人工智慧可以為醫生做什麼？

醫生已經成為全球自殺率最高的職業。根據2018年由醫師基金會發布的報告顯示，有多達78%的受訪醫生表示偶爾會感到精神萎靡——這個數字比2016年的調查高出4%。此外，醫生的自殺率已經達到普通群體的2倍。據估計，在美國每年有300到400名醫生因此而失去生命。這是相當可怕的一個數字。

我們知道，引發醫生產生焦慮的原因有很多，比如門診壓力、醫療事故問題、醫患關係緊張等等，每個問題單獨拿出來都是一個非常棘手的課題。尤其是在我國醫療資源分佈不均的大環境下，所有的問題也被加倍放大。而近幾年來，AI技術的引入確實為整個醫療健康行業帶來了曙光。

具體地，AI在醫療健康行業中的應用包括了醫療機器人、智慧藥物研發、智慧診療、智慧影像識別、智慧健康管理等方向。其中，智慧診療和智慧影像識別是最核心的兩大應用場景，而後者也是AI與醫療結合最成熟的領域。

據《醫療影像的市場圖譜和行業發展分析》報告指出，預計到2020年中國醫學影像市場規模將達6000億至8000億左右。這樣的市場機會引來了諸多科技企業的爭相進入，包括騰訊、阿里巴巴以及一批又一批的醫療AI創業公司。醫準智慧正是其中的活躍者之一。

提高醫生閱片準確率和診斷水平

作為國內在AI醫療影像領域最早的實踐者，醫準智慧的核心團隊早在2014年就開始了相關研究，並在2017年正式成立公司。多年來，醫準智慧一直專注於AI輔助醫療影像診斷，並已經推出了兩款產品——肺結節智慧檢測系統和乳腺鉬靶智慧檢測系統。

據醫準智慧首席AI官王子騰日前在接受記者採訪時介紹，醫準智慧肺結節智慧檢測系統在短短18秒的時間裡就能智慧檢測300-500張CT，並且3mm以上的結節檢出率達到了99%，假陽性率控制在平均每個患者2個以內；在磨玻璃結節檢出上，精準率也達95%以上，結節定位能夠精準到肺段。

醫準智慧肺結節智慧檢測系統介面示例

呼吸道及肺部病症如今成了普遍問題，而肺癌也是發病率最高的癌症。據統計，在我國三甲醫院平均每天接診的肺部患者有400人左右，由於肺部拍片是斷層掃描，醫生要檢查一個完整的肺部，需要看數百張的成像資料，透過肉眼識別用時大概在半小時左右。“因為醫生要觀察和判斷片子中的每一個點，定位每一個病灶的位置，並且測量大小、看良惡性，最終還要寫成報告。”王子騰解釋道。

而藉助於肺結節智慧檢測系統，不僅可以幫助醫生在10幾秒時間裡實現快速檢測，同時還能直接輸出一個電子報告供醫生進行二次稽核。不僅操作簡單，還節省了大量的時間。

另一款產品，醫準智慧瞄準的仍然是醫療中的一個棘手難題——乳腺癌。其乳腺鉬靶智慧檢測系統是我國首個乳腺智慧檢測系統，據瞭解，該系統的病灶檢出率達到93%，在1個假陽性前提下，良惡性檢測準確率達到94%。

醫準智慧乳腺鉬靶智慧檢測系統介面示例

王子騰表示，目前，這兩個系統已經在全國許多醫院投入臨床使用，並得到了CFDA（國家食品藥品監督管理總局）的認證，極大提高了臨床醫生的閱片準確率和診斷水平。

讓醫生一邊看病一邊搞科研

與此同時，醫準智慧正在開發的還有數十個產品，不只是乳腺超聲、DR胸片檢測等臨床輔助診斷系統，今年5月醫準智慧還與IBM一起合作釋出了AI醫學科研平臺——達爾文智慧科研平臺。

隨著近幾年來技術的創新和裝置的升級，據統計，醫療資料正在以接近100%的超高速增長，其中有80%的資料都是非結構化資料。相比較而言，醫生的年增長卻只有個位數，其中大部分還是基層醫療從業人員。因此，資料收集與處理正成為制約醫療與科研發展的瓶頸。AI與醫療的結合將有助於解決這一問題，從資料收集、組織、標註，到模型的構建、訓練等端到端的全生命週期，幫助醫生實現一邊看病，一邊搞科研。

達爾文智慧科研平臺正是這一背景下的產物。這是一個一站式醫療影像人工智慧平臺，內建了Watson Machine Learning Accelerator和醫準智慧影像組學雙平臺，以及醫準智慧在影像組學上的深度研究實踐，支援包括CT/MR/DXR等多種型別的資料，具備標註工具、特徵提取、模型訓練以及模型實施一體化特徵。透過Watson Machine Learning Accelerator平臺，使用者可以直接呼叫醫準智慧的肺部和乳腺智慧檢測結果，快速搭建高精度低假陽性率的肺結節和乳腺AI模型，同時，平臺還允許使用者根據具體需求進行研發和調整，並確保資料不出院，最大限度保證資料安全可控。

醫準智慧首席AI官

“過去醫生自己做研究，因為缺少技術開發知識，就必須把資料交給第三方公司進行分析。但藉助於達爾文智慧科研平臺，醫生只要進行簡單的拖拽和點選操作，就可以自主完成從資料標註到科研模型訓練，再到應用的全部流程。”王子騰表示。

比如，在資料組織階段，平臺可以提供自動分割功能和標註工具，藉助AI自動進行病灶分割和自定義病灶區域，幫助醫生進行資料處理，提升效率；在影像匯入到系統後，AI會自動對影像進行一次分割，醫生可以選擇其中的優質結果作為科研素材；此外，醫生也可以選擇透過標註工具對影像進行主動標註，或者修改AI的自動分割結果作為科研素材。

“當然，平臺的產出不會只停留在科研階段。根據醫生的科研結果，平臺還能幫助醫生逐漸進行產品的迭代和升級，最後與產業中的企業合作，實現科研成果的產業化落地。”IBM中國系統開發中心技術解決方案總監崔瑋強調說。

IBM中國系統開發中心技術解決方案總監崔瑋

無IA，不AI

在IBM看來，隨著AI進入規模化生產和應用，資料管理難題會越來越凸顯，比如資料攝取和準備的週期太長，多元資料的難以聚合，如何將處在不同基礎架構孤島中的資料流動起來，以及如何安全地管理和保護資料，確保可追溯性，並實現全球可訪問和協作等等。“在這背後，基礎架構的支撐會變得越來越重要。”IBM大中華區系統部儲存系統總經理吳磊表示。

IBM大中華區系統部儲存系統總經理吳磊

舉例來說，在此次醫準智慧與IBM的合作中，醫準智慧主要提供高效領先的AI演算法驅動，而IBM提供的則是強大算力和資料管理的支援。如果分解開來看，達爾文智慧科研平臺實際上是IBM Power、Spectrum Scale、IBM Watson Machine Learning Accelerator的端到端IA組合——即由OpenPOWER伺服器提供超強算力，與Distributed Deep Learning相結合提供強大的線性擴充套件能力；由Spectrum Scale為叢集化的AI平臺提供穩定、高效和安全的資料平臺支援；由Watson Machine Learning Accelerator作為開放性AI平臺的代表，為上層應用提供可靠的平臺支援。

其中，Spectrum Scale雖然是個“新瓶”，裝的卻是“老酒”。據吳磊介紹，它之前的名字叫做GPFS（General Parallel File System）——通用並行檔案系統。如果追溯的話，這個系統的發展歷史已經有25年之久。此前，IBM打敗國際象棋冠軍卡斯帕羅夫的深藍計算機和後來在智力競賽節目Jeopardy中戰勝了兩名前人類冠軍的Watson，它們基於的都是這個系統。

“隨著AI進入規模化生產和應用，它就需要與企業業務進行融合，在這一過程中，資料成了核心。而每個資料都需要載體，包括計算力、儲存效能、網路吞吐量等等，只有這樣，資料流通才能完成。比如，IBM的創新儲存產品可以幫助企業部署一個治理平臺，把用於AI 模型的資料統一起來，讓它們從離散到聚合，從離線到線上，從靜止到流動，形成端到端的資料管道，實現企業資料隨時隨地儲存，隨時隨地獲取。“

“因此，IBM一直堅信‘無IA，不AI’，我們希望能夠透過高效、可靠而開放的現代化架構，助推AI不斷向企業、產業延伸和落地。”吳磊表示。