AI正帮助医疗变得更智慧和便捷

作者：范昕茹 来源：IT时报

在所有行业中，医疗行业是产生数据最多的行业之一，其一年产生的数据量大约占全球数据总量的30%。其中，智慧医疗每年产生约59PB的数据，生物医学研究每年产生约40PB的数据。

在2023中国国际医疗器械博览会暨“AI边缘计算赋能医疗影像，助力基层医疗创新升级”论坛上，英特尔中国区物联网及渠道数据中心事业部总经理郭威认为，如何利用好这些数据，是科技赋能医疗的核心所在。“在医疗行业上，英特尔主要做三件事情，即‘一个基础，两个核心点’。”郭威解释说，一个基础，就是以人工智能为基础赋能行业，让人工智能在英特尔的芯片上跑得更好。两个核心则是指加速科研创新和赋能智慧医疗。

人工智能等技术的加持，正让医疗变得更加智慧和便捷。

英特尔中国区物联网及渠道数据中心事业部总经理郭威

AI某些单病种检测率可达95%

随着AI在医疗行业的应用，AI在医疗影像上的应用已经十分广泛，主要集中在流程改造、疾病诊断和健康管理及治疗上。

中华医学会放射学分会主任委员、中国医学影像AI产学研创新联盟理事长刘士远在会上公布了一组数据，一份面向全国医学影像人工智能调研结果显示，大医院的AI使用率已经达到了73%。截止目前，我国NMPA注册证已经达到了55张以上。

AI正让医疗检查变得更加便利。比如在冠脉的影像诊疗中，以往不用AI的时候，一个病人从扫描到图像重建，再到生成报告，往往需要花费30分钟左右。但现在，因为AI，重建处理的过程被缩短到了1分钟左右。也就是说，现在仅需6分钟，就能完成冠脉检查到报告生成的全过程，大大增加了检查的效率。刘士远说：“检查速度快了，意味着一天内医院能完成的冠脉检查数量要比以前多了，患者也因此能够获益。”

而在肺结节、冠状动脉CTA成像、头颈部CTA人工智能模型、骨折模型、灌注等医学界常说的“五大金刚”的检测上，AI已经有很高的检出率。在刘士远看来， AI在一些容易被遮挡的部位更有优势。因为AI的分辨率更高，一般在平面片子上看不到的地方，肉眼容易漏诊，但AI却可以“看”得更清楚，提醒医生可能存在的病变。他给出了一份某三甲医院的统计数据。数据显示，在冠脉领域，AI的应用帮助医院的斑块狭窄检出率从原本的60%多，提升到了95%左右。肺结节的检出率从原来的35%提升到了70%。

汇医慧影公司提供的产品则可以帮助患者在拍摄CT时，同时完成骨密度的相关检测。汇医慧影CEO柴象飞介绍说，在不用体膜的情况下，患者只需要对胸部或腹部进行扫描，AI就可以自动计算出骨密度。如今，这项检查已经可以广泛应用在骨质疏松筛查，包括锥体形态分析、骨折预测、肌少症、肥胖症以及术前的规划等等的方面。

汇医慧影CEO柴象飞

尽管现阶段AI大多被集中应用在单病种的诊疗过程中，但在刘士远看来，随着人工智能影像的进一步发展，未来AI医疗产品将越来越丰富。这些产品将帮助AI诊疗从单病种向多病种多任务发展，形成基于部位和器官的软硬一体化，基于互联网的源共享以及诊疗的一体化，从而达到全流程覆盖，形成良好的生态。

“AI的发展，是扑面而来，”刘士远说，“就像海浪一样，一波一波地冲击，一波波看上去一样，但是内涵都不一样。”

10年内AI不会取代医生

当AI越来越多地介入到医疗环节之中，对于传统的放射科医生来说，是否意味着他们的工作职能将要被取代？

“2016年，我们开始建医学影像人工智能联盟的时候，同事会说，你们在做的事情是给自己做掘墓人。”一位医疗行业专家说，“但从这五六年的经验来看，至少在十年内，它还无法取代影像医生。”

这位医疗行业专家认为，尽管在一些常见病的检测方面，AI的准确率已经超过人类医生。但在实际的医疗诊断中，AI仍然存在缺陷。她说：“根据目前有限的，能够看得到的可靠报道，往美好的地方想，AI能达到高年资主治医生水平。”

之所以给出这样的判断，是因为在她看来，医学上的知识和单纯去看图像、照片是截然不同的。在实际的医疗诊断中，医生需要结合患者的病史、用药史等多重信息来判断病人的病情，而非单纯依照图片给出诊断。因而，AI给出的报告仅仅只是参考，医生还需要依托自己的经验进行综合判断。“不过，”她说，“如果医生只满足于简单的诊断，那一定会被AI所取代。”

但在刘士远看来，尽管目前AI仍处于辅助治疗决策的阶段，但随着ChatGPT的发展，AI替代医生的可能性似乎越来越高。“但我并不认为这是一种危机，”他说，“这其实是一种机遇。”

在他的设想中，未来的医生不会只面对冷冰冰电脑屏幕，而是需要走向更鲜活的人生，和病人沟通，为病人解决问题。他说：“医生的价值在于与病人一起解读AI生成的报告。”当AI报告的准确性足够高，可以直接用于疾病的诊断，对医生和病人而言，意味着效率的提高，因而医生和病人都有更多的时间投入到工作和生活中，“这不是很方便吗？”

多模态AI是未来

辅助诊断和AI自主进行诊断之间到底还有多远？一位英特尔专家给出的答案是，还缺一个多模态AI。

在这名专家看来，影像AI通常只能用作辅助的一个原因在于，影像诊断本身并不是单纯基于影像数据的判断。他说：“无论是放射科医生还是临床医生，在制定诊断方案时都需要结合患者的基本信息、人口学信息、历史病例信息，甚至包括基因数据，综合评估才能得出一个诊断结果。”

这意味着，单纯依靠影像AI并不能解决诊断问题，必须得结合电子病历数据、基因数据等多种数据来源进行多模态的分析。“这也是未来临床应用的一个趋势。”他说。

在医疗行业，尽管对于多模态的分析已经进行了很多年，但目前关于多模态AI的研究仍处于研究阶段，应用相对较少。这是因为多模态分析通常涉及到影像和病例等多种数据。在医学界，数据的获取和共享仍是一个世界性难题。

相比ChatGPT等大模型，医疗行业的AI产品的数据投喂量往往在1000个病例左右，远远小于GPT的数据投喂量。这对医疗多模态AI的产生提出了挑战。而在数据的标注上，医疗行业的标准制定远比其他行业困难，即便是专家级别的医生教授之间，对同一个病种，也很难达成一致。凡此种种，都给医疗多模态AI的产生提出了挑战。

在理论层面，多模态AI形成诊断的流程是通过输入多模态数据，AI将数据进行融合后，通过模型，产生诊断。“因为结合了不同维度的信息，从理论上来说，它的结果应该更加精准，”该英特尔专家表示，“但问题是，模型更复杂之后，可能会变得超级大。”这不仅会提高模型的研发难度，还会增加使用者的使用难度。因为多模态模型的可理解性和可解释性会更差。

以上是AI正帮助医疗变得更智慧和便捷的详细内容。更多信息请关注PHP中文网其他相关文章！