起點(diǎn)課堂會(huì)員權(quán)益
職業(yè)體系課特權(quán)
線(xiàn)下行業(yè)大會(huì)特權(quán)
個(gè)人IP打造特權(quán)
30+門(mén)專(zhuān)項(xiàng)技能課
1300+專(zhuān)題課程
12場(chǎng)職場(chǎng)軟技能直播
12場(chǎng)求職輔導(dǎo)直播
12場(chǎng)專(zhuān)業(yè)技能直播
會(huì)員專(zhuān)屬社群
榮耀標(biāo)識(shí)專(zhuān)業(yè)化醫(yī)療人工智能平臺(tái)：驅(qū)動(dòng)醫(yī)療AI從實(shí)驗(yàn)到應(yīng)用
本文以醫(yī)療人工智能平臺(tái)為討論主題，分析了其中的建設(shè)要點(diǎn)、應(yīng)用關(guān)鍵要素，以及不同平臺(tái)模式之間的異同對(duì)比。
隨著人工智能技術(shù)的不斷深入發(fā)展，專(zhuān)業(yè)性的醫(yī)療人工智能平臺(tái)逐漸涌現(xiàn)出來(lái)，建議選用專(zhuān)業(yè)性一體化的平臺(tái)，從而節(jié)省平臺(tái)搭建和調(diào)試的工作，更加專(zhuān)注于模型的訓(xùn)練以及系統(tǒng)的應(yīng)用，同時(shí)所開(kāi)發(fā)出的人工智能系統(tǒng)也具有高可靠、高效率的性能。
在未來(lái)醫(yī)療大融合的背景下，搭建的平臺(tái)應(yīng)具有弱耦合、強(qiáng)兼容的特性，滿(mǎn)足人工智能系統(tǒng)與醫(yī)療設(shè)備以及醫(yī)院信息系統(tǒng)之間的兼容和集成需求，提升醫(yī)療人工智能系統(tǒng)的性能。
在醫(yī)院建立專(zhuān)業(yè)性醫(yī)療人工智能平臺(tái)的基礎(chǔ)上，與醫(yī)院的臨床科室密切合作，選擇適合的疾病種類(lèi)進(jìn)行其診斷和治療系統(tǒng)的開(kāi)發(fā)，從而提高診斷和治療的效果。
先從醫(yī)學(xué)影像人工智能系統(tǒng)的開(kāi)發(fā)和應(yīng)用開(kāi)始，在此基礎(chǔ)上，進(jìn)一步集成更多類(lèi)型的數(shù)據(jù)例如病歷數(shù)據(jù)、檢驗(yàn)檢查數(shù)據(jù)、患者日常健康監(jiān)測(cè)數(shù)據(jù)等，從而構(gòu)建更加豐富和全面的醫(yī)療大數(shù)據(jù)，為開(kāi)發(fā)更豐富的人工智能系統(tǒng)打好基礎(chǔ)。
01 醫(yī)療人工智能平臺(tái)建設(shè)
醫(yī)療人工智能平臺(tái)包括數(shù)據(jù)資源層、人工智能平臺(tái)和醫(yī)療應(yīng)用層。
（1）數(shù)據(jù)資源層提供基礎(chǔ)數(shù)據(jù)，通過(guò)采集各個(gè)科室的醫(yī)療影像數(shù)據(jù)，病歷數(shù)據(jù)等，打通業(yè)務(wù)系統(tǒng)間的數(shù)據(jù)壁壘，為人工智能平臺(tái)提供數(shù)據(jù)基礎(chǔ)。
（2）人工智能平臺(tái)由計(jì)算能力，開(kāi)源框架，算法和技術(shù)構(gòu)成。計(jì)算能力為人工智能平臺(tái)的運(yùn)算速度提供保障。
以肺結(jié)節(jié)醫(yī)療影像數(shù)據(jù)為例，每位患者平均擁有20-30張片子，在自動(dòng)識(shí)別肺結(jié)節(jié)時(shí)常用的計(jì)算機(jī)視覺(jué)模型如殘差神經(jīng)網(wǎng)絡(luò)，它可以使數(shù)十層甚至上百層的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練成為可能，這對(duì)計(jì)算能解決方案供應(yīng)商提供醫(yī)療解決方案的公司大多數(shù)是具有綜合醫(yī)療信息化經(jīng)驗(yàn)的公司，這些公司在醫(yī)療行業(yè)深耕多年，對(duì)醫(yī)療行業(yè)的業(yè)務(wù)流程比較熟悉，在發(fā)展人工智能醫(yī)療影像方面有天然優(yōu)勢(shì)。
這些公司對(duì)醫(yī)院的應(yīng)用場(chǎng)景、醫(yī)生的訴求有比較深刻的理解，可以快速將人工智能技術(shù)與需求結(jié)合，形成滿(mǎn)足醫(yī)生需求的產(chǎn)品。此外，這些公司具有較為廣泛的客戶(hù)渠道和穩(wěn)定的合作醫(yī)院，能夠更容易將人工智能系統(tǒng)在醫(yī)院內(nèi)部推廣、落地。
目前人工智能在醫(yī)療行業(yè)中的應(yīng)用一部分以嵌入式系統(tǒng)應(yīng)用于醫(yī)療儀器端，即在醫(yī)療設(shè)備端使用人工智能技術(shù)，優(yōu)化設(shè)備性能。
例如通過(guò)動(dòng)作捕捉技術(shù)判斷患者康復(fù)情況，提供可視化的數(shù)據(jù)影像展示，為醫(yī)生制定康復(fù)計(jì)劃提供有力數(shù)據(jù)支持；另一部分以數(shù)據(jù)中心里的影像數(shù)據(jù)、病歷等為基礎(chǔ)，在輔助影像診斷、輔助臨床決策等領(lǐng)域發(fā)力。
這些公司以原有業(yè)務(wù)為立足點(diǎn)，有多年技術(shù)積累為自身優(yōu)勢(shì)，紛紛擴(kuò)展新業(yè)務(wù)領(lǐng)域，擴(kuò)展醫(yī)療人工智能新領(lǐng)域。
醫(yī)療數(shù)據(jù)提供方深度學(xué)習(xí)特別適合大量數(shù)據(jù)的應(yīng)用，例如常規(guī)檢查產(chǎn)生的大量數(shù)據(jù)。
提高診斷效率和準(zhǔn)確度的能力對(duì)于疾病的早期診斷和治療至關(guān)重要，對(duì)于因?yàn)獒t(yī)生短缺導(dǎo)致評(píng)估影像和病理切片需要耽擱很長(zhǎng)時(shí)間的地區(qū)，可以派上很大的用處。
作為醫(yī)療影像提供方的基層醫(yī)院、專(zhuān)科醫(yī)生、省級(jí)醫(yī)院和新興的獨(dú)立影像中心對(duì)人工智能輔助影像診斷系統(tǒng)有迫切的需求。
中國(guó)的醫(yī)療影像數(shù)據(jù)處于從傳統(tǒng)膠片向電子膠片過(guò)度的階段，影像數(shù)據(jù)信噪比相對(duì)較低，即便醫(yī)生經(jīng)歷長(zhǎng)期的專(zhuān)業(yè)訓(xùn)練，診斷結(jié)論也往往受到醫(yī)生自身經(jīng)驗(yàn)、疲勞程度和耐心程度等因素限制。
深度學(xué)習(xí)使用非監(jiān)督或半監(jiān)督的特征學(xué)習(xí)和分層特征提取高效算法來(lái)代替手動(dòng)獲取特征，雖然存在一些不可抗拒的因素，如數(shù)據(jù)質(zhì)量存在較大差異，但在一定程度上減少上述人為因素導(dǎo)致的診斷不一致性，降低誤診率。
醫(yī)療人工智能平臺(tái)建設(shè) 15 醫(yī)療人工智能平臺(tái)的建設(shè)輔助醫(yī)療機(jī)構(gòu)提升服務(wù)水平，平衡醫(yī)療資源，緩解就醫(yī)壓力，特別是醫(yī)療資源匱乏的區(qū)域。
醫(yī)療機(jī)構(gòu)根據(jù)自身信息化水平選擇不同的建設(shè)模式，幫助提升自身的醫(yī)療服務(wù)水平。提出了很高的要求，龐大的數(shù)據(jù)量致使計(jì)算機(jī)的運(yùn)算時(shí)間變得漫長(zhǎng)，因此搭建一個(gè)超算平臺(tái)不僅能縮短運(yùn)算時(shí)間，也能提升醫(yī)療的效率，降低患者的等待時(shí)間，這在臨床應(yīng)用中是至關(guān)重要的。
來(lái)源： IDC人工智能平臺(tái)架構(gòu), 2018
平臺(tái)模式一：建設(shè)獨(dú)立的醫(yī)療人工智能平臺(tái)
醫(yī)院利用大量醫(yī)療數(shù)據(jù)建設(shè)獨(dú)立于業(yè)務(wù)系統(tǒng)的人工智能醫(yī)療平臺(tái)，將分散在各個(gè)業(yè)務(wù)系統(tǒng)中的多源異構(gòu)數(shù)據(jù)進(jìn)行整合，利用自然語(yǔ)言處理技術(shù)將臨床描述信息轉(zhuǎn)化為結(jié)構(gòu)化語(yǔ)言，生成醫(yī)療知識(shí)圖譜，把寶貴的醫(yī)學(xué)知識(shí)和治療經(jīng)驗(yàn)保留并快速?gòu)?fù)制到醫(yī)療資源不足的地方。
獨(dú)立醫(yī)療平臺(tái)的建設(shè)周期較長(zhǎng)，涉及對(duì)接的業(yè)務(wù)系統(tǒng)較多，在建設(shè)過(guò)程中面臨更多的挑戰(zhàn)。
為了獲得效果較好的算法模型，通常需要對(duì)醫(yī)療數(shù)據(jù)進(jìn)行標(biāo)注。
即便是采用非監(jiān)督學(xué)習(xí)或半監(jiān)督學(xué)習(xí)，在早期也同樣需要輸入標(biāo)注好的醫(yī)療數(shù)據(jù)進(jìn)行模型訓(xùn)練。數(shù)據(jù)標(biāo)注工作耗費(fèi)時(shí)間長(zhǎng)，門(mén)檻高，對(duì)標(biāo)注人員有很高的要求。目前從事數(shù)據(jù)標(biāo)注工作的人員以經(jīng)驗(yàn)豐富的專(zhuān)業(yè)醫(yī)生為主，而且整個(gè)過(guò)程都是以手動(dòng)標(biāo)注完成。
同時(shí)，醫(yī)療系統(tǒng)IT廠(chǎng)商的協(xié)同合作意識(shí)有待進(jìn)一步提高。數(shù)據(jù)作為醫(yī)療發(fā)展的“血液”，需要在各個(gè)系統(tǒng)間自由的流轉(zhuǎn)，打通醫(yī)院各個(gè)業(yè)務(wù)系統(tǒng)間的壁壘是醫(yī)療人工智能系統(tǒng)發(fā)展的關(guān)鍵。
平臺(tái)模式二：建設(shè)嵌入式醫(yī)療人工智能平臺(tái)
醫(yī)院原有信息化系統(tǒng)作為支撐醫(yī)院正常運(yùn)行的業(yè)務(wù)系統(tǒng)，結(jié)構(gòu)復(fù)雜，改造成本巨大，市場(chǎng)上新興的人工智能醫(yī)療診斷系統(tǒng)很難代替原有業(yè)務(wù)系統(tǒng)。
多數(shù)情況下人工智能系統(tǒng)提供服務(wù)接口，對(duì)接到原有業(yè)務(wù)系統(tǒng)中，將人工智能技術(shù)與原有業(yè)務(wù)系統(tǒng)有機(jī)結(jié)合。
以醫(yī)療影像為例，疑似病灶的結(jié)果輸出不需要醫(yī)生打開(kāi)另一個(gè)系統(tǒng)，而是在原有的影像歸檔和通信系統(tǒng)（PACS）中提示疑似病灶的信息。
這種內(nèi)嵌式的人工智能模塊可以降低系統(tǒng)開(kāi)發(fā)成本，更重要的是這一模式不改變醫(yī)生原有的診斷流程，操作習(xí)慣，可以降低醫(yī)護(hù)人員的學(xué)習(xí)成本。不改變既定模式的人工智能系統(tǒng)更容易被醫(yī)院方接受，系統(tǒng)的使用率較高。
采用嵌入式人工智能平臺(tái)不依賴(lài)原有系統(tǒng)的數(shù)據(jù)。在數(shù)據(jù)的重要性日益凸顯的現(xiàn)在，無(wú)需開(kāi)放原有系統(tǒng)的數(shù)據(jù)庫(kù)，既可以確保原有醫(yī)療系統(tǒng)的數(shù)據(jù)安全，又可以增加各廠(chǎng)商間配合力度，有利于人工智能技術(shù)在醫(yī)療行業(yè)中的推廣。
02 醫(yī)療人工智能系統(tǒng)的建立和應(yīng)用三個(gè)關(guān)鍵要素
醫(yī)療人工智能系統(tǒng)的建立和應(yīng)用中需要處理好如下三個(gè)關(guān)鍵要素，克服處理三個(gè)要素中面臨的挑戰(zhàn)，才能取得成功。三個(gè)要素如下：數(shù)據(jù)、平臺(tái)計(jì)算能力、深度學(xué)習(xí)算法模型。
1. 數(shù)據(jù)
醫(yī)療人工智能系統(tǒng)需要醫(yī)療大數(shù)據(jù)作為基礎(chǔ)，通過(guò)機(jī)器學(xué)習(xí)等技術(shù)形成一定的智能，用來(lái)提供輔助診斷和輔助治療的功能。
醫(yī)療大數(shù)據(jù)主要包括醫(yī)學(xué)教科書(shū)、病歷尤其是針對(duì)某類(lèi)疾病的病歷、數(shù)字化醫(yī)療影像、學(xué)術(shù)論文等。
對(duì)于醫(yī)學(xué)影像人工智能系統(tǒng)來(lái)說(shuō)，則是需要數(shù)字化影像數(shù)據(jù)，包括CT、MRI、超聲、病理等影像數(shù)據(jù)，作為機(jī)器學(xué)習(xí)的原料。
因?yàn)椴v數(shù)據(jù)、數(shù)字化醫(yī)療影像數(shù)據(jù)等屬于醫(yī)院的知識(shí)財(cái)產(chǎn)，所以人工智能系統(tǒng)的知識(shí)產(chǎn)權(quán)歸屬原則和管理方法，需要在實(shí)踐中不斷探索。
醫(yī)療數(shù)據(jù)種類(lèi)繁多，來(lái)源廣泛，數(shù)據(jù)格式千差萬(wàn)別。所以，快速處理數(shù)據(jù)的收集、集成和加工用以保障人工智能模型的訓(xùn)練和學(xué)習(xí)，這是開(kāi)發(fā)人工智能系 統(tǒng)需要克服的基本挑戰(zhàn)。
目前影像人工智能輔助診斷系統(tǒng)在醫(yī)院落地使用的時(shí)候，通常需要利用該醫(yī)院的影像數(shù)據(jù)重新學(xué)習(xí)，以及需要挑戰(zhàn)模型參數(shù)，才能適應(yīng)醫(yī)院的需求。
這是因?yàn)樵谟跋駭?shù)據(jù)這一關(guān)鍵因素中，目前各家醫(yī)院之間因?yàn)樵谟跋裆芍胁捎玫臉?biāo)準(zhǔn)不一致。
例如關(guān)于顯影劑的服用量標(biāo)準(zhǔn)、設(shè)備參數(shù)設(shè)置不一致造成影像灰度的差別等，造成各個(gè)醫(yī)院之間針對(duì)同一個(gè)患者的影像數(shù)據(jù)不同，用來(lái)支持機(jī)器學(xué)習(xí)的時(shí)候，其模型參數(shù)也會(huì)不同 。
為了能夠加大人工智能系統(tǒng)的適用性，需要在開(kāi)發(fā)人工智能系統(tǒng)的時(shí)候能夠快速集成多方來(lái)源的數(shù)據(jù)，從而訓(xùn)練出更加精準(zhǔn)、適用性更廣的人工智能系統(tǒng)。
2. 深度學(xué)習(xí)算法模型
除了處理數(shù)據(jù)之外，選用或開(kāi)發(fā)深度學(xué)習(xí)的模型算法也是發(fā)展過(guò)程中的一大挑戰(zhàn)。
目前深度學(xué)習(xí)的算法很多，但是這些算法很難直接應(yīng)用，而是需要做一定的改進(jìn)開(kāi)發(fā)，然后應(yīng)用到數(shù)據(jù)訓(xùn)練中，并在訓(xùn)練中不斷的改進(jìn)和完善，才能使算法模型越來(lái)越精確。
所以，選擇合適的算法或者開(kāi)發(fā)算法、以及建立算法調(diào)整和改進(jìn)的平臺(tái)系統(tǒng)，這是人工智能系統(tǒng)成功的要素之一。
因?yàn)锳I系統(tǒng)處于起步階段，所以目前醫(yī)院用應(yīng)用的人工智能系統(tǒng)其模型算法與實(shí)際的需求仍然有不完全相符合的問(wèn)題，需要不斷的改進(jìn)。算法模型的改進(jìn)也是不斷把AI系統(tǒng)推向更加精確的一項(xiàng)重要工作。如下圖所示，根據(jù)調(diào)查，目前醫(yī)院中使用的AI 系統(tǒng)都需要不同程度的改進(jìn)或升級(jí)算法。
3. 人工智能平臺(tái)的計(jì)算能力
構(gòu)建一個(gè)算力強(qiáng)大的計(jì)算平臺(tái)是人工智能開(kāi)發(fā)成功的根本要素之一。因?yàn)樯疃葘W(xué)習(xí)中需要非常巨大數(shù)量的數(shù)據(jù)輸入給訓(xùn)練模型，訓(xùn)練模型則需要進(jìn)行巨大規(guī)模的運(yùn)算來(lái)訓(xùn)練模型使其具有智能，所以人工智能平臺(tái)的計(jì)算能力（算力）是其成功的一個(gè)關(guān)鍵要素。
目前，人工智能計(jì)算平臺(tái)主要使用GPU芯片，醫(yī)學(xué)影像人工智能系統(tǒng)更是依賴(lài)于GPU來(lái)進(jìn)行訓(xùn)練和學(xué)習(xí)。也有一些AI系統(tǒng)使用CPU、FPGA、高性能處理器（TPU）等芯片。
目前各大服務(wù)器廠(chǎng)商也都開(kāi)發(fā)了用于機(jī)器學(xué)習(xí)和運(yùn)行人工智能系統(tǒng)的服務(wù)器，例如戴爾、新華三、聯(lián)想、浪潮等服務(wù)器廠(chǎng)商。NVIDIA 也開(kāi)發(fā)了用于人工智能系統(tǒng)的開(kāi)發(fā)和運(yùn)行的超級(jí)計(jì)算機(jī)DGX。
人工智能平臺(tái)的計(jì)算系統(tǒng)目前大多使用開(kāi)源系統(tǒng)，在開(kāi)源系統(tǒng)上做出定制化開(kāi)發(fā)以滿(mǎn)足自己產(chǎn)品的需要。
目前使用的主流開(kāi)源系統(tǒng)有TensorFlow，分布式機(jī)器學(xué)習(xí)工具包（DMTK），Caffe等。
在開(kāi)源平臺(tái)上進(jìn)行定制化開(kāi)發(fā)，需要非常強(qiáng)大的開(kāi)發(fā)能力，對(duì)于開(kāi)發(fā)團(tuán)隊(duì)的技術(shù)水平要求非常高，因?yàn)殚_(kāi)發(fā)水平?jīng)Q定著計(jì)算平臺(tái)的計(jì)算能力和計(jì)算效率，決定著人工智能系統(tǒng)的精準(zhǔn)性。
NVIDIA推出的專(zhuān)業(yè)計(jì)算平臺(tái)Clara，很好地打包集成了NVIDIAGPU的計(jì)算能力，并集成了多種機(jī)器學(xué)習(xí)模型，能夠?yàn)樯疃葘W(xué)習(xí)和人工系統(tǒng)運(yùn)行提供專(zhuān)業(yè)的支持，也能為處理影像數(shù)據(jù)并進(jìn)行機(jī)器學(xué)習(xí)提供專(zhuān)業(yè)工具。
03 模式對(duì)比：獨(dú)立搭建醫(yī)療人工智能平臺(tái)與嵌入式醫(yī)療人工智能平臺(tái)
醫(yī)療人工智能平臺(tái)的發(fā)展很大程度上依賴(lài)于醫(yī)院原有信息化程度。
人工智能發(fā)展的基礎(chǔ)是數(shù)據(jù)，醫(yī)院方需要大量的歷史數(shù)據(jù)支撐醫(yī)院醫(yī)生的科研工作、病歷分析、治療方案制定等方面的工作。
醫(yī)療系統(tǒng)IT廠(chǎng)商的協(xié)同合作意愿影響著人工智能技術(shù)在醫(yī)療機(jī)構(gòu)中的應(yīng)用情況。數(shù)據(jù)作為醫(yī)療發(fā)展的“血液”，需要在各個(gè)系統(tǒng)間自由的流轉(zhuǎn)，打通醫(yī)院各個(gè)業(yè)務(wù)系統(tǒng)間的壁壘是醫(yī)療人工智能系統(tǒng)發(fā)展的關(guān)鍵。
醫(yī)療領(lǐng)域?qū)θ斯ぶ悄芗夹g(shù)提出了更高的要求。醫(yī)學(xué)是一個(gè)系統(tǒng)且完整的體系，當(dāng)前人工智能公司在醫(yī)療領(lǐng)域的研究很多都集中在單一病種的識(shí)別，這對(duì)學(xué)術(shù)研究是具有價(jià)值的，但單獨(dú)研究單一疾病的人工智能輔助診斷對(duì)實(shí)際臨床工作意義不大。醫(yī)療機(jī)構(gòu)表示，單一病種的識(shí)別對(duì)他們的吸引力有限。
人工智能技術(shù)需要滿(mǎn)足臨床的基本應(yīng)用，支持某一器官絕大多數(shù)疾病的識(shí)別或支持某一系列疾病的識(shí)別時(shí)，才有可能產(chǎn)生商業(yè)價(jià)值，從而進(jìn)一步推動(dòng)相關(guān)的研究，產(chǎn)生持續(xù)的經(jīng)濟(jì)效益。同時(shí)，產(chǎn)品的設(shè)計(jì)需要符合醫(yī)生日常的操作習(xí)慣和診斷流程。
以超聲檢測(cè)是醫(yī)生在操作的過(guò)程中看到實(shí)時(shí)影像時(shí)就做出診斷，這要求人工智能技術(shù)支持實(shí)時(shí)診斷，對(duì)計(jì)算能力有了更高的需求。如果按照傳統(tǒng)的先采集后識(shí)別，有違醫(yī)生的操作習(xí)慣和診斷流程。因此人工智能技術(shù)在醫(yī)療行業(yè)的發(fā)展不僅依賴(lài)技術(shù)的發(fā)展，也需要對(duì)行業(yè)理解深入的人才。
作者：Rolia，?前?？挡┦柯?lián)合創(chuàng)始人兼產(chǎn)品總監(jiān)
本文由 @pms-rolia 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載
題圖來(lái)自 Unsplash，基于 CC0 協(xié)議
請(qǐng)問(wèn)醫(yī)渡云算是這個(gè)行業(yè)的頭部嗎
大佬知道目前國(guó)內(nèi)有哪些ai公司在醫(yī)療體檢行業(yè)有技術(shù)優(yōu)勢(shì)嗎？
目前沒(méi)有，實(shí)用為主
感謝大佬分享 醫(yī)療數(shù)字化影像數(shù)據(jù)挺復(fù)雜的..