對于中國這樣一個(gè)人口大國來說，醫(yī)學(xué)影像的市場潛力可謂十分巨大。據(jù)統(tǒng)計(jì)，截至目前中國醫(yī)學(xué)影像的檢查總數(shù)已經(jīng)超過了75億，而且隨著設(shè)備越來越復(fù)雜、信息量越來越大，以及圖像從二維走向三維、靜態(tài)邁向動(dòng)態(tài)，數(shù)據(jù)量每年也在呈現(xiàn)飛速增長的態(tài)勢。不過，從中美兩國的醫(yī)學(xué)影像數(shù)據(jù)年增長率來看，中國以30%的增長率落后于美國的63%，而放射科的專業(yè)人才年增長率更少，目前為止整個(gè)中國的影像科和病理科人才加在一起也僅8萬左右。這種海量圖像數(shù)據(jù)帶來的挑戰(zhàn)，加之專業(yè)醫(yī)療人才的稀缺，使得本土AI醫(yī)療影像檢查/篩查的需求日益迫切。

AI究竟能何種程度上提升檢查/篩查效率？典型比如我們做的X射線胸片的篩選，從大概12萬的病例做檢查，覆蓋了肺部常見的9種疾病，其中挑選了4種典型的疾病，相當(dāng)于是胸片的預(yù)篩。我們可以通過AI的方法把徹底沒有病的這部分快速篩出來，將健康的部分篩出去，可以大大降低醫(yī)生的負(fù)擔(dān)，從不同的疾病把醫(yī)生的工作量從76%降低到35.9%，同時(shí)它的漏診率也達(dá)到了一個(gè)相當(dāng)?shù)偷乃健?/p>

而從實(shí)際應(yīng)用來看，放射治療的前期一般都要做相應(yīng)的靶區(qū)規(guī)劃以及靶區(qū)的分割，就是將靶區(qū)給勾畫出來。如果按照傳統(tǒng)的辦法，十分費(fèi)時(shí)費(fèi)力，但采用深度學(xué)習(xí)的方法，我們就可以將分割時(shí)間縮短到傳統(tǒng)分割方法的5%，同時(shí)分割的成功率從90.1%提高到97.8%，這是目前我們對外售賣的產(chǎn)品上已經(jīng)能夠達(dá)到的實(shí)際效果。

盡管“AI+”的效果如此明顯，但缺乏統(tǒng)一標(biāo)準(zhǔn)的應(yīng)用再好也難成大器，這也成為困頓本土AI醫(yī)療影像技術(shù)邁出市場化關(guān)鍵一步的最大障礙。尤其是對醫(yī)療這一特殊而復(fù)雜的行業(yè)來說，不同病人的病理指征通常不同，而且可能針對同一種疾病，各醫(yī)生給出的意見也各有差別。這種變幻莫測的復(fù)雜狀況，也極大提升了當(dāng)前醫(yī)療影像技術(shù)與AI結(jié)合的難度。

標(biāo)準(zhǔn)之后，要深入解決AI醫(yī)療影像技術(shù)的落地難題，還需要更多的去挖掘高質(zhì)量的基礎(chǔ)數(shù)據(jù)?？v然，中國借助于如此龐大的人口優(yōu)勢，多年來已經(jīng)獲得了海量的醫(yī)學(xué)影像數(shù)據(jù)，但實(shí)際上這些基礎(chǔ)數(shù)據(jù)中真正能夠?yàn)锳I所高效利用的部分并不多，大樣本和高質(zhì)量的數(shù)據(jù)獲取依然是本土AI醫(yī)療影像技術(shù)的缺憾，這會造成診斷精確度低、投入高回報(bào)差甚至信任缺失等嚴(yán)重問題。也正是因?yàn)檫@些精準(zhǔn)高質(zhì)量數(shù)據(jù)難以獲得，吸引了一大波AI創(chuàng)業(yè)公司蜂擁而入醫(yī)療影像市場淘金。

事實(shí)上，普通的醫(yī)療影像數(shù)據(jù)可以說遍地都是，但醫(yī)學(xué)上很多疾病數(shù)據(jù)實(shí)際上是很少的。某業(yè)內(nèi)資深人士表示，“一家醫(yī)療單位可能僅有一兩百病例符合標(biāo)準(zhǔn)，甚至可以說沒有一家醫(yī)院敢說自己擁有幾千例這樣的符合標(biāo)準(zhǔn)的圖像數(shù)據(jù)。

可能一家醫(yī)院有數(shù)萬病例，但基于不同的疾病、檢查方式、研究目的區(qū)分之后，數(shù)據(jù)一下子就會變得很少。醫(yī)療數(shù)據(jù)不像購物那么簡單，醫(yī)療數(shù)據(jù)很多是不確定的，很難打通，這種情況下，具備完整信息的病人資料就尤其寶貴。拿肺癌或其他腫瘤來說，在大醫(yī)院，滿足要求的可能只有10%-20%，這已經(jīng)算不錯(cuò)的；在二甲等地方醫(yī)院，很多病人做了檢查之后，就去上級醫(yī)院看病去了，有完整資料的病人可能只有1%-2%。”

正是因?yàn)槿狈τ行?shù)據(jù)的訓(xùn)練，使得如今的醫(yī)療機(jī)構(gòu)利用AI來做醫(yī)療影像篩查頗具成本壓力。向軍表示：“現(xiàn)在，能看的病不多是AI面臨的一個(gè)很大的問題。比如一個(gè)放射科醫(yī)生能看100種病，可能AI現(xiàn)在在其中7種、8種病上已經(jīng)比醫(yī)生看得更出色，但是還有剩下的92、93種病它其實(shí)是無能為力的。所以，真正要達(dá)到解決問題，徹底降低醫(yī)生的負(fù)擔(dān)，減少對醫(yī)生的數(shù)量需求，應(yīng)該說現(xiàn)在還遠(yuǎn)遠(yuǎn)沒有到這個(gè)時(shí)候?！?/p>

這也就會出現(xiàn)醫(yī)療機(jī)構(gòu)還得專門雇一個(gè)專業(yè)醫(yī)生，并攤付額外的成本的現(xiàn)狀。此時(shí)，究竟AI對于醫(yī)療機(jī)構(gòu)到底是負(fù)擔(dān)還是幫襯，值得商榷，向軍進(jìn)一步補(bǔ)充到：“所以現(xiàn)在很多AI醫(yī)療影像設(shè)備放在醫(yī)院其實(shí)是吃虧的，如何將其變成一個(gè)剛需是需要考慮的問題。如果全中國的‘AI+醫(yī)療公司’能夠形成聯(lián)盟，大家可以相互分工，各有所長，而不是都做同一件事情，最后形成某種意義上技術(shù)共享，達(dá)成一個(gè)真正意義上的醫(yī)院不需要再雇傭DR醫(yī)生的水平，這就變成剛需了。”

這種有效數(shù)據(jù)的缺乏可以通過做大量數(shù)據(jù)標(biāo)注的工作來解決。很多醫(yī)療圖像數(shù)據(jù)并不是簡單的零或者一，而是需要做經(jīng)驗(yàn)的判斷，通過有效標(biāo)注，很多看似無用的數(shù)據(jù)幾乎也都能夠變成有效數(shù)據(jù)，但是，數(shù)據(jù)標(biāo)注還是現(xiàn)階段一個(gè)比較大的問題，因?yàn)锳I做算法的第一要求就是數(shù)據(jù)標(biāo)注的得是完全正確的，所以現(xiàn)在各種方式，包括算法如何去解決標(biāo)錯(cuò)的問題，以及標(biāo)注本身，業(yè)內(nèi)都有在進(jìn)行討論和規(guī)劃。在標(biāo)注問題上，我們也開了各種各樣的討論會，醫(yī)生之間的觀點(diǎn)比較一致，但醫(yī)生在數(shù)據(jù)標(biāo)注完之后可能還會有三盲五盲的問題，后期我們也還需要再把相對一致性的東西挑出來，以及繼續(xù)深入去討論和解決。