一直流传着“双十”的说法，意思是新药研发需要耗时十年，耗资十亿美金。
一款新药研发包括药物发现和临床实验两个环节，其中药物发现最耗时耗力。而药企研发新药也是基于无数化合物数据和病患的医疗数据进行的研究实验，无论数据质量还是数量都能满足AI所需的数据训练。
药物研发运用AI技术，能够快速分析海量数据，获取搭建更多新的分子结构，加快药物筛选和药物优化分析，大大缩短新药研发的周期。
从目前来看，药物研发的应用场景更适合AI技术，因为药企有数据基础且不涉及医患伦理关系等问题，AI药物研发的商业模式也更加清晰。
留给医疗AI的难题何时能解？麻省理工学院的埃里克·布林约尔松与安德鲁·麦卡菲教授在《与机器赛跑》一书中写道“250多年以来，经济增长的基本动力一直是技术创新。其中最重要的，正是经济学家们提出的所谓通用型技术，包括蒸汽机、电力与内燃机等等。而我们这个时代下最重要的通用型技术正是人工智能，特别是机器学习。”
确实，人工智能的本质就是机器深度学习，对人工智能来说算法、算力和数据三者缺一不可。算力和算法经过多年的挖掘，早就实现了技术的突破，完全可以满足现阶段AI的运算，只有“数据”是AI融入各行各业的唯一阻碍。
医疗AI发展最大的障碍不是技术，而是数据的获取。医疗AI想要“落地”并实现大规模商业化应用，就必须能够满足临床的需求和行业痛点，但这一切都需要高质量标准化的数据作为支撑。
医疗AI和医生一样，都是依靠对比大量的经验数据和医疗数据来发现和分析问题，因此高质量的数据至关重要。但是我国之前没有重视医疗数据的保存和建设，也没有相应的数据标准，导致我国现在的医疗数据整体呈现碎片化，孤岛化。基层医院的医疗数据存在质量不佳，数据缺失模糊等问题；顶级医院虽然存有医疗数据，但是数据过于繁杂，结构标准也不统一，原有的医疗数据难以支撑AI模型的数据训练。
因此，很多AI医疗企业只能选择与医院合作的方式来获取一手数据。如安德医智BioMind派出研发团队驻扎在天坛医院工作，安德医智为了打消医院的数据安全顾虑，数据清洗、数据脱敏等工作全部在医院内网完成，做到所有训练数据不出院。另一家医疗AI公司鹰瞳Airdoc也选择与医院合作，通过项目和课题研究获得直接数据。
【影像科|为医疗插上AI的翅膀】不过随着大数据时代的到来，政策层也意识到了数据的重要性。从2018年国家出台电子病历的相关政策，到2020年NMPA颁发的首张AI三类证，再到今年6月10日我国颁布了《中华人民共和国数据安全法》。我国的各类数据正式走向分级管理和标准统一化，安全与发展并重。
未来高质量医疗数据获取的障碍可能会被政策打通，这对医疗AI行业无疑是个好消息。