北京大學第一醫院醫學影像科主任 王霄英

好的AI產品和服務能為醫院的降費增效做出的貢獻，所以醫院應積極與企業、高校合作，為醫療AI的應用提供好的空間。

在醫院內研發AI，并不是為了獲得AI產品，而是以AI項目促進醫療工作流程的優化，為AI技術在醫院落地做出努力。專業的事情應該交由專業的人來做，醫院需要與學術界、產業界合作，共同實現AI的價值。

醫院應該適應新技術而改變自身。目前醫學影像科并沒有為醫療AI的應用提供足夠好的環境。

首先，傳統的醫療工作流程不適應現代化信息工具的植入，我們正努力做到將PACS/RIS與AI整合。

其次，醫療數據的產生、收集和處理的過程不規范，非結構化數據、語義不清晰的數據、個性化采集的數據等均影響AI的效能。只有改變醫務人員的工作習慣，規范的醫療行為才能產生規范的醫療數據。第三，傳統的醫學影像報告不利于AI結果的呈現，我們正在嘗試以結構化報告、圖文報告等方法發布結果，提高AI的顯示效果，提升患者體驗。

AI領域的工作也要拓寬思路。AI賦能醫療的領域絕不僅僅只有影像的識別與判讀，考察醫療服務的指標包括：質量、安全、效率、人的體驗等，這些都是改善醫療服務的剛需。

王霄英主任表示，醫院研發和使用產品，并不會考慮商業化進而把它研發成為產品，同時也不會像大學一樣重心放在算法模型的鉆研。醫院更在乎的是實用性，無論使用的信息化工具、智能化工具采用何種技術，如深度學習、機器學習或者基于規則的程序，只要好用、易用就好。

醫院與學術界、產業界合作有自己堅守的底線，最重要的是依法合規。AI科學研究項目需要有正規立項，經過機構倫理委員會批準后方可執行。

AI臨床服務需要遵守國家衛健委醫政醫管局的醫療技術臨床應用管理規定，符合衛健委對醫療機構的基本要求、對人員的基本要求、對技術管理的基本要和培訓管理要求。

另外，數據安全也是頭等大事，北京大學第一醫院從不允許任何人或組織未經批準下載拷貝醫療數據。在法律法規的管控下做工作，才能保證AI在醫院持續健康的發展。

IBM大中華區首席醫療顧問 李明

上周Watson Health的總裁Paul Roma在IBM官網博客發表了一篇文章，展望2020年醫療行業的發展趨勢。他認為未來的趨勢和過去十年醫療核心目標沒有改變，還是以提高患者的就醫體驗、提高效率、降低醫療成本為目標。但是整個醫療行業發展的趨勢是不斷轉向包容，基于價值的健康服務體系。

所謂價值醫療、價值健康，簡單理解就是成本效益的關系，花最少的錢辦更多的事情。事實上醫改的目標是給大家提供適宜的醫療技術，而不是所謂的最好的醫療技術。這其中基于價值的健康體系包含了個人醫療價值和群體社會價值、技術價值和資源的配置價值。

所以在基于價值的健康體系中一定有更多的參與方和要素參與。背后一定是以技術進行驅動，這些技術包含了人工智能、區塊鏈、云計算、物聯網和量子計算等。如果沒有大數據、算法創新、算力增長，人工智能便不會在新的浪潮重新起來。

云計算能更大的降低其使用基本，區塊鏈讓更多的參與方便捷獲取數據，而不是將數據集中在一處。量子計算機的出現相對于現在的計算機來說類似一種核武器和常規之間的差異，IBM率先量子計算機的商業化生產。

數字化療法，直接對患者實施軟 件生成的干預措施，旨在預防、管理或治療生理失調或疾病。是對傳統治療方式的有益補充。也涉及了醫保支付方，生命科學領域的應用。

優勢包括:為患者提供更準確的治 療方案，通過預防、早期干預及更出色的基于價值的醫 療模式，降低疾病總體發生率。

IBM Watson Health其不僅僅應用在腫瘤領域，在整個健康醫療體系中多個領域還有很多應用。

比如，在保險支付方領域有醫療支付方案、政府醫療健康、社保與關愛服務解決方案、以及腫瘤學與基因組學解決方案、醫療服務提供者解決方案、生命科學解決方案、醫學影像解決方案等。

生命科學領域在中國市場主推 IBM clinical development 方案，能有效地縮短臨床實驗周期。Micromedex 為臨床醫生和藥學研究人員提供實時、全方位藥學資料庫。

基于IBM Watson Health SPM的健康管理服務運營平臺為慢病管理和健康管理提供智能的、集成的方案。至于大家比較熟悉的Watson 腫瘤解決方案已經為中國超過5萬腫瘤患者提供了幫助。

數坤科技創始人兼CEO 馬春娥

我們認為人工智能和人類的醫生不是互相替代的關系，而是人機協智的關系。醫生和醫療AI產品的協同工作，在診療效果、效率、患者體驗方面的效果都要優于醫生。醫療AI作為一種工具是可以提供更好的醫療服務的。

比如，10月16日，平谷區“衛生健康信息化聯合研發應用中心”正式成立，包括華為、中國移動、數坤科技、平安集團等共8家科技企業，與平谷區衛健委簽署合作協議，結合以北京友誼醫院、北京中醫院等打造的醫聯體，平谷區與醫院、科技企業共同打造“平谷智慧醫療模式”，用人工智能和信息化等技術，當好基層人民重大疾病守門人。

2019年12月份，北京市衛健委牽頭，聯合平谷區衛健委以及京津冀基層區衛健委，將心肺腦輔助診斷平臺納入了中國健康行的項目。在活動現場，京津冀有25個基層的區衛健委跟數坤科技簽約，啟動京津冀基層醫學影像人工智能中心。

我們希望把這些在協和、安貞等大醫院用得好的技術應用在基層。國家醫改政策中把冠心病、卒中作為重要的管控目標寫進健康2030規劃中。

而基層缺少相應的技術人員和優秀的醫療專家，所以需要引入人工智能作為第一道守門人，并與大三甲醫院聯通，提供堅實的支撐。數坤科技希望利用技術的力量將這些疾病的發病率控制下來。

蛋殼研究院執行總監 羅仕明

飛利浦創新中心高級總監 曾永勤

2019年人工智能的發展已經進入了深水區，醫療AI迎來商業落地的考驗，各大產品紛紛進入臨床應用、嵌入醫院的工作流，啟動付費市場；醫療AI產品從產品驗證年，進入市場驗證年。

為此，2019年動脈網聯合飛利浦一起，從AI在醫院端的應用場景出發，以產品的商業化落地為目標，探究了2019年醫療AI應用的最新進展；考察對象包括近200家創新企業，通過采訪調研、實地考察、問卷調查、專家訪談等多種方式獲取豐富的一手信息，綜合分析行業現狀，分析角度包括產品屬性、落地進展、商業模式、政策、資本、招投標等多個維度，并撰寫了《2019中國醫療人工智能報告》，這是繼動脈網過去三年連續發布醫療AI年度報告以來的第四份報告。

該報告提供的主要內容包括：

• 第一，以醫院診療流程的數據流為主線，圍繞人工智能在醫院的各個應用場景，分享了40余家創業公司的方案和實踐，并提出了整合式全流程AI醫院；

• 第二，更新了被訪企業在2019年的應用數據；

• 第三，從商業模式的不同維度，分析了醫療AI各種應用的潛在的商業模式；

• 第四，統計了醫療AI 40多家醫療AI市場部負責人的背景、分析了各公司2019年進行市場推廣的策略；

• 第五，根據醫院的招投標數據和企業的投融資數據，從側面驗證了市場的接受度。

杏脈科技總裁兼CTO 房劬

價值醫療通俗的講類似于企業經營中的投入產出比的概念，在保證醫療效果的前提下，減少醫療支出。這樣的概念非常契合現如今醫?？刭M的大環境。

比如，心腦血管的參保人數占總參保人數的比重不超過5%，但是心腦血管的疾病卻占用了超過一半的基金數額，總的來說心腦血管疾病的醫保負擔非常重要。其中以心臟支架為代表的高值耗材是影響心血管支付的重要因素，目前醫保局通過耗材零差價、集中采購、反腐的方式來降低高值耗材的價格，這都起到了明顯的降低了心腦血管疾病診療的成本。

同時，杏脈科技則希望通過技術手段，在保證診療質量的前提下，更合理的規劃支架的使用。

美國2017年心臟學會FFR診斷指南支出，可以通過FFR的測量更合理的指導支架的使用，同時能夠保證手術質量。但受限于有創FFR測量費用昂貴、有創、輻射等原因，此項技術一直未能在國內廣泛開展。

杏脈科技通過DSA數據與CTA影像的結合訓練，融合應用深度學習技術、血流動力學等多種創新手段進行深度研發。貼合臨床需求，延續流體力學仿真的思路，在傳統計算方式基礎上自研了一整套全自動網格劃分技術及自主研發的CFD求解器，使原本需要4-6小時才能完成的流程縮短到了10分鐘，且整個過程不再需要流體力學工程師介入，同時保證了精度。

在此基礎上，杏脈科技更進一步研發了冠脈搭橋術前規劃系統。受限于冠脈搭橋手術的難度，術前醫生很難確定取多長的橋血管，取的越長對病人的損傷會越大，但取的太短可能起不到引流的效果。

另外，以什么位置作為搭橋的起點，什么位置結束，序貫橋的順序如何決策，都是面臨的問題。有經驗的外科醫生可能在大腦中模擬出搭完橋手術之后血液流動變化的情況，但很多醫生并沒有這個經驗。

通過杏脈自主研發的冠脈搭橋術前規劃產品。醫生可以在平臺上直接通過鼠標去選取橋血管長度、管徑、搭橋的起始點、終點，之后可以在5到10分鐘之內模擬出血流在管橋中的變化，包括壓力的變化，以及壁面切應力的變化。

壁面切應力對管腔有非常大的影響，并與術后血管的再閉塞強相關，這幾個參數綜合起來可以很好的對心外科醫生做指導。

小白世紀首席科學家 黃高

經過多年的發展深度卷積網絡技術已經有了飛速的發展，其與醫學圖像的結合也有了很多的實踐，但是當我們用算法處理真實世界中的醫療數據還是會面臨很多問題：

• 第一，可解釋性，醫生希望依靠深度卷積網絡進行輔助診斷，不僅要給出結果，還要可解釋，因為醫療的嚴謹性決定了醫生必須要尋根問底。

• 第二，數據模態的多樣性，醫療數據除了影像還包括文本等信息。

• 第三，因果推理，這在在AI領域是非常有挑戰性的問題，相關性可以通過各種算法判斷出來。比如，抽煙到底會不會引發肺病，通過數據能看出相關性，但怎么從數據里邊找到因果性。

• 第四，AI模型在不同設備、不同中心之間的遷移。第五，AI算法與醫學知識的結合。

元璟資本合伙人田敏

縱觀近年來醫療行業創新現狀，我們認為，中國“AI+醫療”市場目前還處于相對早期階段，然而隨著政策的持續利好和技術的深入探索，我們看好將AI數據與醫療技術相結合的各個領域

在我們看來，在醫藥和醫療領域，AI技術均能發揮重要作用，這其中包括醫藥相關的藥物發現、藥物合成、臨床前CRO、臨床CRO，以及與患者密切相關的早診早篩、病歷診斷、疾病診斷和后期康復的醫療產業鏈。

對比2017年、2018年及2019年AI醫療醫藥領域融資事件，我們發現，在病情診斷、治療康復和藥物研發這三個領域，融資數量最多的是病情診斷領域，這其中醫學影像輔助診斷占比高達80%，成為名副其實的紅海領域。

診斷領域，尤其是在影像診斷領域，自2016年開始就有無數多家公司涌入，在各個影像領域創業。但是該領域早期的技術壁壘并沒有想象中的高，而后期商業模式的探索和發展路徑卻很長。不過，針對疾病的早篩、早診，尤其是缺乏醫療水平的基層，AI起到的作用非常大。

康復領域主要是基于人體各項數據進行的慢病管理，目前國內已經有公司在該領域進行嘗試。近年來，隨著中國人口結構老齡化加劇，老齡人群康復服務需求增長，未來可穿戴輔助康復設備和慢病監測管理具有較大的市場空間，我們也在持續觀望該領域的新機會出現。

而在藥物研發領域，目前中美之間仍然存在較大差異，美國大量的醫療AI公司都集中在藥物研發的領域，中國近兩年也出現了海歸團隊/本土團隊開始藥物研發領域的各種嘗試。

相對而言，中國目前還處在這個領域發展的早期階段，但市場潛力巨大，AI技術賦能藥物研究領域技術壁壘較高，企業前期需要建立起和大公司的技術合作能力，而后期則要靠持續的數據積累和商業模式的構建，才能建立起自己的行業壁壘。

健?？萍糃EO汪健

健?？萍贾饕萌斯ぶ悄茌o助病人隨訪和病人慢病管理。

整個醫療分為健康、診前、診中、診后、康復市場。其中診前、診中被大眾所熟知，但是診后的病人出院，再到回醫院門診復診的過程在整個醫療體系中不被關注。健?？萍紕t主要定位診后市場。

診后病人管理的問題是工作量太大，國家的政策希望家庭醫生去管病人，現在互聯網醫療中慢病管理的業務也是交由醫生來負責，但是我認為這是很難實現的，因為醫生是整個醫療體系中的稀缺資源，所以健?？萍枷Ｍ鸄I提升醫療行業的產能進而去管理病人。

我們發現在醫院通常負責術后的并病人管理工作的是護士而非醫生，所以我們第一步做的是研發出虛擬護士，作為醫生和患者的中間角色，擔負病人管理工作。

另外，國內現在有大量的研究和指南在臨床路徑，但是病人管理路徑的指南和研究相對較少。目前雖有借助可穿戴設備進行慢病和身體檢測，但是并未很好地實現管理。所以健海科技梳理各種病種的知識庫，把病人管理的知識圖譜做出來。

健?？萍嫉淖鲈\后病人管理的方法是全病程動態路徑。我們去梳理病人的診后管理路徑，從病人第一次就診，根據他的診斷、用藥、醫囑、檢查檢驗生成病人固定的跟蹤路徑。

當一個病人的治療方案發生變化的時候，后期所有的跟蹤內容都會動態變化，也就是根據手術術后管理方式去管理病人，而不是根據前期的病種方式去管理病人。

為此，健海科技打造了一款智能AI隨訪系統，核心優勢在于其AI技術——濟世大腦。它擁有智能輔助互動、智能輔助判斷、智能輔助處理引擎，集合深度學習、大數據處理、語音合成、識別、分析等技術，通過電話、微信等途徑輔助醫護人員完成醫院隨訪、滿意度調查、復診提醒、慢病管理等工作。

第四范式醫療業務負責人、主任科學家涂威威

第四范式的特點是用機器尋找海量的規律，因為機器的可復制性非常的強，只要有數據的地方，在AI算法的幫助下可以不斷的從數據中發現規律。

糖尿病的預防管理存在4個方面核心問題：預測、干預、管理、科普。

為此，第四范式與瑞金醫院聯合發布的“瑞寧知糖”和“瑞寧知心”等慢性病管理產品，可在具備簡單輸入指標的情況下，評估并預測普通用戶糖尿病及糖尿病心血管并發癥等常見疾病至少未來3年間的患病風險、危險因素，給予個性化干預方案，幫助用戶進行長期自我管理。

該系列產品對世界衛生組織定義的慢性病三級預防均有針對性支持，依靠第四范式領先的人工智能技術和瑞金醫院前沿的代謝病研究，該系列產品具備篩查準確率高、模型預測指標具備醫學解釋性、個性化干預方案、可長期自我管理等應用特點。

作為一家技術公司，我們并不懂醫療，所以我們覺得應該找到自己對應的位置，在產品研發過程中只負責技術層面的事情，把我們從數據中挖掘規律的能力把這給到合作伙伴，并將這一能力賦能醫保、商保、健康管理、輔助診斷、醫學影像以及藥物研發等醫學領域。

愛醫聲聯合創始人、清華大學副研究員閭海榮

醫療AI發展到現在，有很多進展，但能進入實用的很少，這里面，醫生們認為AI產品不可信、體驗不好，是主要原因。之所以不可信，有以下幾方面原因：

第一，數據問題。源頭的數據質量不高、不可信，很難保證訓練出來的模型、算法可信。

第二，機器學習黑盒/黑箱子的問題。如果我們訓練出來的模型發生了偏差，尤其是系統性的偏差，那就很恐怖；診斷出現了問題，但并不知道中間的邏輯過程。這樣的缺陷使得很多用戶、醫生、行業的從業人員對自己訓練出來的模型，自己也沒有多大的信心，更不太可能讓醫生去用。

比如，現在在學校實驗室利用AI做病理研究，訓練出來的模型算法準確度能達到99.9%以上，但是將產品用到臨床里面的時候，并不具備太高的臨床可用度。

因為醫生看病問診是根據指南和經驗，以及他看過的歷史病例來做診斷。只有將專家系統、概率圖網絡、知識圖譜這些相關的過程映射到模型里面，醫生才會有用的信心。

如何讓醫療AI變得可信？我認為有以下幾個角度：

• 第一，知識管理。把醫生的指南、臨床的知識庫輸入到系統里面。這方面IBM Watson做的很好

• 第二，知識圖譜構建。機器錄入數據之后可以構成高質量的知識圖譜。

• 第三，案例學習。將傳統的通過數據學習的方式構建模型與構建的案例庫結合起來。

• 第四，將以上體系跟用戶很好的交互起來。所以最關鍵的工作是打造全?？梢暬慕换ズ徒忉尩捏w系。通過這樣的方式可以讓背后的邏輯、知識跟醫生、普通用戶之間進行非常好的互動，而且是及時的互動。

全棧AI打造的幾個核心的能力包括：聽、說、看、思考、學習、交互。

硅基智能總經理胡志鋼

醫療AI發展到現在，審批已經是行業最為關注的重點，這是企業大規模商業化的敲門磚。目前硅基智能的產品5月份進入三類醫療器械綠色審批通道，12月份，藥監局到公司進行了體系審核。

關于醫療AI產品的三類證審批，創新醫療器械審批國家藥監局主要關注四個方面：

• 第一，算法核心專利要明確證明用在公司的產品中，要把算法的核心技術闡述清楚，是如何應用在產品中的。

• 第二，產品定型，把標準數據的來源說清楚，從量化、溯源的角度把事情解釋清楚。

• 第三，臨床顯著應用的價值，要有真實世界的臨床數據來證明產品確實能夠解決臨床上的問題，并提供給監管部門。

深度學習輔助決策醫療器械軟件審評要點跟其他產品開發思路類似，可分為臨床需求分析、數據收集、算法設計、驗證與確認等階段，其中數據是最重要的一個點。

數據收集包含數據采集、數據預處理、數據標注和數據集構建等活動。

數據采集更關注數據來源的合規性、數據的多樣性。產品如何與臨床之間更好的契合，數據采集要考慮包括疾病構成、地域、人群分布、設備、機構層級、流行病學等因素。

另外數據采集質量評估，數據脫敏程度，數據轉移方式均要符合一定規范要求。

數據預處理：包含數據清洗和數據處理兩部分。預處理需考慮選用的方式方法對產品的影響及其風險，并明確預處理前數據什么樣子，預處理之后數據變成什么樣子。此外，進行預處理的軟件工具要經過確認，證明數據處理是可靠的。

數據標注和標注過程中的質量控制。標注人員要明確其資質要求，經過嚴格的培訓和考核，標注過程應當明確數據標注流程與方法，并對標注質量進行持續的量化分析。

數據集的構建：最終通過前面嚴謹的標注出來之后形成了標注數據集，需要把它劃分成不同的訓練集、調優集、測試集。數據集劃分需要考慮的因素包括醫生臨床的經驗、算法專家對數據集的要求等。

數據集的劃分還要涉及到數據樣本的分布，臨床的需求。訓練集樣本分布要均衡，要考慮到各個病種學習的充分性。調優集、測試集要考慮臨床應用場景下真實的疾病分布，以及是否有其他疾病的干擾因素。