<mark id="oztn4"></mark>
3
想象一下：在未來的某一天，如果 AI 診療成為了現實，你就能直接在醫院用電腦看病了。通過化驗的數據，系統很快就給了你一個診斷結果，讓你乖乖去開藥吃藥，甚至決定要不要手術……雖然這個過程聽上去很便捷也很美好，但要抵達 AI 診療的烏托邦，實際上并沒有那么簡單，且不論它的磚瓦尚在建設當中，要走向烏托邦的路途，同樣沒有想象中的容易。
停留在實驗室里的 AI 診療
AI 診療的用戶群體并不只局限于輔助醫生，按照服務群體的不同，可以分為四個層面：
回復患者咨詢；
輔助導診人員、藥店人員、醫療在線客服；
基層醫生及全科醫生的臨床輔助決策；
面向醫生的患者康復跟蹤。
而以上功能要和 AI 診療扯上關系，醫療創業公司如果沒有大量的數據，要做成一個成熟的產品簡直無從談起。
創業公司在數據匱乏的情況下，目前的主要方式是和醫院或數據中心合作，獲取相關的數據。而這些數據主要的用途尚不是用于醫院實戰診斷，而僅僅是前期的積累工作——通過海量臨床數據來優化算法。
人工智能診斷新星 Enlitic 的創始人 Jeremy Howard 曾一度表示，缺乏數據是制約它們發展的主要原因。而它在去年獲得 Capitol Health 領投的 1000 萬美元融資，通過后者提供的放射科數據完善診斷算法。通過海量醫療數據的挖掘，實現對醫學影像的實時準確診斷，提供患病概率預測，并輔助醫生決策。
而目前最為成功的 AI 診療系統非 IBM 的Watson 莫屬了。根據東京系統與軟件開發研究所 Watson Health Cloud 的軟件工程師林雪婷此前向雷鋒網的介紹，系統需要有可以進行合作的研究中心，以獲取準確的數據來源。 Watson獲取數據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、臨床數據、購藥數據及保險信息等，或是和各地的實驗室及研究中心合作。
然而，目前的研究工作主要還是局限在實驗室中。即便有著 Watson 診斷白血病的成功案例，它距離臨床實驗還有一定距離。
數據的有效性
AI診療最大的硬傷在于為醫療研究所收集的數據，與真實問診還有距離。
一個原因在于數據規模小。目前大部分科技公司的做法是，通過向醫院機構獲取數據，而予以定制化解決方案作為交換，但這些臨床數據只能算是“小打小鬧”。
雷鋒網簡單為大家算筆帳：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（一種因糖尿病繼發的視網膜病變）而失明的人將達到2億人。
但是，就算是谷歌DeepMind和英國百年老醫院 Moorfields這樣的強強聯手，到目前的訓練數據也只能達到 100 多萬張匿名掃描圖。這樣一對比，獨立醫院所能提供的數據和全球患者相比簡直是滄海一粟。而與此同時，對于疾病的數據獲取就會受到地域甚至是病種的局限，這就讓數據的有效性打了個折扣。
另一個問題在于數據的質量有待提高。電子化程度不夠，數據采集方式良莠不齊、缺乏標準體系及結構化程度低的數據來源，更讓臨床試驗帶來了困難。
醫療數據不像金融數據一樣，顆粒度和專業度已經比較成熟，目前醫院的 HIS及 EMR 的程度還遠遠不夠。“數據的質量是有效分析的基礎，目前數據清洗工作占據了太多工作量，終究還是質量的問題。”樹蘭醫院 CEO 鄭杰如是說。他認為，使用醫院信息系統的多為平均年齡較大的醫生，對接納最新信息系統的排斥度較高，且沒有進行數據分析的迫切動力，因此“也就很難建立優秀的數據結構和數據質量” 。
雷鋒網詢問了幾位一二線醫院的醫生，他們表示目前醫院并沒有引入相關的人工智能診斷設施，因為準確率并不樂觀，尚處于觀望狀態，但不排除“在法規允許的情況下，將人工智能診斷做為輔助診斷。”
康夫子 CEO 張超對雷鋒網表示，“目前市面上的診斷（做了很多年的專家系統），主要還是基于癥狀，少數能加入化驗數據，但實際上，病史、用藥、誘因等等都需要逐步學習。”化驗的數據，更多的是做為一個當下的參考，而醫生的“望聞問切”，則是對癥狀、誘因、病史、用藥史等多個維度的綜合考量。而數據的質量不佳，必然會阻礙人工智能的學習。
除卻數量和質量外，法律的缺失也給數據的有效性打了個問號。
且不論這些到手的數據質量的信息化水平如何，更不要說此前，DeepMind 因為和 NHS 達成了每年160萬的數據交換而引致輿論攻擊了。而蘋果在最新的規范中同樣不允許開發者將數據存儲在 iCloud 上，也是科技公司為了規避泄漏數據伴隨而來的風險所做的規范。
截至現在，國內外都沒有相應的 AI 診療相關法規，對于相關的責任主體及就診流程，也缺乏一個明確的規范。目前國外第三方只能根據 HIPPA 協議使用個人數據的統計信息，這個頒布于 1996 年的醫療保險攜帶和責任法案旨在保護患者隱私和健康有關的電子數據，并且讓數據的交換過程盡可能標準化。
HIPAA 的安全原則所定義的技術保障并不要求使用某一項具體的技術，而是一個可調整的框架，要求機構為了保護數據安全，盡可能多地采用適宜的技術，而這些安全方案需要實現“檢查控制、信息完整、數據傳輸等” 多種要求。
醫學數據出于隱私的顧慮，通常不可能大范圍地進行分享，而囿于人們對病痛的天然排斥，對于患病的化驗數據自然更是不愿意向他人“分享”的，各家醫院的“信息孤島”問題又加劇了這一現狀。
小結
簡單說來， AI 診療未能快速發展的主要原因，在于數據的數量和質量在目前階段尚不足以支持真實問診環節。診療是一個非常個性化及私人化的活動，要讓就診數據得到大規模的開放和運用，除了在基于語義的自然語言處理上進行大數據分析外，也需要法律的支持和保護。
這樣，醫療大數據才能在有效性上真正服務于人工智能的探索，為 AI 診療提供幫助和支持，說不定在不遠的未來，我們就能抵達烏托邦，享受到電腦看病的便利了。
推薦閱讀：
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
