想象一下：在未來的某一天，如果 AI 診療成為了現(xiàn)實(shí)，你就能直接在醫(yī)院用電腦看病了。通過化驗(yàn)的數(shù)據(jù)，系統(tǒng)很快就給了你一個(gè)診斷結(jié)果，讓你乖乖去開藥吃藥，甚至決定要不要手術(shù)……雖然這個(gè)過程聽上去很便捷也很美好，但要抵達(dá) AI 診療的烏托邦，實(shí)際上并沒有那么簡單，且不論它的磚瓦尚在建設(shè)當(dāng)中，要走向?yàn)跬邪畹穆吠?，同樣沒有想象中的容易。　　

medicaltranscriptionsservice

　　▌停留在實(shí)驗(yàn)室里的 AI 診療

　　AI 診療的用戶群體并不只局限于輔助醫(yī)生，按照服務(wù)群體的不同，可以分為四個(gè)層面：

　　•回復(fù)患者咨詢;

　　•輔助導(dǎo)診人員、藥店人員、醫(yī)療在線客服;

　　•基層醫(yī)生及全科醫(yī)生的臨床輔助決策;

　　•面向醫(yī)生的患者康復(fù)跟蹤。

　　而以上功能要和 AI 診療扯上關(guān)系，醫(yī)療創(chuàng)業(yè)公司如果沒有大量的數(shù)據(jù)，要做成一個(gè)成熟的產(chǎn)品簡直無從談起。

　　創(chuàng)業(yè)公司在數(shù)據(jù)匱乏的情況下，目前的主要方式是和醫(yī)院或數(shù)據(jù)中心合作，獲取相關(guān)的數(shù)據(jù)。而這些數(shù)據(jù)主要的用途尚不是用于醫(yī)院實(shí)戰(zhàn)診斷，而僅僅是前期的積累工作——通過海量臨床數(shù)據(jù)來優(yōu)化算法。

　　人工智能診斷新星 Enlitic 的創(chuàng)始人 Jeremy Howard 曾一度表示，缺乏數(shù)據(jù)是制約它們發(fā)展的主要原因。而它在去年獲得 Capitol Health 領(lǐng)投的 1000 萬美元融資，通過后者提供的放射科數(shù)據(jù)完善診斷算法。通過海量醫(yī)療數(shù)據(jù)的挖掘，實(shí)現(xiàn)對醫(yī)學(xué)影像的實(shí)時(shí)準(zhǔn)確診斷，提供患病概率預(yù)測，并輔助醫(yī)生決策。

　　而目前最為成功的 AI 診療系統(tǒng)非 IBM 的Watson 莫屬了。根據(jù)東京系統(tǒng)與軟件開發(fā)研究所 Watson Health Cloud 的軟件工程師林雪婷此前的介紹，系統(tǒng)需要有可以進(jìn)行合作的研究中心，以獲取準(zhǔn)確的數(shù)據(jù)來源。 Watson獲取數(shù)據(jù)的做法主要是和美國第二大連鎖藥店 CVS 合作，獲取用戶的行為信息、臨床數(shù)據(jù)、購藥數(shù)據(jù)及保險(xiǎn)信息等，或是和各地的實(shí)驗(yàn)室及研究中心合作。

　　然而，目前的研究工作主要還是局限在實(shí)驗(yàn)室中。即便有著 Watson 診斷白血病的成功案例，它距離臨床實(shí)驗(yàn)還有一定距離。　　

hsnewsbeat

　　▌數(shù)據(jù)的有效性

　　AI診療最大的硬傷在于為醫(yī)療研究所收集的數(shù)據(jù)，與真實(shí)問診還有距離。

　　一個(gè)原因在于數(shù)據(jù)規(guī)模小。目前大部分科技公司的做法是，通過向醫(yī)院機(jī)構(gòu)獲取數(shù)據(jù)，而予以定制化解決方案作為交換，但這些臨床數(shù)據(jù)只能算是“小打小鬧”。

　　簡單為大家算筆帳：僅僅在英國，每天就有接近200人無法看到明天的英國雨景(順手一黑)。而到2020年，全球因AMD(一種因糖尿病繼發(fā)的視網(wǎng)膜病變)而失明的人將達(dá)到2億人。

　　但是，就算是谷歌DeepMind和英國百年老醫(yī)院 Moorfields這樣的強(qiáng)強(qiáng)聯(lián)手，到目前的訓(xùn)練數(shù)據(jù)也只能達(dá)到 100 多萬張匿名掃描圖。這樣一對比，獨(dú)立醫(yī)院所能提供的數(shù)據(jù)和全球患者相比簡直是滄海一粟。而與此同時(shí)，對于疾病的數(shù)據(jù)獲取就會受到地域甚至是病種的局限，這就讓數(shù)據(jù)的有效性打了個(gè)折扣。

　　另一個(gè)問題在于數(shù)據(jù)的質(zhì)量有待提高。電子化程度不夠，數(shù)據(jù)采集方式良莠不齊、缺乏標(biāo)準(zhǔn)體系及結(jié)構(gòu)化程度低的數(shù)據(jù)來源，更讓臨床試驗(yàn)帶來了困難。

　　醫(yī)療數(shù)據(jù)不像金融數(shù)據(jù)一樣，顆粒度和專業(yè)度已經(jīng)比較成熟，目前醫(yī)院的 HIS及 EMR 的程度還遠(yuǎn)遠(yuǎn)不夠。“數(shù)據(jù)的質(zhì)量是有效分析的基礎(chǔ)，目前數(shù)據(jù)清洗工作占據(jù)了太多工作量，終究還是質(zhì)量的問題。”樹蘭醫(yī)院 CEO 鄭杰如是說。他認(rèn)為，使用醫(yī)院信息系統(tǒng)的多為平均年齡較大的醫(yī)生，對接納最新信息系統(tǒng)的排斥度較高，且沒有進(jìn)行數(shù)據(jù)分析的迫切動力，因此“也就很難建立優(yōu)秀的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)質(zhì)量” 。

　　雷鋒網(wǎng)詢問了幾位一二線醫(yī)院的醫(yī)生，他們表示目前醫(yī)院并沒有引入相關(guān)的人工智能診斷設(shè)施，因?yàn)闇?zhǔn)確率并不樂觀，尚處于觀望狀態(tài)，但不排除“在法規(guī)允許的情況下，將人工智能診斷做為輔助診斷。”

　　康夫子 CEO 張超表示，“目前市面上的診斷(做了很多年的專家系統(tǒng))，主要還是基于癥狀，少數(shù)能加入化驗(yàn)數(shù)據(jù)，但實(shí)際上，病史、用藥、誘因等等都需要逐步學(xué)習(xí)。”化驗(yàn)的數(shù)據(jù)，更多的是做為一個(gè)當(dāng)下的參考，而醫(yī)生的“望聞問切”，則是對癥狀、誘因、病史、用藥史等多個(gè)維度的綜合考量。而數(shù)據(jù)的質(zhì)量不佳，必然會阻礙人工智能的學(xué)習(xí)。

　　除卻數(shù)量和質(zhì)量外，法律的缺失也給數(shù)據(jù)的有效性打了個(gè)問號。

　　且不論這些到手的數(shù)據(jù)質(zhì)量的信息化水平如何，更不要說此前，DeepMind 因?yàn)楹?NHS 達(dá)成了每年160萬的數(shù)據(jù)交換而引致輿論攻擊了。而蘋果在最新的規(guī)范中同樣不允許開發(fā)者將數(shù)據(jù)存儲在 iCloud 上，也是科技公司為了規(guī)避泄漏數(shù)據(jù)伴隨而來的風(fēng)險(xiǎn)所做的規(guī)范。

　　截至現(xiàn)在，國內(nèi)外都沒有相應(yīng)的 AI 診療相關(guān)法規(guī)，對于相關(guān)的責(zé)任主體及就診流程，也缺乏一個(gè)明確的規(guī)范。目前國外第三方只能根據(jù) HIPPA 協(xié)議使用個(gè)人數(shù)據(jù)的統(tǒng)計(jì)信息，這個(gè)頒布于 1996 年的醫(yī)療保險(xiǎn)攜帶和責(zé)任法案旨在保護(hù)患者隱私和健康有關(guān)的電子數(shù)據(jù)，并且讓數(shù)據(jù)的交換過程盡可能標(biāo)準(zhǔn)化。

　　HIPAA 的安全原則所定義的技術(shù)保障并不要求使用某一項(xiàng)具體的技術(shù)，而是一個(gè)可調(diào)整的框架，要求機(jī)構(gòu)為了保護(hù)數(shù)據(jù)安全，盡可能多地采用適宜的技術(shù)，而這些安全方案需要實(shí)現(xiàn)“檢查控制、信息完整、數(shù)據(jù)傳輸?shù)?rdquo; 多種要求。

　　醫(yī)學(xué)數(shù)據(jù)出于隱私的顧慮，通常不可能大范圍地進(jìn)行分享，而囿于人們對病痛的天然排斥，對于患病的化驗(yàn)數(shù)據(jù)自然更是不愿意向他人“分享”的，各家醫(yī)院的“信息孤島”問題又加劇了這一現(xiàn)狀。　

venturebeat

　　▌小結(jié)：

　　簡單說來， AI 診療未能快速發(fā)展的主要原因，在于數(shù)據(jù)的數(shù)量和質(zhì)量在目前階段尚不足以支持真實(shí)問診環(huán)節(jié)。診療是一個(gè)非常個(gè)性化及私人化的活動，要讓就診數(shù)據(jù)得到大規(guī)模的開放和運(yùn)用，除了在基于語義的自然語言處理上進(jìn)行大數(shù)據(jù)分析外，也需要法律的支持和保護(hù)。

　　這樣，醫(yī)療大數(shù)據(jù)才能在有效性上真正服務(wù)于人工智能的探索，為 AI 診療提供幫助和支持，說不定在不遠(yuǎn)的未來，我們就能抵達(dá)烏托邦，享受到電腦看病的便利了。