弥合数字与物理世界鸿沟：人机协作，触发AI影像诊断真正落地场景？

“人类有独特的优势，这是机器和算法很难复制的，我们拥有先进的运动技能，这远远超出机器人的能力，这使得我们能够进行微妙的操控。虽然AI和机器人技术的进步让人惊叹，但是我们相信，将机器的能力与人类的独特优势相结合将会带来更高的生产力，并创造更多价值，实现这个机会需要的是强大的人机接口，来弥合数字与物理世界之间的鸿沟。”

在2017年11-12月卷的《哈佛商业评论（Harvard Business Review）》中，刊登了一篇题为《A MANAGER’S GUIDE TO AUGMENTED REALITY》的长文。在这篇文章里，作为竞争战略之父的波特，给出了新技术如何与生产、创业的各个环节融合应用的方向。

医疗的本质是循证医学，所以AI在医疗领域的应用难以像AlphaGo在围棋棋盘上那样大显神威，因为棋盘遵循的是规则和逻辑，每一步都有着最优解，但医学和疾病的未知领域太多，凭借有限数据集进行训练的AI难以逾越医学的未知地带。

正如一些专家所言，目前AI应用较好的领域是医技科室，如病理科和影像科。它的确会在某些学科获得超过人类的能力，但从整个医学范围来看还相当有限。即使是在同一种疾病下，不同的分型对AI而言也是巨大的挑战。

但毫无疑问，医生的工作会因为AI的应用而变得更具效率，从而带动整体生产力的提升。随着国内机构和组织不断地探索，上级医生和基层医生都在用新技术重新定位和武装自身，让自己符合下一个时代的需要。

01

影像和病理，AI落地的两大医疗场景

当前对于对人类，肺癌的致死率是所有癌症中最高的。

2018年2月，国家癌症中心发布了最新一期的全国癌症统计数据。数据显示，按发病例数排位，肺癌位居全国发病首位，每年发病约78.1万。

早期筛查是降低肺癌死亡率的重要手段。然而，由于早期肺癌病人一般缺乏明显临床症状，也无特异的生物标记物，因此目前筛查的主要方法是通过放射影像检查肺部是否存在可疑病灶。

当前，医疗行业80%~90%的数据都来源于医学影像，医学影像是医生进行疾病判断的重要依据。随着AI在医疗行业的探索和应用，肺结节的早期精准筛查成为了可能。

3月31日，一场“另类”的人机阅片体验活动在成都举行。

这场活动由中国医师协会胸外科医师分会主办，四川华西医院协办，零氪科技提供AI技术支持。之所以形容其“另类”，一是因为它并不同于在以往关于医疗AI报道中的医生与AI的直接对垒，而是以医生参与AI阅片体验为主，在体验中每位医生都将在13分钟内完成16个肺小结节病例的阅片，其中8个有AI辅助阅片，8个纯医生阅片，然后再对比单纯医生与医生+AI的诊断结果；

二是本次活动并非检验AI与医生诊断一致性的对比（因为易受医生主观因素影响），而是以临床“金标准”——病理诊断作为评判标准，并在明确结节定位的基础上，进一步做病灶良恶性的判断；

三是以往类似的活动会采用公开数据集来训练机器，本次活动由三家医院共同提供活动的原始数据集，由零氪科技完成影像数据的搜集、脱敏、转化、统一化的工作，并请国内权威影像专家完成数据标注，从而确保体验医生使用的都是全新、高质量、精准的数据，不仅能够真实地反应医生与AI的现场阅片结果，更对未来临床诊疗实践有较好借鉴意义。

最终，这场人机协作阅片体验的结果并未出人意料，医生+AI的诊断结果明显优于单纯医生。（详情可点击阅读：128份影像病例，32位医学专家，现场“人机协作”体验——2018胸外科医师年会上演AI阅片“好戏”）。

这似乎传递了一种信号：在现阶段，“人机协作”或许是医生与AI能否成功“度蜜月”的金钥匙。

而专家的现场点评也印证了这样的观点：尽管胸外科专家的诊断率已经很高，但AI依然可以进一步提高肺小结节诊断的准确性及速度。此外，AI辅助肺小结节诊断的应用，对误诊、漏诊率较高的基层医院，将具有更为重要的意义。

当然，作为影像科最亲密的兄弟，病理科同样是AI的绝佳落地场景。

以病理医生为例，这是我国医生群体中极度缺乏的一个群体。卫健委的统计年鉴显示：中国病理医生的缺口总数可达10 万人。就算是经过严格训练的病理医生，他们对同一个患者的诊断也存在差异性，这种差异性是造成误诊的重要原因。例如，医生对某些形式的乳腺癌和前列腺癌的诊断一致性低至 48%。

医生要想做出准确的诊断，必须在大量的检查信息上进行判断。通常情况下，病理医生负责审查病理切片上大概要浏览 1000 多个百万像素的图片，还要为每个像素负责，这需要阅读大量的数据。如此一来，医生的时间便捉襟见肘。要想在有限的时间获得较高诊断准确性，将AI引入数字病理学研究成为了可行的办法。

AI不仅可以缩短病理诊断的时间、提升诊断效率，还能提供更加准确的诊断结果。AI的有效使用可以真正帮助病理医生提升判读水平，从精准诊断开始，真正实现精准医疗。

当然，除了影像和病理之外，病历/文献分析和虚拟助手、新药研发等领域，也能见到人工智能企业的身影。

01

方向已定，AI的顶层政策导向

除了清晰的落地场景，AI与医生的融合发展，政策的支撑同样必不可少。

2017年12月14日，工信部印发的《促进新一代人工智能产业发展三年行动计划（2018-2020年） 》指出，当前新一轮科技革命和产业变革正在萌发，大数据的形成、理论算法的革新、计算能力的提升及网络设施的演进驱动人工智能发展进入新阶段，智能化成为技术和产业发展的重要方向。

通知针对现阶段热门的医疗影像辅助诊断系统，制定了具体的目标：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。到2020年，国内先进的多模态医学影像辅助诊断系统对以上典型疾病的检出率超过95%，假阴性率低于1%，假阳性率低于5%。

从计算公式上看，假阴性、真阴性、真阳性、假阳性，利用这四个维度就可以得出某种诊断方法的灵敏度、特异度、阴性预测值和阳性预测值。其中灵敏度也称真阳性率，反应某种方法判定某病变的漏诊率。特异度也称真阴性率，反应某种方法判定某病变的误诊率。

目前，医疗AI行业普遍的系统灵敏度都超过了 90%。因为一旦系统灵敏度差，没有检查出疑似结节，医生便可能会承担相应的责任。但特异度和灵敏度兼顾起来十分困难，所以很多公司在开发系统时会优先考虑灵敏度的问题，在保证灵敏度的前提下，提高特异度。

除了从国家层面推动人工智能的产业发展需要政策支持，人工智能在应用过程中所涉及到的法律法规问题也需要尽早规划和监管。特别是在监管严格的医疗行业中，人工智能的商业化应用，还有很多问题需要政策进行规范。

第一，人工智能的应用规范。医疗问题涉及到人的健康和生命，是一个复杂而谨慎的领域，任何问题都和患者的生命安全息息相关。所以，行业需要尽快在国家层面明确监管措施，用法规来监管人工智能在医疗上的应用范围、监管范围和风险的责任判定等因素。

第二，数据的合理、合法应用。因为人工智能需要通过自然语言识别等技术从过往数据中学习迭代，才会使其拥有智能，并得到提高。所以，基于真实世界的大量高质量的医疗数据将成为人工智能准确性的基础和保证。

虽然国家政策和规划在不断地鼓励医疗行业应用人工智能，但现阶段医生对于人工智能所产生的排斥心理却是一个难题。医生们担忧人工智能会否成为替代自己的工具，在这一现状下，人机协作成为了最佳解决路径。

人机协作的意义在于，它不会让人工智能成为替代人类的“罪魁祸首”，而是让医生感受到它是和电脑类似的工具。

对于不同等级医院的医生而言，其应用价值也绝不相同。于基层医生而言，人机协作能够显著降低其误诊率，提高诊疗水平；于专科医生而言，人机协作能提升其诊疗效率，真正把时间还给医生。

01

人机协作，AI落地基层的终极场景？

政策是基础。那么AI的应用场景究竟在哪里？

当前，我国为了缓解医疗资源紧张、优质医疗资源分布不均衡的现状，大力推进分级诊疗及医联体，目的是在分级诊疗的核心指导方针下，使头部医院的优质医疗资源能够下沉到基层，实现县域就诊率达到90%，也就是所谓的大病不出县。

但真正实现起来难度较大，因为大医院医生们的工作时间始终有限。而通过远程医疗解决区域分布不均的想法，同样会在医生的时间上受到限制，所以优质的医生资源不足的问题，是基层医疗的核心。

虽然医联体可以在一定程度上实现上下级医院的联动，但却难以在短时间内通过学科帮扶或者远程会诊等方式让基层医生的诊疗水平得到较大提升。医疗人才的培养，始终是一个长期的过程。

这一现状，让AI的在基层的应用价值得以产生。

临床医生与AI的“人机协作”，基于大医院的临床数据可以在时间和准确性上达到甚至超越行业专家的水平。对于基层医生来说，使用AI仿佛是为自己聘请了一位大专家进行贴身教学。

特别是在一些重症高发疾病如肺结节、乳腺癌、宫颈癌方面，AI凭借其高效率、高准确度辅助基层医生对患者进行筛查，只需简单的培训，就可以协助基层医生拥有专家的诊疗能力。

此外，基层医生借助AI提升诊疗水平与远程医疗之间也并不冲突。

由于各级医院的定位职能不同，基层医生更多是治疗常见病和慢病，而上级医院的医生则是对专科专病进行治疗。所以，远程医疗的触发场景应该是患者与医院不同地理位置所带来的专科专病需求。而AI凭借其专业性，可以帮助基层医生根据疾病的类别筛选患者，进而实现分诊转诊。

“

后记

”

技术的本质，最终是服务于人类。无论是AI、大数据还是信息化，都是在通过技术解决医生在时间、精力等方面难以完成的工作。以大数据为例，医生需要的不仅是数据本身，更是数据背后的意义。因此，数据的质量、数据的处理和分析、数据价值的挖掘等才是当前大数据行业的价值所在。

AI对于医生的意义也在于此。它将医生们从程序化、体力化的工作中释放出来，让他们有更多精力去进行医学研究和人文关怀。他们的科研成果为AI所学习，又能反哺自己，进一步帮助其提升诊疗效率。

延伸阅读