導(dǎo)語：從2008年“智慧醫(yī)療”的概念首次被提出，到如今，智慧醫(yī)療雖然早已不是一個新鮮的名詞。

出品丨數(shù)科社 作者丨檸溪

疫情催溫數(shù)字化發(fā)展的這兩年，在以 5G 等為代表的技術(shù)驅(qū)動下，中國智慧醫(yī)療市場需求高速增長，規(guī)模迅速擴張，全國各地都在積極探索智慧醫(yī)療，醫(yī)療行業(yè)正迎來新一輪重大變革和轉(zhuǎn)型，新的運用場景也在加速落地。

來自光明網(wǎng)最新報道顯示，在新冠肺炎疫情期間，依托“天河人工智能創(chuàng)新一體化平臺”構(gòu)建的世界首個“新冠肺炎CT影像綜合分析AI輔助系統(tǒng)”，已為百余家醫(yī)療機構(gòu)提供服務(wù)，訪問量已超過100萬次。

實際上，這個智能系統(tǒng)是的基礎(chǔ)其實是基于“天河人工智能創(chuàng)新一體化平臺”構(gòu)建的“天河智能醫(yī)學影像云”。組建沒多久的這個“影像云”平臺，已形成集大規(guī)模影像數(shù)據(jù)安全高效匯聚管理、人工智能醫(yī)學智能影像輔助診斷、云端影像多角色多終端協(xié)同診察為一體的系統(tǒng)化應(yīng)用，目前處于落地服務(wù)階段。

某種意義上講，這可以被看作的智慧醫(yī)療云服務(wù)在中國普及的開端。

01丨AI抗疫的應(yīng)用

2020年疫情爆發(fā)之后，當時醫(yī)療界專家一直在思考一個問題，那就是在大流行疾病面前，如何準確提升醫(yī)生診療的水平同時還能減少時間成本。

關(guān)鍵，在醫(yī)學專家眼中，一開始新冠病情嚴重依賴核酸檢測結(jié)果，問題是有些核算結(jié)果未出但CT影像已經(jīng)有癥狀的病人，容易耽誤最佳診治時間。

于是，2020年3月，國家衛(wèi)健委在專家提醒后下發(fā)通知，要求一線醫(yī)療工作者通過多種診療手段共同判定病人是否患有新冠，而不單單依靠核酸檢測結(jié)果。

然而，新的問題又出現(xiàn)了，那就是雖然典型的CT圖像可能有助于早期篩查疑似病例，但由于各種病毒性肺炎的圖像比較相似，影像科醫(yī)生很難通過肉眼直接判斷。

為此，醫(yī)療專家和人工智能專家都不約而同把目光投到了AI影像分析領(lǐng)域。

這個任務(wù)交到了國家超級計算天津中心應(yīng)用研發(fā)部手里。不過一開始，團隊被很多重復(fù)的算法疊加以及邏輯梳理的工作困住了。

因為不熟悉面對的醫(yī)療領(lǐng)域各種工作流程，整個技術(shù)團隊無法站在醫(yī)生的角度考慮問題，技術(shù)在實現(xiàn)過程中走了很多的彎路，而且代碼越弄越復(fù)雜。

再加上之前他們希望能利用一套系統(tǒng)解決所有的問題，于是不停給系統(tǒng)增加學習的樣本，但系統(tǒng)由于無序的知識灌輸所產(chǎn)生的學習效果也非常不到位。

最后，將目標聚集在新冠CT影像識別上才有突破，這其實相當于在一個有邊界的地域抽取關(guān)鍵知識，并對關(guān)鍵知識進行優(yōu)化，以實現(xiàn)在關(guān)鍵點的知識圖譜完美覆蓋。

最終國家超級計算天津中心應(yīng)用研發(fā)部在全國醫(yī)療影像專家的支援下，僅用20天左右，“新冠肺炎CT影像綜合分析AI輔助系統(tǒng)”就成功上線。

該系統(tǒng)基于“天河人工智能創(chuàng)新一體化平臺”，實現(xiàn)了基于CT影像的新冠肺炎特征檢測功能，可作為臨床輔助診斷手段，有效提高了新冠肺炎患者的篩查能力。

由于當時有突發(fā)大量的一線臨床影像可以供系統(tǒng)學習，整個系統(tǒng)進化速度非常快。兩個月后，系統(tǒng)就已經(jīng)正式可以對外提供服務(wù)。

相較于影像醫(yī)師約10分鐘/例及最初核酸檢測總耗時24—48小時，使用這個系統(tǒng)的檢測分析每例只需要10秒。而且經(jīng)過不斷系統(tǒng)優(yōu)化，該系統(tǒng)的總準確率已超過90%。

由于該系統(tǒng)不需要現(xiàn)場部署，可以遠程在電腦、手機等多種終端使用，目前已為包括美國、墨西哥、印度等全世界多個國家與地區(qū)的醫(yī)療機構(gòu)和科研機構(gòu)提供了技術(shù)支持，切實為全球抗疫貢獻了強大的科技力量。

這被看作是曾經(jīng)遙不可及的智慧醫(yī)療云服務(wù)第一個落地的項目。也被很多業(yè)內(nèi)人士看作中國智慧醫(yī)療云服務(wù)發(fā)展的基石。

一方面，它連接醫(yī)院等內(nèi)部醫(yī)學影像系統(tǒng)，將患者醫(yī)學影像數(shù)據(jù)及診斷報告情況近實時上傳至云端，并面向包括醫(yī)院管理人員、醫(yī)生、患者等多種角色提供基于云端協(xié)同的醫(yī)學影像管理應(yīng)用，包括影像存儲、影像協(xié)同、遠程會診等功能模塊，同時提供基于數(shù)據(jù)權(quán)屬和角色權(quán)限的云上閱片應(yīng)用，即電腦、手機等多種閱片模式，滿足云膠片、云PACS等服務(wù)需求。

這同時也為整個智慧醫(yī)療影像云的學習建立了龐大的數(shù)據(jù)庫，有利于整個系統(tǒng)的進化和升級。

另一方面基于對新冠肺炎、糖尿病視網(wǎng)膜病變、腦出血、肺結(jié)節(jié)、乳腺癌等疾病的智能輔助診斷算法及建模能力，它還建立了基于醫(yī)學影像的人工智能輔助診斷系統(tǒng)，輔助醫(yī)生提高影像診斷準確度及診斷效率，實現(xiàn)醫(yī)學影像數(shù)據(jù)從醫(yī)療機構(gòu)采集到云端存儲管理，再到智能化輔助分析診斷，直至面向醫(yī)生及患者服務(wù)的一體化應(yīng)用，打造“數(shù)據(jù)不離開平臺、可用不可見”的醫(yī)學影像安全高效智能應(yīng)用模式。

這實際上在節(jié)省中小醫(yī)院經(jīng)費同時提升了這些中小醫(yī)院診療疾病的水平，可以增加各個地方醫(yī)療資源普及的力度，同時降低病人被誤診的可能性。

02丨深度學習的陣地

如今，得益于智慧醫(yī)療的不斷發(fā)展，看病有望變得更加方便快捷：基因檢測可發(fā)現(xiàn)健康人的基因缺陷，盡早提示健康風險；通過醫(yī)療大數(shù)據(jù)建立病癥模型，幫助醫(yī)生迅速診斷病情；可口服的納米級智能手術(shù)機器人在進入人體后，進行精準無創(chuàng)手術(shù)；人工智能家庭醫(yī)生作為補充，負責常見病的治療和慢性病的護理……

而某種意義上，在AI已經(jīng)成為中國當下最火熱的技術(shù)賽道的時候，醫(yī)療單位如何在這場技術(shù)的洪流中緊跟技術(shù)趨勢完成升級轉(zhuǎn)型，考驗的不僅僅是相關(guān)研究單位的發(fā)展視野和戰(zhàn)略，更是考驗技術(shù)負責人對于醫(yī)療傳統(tǒng)業(yè)務(wù)轉(zhuǎn)型的把控力。

這就需要深度學習的模型規(guī)劃和算法調(diào)整能力，而這也是智慧醫(yī)療云想真正落地實現(xiàn)普及的前提。

中國知名人工智能專家吳明輝曾表示，AI落地創(chuàng)造價值唯有從大數(shù)據(jù)開始，“凝練大知識，協(xié)同HI(人類智能)、AI(人工智能)和OI(組織智能)三者合一的能力，以人機同行、行業(yè)服務(wù)為抓手，將大AI思想落地到行業(yè)應(yīng)用場景中。”

這其實也是深度學習理論應(yīng)用在智慧醫(yī)療云發(fā)展的理論基礎(chǔ)。

深度學習屬于機器學習的分支，是目前實現(xiàn)人工智能技術(shù)的重要手段。隨著深度學習技術(shù)在圖像處理和計算機視覺領(lǐng)域的廣泛應(yīng)用，利用深度學習技術(shù)輔助臨床診斷和決策已成為醫(yī)學圖像分析領(lǐng)域的研究重點。

醫(yī)學影像智能診斷的流程可大致分為3個步驟，首先獲取大量高質(zhì)量的圖像數(shù)據(jù)，然后對圖像進行預(yù)處理，最后挖掘圖像信息，進行分析預(yù)測。其中海量、高質(zhì)量的圖像數(shù)據(jù)是深度學習訓練的基礎(chǔ)，圖像預(yù)處理（如配準、感興趣區(qū)域提?。┦呛罄m(xù)分析準確度的基本保障，挖掘信息、建立預(yù)測模型是臨床智能決策的關(guān)鍵。

首先，海量、高質(zhì)量的醫(yī)學圖像數(shù)據(jù)是利用深度學習技術(shù)實現(xiàn)影像精準診斷的基礎(chǔ)。然而，由于成像設(shè)備和采集時間等因素的限制，在醫(yī)學成像的過程中不可避免地會受到噪聲、偽影等因素的影響。同時，針對某些成像方式，需要在成像分辨率和采集時間上進行折中，例如在CT成像中，為了降低輻射的影響，需要減少投影采集數(shù)目，因此優(yōu)化低劑量CT圖像的降噪效果就成為很多醫(yī)療企業(yè)想通過AI解決的重點問題。

而當前的深度學習能力，完全可以利用有噪圖像和無噪圖像來訓練模型，學習噪聲類型，或者學習無噪圖像與有噪圖像之間的對應(yīng)關(guān)系，進而實現(xiàn)圖像降噪。

其次，高分辨率的醫(yī)學圖像可以提供更多的臨床診斷細節(jié)，然而由于采集設(shè)備的限制，臨床上高分辨率圖像較難獲取。

因此，如何利用深度學習技術(shù)從一幅或者多幅低分辨率醫(yī)學圖像中獲得高分辨率圖像成為當前主要研究熱點之一。隨著深度學習模型在自然圖像超分辨率重建中的成功應(yīng)用，采用深度學習模型進行醫(yī)學圖像超分辨率重建的研究逐漸開展起來。

第三，也就是最重要的醫(yī)學圖像目標識別，這屬于臨床診斷的一種，即在一幅圖像中標記出可能病變的區(qū)域，并對其進行分類處理。

傳統(tǒng)的人工標記識別費時費力。最初將深度學習模型應(yīng)用于目標識別時，主要是將圖像分成小塊，逐塊輸入由CNN等組成的二分類模型中，判斷其是否屬于目標區(qū)域。隨著深度學習模型在目標檢測領(lǐng)域的快速發(fā)展，尤其是Fast R-CNN模型和Mask R-CNN模型的出現(xiàn)，將整幅醫(yī)學圖像輸入模型，即可一次找到所有可能的目標區(qū)域。

此外，在醫(yī)學圖像目標識別中，同樣存在數(shù)據(jù)不充足的問題。為了解決這個問題，基于遷移學習的醫(yī)學圖像識別逐漸開展起來。

如基于ImageNet數(shù)據(jù)進行模型遷移，實現(xiàn)肺結(jié)節(jié)、乳腺癌和結(jié)直腸息肉的檢測。同時，基于臨床經(jīng)驗知識指導(dǎo)的遷移學習也被應(yīng)用到醫(yī)學圖像的目標檢測中。典型代表有AGCL模型，其基于注意力的課程學習，實現(xiàn)胸片中的腫瘤檢測；CASED模型，其可檢測CT圖像中的肺結(jié)節(jié)；特征金字塔模型其采用不同對比度的圖像，利用多尺度注意力模型實現(xiàn)腫瘤檢測。

根據(jù)中國信息通信研究院數(shù)據(jù)顯示，2017年中國人工智能市場規(guī)模達到217億元，2020年已經(jīng)超過700億元，年度復(fù)合增長率大于50%。

正因此，這兩年全球的AI市場熱點，中國的獨角獸企業(yè)都在不遺余力追逐。這樣的背景下，AI在中國的發(fā)展一日千里，并越來越跟基礎(chǔ)的學科與細節(jié)應(yīng)用相結(jié)合，出現(xiàn)了大眾化和普及化的趨勢。

從某種意義上講，當前中國急需的既懂醫(yī)療影像又懂算法和AI理論的人才，才是AI技術(shù)在中國智慧醫(yī)療領(lǐng)域落地的關(guān)鍵。

03丨結(jié)語

近年來，在互聯(lián)網(wǎng)巨頭百度、阿里巴巴、騰訊、京東的精耕細作下，微醫(yī)、丁香園等逐漸深入大眾的生活，未來智慧醫(yī)療領(lǐng)域正在形成一個強大的應(yīng)用模式和管理體系，AI賦能醫(yī)療產(chǎn)業(yè)的效果也會更上一個臺階。

對于消費者而言，依托AI技術(shù)的支持，打造更舒適、方便、安全和健康的智慧生活是大眾追求的生活方式。智慧醫(yī)療的構(gòu)建作為其中的重要環(huán)節(jié)，必將受到重視和支持。以最普遍的醫(yī)療結(jié)算為例，自從有了微信、支付寶等移動支付方式之后，醫(yī)院排隊結(jié)賬的長隊變短了，新技術(shù)與醫(yī)療的結(jié)合確實讓生活更舒適了。

誠然，隨著智慧醫(yī)療的不斷普及，在不久的將來，醫(yī)療行業(yè)將融入更多人工智慧、傳感技術(shù)、大數(shù)據(jù)等高科技，使醫(yī)療服務(wù)走向真正意義的智能化，推動醫(yī)療事業(yè)的繁榮發(fā)展。

但需要注意的是，醫(yī)療AI的研發(fā)需要大量醫(yī)療數(shù)據(jù)支持，而獲得數(shù)據(jù)之后，如何做好健康醫(yī)療大數(shù)據(jù)的共享和開放工作又是一大難題。雖然，醫(yī)療健康大數(shù)據(jù)的共享和應(yīng)用是商業(yè)發(fā)展和技術(shù)創(chuàng)新的需要，但也給個人隱私安全帶來了威脅。整體來看，在智慧醫(yī)療的美好和現(xiàn)實之間，依然橫亙著技術(shù)、服務(wù)、醫(yī)療數(shù)據(jù)等不少難點。

只能說，大門已經(jīng)打開。未來，就在腳下。