从产品设计到真实世界试验,AI医疗诸多问题仍有待解决

作者:赵泓维 2019-07-16 10:02

{{detail.short_name}} {{detail.main_page}}

{{detail.description}} {{detail.round_name}} {{detail.state_name}}

{{detail.province}}-{{detail.city}}
{{detail.setup_time}}
融资金额:{{detail.latest_event_amount}}{{detail.latest_amount_unit}}
投资方: · {{item.latest_event_tzf_name}}
企业数据由提供支持
查看

“到目前为止,人工智能还只是一种大数据处理工具。”

 

在2019年由中国计算机学会(CCF)主办,雷锋网、香港中文大学(深圳)承办,深圳市人工智能与机器人研究院协办的CCF-GAIR大会上,腾讯AI Lab & Robotics X 主任张正友在畅谈AI发展40年后,对如今的“Artificial Intelligence”做出了以上总结。他认为,要重现影视作品中的想象力,如今的人工智能还远在道路的开端。

 

屏幕快照 2019-07-16 上午9.58.31.png


不过虽说是初级阶段,AI也已在我们的生活中的大展拳脚。NLP、深度学习、大数据挖掘三大技术分支均在医疗、安防、金融、无人驾驶等领域广泛应用,不少技术已经实现商用,成为我们生活的一部分。

 

而在本次大会中的“AI+医疗”分论坛中,众人则把眼光聚焦到了医疗人工智能下的影像分支,到底是实在医生工具还是资本的游戏,来自企业、高校、医院的教授、学者们纷纷现身说法,动脉网对其主要观点进行了梳理与分析。


哪些因素在制约AI发展?


在医疗之中,人工智能能够处理的影像主要分为眼科影像、放射科影像和病理影像,其中放射科影像的数据量远超过病理影像——许多AI企业所处理的放射科影像数量已经达到亿级(器械巨头可达千亿),但病理影像处理量则不足其百分之一。

 

影像数据的获取与处理难度制约着病理人工智能的发展。腾讯AI Lab AI+医疗专家研究员姚建华表示:“病理诊断是诊疗流程中非常重要的一个环节,但中国的病理医生极其缺乏。而医学影像的标记不同与无人驾驶数据的标记,需要经验丰富的医生来完成这项工作。因此可供AI训练的训练数据成本更高,标注更困难,因而更难以取得。”相比之下,眼科AI、放射科AI的发展速度便要迅速许多。

 

 屏幕快照 2019-07-16 上午9.59.00.png

腾讯AI Lab AI+医疗专家研究员姚建华

 

其次是算法,姚建华表示:“我们常常需要识别病理图像中一些非常细微的组织的变化。过去在自然图像中应用比较成功的算法,往往在病理图像中达不到相应的效果。同时,为了消除不同病理切片的染色偏差;制作病理预后预测模型;预测患者的五年生存率,我们还需要对算法进行更精确的修改。”

 

 

 屏幕快照 2019-07-16 上午9.59.08.png

疗效预测方法概述


 屏幕快照 2019-07-16 上午10.25.39.png

以813例直肠癌病人为样本的疗效预测结果


总的来说,在产品设计时,主要存在的便是数据和算法两个层面的问题,但当AI尝试进入市场,问题便接踵而来。

 

从论文到临床,产品终究是要落地医院


当完成训练阶段,人工智能产品终究需要进入真实世界,但这也是许多AI产品水土不服的地方。“许多AI已经可以在实验中将AUC提升到99%的水平,远超过病理医生,但在实际之中,这个数字是没有意义的,实验室水平不等于真实世界水平。”香港大学统计与精算科学系主任尹国圣教授在演讲中谈到,“关键还在于如何在识别影像过程中作出有效的判断。”

 

 屏幕快照 2019-07-16 上午9.59.16.png

香港大学统计与精算科学系主任尹国圣

 

所以,AI进入医院的关键在于实现“切入医生痛点”与“满足医生需求”两个方面。中华医学会放射学分会副主任委员梁长虹在演讲中举了一个例子:医生的误诊率是7.5%,AI的误诊率是3.5%,而“医生+AI”的误诊率为1.5%。

 

因此,AI研究人员首先要与医生沟通,以辅助医生诊断出发,了解医生操作需求进行产品设计;其次,打铁还需自身硬,AI产品还需按照NMPA规定临床标准推动临床研究;或以多中心研究等创新的方式确保产品的品质。

 

在未来,用混合现实与增强现实指导、教学介入过程;智能导引;建立数据库模型支持粒子植入;基于临床数据支持介入诊治决策;基于RECIST智能评价系统化;植入器械智能评价和选择系统等等场景均有可能获得。而我国几十年积累的来之不易的经验,完全可用来指导上述人工智能的设计、测试、验证和监管。

 

AI企业如何构建壁垒


那么,在如今这个阶段,AI企业应该如何构筑自己的壁垒呢?翼展医疗集团CMO高云龙给出了不同的答案。

 

“过去专精于人工智能影像数年的公司被新成立的初创企业赶上,这已经不是特例。实际上,只要拥有优质的数据,很多企业都能跑出相对理想的结果。但这个数字如何?医生并不关心。所以,数据并不能成为企业的壁垒。”高云龙认为。

 屏幕快照 2019-07-16 上午9.59.23.png

翼展医疗集团CMO高云龙

 

“以翼展医疗集团为例,我们与移动、联通、电信、浪潮合作,使用他们的云平台;我们自己处于中间层,开发AI应用的同时搭建云PACS;在云PACS之上我们合作了许多AI企业,他们用优秀的应用为我们提供诊断支持。所以,就壁垒而言,我们想搭建的是一个医疗生态圈,以共赢的方式创造AI的未来。”

 

简单的来说,高云龙眼中看到的是一个各司其职的AI生态,即平台厂商做云PACS,软件厂商做软件。这种情况下,参与的越多AI玩家越多,整个平台乃至行业便愈发活跃。但现在问题在于,每一个企业都想做医疗AI界的APP Store,生态的壁垒又该如何构建?在没有明确的联盟模式前,更多、更深入的合作或许是拉开生态与生态间差距的关键。

如果您想对接动脉网所报道的企业,请填写表单,我们的工作人员将尽快为您服务。


注:文中如果涉及企业数据,均由受访者向分析师提供并确认。如果您有资源对接,联系报道项目,可以点击链接填写基本信息,我们将尽快与您联系。

声明:动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。转载请联系tg@vcbeat.net。

分享

微信扫描二维码分享文章

企业
对接
商务
合作
用户
反馈