一直以來，醫(yī)療行業(yè)都被視為AI應用的最佳場景之一。在上一輪AI+醫(yī)療浪潮中，人工智能的應用主要集中在影像領域。那么，在本輪AIGC浪潮中， AI醫(yī)療是否迎來了新的突破口？

近日，紅杉資本發(fā)布了一篇名為《Generative AI in Healthcare》的報告。其中提到，目前AI能夠很好地處理患者互動、文檔記錄、預授權、編碼和收入周期管理等環(huán)節(jié)，例如將醫(yī)生和患者的對話，自動轉化為電子病歷和編碼等等。紅杉資本認為，現(xiàn)在的AI開始滲透到醫(yī)療行業(yè)的多個環(huán)節(jié)，從而大大提高醫(yī)療領域的效率和質量，降低成本和人力。

那么，除了處理這些看起來不夠前沿的非結構性數(shù)據(jù)，醫(yī)療行業(yè)的“卡脖子”領域——醫(yī)療診斷，在這一輪人工智能浪潮中，能否獲得新的解決方案？又有哪些難點？近日，華爾街日報發(fā)布的一篇文章《Can AI Help Doctors Come Up With Better Diagnoses?》給出了一些答案。文章作者為Laura Landro，她專注于醫(yī)學與健康領域方面寫作，出版過書籍《幸存者：控制你與癌癥的斗爭》等。適道對原文內容進行了縮寫和補充，以下是正文。

1

準確性是永遠的痛點

第一，AI無法取代醫(yī)生經(jīng)驗。雖然生成式AI能提出診斷建議，并提示醫(yī)生：患者可能出現(xiàn)的病情趨勢。但在臨床實踐中，除了一張冷冰冰的體檢報告，醫(yī)生還要和患者面對面交流，通過望聞問切、建立聯(lián)系、獲取信任，從細微之處察覺患者的病情起因發(fā)展，排查不符合邏輯的事實。

例如，在肥胖門診中，很多病人會隱瞞自己的真實飯量。醫(yī)生可以環(huán)環(huán)追問，推測出病人實際的飲食和運動情況，從而給出合理的治療方案。但如果將這些“說謊的病人”交給AI，它大概率會陷入錯亂。

第二，AI會“胡編亂造”診斷書。如果說ChatGPT自創(chuàng)參考文獻勉強算得上可愛，那么當它開始自創(chuàng)診斷書，就是可怕了。

英國的一項研究發(fā)現(xiàn)： 聊天式AI漏掉重要診斷的概率高達60%，而這些診斷往往會危及生命，也是每個經(jīng)驗豐富的臨床醫(yī)生最關心的問題。

顯然，大部分患者也對AI醫(yī)生也是將信將疑。在一項針對美國成年人的調查中，66%的女性和54%的男性都不太放心AI提供的醫(yī)療服務。

Source: Pew Research Center, survey conducted Dec. 12-18, 2022

2

解決數(shù)據(jù)問題=解決一大半難題

為防止診斷出現(xiàn)誤差，一些基于特定任務而開發(fā)的模型被應用在醫(yī)療領域。

例如，梅奧診所（Mayo clinic）設計了一種可以檢測心房顫動（AFib）跡象的算法，醫(yī)生只需點擊嵌入梅奧電子健康記錄中的AI儀表板，即可查看所有檢查心電圖患者的情況。

哈佛大學和麻省理工學院的一項聯(lián)合研究發(fā)現(xiàn)，在胸部X光檢查中，AI的表現(xiàn)比66%了解患者病史的放射科醫(yī)生更為準確。

上述這兩種模型有助于評估風險，幫助醫(yī)生進行下一步檢查和治療。但它們只能執(zhí)行由訓練數(shù)據(jù)集及標簽預先定義的任務，在臨床實踐中無法完成其他任務，靈活性很差。

那么，AI診斷的擔子就落在了更為靈活的大模型上，它們能否勝任？

雖然，在大模型下，AI診斷不再是只給出簡單的結果，它也可以像專家一樣，跟醫(yī)生進行深度討論；大模型帶來的人機自然語言無障礙交互，也可以調動多種能力解決多個場景的問題。

不過也正如上文所舉的第二個例子， 大模型“胡編亂造”的能力是阻礙其在醫(yī)療領域應用的一大絆腳石。

但這個問題也不是不能解決。

首先，技術的進步可以大大改善現(xiàn)狀。

就像第一次工業(yè)革命時期，世界上第一輛火車跑不過馬車，唱衰大模型醫(yī)療診斷還為時過早。

例如，斯坦福大學的研究人員發(fā)現(xiàn)，在回答一些臨床推理問題時，GPT-4穩(wěn)贏大二的醫(yī)學生，它不僅比GPT-3.5準得多，甚至沒有一本正經(jīng)地胡說八道。OpenAI表示，雖然GPT-4生成事實內容的可能性比GPT-3.5高出來 40%，但要進一步降低出現(xiàn)“幻覺”，還有很多工作要做。雖然我們不知道要做哪些工作，但至少情況會變得更好。

其次，解決數(shù)據(jù)問題，就能解決一大半難題。

模型的好壞取決于人類喂給它的數(shù)據(jù)。這些數(shù)據(jù)依賴于人類的反饋結果，本身就可能帶有濃重的主觀色彩，并非客觀準確。而當“不夠好”的數(shù)據(jù)充斥其中，人工智能模型賴以生存的良性循環(huán)模式（飛輪效應）也就玩不轉了。

一方面，大型、多樣化的醫(yī)療數(shù)據(jù)集難以獲取。從當前來看，國內大部分醫(yī)療數(shù)據(jù)存儲于各級醫(yī)療機構，業(yè)務系統(tǒng)相對獨立，數(shù)據(jù)較難實現(xiàn)共享，存在明顯的“數(shù)據(jù)孤島”現(xiàn)象。

目前國內AI模型訓練所需要的醫(yī)療數(shù)據(jù)，大都是通過企業(yè)和醫(yī)院簽署研發(fā)協(xié)議獲得。在實際操作中，會有專門的模塊進行數(shù)據(jù)清洗，只保留必要的數(shù)據(jù)。而在數(shù)據(jù)收集到模型建立過程中，醫(yī)院和企業(yè)需要做好物理隔離，做到數(shù)據(jù)不出院，模型出院。

另一方面，大量訓練數(shù)據(jù)集意味著高昂的成本。這也就提出了新的挑戰(zhàn)：數(shù)據(jù)集合模型究竟要多大才合適？但實際情況卻可能是：收集醫(yī)療數(shù)據(jù)的需求取決于醫(yī)療實際應用情況，甚至無法對數(shù)據(jù)需求做出準確的預估。例如，對于癌癥的診斷，需要由影像科、病理科、腫瘤科醫(yī)生組成的多學科專家小組共同判斷，保證患者拿到一份準確的診斷書。而當這樣的診斷交給AI模型時，其輸出的內容又該如何進行事實核查？

另外，雖然國內已經(jīng)出現(xiàn)了一些AI醫(yī)生，例如阿里健康的AI醫(yī)生號稱能在1.5秒內給出90%準確性的診斷；百度的AI醫(yī)生可以識別900多種常見疾病，但恐怕沒有患者會將其診斷和大醫(yī)院的專家診斷相提并論，這說明了當下最大的問題——你真的相信AI醫(yī)療診斷嗎？

3

哪些賽道勝算最大？

綜上，在新一波人工智能浪潮下，醫(yī)療診斷的AI解決方案依然挑戰(zhàn)不斷，保有很大的想象空間。那么，在AI醫(yī)療其他賽道，有哪些機遇可以被企業(yè)立即抓住？

從市場需求及規(guī)模來看，國內AI醫(yī)療影像、AI藥物研發(fā)依舊是主要的增長突破口。也就是說，屬于上一輪AI醫(yī)療浪潮的任務還沒完成。

醫(yī)學影像科在醫(yī)院發(fā)展過程中扮演著舉足輕重的角色，影像數(shù)據(jù)目前占據(jù)醫(yī)療數(shù)據(jù)的90%，年增長率超過30%；影像報告占據(jù)全部診斷信息的70%；影像科的收入占據(jù)醫(yī)院收入的比重超過25%。

根據(jù)Global Market Insights的數(shù)據(jù)，全球AI醫(yī)療影像市場規(guī)模占醫(yī)療AI市場的25%，是僅次于AI制藥的第二大細分市場。對于國內醫(yī)療行業(yè)來說，目前我國醫(yī)療影像數(shù)據(jù)的年增長率高達30%，但是影像科的醫(yī)生年增長率卻只有4%�？紤]到醫(yī)生的培訓周期比較長，發(fā)展AI影像醫(yī)療能夠有效緩解醫(yī)療人才短缺的問題，市場仍有較大的增長潛能。

而在AI藥物研發(fā)方面，AI可以有效解決新藥研發(fā)的高成本、低效率和高風險的問題。2020年我國新藥研發(fā)行業(yè)的市場規(guī)模為1.2萬億元，但是新藥研發(fā)的成功率僅為11.3%，即使進入III期臨床成功率也只有53.4%，臨床階段整體費用占比高達70%。

這說明新藥研發(fā)需要投入巨額的資金和時間，但是收益和風險都很不確定。而通過人工智能的認知能力，加速靶點發(fā)現(xiàn)、化合物篩選、藥物設計等環(huán)節(jié)，可以有效提高新藥的成功率和質量。

例如2021年，我國AI藥企英矽智能與浙江大學合作，利用自主研發(fā)的AI平臺，對抗癌藥物PD-1抗體進行了優(yōu)化設計，并獲得了美國FDA的臨床試驗許可。這樣的成就顯示了AI技術在新藥研發(fā)方面的潛力，也預示了其規(guī)模化增長的可能。

 END

       原文標題 : 叫好不叫座，AI醫(yī)療“卡脖子”難題如何破解？