作者：同渡资本 杨成魁

2018年2月，对于医疗AI这个领域可谓惊喜不断。

张康教授团队，在顶级期刊《细胞》上发表了一篇AI在医疗领域应用的重磅研究成果：基于深度学习开发出一个能诊断眼病和肺炎两大类疾病的AI系统，准确性匹敌顶尖医生，该研究中应用了10万张准确标注的眼底数据和5000张胸部 X线数据。

FDA 批准第一款自闭症AI诊断产品，Cognoa公司的这款产品在研发过程中，通过为患儿和家长提供免费筛查服务，收集了大量真实环境的数据，构建和不断完善AI机器学习模型，累计经过25万儿童和家属的测试。

乐普公司基于人工智能技术的心电图自动分析和诊断系统“AI-­ECG平台”的医疗器械注册，获得FDA受理，进行注册审查。该平台从30万例患者心电图检查数据中，获取了约2500万份心电图数据样本，用以训练深度卷积神经网络模型。

以上这些重大进展的一个共性基础就是运用了“规模不小”的数据。罗氏宣布将以19亿美金收购肿瘤大数据公司Flatiron，总交易价值达到21亿美金，该交易更彰显了医疗数据的价值。数据好比燃料，是驱动 AI 发展的基础和动力。谈到医疗数据会涉及以下三个问题：

从医疗参与者角度，会涉及医院、患者、药械企业、保险、基因公司等角色，不同角色以及各角色之间的业务活动会产生不同的数据。

医院是最主要的医疗数据出处，分为临床数据和非临床数据。临床数据一般包括医学影像类（CT、X 光、MRI、超声、内镜、PET／PET-­‐CT 等）。医学图像类（生理信号如心电图、脑电图，显微镜下视野数字化，比如病理图像）。医学文本类（病历、手术记录、医嘱、检查／检验报告等）。随着精准医疗的发展，越来越多的基因数据产生，但目前还只是部分医院。非临床数据一般包括医保支付数据、医院运营相关数据。

以上提到的是已经存在的院内各种类型的数据，通过业务IT系统、设备、医疗人员行为等方式产生。但从数据的完整性、连续性角度考虑，只有院内诊疗数据是有局限的，结合院外连续的康复、生理状态、行为等数据方能发挥更大价值。但现实情况是，院外数据是缺失的，只有少部分出于科研需求，收集了一些随访数据。院外患者数据之所以缺失，有两点重要原因，第一是受限于技术手段，第二是缺少激励机制推动各方，两者相辅相成。

随着新型生物传感器、技术驱动的新模式的发展，将有机会促进院外患者数据的产生和应用，值得关注。例如，SANO是一家生物传感器公司，可以帮助糖尿病患者无痛的连续监测血糖水平，避免了扎破手指带来的痛苦，而DreaMed公司使用AI算法采集、分析包括血糖连续监测数据在内的患者数据，以调节胰岛素泵优化糖尿病治疗方案。

AiCure则是通过APP拍照获取患者数据，利用面部识别算法识别患者是否准备了正确的药物，以及是否已经摄取药物，以提高临床试验的用药依从性，避免由于患者用药依从性差导致的20-­‐30%的临床试验失败风险。

除了医院内数据、患者院外数据，药械企业、保险、基因公司等医疗健康机构在经营活动过程中也不断产生数据，这些数据对于促进医疗健康领域发展也是有重要意义，亟待挖掘。

信息化是数据产生的基础，中国医疗信息化经过20多年的发展，已取得了一定成果，各级医院都建成了不同程度的系统，但是由于初期并没有整体规划和设计， 导致医院各系统林立，标准不一，彼此间互通存在障碍，另外一点重要原因，这些医疗系统设计初衷是为了满足业务流程的运转，而并没有考虑积累的数据如何使用。

虽然业务系统积累了大量数据，但现实情况是“数据孤岛”、“数据质量差”，所以这些医疗数据是不能直接拿来使用的。

如果要发挥医疗数据的价值，必须建立在“多维度、规模化、结构化、标准化” 数据基础上。业务系统产生的数据，必经“数据集成和处理”这一过程，通俗的  讲，就是将各个系统各种类型的数据汇聚融合在一起形成“可分析”的数据集合， 数据采集和治理过程需要按照一定标准，清洗数据，将非结构化数据转化为结构化数据，尤其像病历、手术记录这种结构化程度差的医学文本类数据。由于医疗数据本身基础差、过往医疗体制封闭等原因，“数据集成和处理”过程是充满挑战的，不突破此过程，就很难发挥数据应用的价值。

随着国家医疗健康数据战略的推进，医疗数据将突破枷锁，加速汇聚融合。AI技术犹如催化剂，将使这一过程“更高效、自动化、低成本”。医疗数据“汇聚融合”将从各个层面、各个场景展开，上到国家数据中心，再到区域，再到医院、科室，再或者由于特定应用需求而发起的汇聚融合，比如临床试验、保险设计、单病种研究等。比如国内领先的医疗大数据公司医鸣数据，就是能够将临床数据“汇聚融合”，形成规模化的可分析单病种数据集合，可根据临床医生、药企、保险等医疗参与方的需求挖掘分析，发挥数据价值。

凭借先进的技术，能够加速医疗数据“汇聚融合”的产品或服务，将成为医疗数据价值链上重要一环，值得关注。但无论技术有多先进，在医疗这一敏感领域，不能忽视数据安全和隐私保护，也期望技术在这方面也能发挥重要作用。

当有了规模化的可用数据后，数据挖掘与应用才变得可能。但现实情况是，数据汇聚融合并不是短期内就能取得很大进展，AI在医疗中的应用仍旧会面临数据基础问题，所以就决定了短期内AI在医疗不同细分领域发展的速度会不同。数据基础一定是要结合具体应用场景来看，医疗的复杂性导致了可能的应用场景众多，但不同的应用场景AI能解决问题的程度不同，也可能有些场景并不存在非常痛的点，即使AI能带来改进也难免鸡肋的角色，不同的应用场景数据基础也会不同。

应用场景明确，有迫切需要解决的问题，而且有良好的数据基础（可用数据规模大、结构化、标准化程度高），那么在加上先进的智能算法，就有可能产生非同凡响的应用效果。当下发展最快的医学影像AI，也正是得益于影像数据的基础好，而且作为疾病诊断的重要辅助检查手段，临床上存在诸多痛点，AI 在效率和医疗质量方面能带来很大提升。除了临床上的应用，AI在新药研发、基因数据挖掘等其他医疗健康领域亦有巨大的应用潜力。

新技术应用，能够带来用户使用价值是前提，能够商业转化才能可持续发展，所以在思考医疗AI应用时，将未来商业潜力（是否有明确的付费方？付费意愿及能力如何？潜在商业规模有多大？）考虑进来是十分必要的。

线下沙龙报名二维码