当前位置:亚博体育 > 影像数据 >

一起聊聊AI医疗

2018-12-12 17:39 来源:未知

  医疗本身是一个非常专业的领域,人工智能技术在医疗应用上的突破离不开医学界的深度参与。人工智能医疗领域最缺乏的其实是复合型人才,既要懂医学,又要懂人工智能技术。医学人才的参与能够让人工智能团队少走弯路,许多医学问题也可能在人工智能辅助下有所突破。

  以肺癌这个病种为例,AI医疗需要跨多学科的介入临床场景,病种库跨系统需集成数万甚至数十万例例肺癌患者全周期数据、百万份临床文档和报告、千万份原始医学图像,收录了肺癌患者的影像、病理、基因检测、病历文本等多维数据。来实现结节筛查等初级功能,同时结合国际、国内最新临床肺癌诊疗指南,来实现肺癌全类型病灶的诊断覆盖,综合多学科临床信息作出诊断,从而减少该病种的误诊、漏诊情况,提升诊疗效率。

  该规划提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施,部署构筑我国人工智能发展的先发优势,加快建设创新型国家和世界科技强国。

  而在院内医疗环节中,放射学科掌握 80% 以上的医疗大数据,是疾病诊断的关键入口之一。AI医疗介入该环节就相当于介入了医疗诊断的关键入口环节,其中累积的大数据也可以为后续AI医疗产品的持续优化提供源动力。

  医疗影像数据属于典型的“高维数据”,内容丰富但提取复杂,若使用人工判读,工作量和一致性极差,无法进行万量级大数据处理,若基于报告进行提取,会遗漏大量信息。

  目前国内没有医疗信息数据的行业通用标准,不同医院,甚至不同医生,对病历编写、对病灶标注、对病种叫法都有不同,人工智能是强数理、强逻辑的工具,对于内容的精准度和标准化要求很高。

  人人都是产品经理(是以产品经理、运营为核心的学习、交流、分享平台,集媒体、培训、招聘、社群为一体,全方位服务产品人和运营人,成立8年举办在线+期,线+场,产品经理大会、运营大会20+场,覆盖北上广深杭成都等15个城市,在行业有较高的影响力和知名度。平台聚集了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里分享知识、招聘人才,与你一起成长。

  首先,这类工作需要具备以下特点:

  从宏观政策上看,在高层国家战略的角度上,宏观上对AI医疗是肯定和扶持的。

  上述这些发展中遇到的挑战也只能够在发展中解决,资源整合和各地域各医院合作是可以有效解决这类问题,我们期望能够在国家层面有意识地整合资源,梳理出临床医学人工智能的发展规律和路径,鼓励医学界、科研单位、企业等多方深度合作,从而进一步推动医疗人工智能发展。

  这个问题本质是医生对于AI医疗辅助诊断结果的信任问题,这个问题决定了医生对AI诊疗建议的采纳率,为解决这部分问题,需要在产品层面加入一些可解释的技术分析指标,用来给医生提供证据,告诉医生AI诊疗结果的判断原因。

  医疗数据结构随意、差异化大、病历格式不同、描述不同,临床语言属于自然语言范畴,同时具备医学表述所特有的语法结构特点和语义特点,特定医学实体识别相对容易,全量信息解析提取没有现成可用的成果。

  目标:提升医疗效率,完成对医生的智力解放,让医生资源专注到核心业务中,从而实现医生群体业务能力的提升,通过多地域多医院的介入,提升医疗体系的运行效率及诊疗规范性。同时把顶级诊疗机构的诊疗能力赋能到基层,提升基层医疗机构的诊疗能力,缓解当前中国最为急需解决的优质医疗资源短缺及分布不均的问题,让更多基层百姓享受到技术进步带来的诊疗体验提升,最终实现整体医疗资源医疗水平的提升。

  医疗资源分布不均这一“瓶颈”是医疗供需环节的一大痛点,打通痛点便是商业化的机会。大医院人满为患,而基层医疗机构诊疗能力提升困难,以人工智能技术为工具,打破信息屏障,将大医院的诊疗能力赋能基层,让基层医院医生能够更准确地进行诊断和治疗,是解决我国医疗资源短缺的重要手段。而提供这一重要手段的AI医疗一定能够再解决供需问题中找到商业化的路径。

  以胸部CT诊断为例,每一位患者做一次检测将产生200-300张切片图像,传统方式单片解读通常要花医生将近10分钟,通常在省级大型医院,放射科医生每天要阅读约4万张图像,工作量大、压力大,而通过计算机视觉技术的AI医疗可有效解决这个问题。

  人工智能应用要落地,就需要优质的数据土壤。机器学习并建模的过程需要大量数据,目前医疗数据仍然割裂在各个独立的医院中,从单个医院过来的数据样本不够巨大。

  本文对AI医疗做了简单的概述,综合来说,人工智能打破了医院与医院的边界,延长了服务半径,能直接快速的提高本院及基层医疗服务水平,助力分级诊疗。

  最近针对“互联网+医疗健康”基于全行业产业链做了一定的思考和分析,把前面写过的四篇文章贴出来,供大家追溯查看:

  如果要实现AI医疗,有以下问题要解决,解决这些问题的过程便是AI医疗的实现步骤:

  在术语使用、描述方式等多层面,临床数据要完成彻底的标准化,才能成为高质量数据,临床工作强度高,部分数据存在描述不完整设置表述错误的情况,质量治理工作复杂。

  在第二大项第四部分【培育智能产品-医疗影像辅助诊断系统】中,提出推动医学影像数据采集标准化与规范化,支持脑、肺、眼、骨、心脑血管、乳腺等典型疾病领域的医学影像辅助诊断技术研发,加快医疗影像辅助诊断系统的产品化及临床辅助应用。

  那本文主要谈的AI医疗为解决上述供需失衡环节中,都围绕什么方向做了哪些举措来达成了怎样的目标呢?

  在第三大项【推进重点领域智能产品创新主要任务】中,提出推动互联网与传统行业融合创新,支持在制造、教育、环境、交通、商业、健康医疗、网络安全、社会治理等重要领域开展人工智能应用试点示范。

  如果说行业供需环节的薄弱点代表了行业的某些痛点,行业的某些痛点代表了我们的产品方向的话,那么宏观政策就代表了我们完成这个方向优化的整体依据。

  在对医疗健康供需优化的路上,有一类通过借助人工智能的技术手段,针对院内市场,以提升医疗效率为核心目标的产品方向,业内称这个方向为AI医疗。本文来谈一谈我对于AI医疗的思考和了解。

  那在院内环境中,大量现存的医疗效率问题集合里面有哪些符合这类工作的特点,我们把这些有此类特点的工作抽出来便是AI医疗具体的产品落脚点。

  目前国内各科室医学协会、医院、医学院等,缺乏更有效的科研大数据平台,在科研场景中常需要到各个地方检索多个离散的信息后再人工聚合,效率不高,无法将精力全部放在科研业务探索上。

  AI医疗基于强大的大数据能力,有效构建科研大数据平台,为医生做好科研工具的服务,让医生将全部精力放到科研业务中来。

  2016.10.25 中共中央、国务院印发了《“健康中国2030”规划纲要》

  可比较高效的提升医疗体系的运行效率及诊疗规范性,提升基层医疗机构的诊疗能力,缓解当前中国最为急需解决的优质医疗资源短缺及分布不均的问题,让更多基层百姓享受到技术进步带来的诊疗体验提升。

  同任何发展中的事物一样,AI医疗也面临着发展过程中的一些挑战,主要表现在:

  目前市面上主流的AI辅助诊断系统已覆盖了包括儿科、肿瘤科、心脑血管科等主流科室,假以时日,相信AI辅助诊断系统将会逐步落地到更多的临床科室中。

  在【关键内容】中,提出加快计算机视觉、生物特征识别、自然语言理解、智能决策控制以及新型人机交互等关键技术的研发和产业化,为产业智能化升级夯实基础。