中国医疗人工智能发展动态

目  录

总报告

第一章 我国医疗人工智能发展现状和趋势 

一、医疗人工智能发展历程 

二、我国医疗人工智能发展现状分析 

三、医疗人工智能发展中面临的问题和挑战 

四、医疗人工智能前景展望与预测分析 

学科技术篇

第二章 医疗人工智能技术前沿 

一、医疗人工智能关键技术 

二、医疗人工智能技术应用现状 

三、 基于不同数据类型的医疗人工智能技术的典型应用 

产业篇

第三章 医疗人工智能企业发展现状分析 

一、医疗人工智能企业现状分析 

二、 行业发展影响因素分析 

三、 总结 

第四章 医疗人工智能产品行业应用分析 

一、医疗人工智能产品的应用 

二、总结 

第五章 Airdoc让人工智能赋能医疗 

一、前言 

二、背景 

三、算法、计算能力和数据结合激活影像数据 

四、多条应用路径让医生发挥最大功用 

五、结语 

中国医疗人工智能发展动态

总报告

第一章 我国医疗人工智能发展现状和趋势

人工智能概念自1956年被首次提出以来，经过了60多年的演进与发展。在超级计算、大数据、移动互联网、传感网、脑科学等新技术、新理论以及经济社会发展的推动下，人工智能已经在各行各业初显身手，呈现跨界融合、人机协同、自主操控、深度学习等特征。

2018年10月31日，习近平总书记在中共中央政治局集体学习人工智能发展现状和趋势时指出，人工智能是引领这一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的“头雁”效应。我国从2015年开始先后颁布了《中国制造2025》《国务院关于积极推进“互联网+”行动的指导意见》《新一代人工智能发展规划》等重要国家级战略规划，各地方政府也积极出台政策支持人工智能发展，形成了中国人工智能发展的热潮。

医疗人工智能是人工智能技术在医疗领域的运用与发展，其应用主要表现在智能诊疗、智能影像识别、智能健康管理、智能药物研发和医疗机器人等方面。近年来，医疗人工智能研究快速发展，产品不断推陈出新。

为了解国内医疗人工智能发展现状与趋势，探讨人工智能影响医疗健康产业发展的未来前景，本书从医疗人工智能政策制度、临床应用、科研投入与人才培养、社会认知和伦理等方面进行专项研究，旨在了解各国医疗人工智能政策的发布趋势，把握我国在医疗人工智能领域的科研投入现状及科技产出能力，明晰当前医疗人工智能领域的学科发展水平、人才培养情况及前沿技术，明确我国人工智能的临床应用现状以及产业化现状，调查我国民众对医疗人工智能的认知现状，探讨医疗人工智能带来的伦理风险，为后续相关研究及政策制定提供参考。

2019年度报告侧重于对我国医疗人工智能现状的研究，综合采用了文献调研、专家咨询、现状调研、问卷调查以及信息计量等方法。在临床应用方面选择了儿科、皮科和糖尿病视网膜病变案例进行专科专病领域的应用研究，目前我国医疗人工智能临床应用研究领域比较热门的医学影像、肺结节等内容，将在未来的报告中进一步深入研究。同时，我们将不断探索建立医疗人工智能在临床应用、学科投入、产业成熟度等领域的评价模型，开展系统、连续的研究，持续展示我国医疗人工智能的最新研究和应用成果，推动人工智能在医疗领域持续健康发展。

一、医疗人工智能发展历程

人工智能（AI）的历史可以追溯到中国神话和希腊神话，现代意义上的AI始于古典哲学家解释人类思考过程的尝试。20世纪40年代计算机的发明使科学家开始探讨构造电子大脑的可能性。

1956年，达特茅斯学院举行的一次会议正式确立了人工智能研究领域。会议参加者在接下来的数十年间大多成为AI研究的领军人物。他们预言，经过一代人的努力，与人类具有同等智能水平的机器将会出现。之后的科研实践证明，研究人员低估了这一工程的难度，人工智能发展史上出现过好几次低潮，半个世纪中AI研究高潮和低谷不断交替出现，具有与人类同等智能水平的机器至今仍未出现。

AI从产生的第一天起，就与医学密不可分。我们相信，医学研究的深入发展必将对AI产生深远影响；反之，AI的研究成果也将促进医学的发展，两者携手共同接受时代的挑战。人工智能在医疗领域的应用带来的不仅有技术革新，还有医疗服务模式的转变。人工智能可以在医疗行业多个环节发挥作用，如医学影像、健康管理、疾病风险预测、虚拟助理、药物设计、临床诊疗、精神疾病诊疗、病理学和营养学研究等。目前医疗活动中比较成功的AI应用包括影像AI、药物研发AI、医疗机器人和IBM Waston等。

1.人工智能（AI）诞生

希腊神话和中国神话中都出现过机械人和人造人。Samuel Butler的《机器中的达尔文》（Darwin among the Machines）一文（1863）探讨了机器通过自然选择进化出智能的可能性。至今人工智能仍然是科幻小说的重要元素。许多文明的历史都记载了创造自动人偶的杰出工匠，例如，偃师（中国西周）、希罗（希腊）等。已知最古老的“机器人”是古埃及和古希腊的圣像，信徒认为工匠给这些神像赋予思想，使它们具有智慧。

人工智能的基本假设是人类的思考过程可以机械化。哲学家拉蒙·柳利（1232～1315年）开发了一些“逻辑机”，试图通过逻辑方法获取知识。17世纪中期，莱布尼兹、托马斯·霍布斯和笛卡儿尝试将理性的思考系统化为代数学或几何学那样的体系。20世纪，数理逻辑研究上的突破使得人工智能呼之欲出。这方面的基础著作包括布尔的《思维的定律》与弗雷格的《概念文字》。邱奇-图灵论题暗示，一台仅能处理0和1这样简单二元符号的机械设备能够模拟任意数学推理过程。这里最关键的灵感是图灵机，其看似简单的理论构造抓住了抽象符号处理的本质。这一创造促使科学家们探讨让机器思考的可能。

第一批现代计算机是“二战”期间建造的大型译码机，包括Z3、ENIAC和Colossus等。后两个机器的理论基础是图灵和约翰·冯·诺伊曼提出和发展的学说。在20世纪40年代和50年代，一批来自不同领域（数学、心理学、工程学、经济学和政治学）的科学家开始探讨制造人工大脑的可能性。1956年，人工智能被确立为一门学科。最初的人工智能研究是20世纪30年代末到50年代初的一系列科学进展交会的产物。神经学研究发现大脑是由神经元组成的电子网络，其激励电平只存在“有”和“无”两种状态，不存在中间状态。控制论描述了电子网络的控制和稳定性。信息论则描述了数字信号（高低电平代表的二进制信号）。图灵的计算理论证明数字信号足以描述任何形式的计算过程。这些密切相关的想法暗示了构建电子大脑的可能性。马文·明斯基1951年建造了第一台神经网络机——SNARC。在接下来的50年中，明斯基是AI领域最重要的领导者和创新者之一。1950年，图灵发表了一篇划时代的论文，预言了创造具有真正智能的机器的可能性。他提出了著名的图灵测试，图灵测试是人工智能在哲学方面第一个严肃的提案。1956年达特矛斯会议的组织者是马文·明斯基、约翰·麦卡锡和另外两位资深科学家克劳德·香农、内森·罗彻斯特（Nathan Rochester）。与会者接受“人工智能”一词作为本领域的名称。1956年达特矛斯会议上AI的名称和任务得以确定，这一事件被认为是AI诞生的标志。

2.AI研究高潮和低谷交替出现

第一次高潮（1956～1974年）。达特茅斯会议之后AI进入大发展的时代。20世纪50年代后期到60年代涌现了大批成功的AI程序和新的研究方向。AI研究的一个重要目标是使计算机能够通过自然语言（例如英语）进行交流。早期的一个成功范例是Daniel Bobrow的程序STUDENT，它能够解决高中水平的代数应用题。ELIZA是第一个聊天机器人，与ELIZA“聊天”的用户有时会误以为自己是在和人类而不是一个程序交谈。实际上ELIZA根本不知道自己在说什么，它只是按固定套路作答，或者用符合语法的方式将问题复述一遍。维诺格拉德（T.Winograd）设计的SHRDLU系统能用普通的英语句子与人交流，还能做出决策并执行操作。麻省理工学院（MIT）、卡内基-梅隆大学、斯坦福大学、爱丁堡大学这四个研究机构一直是AI学术界的研究中心。

第一次低谷（1974～1980年）。20世纪70年代初，AI遭遇瓶颈。即使是最杰出的AI程序也只能解决它们尝试解决的问题中最简单的部分，所有AI程序都只是“玩具”。AI研究者们遭遇了无法克服的基础性障碍。当时面临的具体问题包括：计算机的运算能力，当时的计算机有限的内存和处理速度不足以解决实际的AI问题；计算复杂性，除了那些最简单的情况，许多问题的解决需要近乎无限长的时间，这就意味着AI中的许多程序永远也不会发展成为实用的系统；常识与推理，许多重要的AI应用，例如，机器视觉和自然语言，需要大量对世界的认识信息，当时没人能够提供如此巨大的数据库，也没人知道一个程序怎样才能学到如此丰富的信息。

第二次高潮（1980～1987年）。20世纪80年代，一类名为“专家系统”的AI程序开始为全世界的公司采纳，而“知识处理”成为主流AI研究的焦点。专家系统是一种程序，能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。专家系统仅限于一个很小的知识领域，从而避免了常识问题，其简单的设计又使它能够较为容易地实现编程或修改。实践证明了这类程序的实用性。直到此时AI才开始变得实用起来。专家系统的能力来自其存储的专业知识。这是20世纪70年代以后AI研究的一个新方向。1981年日本政府支持第五代计算机项目，其目标是造出能够与人对话、翻译语言、解释图像，并且像人一样推理的机器。1982年，物理学家John Hopfield证明一种新型的神经网络（现被称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。同时David Rumelhart推广了反向传播算法，一种神经网络训练方法。1986年由Rumelhart和心理学家James McClelland主编的两卷本论文集《分布式并行处理》问世，这一新领域从此得到了发展。20世纪90年代神经网络获得了商业上的成功，它们被应用于光字符识别和语音识别软件。

第二次低谷（1987～1993年）。20世纪80年代对AI的追捧与冷落符合经济泡沫的经典模式。AI发展低谷最早的征兆是1987年AI硬件市场需求的突然下跌。Apple和IBM生产的台式机性能不断提升，到1987年其性能已经超过了其他厂家生产的昂贵的Lisp机，老产品失去了存在的理由。最初大获成功的专家系统维护费用居高不下，它们难以升级、不易使用、脆弱（当输入异常时会出现莫名其妙的错误），其实用性仅仅局限于某些特定情景。到1991年，日本政府支持的“第五代工程”并没有实现预定目标，事实上其中一些目标，比如“与人展开交谈”，直到2010年也没有实现。

AI发展新阶段（1993年至今）。“实现人类水平的智能”这一最初的梦想曾在20世纪60年代令全世界为之着迷。现已年过半百的AI终于在几个子领域实现了最初的一些目标，今天AI被成功地应用在技术产业中。1997年5月11日，“深蓝”战胜国际象棋世界冠军卡斯帕罗夫，成为打败人类的第一个计算机系统。2005年，斯坦福大学开发的一台机器人在一条沙漠小径上成功地自动行驶了131英里，赢得了DARPA挑战大赛头奖。2011年，IBM Waston参加《危险边缘》节目，在最后一集打败了人类选手。2016年3月，AlphaGo击败李世石；2017年5月，AlphaGo在中国乌镇围棋峰会的三局比赛中击败当时世界排名第一的中国棋手柯洁。越来越多的AI研究者开始开发和使用复杂的数学工具。人们认识到，许多AI领域要解决的问题已经成为数学、经济学和运筹学领域的研究课题。数学不仅使AI可以与其他学科展开更高层次的合作，而且使研究结果更易于评估和证明。AI已成为一门非常严格的科学分支，现已投入应用的新工具包括贝叶斯网络、隐马尔可夫模型、信息论、随机模型和经典优化理论。针对神经网络和进化算法等“计算智能”范式的精确数学描述也被发展出来。AI研究者们开发的算法开始变为核心业务系统的一部分。已经应用AI技术的领域有数据挖掘、工业机器人、物流、无人驾驶、语音识别、银行业软件、医疗诊断和Google搜索引擎等。进入21世纪，得益于大数据和计算机技术的快速发展，许多先进的机器学习技术被成功应用于经济社会的更多领域，例如，生态学模型训练、经济领域中的应用、医学研究中的疾病预测及新药研发等。深度学习（特别是深度卷积神经网络和循环网络）极大地推动了图像和视频处理、文本分析、语音识别等问题的研究进程。深度学习是机器学习的分支，它通过一个具有很多层处理单元的深层网络对数据中的高级抽象进行建模。根据全局逼近原理，对于神经网络而言，要拟合任意连续函数，深度性并不是必需的，即便是一个单层的网络，只要拥有足够多的非线性激活单元，也可以达到拟合目的。目前深度神经网络得到了更多关注，主要源于其层次结构能够对更加复杂的情况快速建模，同时避免浅层网络可能遭遇的缺点。深度学习（以循环神经网络为例）最常见的问题是梯度消失（在沿着时间序列反向传播过程中，梯度逐渐减小到零附近，造成学习停滞）。为了解决这些问题，很多有针对性的模型被提出来，例如，LSTM（长短期记忆网络）、GRU（门控循环神经单元）等。现在，最先进的神经网络结构在某些领域已经能够达到甚至超过人类平均准确率，例如，在计算机视觉领域，特别是一些具体的任务上，如MNIST数据集（一个手写数字识别数据集）、交通信号灯识别等。

3.医学与人工智能

纵观AI的历史，集医学、脑科学、认知学、心理学和生理学等为一体的综合科学对AI的产生和发展起着重要的作用。AI从产生的第一天起，就与医学结下了不解之缘。早在12世纪末，西班牙神学家和逻辑学家RomenLuee就试图制造一台能像人一样解决各种问题的通用逻辑机。19世纪末，西班牙解剖学家Cajal和Golig创立了神经元学说，指出人脑中存在着由大量神经细胞构成的神经网络。在AI发展的进程中，20世纪60年代后期出现的以模拟人类医学专家思维过程为特点的专家系统。70年代初，斯坦福大学的传染病学家研制的用于诊断和治疗感染性疾病的MYCIN系统是世界上第一个将Al应用于医学领域的专家系统。美国医学界对它评价很高，曾两次对该系统进行严格“考试”，其成绩都在医学专家之上。MYCIN系统的问世是专家系统走向成熟的重要里程碑，也是AI理论应用于医学领域的重要里程碑。在MYCIN系统的影响下，20世纪70年代后期到80年代中期，出现了一系列新的医学专家系统。最著名的医学专家系统有三个：一是由罗格斯大学研制的用于治疗青光眼的CASNET系统；二是由匹兹堡大学研制的用于诊治内科疾病的INTERNIST系统，该系统包含3000多种疾病症状，能诊治500多种内科疾病，美国国家卫生学院曾对该系统进行严格临床试验，证明它能够应对美国临床病理学会提出的大多数病例；三是由斯坦福大学根据MYCIN系统开发的诊治肺功能失调的PuFF系统，美国医学界曾对该系统进行150个病例的测试，结果90%符合呼吸科专家的意见。我国类似研究起步较晚，我国专家吸取了MYCIN系统的优点，相继研制了不少医学专家系统，尤其是肝病诊治系统等一批中医专家系统，具有很高的学术水平和实用价值。我国的中医专家系统在国际上一直处于领先地位。

在神经生理和神经解剖学研究成果的基础上，Hopfield网络模型问世，AI研究者开始研究以人脑连接机制为特点的人工神经网络（ANN）。ANN是AI的一个新领域，具有以下特点：一是并行性好；二是自学习自适应性强；三是联想性好，人的思想很易“由此及彼”，ANN能从不完全知识中通过“联想”推出正确解；四是容错性高，ANN的信息分布储存在整个网络的连接点上，它像人的大脑一样，某些神经元出现故障不会影响整个网络正常工作。ANN的研究始于20世纪40年代的神经元模型。据统计，目前世界上著名的ANN模型已有50多种，其中有相当数量应用于生命科学中。面对大脑的强大功能和复杂结构，怎样使AI研究取得实质性的突破，这是当今医学向AI提出的挑战。生命科学家的新发现将不断向AI提出新课题；反过来AI在医学中应用的深入和发展，也向生命科学家提出更高要求，生命在运动，大脑还在进化，许多新问题有待生命科学家去探索。要彻底揭开大脑智能之谜，单靠任何一方面都是不可能完成的。我们相信，生命科学的深入发展必将对AI产生深远影响；反之，AI的研究成果也将促进生命科学的发展，两者携手共同接受时代的挑战，一个真正实现计算机模拟人类智能的新世界必将到来！

人工智能应用于医疗领域已经成为现代科技热点。基于大量数据的人工智能算法为医疗服务提供了快捷、优化的途径，人工智能在医疗领域的应用带来的不仅有技术革新，还有医疗服务模式的转变。美国的顶尖医院如梅奥、克里夫兰等都开始与人工智能公司合作，希望成为医疗人工智能应用领域的中心，对疾病进行监测、诊断、治疗和管理。人工智能可以在医疗行业多个环节发挥作用，如医学影像、健康管理、疾病风险预测、虚拟助理、药物设计、临床诊疗、精神疾病、病理学和营养学等。目前医疗活动中比较成功的AI应用包括影像AI、药物研发AI、医疗机器人和IBM Waston等。AI在医学影像中取得了较好的应用成效，如基于钼靶影像的乳腺病变检测、基于皮肤照片的皮肤癌分类诊断、基于数字病理切片的乳腺癌淋巴结转移检测、基于眼底照片的糖尿病视网膜病变检测、基于胸部X线片的肺部炎性疾病。借助深度学习，药物研发AI在心血管药、抗肿瘤药和常见传染病治疗药等领域取得新突破，缩短了药物研发时间、提高了研发效率且控制了研发成本。医疗机器人中的达·芬奇机器人早已在各大医院推广应用，其他类型的机器人也随着AI的发展逐步进入医疗市场。在智能诊疗领域，IBM Waston展示了AI诊断和治疗人类疾病的可行性。

健康医疗大数据是在人们对自身进行日常健康管理的过程中产生和形成的。智能可穿戴设备和家庭智能健康检测监测设备的研发和应用，实现了动态监测个人健康数据，利用这些数据进行人工智能计算，可以对个人健康进行精准把握，规范、准确地预测疾病风险，管理个人健康。人工智能可以在血糖管理、血压管理、用药提醒、健康要素监测等方面给予精准的指导，为患者提供高质量、智能化、日常化的医疗护理和健康指导，为人群提供全方位、全周期的健康服务。这种方式对于提高患者的依从性、提高慢病管理效率、节约医疗成本具有重要的社会意义。2008年，谷歌推出流感预测服务，通过检测用户在谷歌上的搜索内容有效地追踪流感爆发的迹象。人工智能定时收集样本并据以找出疾病的高风险人群。利用大数据分析和深度学习技术，人工智能已经能够预测阿尔兹海默病、心血管疾病、癌症、精神疾病等。这些预测能够用于有效防控公共疫情和提高个人健康水平。

目前，我国科学研究者也积极参与到医疗AI产品的研发中，包括病理辅助诊断、眼部疾病、皮肤疾病、医学影像、中医药、心电监测、手术机器人、肿瘤治疗等领域。AI在医疗领域中的应用主要有三个角度。①AI比医生做得更好，可以用来提高诊断的准确度和治疗的效果。有些信息在诊断图像和其他数据中隐藏得比较深，或者隐藏在高维空间中，医生的肉眼无法辨别，而AI可以精确找到。②AI不比医生做得更好，但是比医生做得更快，可以用来提高效率。③AI不比资深医生做得更好，但可以通过学习资深医生、大医院的经验，来帮助年资低的医生和基层医疗机构的医生提出更准确的诊断和治疗方案。未来，人工智能将成为建立新型医疗服务体系的重要支撑，结合信息化的发展全面构建优质高效的新型医疗服务体系。

二、我国医疗人工智能发展现状分析

1.政策现状

国际上主要发达国家和地区近年来积极制定人工智能战略规划，医疗人工智能是主要研究和应用领域之一。同发达国家一样，我国近两年高度重视人工智能在医学中的应用，在不同等级的政策文件中都提出了医疗人工智能研究的重点方向。

主要国家和地区在医疗领域应用人工智能的重点略有差异。美国近年医疗人工智能规划重点在可穿戴设备、记忆辅助系统、医疗诊断等方面，欧盟更加关注各种机器人的研发和精准医疗，英国的重点研究领域包括病情诊断支持、影像诊断支持、潜在流行病的早期发现和发病率追踪等，日本则更加关注实用化机器人技术、手术机器人、医疗辅助系统等。我国近年的医疗人工智能政策重点包括可穿戴设备在健康管理中的应用、医用机器人、智能影像识别、智能诊疗、智能康复等。

2015年以来，我国出台的涉及医疗人工智能的主要政策文件有《国务院关于积极推进“互联网+”行动的指导意见》（2015年7月）、《中华人民共和国国民经济和社会发展第十三个五年规划纲要》（2016年3月16日）、《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》（2016年6月）。此外，《“十三五”国家科技创新规划》（2016年7月）《智能硬件产业创新发展专项行动（2016～2018年）》《“十三五”国家战略性新兴产业发展规划》《“互联网+”人工智能三年行动实施方案》等相关文件，都有关于人工智能在医疗健康领域应用的内容。

2017年，“人工智能”首次被写入我国的政府工作报告，并上升为国家重要战略，而人工智能在医疗健康领域的应用也是国家关注的重点。同年7月，国务院发布《国务院关于印发新一代人工智能发展规划的通知》，各省份相继出台当地人工智能发展规划，掀起了人工智能研究和应用的热潮。12月14日，工业和信息化部发布《促进新一代人工智能产业发展三年行动计划（2018～2020年）》，具体落实规划内容。

2018年4月，《国务院办公厅关于促进“互联网+医疗健康”发展的意见》等文件的发布推动医疗人工智能研究和应用进入高潮。全国各省份积极响应国家政策号召，发布了多项与医疗人工智能应用相关的政策文件，截至2018年10月，各省份医疗人工智能政策发布数量达到峰值。通过各地区政策发布数量可以看出，华东和华北地区医疗人工智能发展较快。华东地区以长三角为依托，以江苏、上海和浙江为代表，该地区经济发展实力强大，技术创新资源雄厚，为医疗人工智能的发展提供了有利条件。华北地区以京津冀为依托，这里是我国人才最为密集的区域，拥有众多科研机构、科研院校和创新创业园区，会集了大量高科技人才。京津冀地区利用其独有的知识资源优势，带动人工智能在医疗健康产业中的发展。

2.临床应用研究现状

面对医疗市场迫切的需求，在技术和政策的推动下，目前，中国医疗人工智能产业进入高速发展时期。根据相关机构的研究报告，近两年，我国“人工智能+医疗”市场规模快速增长，获得投融资的医疗人工智能创业企业数量和资金量上升。然而，我国医疗机构应用人工智能技术的态度和现状如何，尚缺乏数据。

本书以国家卫健委网站公布的二级以上医疗机构目录为依据，通过抽样调查（共发放问卷300份，最终收回有效问卷213份）发现：①我国各级医疗机构对于人工智能的应用表现出积极的态度，并对利用人工智能提升诊疗水平寄予厚望，但在医疗人工智能实质性投入方面，大部分仍呈观望态势；②医疗人工智能技术应用水平呈现明显的区域差异，表现为我国三级医院人工智能技术应用程度远高于二级医院，人工智能应用和建设程度呈现区域阶梯状，即东部＞中部＞西部，基层医院和偏远地区医疗机构在医疗人工智能应用方面尚处于落后状态；③在已有的临床应用研究中，自然语言处理技术应用程度最高，结构化数据补充成为其主要用途，影像辅助诊断技术中CT、肿瘤应用范围最广，技术成熟度最好，辅助诊断方向是医院最为关注的应用领域；④由于在标准制定、产品落地等方面存在短板以及复合型人才短缺，医院的人工智能应用和建设主要采用“拿来主义”模式，希望用产品购买的方式直接获得医疗人工智能应用的成熟产品。

在儿科人工智能应用方面，通过对北京、上海、广州等20个城市的52家儿童专科医院的调查和部分访谈，发现在儿科领域人工智能应用范围相对较窄，主要集中在医学影像和疾病诊断预测方面。专注儿科人工智能的公司数量也非常有限，产品多数还处在学习优化、更新迭代的层面，与真正应用落地仍有一定差距。人工智能产品在儿科落地的最大阻碍是医院对产品的期待与人工智能公司对市场的估计存在断层，加强临床参与才能为医疗人工智能落地提供助力。

通过对皮科大夫的调查发现，我国不同性别、学历、职称、医疗机构的皮肤科医生对于人工智能均表现出极高的关注度，绝大部分皮肤科医生认为人工智能的功能为“辅助皮肤科医生日常诊疗活动”，皮肤科医生更希望将人工智能应用于皮肤肿瘤的诊断与治疗中。近年来我国皮肤科领域相继成立了多个人工智能组织，也已出现多款人工智能产品，未来需要将更多资源融入其中，包括政府部门关注、主管部门经费投入、专家团队建立、企业资源汇聚等，才能进一步推动我国皮肤科人工智能的快速发展和应用。

3.学科发展和技术现状

近年来，我国医疗人工智能领域科研经费投入持续增长。在科技产出方面，近10年我国医疗人工智能领域中文科技论文发文量逐年快速增长，说明医疗人工智能是我国学者重点关注的研究领域。通过医疗人工智能领域中文科技论文的学科分布情况可以看出，我国医疗人工智能领域中文科技论文涉及的主要学科包括生物医学工程、自动化技术、临床医学、肿瘤学和计算机软件及计算机应用等。人工智能在医学中的主要应用领域包括肿瘤、神经性疾病、心血管疾病、精神疾病、内分泌腺及全身性疾病、感染性疾病及传染病等方面。

我国医疗人工智能领域外文科技论文产出在2008～2016年呈现线性增长趋势，截至2017年，我国医疗人工智能领域外文科技论文产出累计达到34655篇。发文量排名前5的机构为中国科学院、上海交通大学、浙江大学、清华大学和香港中文大学。医疗人工智能领域外文科技论文涉及的学科主要为计算机科学、数学计算生物学、工程、数学、放射学、核医学等，其中在计算机科学领域发表的科技论文数量最多，为32359篇，放射学、核医学等医学图像处理领域的发文量为18480篇。此外，医疗人工智能科技文献也出现在生物化学、分子生物学、细胞生物学、遗传学、肿瘤等医学学科中。

近10年来，医疗人工智能领域的专利申请和专利公开都呈现逐年增长的趋势，2017年的专利数量和申请人数都有较大幅度增长，能够确定当前该技术领域正处于技术成长期阶段。其中，广东、江苏、北京、上海和浙江的医疗人工智能相关专利申请量都在200项以上，说明这五个省市是医疗人工智能领域技术研发的核心区域，专利活动活跃，其中广东省的专利申请量更高达453项，居全国首位。

利用大为Innojoy专利搜索引擎自带的聚类分析功能，通过设置相关参数及定义停用词过滤标准，绘制医疗人工智能领域技术研发的科学知识图谱，可以发现，目前医疗人工智能的技术研发热点及人工智能在医学领域的应用方向主要包括脑电信号的处理与分析、心电信号的处理与分析、肌电信号的处理与分析、康复训练、医疗机器人、疾病诊断、病人监测和药物控制等。

4.产业现状

向300多家医疗人工智能企业发出调查问卷，回收有效调查问卷45份。调查发现，超过75%的企业处于融资的不同阶段，只有25%的企业不需要融资，因此资本是现阶段行业发展的重要推动力。调查中，2018年有12家企业累计融资金额1亿～10亿元，而2016年基本融资金额最多只达到千万元级，可以看出资本持续看好医疗人工智能行业的发展，整体投资处在加速阶段。

目前医疗人工智能应用按场景可分为医学影像、辅助诊疗、虚拟助理、健康管理、智慧医院等。在医学影像场景，根据临床数据采集内容的不同，可细分为CT、视网膜眼底图、X射线、病理、超声、内窥镜、皮肤影像等应用。辅助诊疗基于医院电子病历等系统，通过对患者信息的推理，自动生成针对患者的精细化诊治建议，供医生决策参考。虚拟助理是指通过语音识别、自然语言处理等技术，将患者的病症描述与标准的医学指南做对比，为用户提供医疗咨询、自诊、导诊等服务的信息系统。人工智能在健康管理中的应用包括：通过对日常健康行为的监测管理实现健康监控并提前进行疾病预测；使用电子通信软件和人工智能技术监测慢病患者日常生活习惯，智能给出用药指南，提醒患者服药；监控智能检测设备数据，对数据进行评估，及早发现异常并发出预警。智慧医院基于医院信息系统、临床数据中心和集成平台，结合人工智能、云计算、医疗大数据、物联网、移动互联网等技术，优化患者就医流程，节省患者时间和医疗资源，持续改善患者就医感受。

人工智能在我国医疗领域的应用刚刚起步，成长过程中遇到了来自各个层面的问题。当前阻碍医疗人工智能发展的因素中企业选择最多的五个因素是：缺少医疗人工智能复合型人才、医学数据标注及共享困难、缺少多病种病症的国家标准数据库进行模型验证、商业模式及各方权责不明确、缺少合作的医疗机构。超过50%的企业表示其产品已经在全国数十家甚至上百家医疗机构进行临床研究，由于产品认证的问题，大部分应用都是服务科研，即使应用于临床也只是给医生诊断提供参考。

5.社会认知和伦理现状

采用问卷调查法，随机调查了224个城市的2500位不同年龄、职业人群，了解我国民众对医疗人工智能的认知现状。目前，民众对人工智能在医疗领域的影响力感受度偏低，但对医疗人工智能持支持态度的占比达到78.44%，整体抱有相当大的期待。民众认为人工智能在医疗领域应用的最大优点是提高诊断效率，但对智能仪器应变能力也存在担心。医学影像是民众最能接受的人工智能医疗应用领域。大多数人认为医疗人工智能未来的发展趋势是医疗人工智能与传统模式相结合。随着医疗人工智能的发展，相信并使用医疗人工智能将逐渐成为主流，AI时代的到来是无法阻止的，也是势在必行的。医疗人工智能发展前景广阔，同时拥有很大的空间，需要相关领域研究人员继续挖掘潜力。

我国尚未出台医疗人工智能应用的伦理性的相关文件。根据关于我国居民对人工智能的伦理认知的调查，当医生和人工智能的诊疗意见不一致时，更多人选择相信医生。民众“最担心的伦理问题”包括：“没有充分的知情告知，个人隐私数据泄漏”“因无须人体试验，单纯从药物大数据中即可研发出新的药物，从而涉及禁忌药物的研发”“算法运作的不可知导致数据读取过程中运算结果的出乎预料或者出错”等。超过半数的人认为现阶段不可以赋予人工智能医生法律主体资格，并认为当人工智能技术造成医疗损害时，应厘清医生与设计者、制造者、人工智能等各方的责任，让相关责任方承担应尽的责任。人工智能带来医疗水平的提高和人类健康保障的进步，随之而来的一系列伦理风险不容忽视。医学界需要前瞻性地评估医疗人工智能的利弊和风险，加强对其的掌控能力，趋利避害，进一步促进医疗保健事业的发展。

三、医疗人工智能发展中面临的问题和挑战

1.政策与监管的挑战

2017年7月，国务院发布《国务院关于印发新一代人工智能发展规划的通知》，人工智能上升为国家战略，国家对医疗人工智能的发展提出了更高要求，医疗人工智能进入全新的高速发展轨道。国家的医疗人工智能发展要求包括提出医学大数据、医学信息化、智能医学等多个方面的具体应用需求，对医疗人工智能基础研究的政策支持，以及对大健康、老龄化等方面的医疗人工智能应用的大力支持。

基于以上纲领性文件，针对医疗人工智能的发展提出具体落实行动，将成为相关部门政策制定的重点，预计将发布一大批具体的推进方略，下大力气促进医疗人工智能领域的发展与提升。2018年以来，围绕医疗人工智能发展的重点政策领域包括：满足民营医院的设备需求，鼓励各级医院采购国产高端医疗设备；着力构建大数据云端医疗数据库，推动医学大数据的开发与落地，大力加强医疗信息化基础建设；鼓励民间资本投资远程医疗和第三方检验中心，全面推进分级诊疗的落地；大力发展网络医学影像平台、高端影像设备、第三方影像中心、大力推进影像信息化等。

2.技术和人才的挑战

据相关研究，医疗人工智能处在人工智能热潮的中心地位，有非常快的发展速度。医疗人工智能的技术和人才水平高，有可能尽快实现产业化，相关原因包括：第一，医疗人工智能研究机构与国内的各大医院合作开展了科学研究、临床实验、产业转化等工作；第二，医疗人工智能的研究机构众多，包括科研单位、高校、大企业、创业企业等，造就了一大批奋战在一线的医疗人工智能科研机构；第三，医疗人工智能有较好的投资盈利预期，得到资本方面的追捧；第四，医疗人工智能是人工智能应用的热门领域，在多种维度的医学图像识别领域，拥有丰富的技术和设备等资源。

医疗人工智能的快速发展来自迅速增长的医学大数据规模、快速提高的GPU速度和医疗人工智能理论基础的飞跃，决定于医疗人工智能的算法、算力、数据等关键技术因素。

第一，高性能、低功耗的人工智能芯片的发展。各家医疗人工智能的研究机构都在绞尽脑汁开发高性能、低功耗的人工智能芯片。医疗人工智能芯片的优劣主要决定于计算能力和能耗比例。现在市场上的主要医疗人工智能芯片巨头制造商包括英特尔、英伟达（NVIDIA）、华为海思、寒武纪、百度企业、苹果、谷歌等，竞争非常激烈。

第二，深度学习软件和平台大大加速了医疗人工智能应用的开发。人工智能包括但不限于卷积神经网络、循环神经网络等，其核心思想是神经网络的理论和实践。与影像组学不同，医学深度学习通过自动得到各个层次的特征量，以自动的方式生成规模特别巨大的特征量，实现了在人工智能方面的巨大飞跃。

近年来，深度学习神经网络在医学影像识别领域已经取得长足的进步，卷积神经网络的识别错误率已经降至非常低的水平，甚至低于人眼识别的错误率。深度学习通过反向传播、权值共享、感受野等策略，最终大大超过人眼的性能。

同时，医疗人工智能通过基础平台等方式提供给医生使用，复杂的医疗人工智能理论被打包成界面友好的产品和服务，促进了卷积神经网络的理论和工程技术体系的成熟。大量的医疗人工智能软件大大减少了医生们使用卷积神经网络的困难，业界企业也大量开展医疗人工智能的研发和产品开发，极大降低卷积神经网络算法开发的难度，专注于临床应用领域的软件和平台的研发。

深度卷积神经网络非常适用于医疗人工智能的临床场景。通过卷积神经网络方法，深度学习就能从医学影像中找出许多非常繁杂且不可能详尽描述的医学影像特征。在医疗人工智能的快速发展之中，基于医疗人工智能最新进展的医学影像的判定和识别，可能会在分级诊疗、妇幼保健、远程医疗、互联网医疗等领域大规模应用示范，并形成产业化条件。

我国医疗人工智能应用的最热门领域是医学影像，数据取决于医学设备的人工智能应用程度，其核心是芯片技术。当前人工智能芯片的技术路径主要有三种类型。

一是美国谷歌等企业布局的基于专用处理器ASIC架构的人工智能芯片。美国谷歌是张量处理器（TPU）的发明者。TPU广泛应用于美国谷歌的产品之中，包括AlphaGo、AlphaZero等明星人工智能应用。美国谷歌已经推出第二代TPU，为该企业的人工智能战略打下坚实的基础。

二是美国英伟达等企业布局的基于GPU架构的人工智能芯片。美国英伟达等企业是主要的GPU生产商之一，已经推出了多款世界上最强大的具有优良的人工智能算法处理性能的GPU显示卡。美国英伟达总裁黄仁勋先生在2018年度GPU技术大会上表示，与老款的GPU显示卡相比，该企业最新款GPU已经获得数倍性能提升。

三是美国英特尔等企业布局的基于CPU架构的人工智能芯片。美国英特尔为了进军人工智能领域，先后收购了Mobileye、Nervana Systems、Altera等企业。因为FPGA的功耗要远远低于CPU和GPU，美国英特尔希望以其在人工智能领域通过多年积累的CPU芯片技术和业务作为基础，研发CPU和FPGA混合构架的人工智能芯片，抢占日益蓬勃的人工智能芯片市场。

现阶段，医疗人工智能设备选用了FPGA、CPU、GPU等处理器进行设备控制、重建和影像后处理，有着非常明显的优势。现在，有很多医疗设备制造商都采用专用处理器，包括DPU等芯片，进行医学影像的后处理工作。

具有高速高效计算性能的GPU服务器，能够提供比CPU等计算部件快数倍的计算性能。当临床医生需要实时查看患者资料的时候，实时检查的CT和核磁共振的影像能够快速传递到电脑终端，或者通过平板电脑等传送给医生。通过GPU服务器提供的医学信息，医生可以快速得到患者的相关信息。

以GPU为例，现在，越来越多的医疗器械，包括病理影像仪器、内窥镜、CT、超声波诊断设备、MRI等医疗器械都搭载了美国英伟达生产的GPU，分析处理效率得到了极大提升。特别是在一些应用之中，影像工作站和服务器需要分析高密度、高精度CT和核磁共振影像，GPU大大提高了影像工作站和服务器的计算能力。

综上所述，医疗健康领域已经成功使用了CPU、GPU、ASIC等人工智能芯片，使医疗器械更加智能化，极大地提高了医生们的工作效率和工作质量，大大方便了患者的就诊与治疗。

3.数据库建设的挑战

高质量数据获取、标注和更新是医疗人工智能企业的关键能力。我国拥有十多亿人口、上万家医院，每年产生规模巨大的医疗健康数据，其中包括医学影像数据。但是，在如此大量的医疗健康数据中，绝大部分是非结构化数据，标准化、统一化、智能化程度非常低，难以进行综合利用，对政府部门、医院、科研院所、高校等机构来说也并非有效的价值体系。

训练集合的质量和数量是决定人工智能算法的性能（performance）的主要因素之一。其中，训练数据的质量和标注的质量决定着人工智能算法的学习能力，而训练数据的数量决定人工智能算法的泛化能力。在美国英伟达不断推出高性能GPU服务器，提供更大的人工智能计算能力的前提下，高质量和大规模的医学数据就变得更加重要起来。

医疗人工智能的大发展推动健康大数据时代的来临，全球医疗数据呈现爆炸式增长的趋势。医疗健康行业的数据量非常大，建设中的三个“国家医学数据中心”的量级都在EP级别，单个患者的医疗全过程数据也达到TB级别。近年来，我国医院信息化能力大大提升，其使用电子病历的比例也大幅增加了。

在医疗人工智能领域，获取和标注高质量的医学影像数据有非常大的难度，具体表现如下。

第一，医学影像数据的前处理和标注的代价巨大。在医疗人工智能领域，医学影像数据前处理和标注的代价巨大，占据开发成本的绝大部分。然而，在医疗人工智能算法开源的时代，医学影像数据前处理和标注的质量对医疗人工智能的性能有着举足轻重的影响。按照多中心来源的要求，医学影像数据的来源多种多样，需要进行前处理，以保证医学影像训练数据的有效性。现有的医学影像数据主要通过人工的方式进行标注，工作量巨大，耗费大量的人力、物力和财力。

第二，医学影像数据获取的代价巨大。由于现代医学影像技术的飞速发展，医学影像数据的产生技术也变得越来越复杂，客观上加大了医学影像数据的获取和使用难度。同时，因为医学影像数据具有私密性，医疗人工智能数据的拥有方在医学影像数据的保护方面不遗余力，这也加大了医疗人工智能研发单位获取数据的难度。

第三，我国幅员辽阔、人口众多，基层医院和研究型医院的差异巨大。为了在多种多样的场景下获得足够的灵敏度和特异性，医疗人工智能算法和软件的泛化能力面临巨大的挑战。

政府、医院等各方面需要携手合作，解决获取医学影像数据代价巨大的问题。从政府层面来讲，由国家卫健委牵头的国家健康医疗大数据中心正在修建之中，预计建成以后数据储量为1000ZB。国家健康医疗大数据中心的构成方式为“一个国家中心，三个国家队”，即该中心包括中国健康医疗大数据股份有限公司、中国健康医疗大数据产业发展集团公司和中国健康医疗大数据科技发展集团公司三个主体。国家健康医疗大数据中心的数据中心包括华东数据中心、华北数据中心、东北数据中心、西南数据中心和各省市级中心，其中各省市级中心的设置地点包括宁波、山东、四川、江西、辽宁、广东、贵州、甘肃、安徽、黑龙江、云南、内蒙古、陕西。国家健康医疗大数据中心的建设将极大推动我国医疗人工智能事业的迅速发展。

4.商业模式与运营的挑战

医疗人工智能企业如何获得利润？这是社会各方面，包括政府部门、投资机构、医疗人工智能企业、医院、医疗人工智能运营机构共同关注的问题。随着医疗人工智能的不断发展，多款医疗人工智能产品已经开发出来，包括基于眼底照片的糖尿病筛查、基于薄层CT的肺部结节筛查等。这些医疗人工智能产品即将获得国家许可，其走向市场可能的商业途径主要包括两个方面：第一，将医疗人工智能产品出售给大型运营机构，包括政府部门、投资机构、医疗人工智能企业、医院、医疗人工智能运营机构，实现盈利；第二，与第三方运营机构，包括政府部门、投资机构、医疗人工智能企业、各级医院、医疗人工智能运营机构合作，实现盈利。

5.法律与伦理的挑战

（1）成果转化周期长、难度大

针对医疗人工智能产品的审评与注册问题，2014年2月，国家食品药品监督管理总局开辟快速通道，《创新医疗器械特别审批程序（试行）》（食药监械管〔2014〕13号）提出，对符合以下规定的创新医疗器械设置快速审批通道。

①我国原创发明

具体的准入条件是：主要工作原理/作用机制为国内首创，产品性能或者安全性与同类产品比较有根本性改进，技术上处于国际领先水平，并且具有显著的临床应用价值。

②对创新医疗器械设置拥有发明专利

具体的准入条件是：审批申请人经过其技术创新活动，在中国依法拥有产品核心技术发明专利权，或者依法通过受让取得中国的发明专利权或其使用权，或者核心技术发明专利的申请已由国务院专利行政部门公开。

③产品基本完成

具体的准入条件是：申请人已完成产品的前期研究并具有基本定型产品，研究过程真实和受控，研究数据完整和可溯源。

（2）医疗人工智能数据保护

医疗人工智能软件需要大量使用数据，包括训练数据和患者临床的数据。在美国，医疗人工智能产品需要符合《隐私法案》及HIPAA的规定。但是，我国尚未出台相关法律，医疗人工智能的数据保护工作还没有法律规定可以规范。关于医疗人工智能软件牵涉的患者临床数据的安全保障规定，可以参考我国颁布的《网络安全法》第四十一条和第六十四条。我国颁布的《网络安全法》第四十一条规定：“网络运营者收集、使用个人信息，应当遵循合法、正当、必要的原则，公开收集、使用规则，明示收集、使用信息的目的、方式和范围，并经被收集者同意。网络运营者不得收集与其提供的服务无关的个人信息，不得违反法律、行政法规的规定和双方的约定收集、使用个人信息，并应当依照法律、行政法规的规定和与用户的约定，处理其保存的个人信息。”我国颁布的《网络安全法》第六十四条规定：“网络运营者、网络产品或者服务的提供者违反本法第二十二条第三款、第四十一条至第四十三条规定，侵害个人信息依法得到保护的权利的，由有关主管部门责令改正，能根据情节单处或者并处警告、没收违法所得、处违法所得一倍以上十倍以下罚款，没有违法所得的，处一百万元以下罚款，对直接负责的主管人员和其他直接责任人员处一万元以上十万元以下罚款；情节严重的，并能责令暂停相关业务、停业整顿、关闭网站、吊销相关业务许可证或者吊销营业执照。”

（3）法律法规滞后，监管无法可依

医疗人工智能产品的注册、使用、监管等法律法规正在制定之中，有待完善。以医疗人工智能产品的注册为例，根据我国《医疗器械注册管理办法》的规定，在中华人民共和国境内销售、使用的医疗器械，应当按照本办法的规定申请注册或者办理备案。因此，医疗人工智能产品需要办理注册和备案。为加强医疗器械产品注册工作的管理、指导和技术审评工作，国家食品药品监督管理总局制定了相应医疗人工智能产品的注册指导原则。国家卫生与健康委员会、国家发改委、工信部等机构也在积极调研、起草和制定医疗人工智能产品的使用、监管等法律法规，确保医疗人工智能造福于民。

（4）医疗人工智能的知识产权判定

在我国现有的法律体系中，医疗人工智能的知识产权还难以清晰判定。我国的知识产权判定依据的主要法律是《著作权法实施条例》，尚没有对医疗人工智能的知识产权的判定做出详细规定，在实践操作中有相当大的难度。

四、医疗人工智能前景展望与预测分析

尽管目前人工智能在医疗健康领域还没有形成规模化、常态化的应用，而且还受到一些政策、法律和伦理等方面的限制和约束，但不可否认的是，随着人工智能研究的深入，以及医疗资源匮乏弊端的显现，医疗人工智能应用将越来越广泛和深入，其产业也将越来越成熟。

1.人工智能在医疗健康领域的应用会越来越广泛

随着医疗健康信息化的快速发展，医疗机构及各类医疗健康服务型企业会产生大量的医疗健康数据，包括医疗图像、电子病历、健康档案等，人工智能技术能够对这些医疗大数据进行语义分析和数据挖掘，并实现对部分疾病的早期预警或自动诊断。这些应用主要体现在九个细分领域，包括疾病筛查和预测、医院管理、健康管理、医学影像、电子病历/文献分析、虚拟助手、智能化医疗器械、新药发现、基因分析和解读。

疾病筛查和预测：利用人工智能技术，依据历史就医数据以及行为、医学影像、生化检测等多种结果进行综合分析和判断，或者依据某个长期形成的单一数据进行疾病预测。譬如，骨关节炎发展预测，卡内基-梅隆大学通过收集大量人群10年间的软骨MRI影像数据，并利用人工智能技术进行图像数据的学习，从而发现正常人软骨中的异常，可以预测其未来3年患有骨关节炎的概率。基于各类医疗健康大数据的采集和汇聚，类似的疾病预测将会越来越普遍，预测精度也会越来越高。

医院管理：人工智能在医院管理上的应用主要包括优化医疗资源配置、弥补医院管理漏洞和提升患者就医体验。人工智能可以部分甚至完全代替人工在医院管理和服务中的某些角色和工作，譬如，病人管理、智能导医等。

健康管理：随着各种检测技术（如可穿戴设备、基因检测等）的发展，个人健康数据越来越多、越来越复杂，包括生物数据（如基因等）、生理数据（如血压、脉搏）、环境数据（如每天呼吸的空气）、心理状态数据、社交数据以及就诊数据（即个人的就医、用药数据等）等。这些数据汇聚在一起，利用人工智能技术进行分析，可以对潜在健康风险做出提示，并给出相应的改善策略，最终可以实现对健康的前瞻性管理。

医学影像：目前人工智能在医学影像领域应用得较为广泛和深入。由于各种成像技术（包括直接成像或间接成像）在医疗健康领域的广泛应用，医疗诊断对影像的依赖程度越来越高。医学影像已经成为医疗诊断的重要依据。庞大的影像数据量为深度学习系统提供了数据基础。利用人工智能技术可以帮助医生对医学影像完成各种定量分析、历史图像的比较或可疑病灶的发现等，从而高效、准确地完成诊断。

电子病历/文献分析：人工智能主要是利用机器学习和自然语言处理技术自动抓取病历中的临床变量，智能化融汇多源异构的医疗数据，结构化病历、文献生成标准化的数据库，将积压的病历自动批量转化为结构化数据库。目前电子病历/文献分析的应用场景主要有三类：病历结构化处理、多源异构数据挖掘、临床决策支持。

虚拟助手：虚拟助手是人工智能技术在医疗健康领域最先尝试应用的领域之一，它利用人工智能技术，通过对医疗健康大数据的学习或挖掘，在“理解”用户需求的前提下，按照要求输出相关的医学知识和信息，辅助人们进行健康管理或就医问药。虚拟助手较多地应用于个人问诊、用药咨询、导诊机器人、分诊和慢性病管理、电子病历语音录入等。

智能化医疗器械：智能化医疗器械是指现代通信与信息技术、计算机网络技术、行业技术、智能控制技术、人工智能技术在医疗器械上的应用。但智能化医疗器械不只是拥有智能功能的普通医疗器械，它可以摆脱对医生操作的依赖，通过机器学习等底层技术实现自我更新迭代。智能化医疗器械能够在两个方面大大提升医疗效率：首先，智能化医疗器械能够帮助医生节省工作量；其次，智能化医疗器械能够提高器械使用的精准度。

新药发现：新药的开发流程可分为药物发现、临床前开发和临床开发三个部分。而现代药物发现在技术上又可以分为三个阶段：靶点的发现和确证、先导物的发现、先导物的优化。人工智能在新药研发上的应用主要有两个阶段：一个是新药发现阶段，另一个是临床试验阶段。共有7种不同应用方向。

基因分析和解读：基因检测技术不断发展和完善，检测价格不断下降，基因检测趋向大众化发展。随着数据的不断积累，分析能力和大数据库是遗传解读和咨询的关键，信息的解读与整合成为基因相关企业的核心竞争力。人工智能便依靠其强大的数据处理能力和学习能力给基因分析和解读带来了人类不曾拥有的能力。基因检测由专业检测机构完成，结果分析交给人工智能，临床医师只需要最终结论，用这个结论去指导治疗并进行精准的健康管理。

2.医疗AI产品将正式被批准成为医疗器械

在美国，FDA（食品药品监督管理局）于2018年4月批准了世界上第一款人工智能医疗设备IDx-DR，该设备可以在没有医生帮助的情况下诊断疾病，其内置摄像头用于拍摄患者眼睛的照片，再通过算法评估该照片，确定患者是否有糖尿病视网膜病变的迹象；5月24日，Imagen公司的OsteoDetect软件也获FDA批准，该软件利用机器学习技术，分析二维X光图像，通过识别患者手腕前后和侧面X光图像判断该患者是否骨折。11月19日，国内的乐普医疗自主研发的心电图人工智能自动分析诊断系统“AI-ECG Platform”获得FDA注册批准，成为国内首项获得美国FDA批准的人工智能心电产品。截至目前，FDA已经批准了12个泛AI类医疗产品进入临床应用。

由于AI医疗器械初期需要大量高质量、已标注的医学数据进行模型训练和学习，而目前一方面高质量的数据因为各种原因难以获得，另一方面一些算法模型还不够准确，导致很多AI产品在实际应用中会产生误诊、错诊、漏诊等问题。医疗健康行业事关人民身体健康，来不得半点马虎。著名的IBM Watson人工智能产品就因为错诊，开出不安全药物而不断受到质疑，美国得克萨斯大学MD安德森癌症中心这样的顶级医疗机构在投入6700万美元之后还是选择放弃该项目。

但让AI产品成为医疗器械，并让其为患者带来真正的福音的努力并没有停止。国家食品药品监督管理总局（CFDA）为了更好地规范国内发展迅速的智能辅助诊断产品，2017年9月发布了新版《医疗器械分类目录》，2018年8月1日起开始施行。该新版目录新增了与人工智能辅助诊断相对应的类别，具体为对医学影像与病理图像的分析与处理。按照最新的分类规定，若诊断软件通过算法提供诊断建议，仅有辅助诊断功能，不直接给出诊断结论，则可申报二类医疗器械，如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理。2018年11月19日，国家药品监督管理局医疗器械技术审评中心发出通知，公开向境内外征集生产人工智能医疗器械产品的企业信息，这表明其开始为我国AI医疗器械审批做准备。预计最晚到2020年，我国将会出现首批基于人工智能的医疗器械产品并应用于医疗诊断服务中。

如果各医疗人工智能公司要走医院采购这条路，那么获得国家药监局认证是必经之路，如果要认证三类医疗器械，那么大量真实的临床应用数据将会为公司的申请提供巨大的帮助。为此，目前医疗器械人工智能产品第三方评测机构已经开始开展工作，包括构建智能产品评测数据库，建立智能产品评测标准和明确评测步骤等，以便为企业提供真实可靠的评测环境。

3.医疗智能化应用的监管将越来越规范和严格

由于医疗数据涉及患者本人的隐私，在道德伦理和法律层面上都属于非常敏感的问题。另外和其他领域的AI产品对比而言，医疗智能化产品及服务，尤其是诊断和治疗方面的产品和服务，对人类医生专家的决策势必会产生一定的影响，一旦出现判断失误，患者的生命健康会面临严重的威胁。

在美国，医疗器械根据其风险程度被划分为三类，其中第Ⅲ类为具有高风险的医疗器械，具体指拟用于支持或维持人类生命或预防人类健康受损，或可能导致潜在的不合理疾病或伤害风险的医疗器械。根据美国联邦法律，第Ⅲ类设备除需进行一般监管外，还需进行上市前审批（PMA）。但同时FDA也鼓励企业医疗AI产品进行更新迭代，为此它有着全新的加速审批通道。FDA局长Scott Gottlieb在华盛顿举行的2018 Health Datapalooza大会上表示，在保护患者的前提下，FDA正在扩大数字医疗工具获批的机会，并积极开发新的监管框架，用新的方法来审查人工智能。

可见FDA在人工智能医疗器械方面有较多的审核方式，而国内监管部门对于利用人工智能技术提供诊断功能的审核则更为严格，《医疗器械分类目录》对医疗AI产品的界定是：若诊断软件通过其算法提供诊断建议，仅有辅助诊断功能不直接给出诊断结论，则按照二类医疗器械申报认证；如果对病变部位进行自动识别并提供明确诊断提示，则必须按照第三类医疗器械进行临床试验认证管理。此外，国家卫生和计划生育委员会于2017年2月发布的《人工智能辅助诊断技术管理规范（2017年版）》和《人工智能辅助治疗技术管理体系规范（2017年版）》还对医疗机构及其医务人员应用AI辅助诊断和治疗提出了极具操作性的要求，具体包括医疗机构的硬件设施、医务人员的资质要求以及技术管理和培训管理制度等。

未来全球仍然需要推动医疗领域相关制度的制定和完善，各个国家和地区根据自身的法律法规和道德环境，加速制定关于人工智能产品的一系列制度标准，包括产品的开发、生产、评估和定价等各个方面。作为监管部门，当下的重点是制定一套科学、合理、明确的产品分类分级标准。目前，世界各主要国家几乎都将AI辅助诊断和治疗产品作为医疗器械加以监管，AI辅助诊断和治疗产品如需上市，必须根据医疗器械的等级分类标准获得监管部门相应的许可和认证。对于高风险的AI产品，提高审核标准、严格把关，最大限度降低出现医疗事故的风险；对于低风险的AI产品，可以采用鼓励和引导的监管方式，减少认证的周期，从而加速其产品和技术的迭代和发展。此外，监管部门对相关的医疗事故责任主体、各方责任权利范围要仔细地划分，这样才能保证医疗AI产品快速稳定地被社会认可。

4.对人工智能理论和技术的研究将更加深入

人工智能技术发展迅猛，在很多研究项目上取得了一定的成果。然而，医疗卫生行业不同于其他行业，它对于实验结果的可信度、可解释性的要求还是很高的。例如，对医学影像进行基于深度学习的数据分析，尽管这类技术能够取得很高的准确率，但是模型本身属于“黑箱技术”导致其结果缺乏判断依据，人类医生和患者往往很难相信实验结果的可靠性，最后产品难以投入实际使用。另外，很多研究内容都是针对单病种或者少量病种的分类、检测，多病种任务的人工智能分析还需要算法的进一步提升，在保证模型实验精度的基础上提高其本身的泛化能力。就医疗领域的硬件设备而言，发展中国家与发达国家相比缺乏核心研发技术，创新能力十分薄弱，在人工智能的部署方面存在较大难度。

由此，针对未来的医疗人工智能，还需要进行理论技术上的推动和创新。人工智能不仅是计算机科学的前沿，还是数学、软件工程、脑神经科学等学科的新方向，其在医学领域的未来发展需要计算机软硬件专家、医学专家和统计学家等的共同努力，需要进行跨学科、跨领域的通力合作。一方面，使用更为成熟的人工智能理论来提升各个系统模块的思维逻辑能力，让专家系统在尽可能复杂的环境下准确而又迅速地提供诊疗方案；另一方面，继续加强人工智能技术的实践，使其具备更强的学习、自组织、泛化及训练能力，加快从“弱人工智能”到“强人工智能”的转化。例如，在深度学习中的可解释性问题，目前已经有学者试图通过注意力机制和可视化方法对这类技术进行分析。当然，未来仍然需要科研人员进一步探究这些“黑箱技术”内部的实现原理和技术细节。

学科技术篇

第二章 医疗人工智能技术前沿

一、医疗人工智能关键技术

人工智能从20世纪中叶发展至今，推出了感知器、支持向量机、决策树与随机森林、人工神经网络、专家系统、概率图、深度学习等一批影响深远的技术。本文介绍了目前应用较为广泛的人工智能技术。

（一）贝叶斯网络

概率图是以图为基础表示概率分布的一类模型，而贝叶斯网络（Bayesian Network）是概率图最基本的模型，又被称为信念网络（Belief Network）。贝叶斯网络于1985年由Judea Pearl首先提出，其借助有向无环图来刻画变量属性间的相互依赖关系，并且使用条件概率表描述各个属性间的联合概率分布。

具体来说，一个贝叶斯网络B由概率图结构G和参数θ两部分构成，即B=＜G，θ＞。网络结构G是一个有向无环图，其每个结点对应一个属性，若两个属性有直接依赖关系，则它们由一条边连接起来。参数θ定量描述这种依赖关系，假设属性xi中的父结点集为πi，则θ包含了每个属性的条件概率表：

给定结点集，贝叶斯网络假设每个属性与它的非后裔属性相互独立，于是B=＜G，θ＞将属性的联合概率分布定义为：

（二）人工神经网络

神经网络已经是一个相当大的多学科交叉的学科领域。整体来讲，神经网络是由具有适应性的简单单元组成的广泛并行互连网络，它的组织能够模拟生物神经系统对真实世界实体做出的交互反应，在机器学习中涉及神经网络时指的是“神经网络学习”。常见的神经网络有RBF网络、玻尔兹曼机、反向传播（BP）算法等。

1.RBF网络

RBF（Radial Basis Function，径向基函数）网络是一种单隐层前馈神经网络，使用径向基函数作为隐层神经元激活函数，而输出层是隐层神经元输出的线性组合，RBF网络通常通过两个步骤进行训练：第一步，确定神经元中心ci，常用的方式有随机采样、聚类等；第二步，利用BP算法等来确定神经元参数。

2.玻尔兹曼机

神经网络中有一类模型是为网络状态定义“能量”（energy），能量最小化时网络达到理想状态，而网络的训练目标是最小化这个能量函数。玻尔兹曼（Boltzmann）机是其中的一种重要网络模型，其神经元都是布尔型的，即只能取0、1两种状态，状态1表示激活，状态0表示抑制。

玻尔兹曼机的训练过程是将每个训练样本视为一个状态向量，使其出现的概率尽可能大。标准的玻尔兹曼机是一个全连接图，训练网络的复杂度很高，难以用于解决现实问题。

3.反向传播（Back Propagation，BP）算法

反向传播算法是一种适用于多层神经网络的学习算法，该算法建立在梯度下降法（Gradient Descent）的基础上。在人工神经网络中，通过神经网络正向传播，最终得到相对于特定输入样本x的结果，记为，对于有监督学习，定义预测结果相对于真实样本之间的误差为。在训练神经网络的过程中，目标神经网络参数应使预测结果与真实结果之间的误差尽可能小。因此，反向传播算法是应用参数更新策略，以目标函数的负梯度方向对参数进行调整。

（三）深度学习

深度学习（Deep Learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中对数据进行表征学习的算法。观测值（如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或更抽象地表示成一系列边、特定形状的区域等，合理选择特定的表示方法可以更容易地从实例中达成学习目的。

深度学习是机器学习领域最前沿的研究方向，是通过学习提取图片、音频和文字在多个不同层次的抽象特征的机器学习领域。目前，深度学习使用的神经网络结构包括卷积神经网络与递归神经网络等多种不同结构的网络。其中，在计算机视觉领域获得巨大成功的是卷积神经网络（Convolutional Neural Network，CNN）。卷积神经网络是前馈神经网络的一种，由一个或多个卷积层（Convolutional Layer）与全连接层（Fully Connected Layer）构成，同时，网络中还包含线性整流层（ReLU Layer）和池化层（Pooling Layer）。通过反向传播算法（Back Propagation）进行模型训练，最终得到高效可用的深度神经网络。

2012年提出的AlexNet极大提升了卷积神经网络的知名度。在当年ImageNet图像分类竞赛中，AlexNet的top-5错误率比上一年的冠军下降了10%，同时远超当年的第二名。这掀起了深度神经网络的研究热潮，同时也吸引了工业界对于深度学习的关注。从此之后，各种优秀的卷积神经网络层出不穷，其中包括通过加深网络来取得更好效果的VGG16，增强卷积模块功能的GoogleLeNet，从分类任务衍生到检测任务的R-CNN和增加新功能单元的Inception V2等优秀的网络。

（四）自然语言处理

语言模型是文本处理的基础，下面以语言模型（language Model，LM）为核心，串联自然语言处理（NLP）中部分经典模型和算法。

1.语言模型

统计语言模型是词序列的概率分布，目的是描述给定词序列在语言中出现的概率分布。掌握不同句子/词组的概率估计方法在NLP中有很多应用。语言模型在语音识别、机器翻译、词性标注、句法分析、手写识别、信息检索等方面都有广泛的应用。

2.词袋模型（BOW）及相关算法

词袋模型，顾名思义是把各种词放在一个文本的“袋子”里，即把文本看作无序的词的组合。利用统计语言模型来理解，文本中每个词出现的概率仅与自身有关而与上下文无关。很多常用的文本挖掘算法和文本统计特征都建构在此基础上。主要的词袋模型包括TF-IDF、LSA、pLSA和LDA，其中，TF-IDF模型基于词频将文本转换成向量，而不考虑词序；LSA使用词-文档矩阵来描述一个词语是否在一个文档中；LDA作为应用广泛的文档主题生成模型，是一个三层贝叶斯网络，包含词、主题和文档三层结构。

3.N元语言模型（N-gram）

在N-gram中，根据马尔科夫假设（Markov Assumption），词T出现的概率仅受前N-1个词的影响，N-gram对中文词性标注（POS）、中文分词（Word Segmentation）有很好的效果。中文分词和POS是中文文本分析中非常重要的环节。此外，基于N-gram还出现了更多有价值的语言模型，如NNLM、CBOW等。

二、医疗人工智能技术应用现状

随着AI技术的发展及其和医疗的紧密结合，AI技术已经深入临床辅助诊断、医学影像、脑科学、中医学等医学领域的各个方面。

（一）临床辅助诊断

临床决策支持系统（ClinicalDecisionSupport System，CDSS），是一种用来协助医生进行医疗诊断的交互式专家系统。大部分决策支持系统基于知识库，由三部分组成：知识库、推理引擎和通信模块。知识库中包含大量专业医学知识，推理引擎根据知识库中相应的推理规则，对患者的相关资料进行自动分析，最后通过通信模块将分析结果发送给医生。同时，医生也可以修改知识库中的相关规则，以提高推理部分的准确率。

作为人工智能在医学领域的主要应用，决策支持系统的定义也随着人工智能的发展而不断更新，目前主流的定义由Robert Hayward提出：“连接临床观察与临床知识，影响临床决策，改善临床结果。”通过对患者信息的推理，该系统可以生成针对患者个人的精细化治疗建议，最后由医生从中选取有用的信息并删除错误建议。利用该系统不仅可以提高医生诊断疾病的准确率，还可以提高医疗单位工作效率。

20世纪70年代，美国斯坦福大学研制出世界上第一个临床决策支持系统MYCIN，它拥有包含约600条规则的知识库以及推理引擎，能够向医生反馈每个诊断的推理结果。它使用人工智能来识别导致严重感染的细菌，并推荐相应的抗生素，药物使用剂量也根据患者的体重进行调整。斯坦福大学医学院的研究发现，在治疗计划中，MYCIN的可接受度为65%，该结果由8名专家小组给出。该项结果表明，当没有正确治疗的“黄金标准”时，专家也会对治疗决策产生分歧。该系统只用于满足科学研究需要，没有真正用于临床实践。由于当时个人计算机未得到开发，在早期互联网大型分时系统上运行该系统时，需要用户输入MYCIN提出的一系列问题，导致应用效率大大降低。虽然该系统未进入临床使用，但它提出的推理方法以及医学规则知识库的构建为后续开发基于规则的专家系统奠定了基础。MYCIN和随后复杂专家系统的发展也提出了一个重要的问题，即如何从推理引擎中提取必要且正确的知识，以便将相关领域的人类专家方法用于规则库。

近几年，国内外都出现了众多针对不同疾病的临床决策系统，比较著名的有美康、行心信息和惠每科技的产品，它们分别源于荷兰威科集团、英国的BMJ和美国梅奥诊所。这三家企业的产品已经在不少国家被使用多年，因此知识库积累的信息量十分庞大，产品也相对成熟。表1为已有的具有深度学习能力的临床决策系统。

表1 具有深度学习能力的临床决策系统

目前，众多的临床决策系统各有侧重，但都基于丰富的知识库、有效的逻辑推理和友好的人机交互。由于医学大数据采集的标准不统一，现有数据还需进一步加工才能成为临床决策系统的原始学习样本，同时由于医学信息的复杂性，已训练好的机器也无法满足所有未知样本的检测和诊断，这也成为制约临床决策系统发展的重要因素。

（二）医学影像

早在20世纪60年代就有学者提出医学影像和人工智能结合，20世纪80年代后，计算机技术飞速发展，出现了X线计算机体层成像、磁共振成像和发射体成像等新的成像技术，这些技术可以实现人体内部器官和结构成像，从而让医生在非创的情况下对患者的病情做出诊断。医学影像不仅扩大了患者的检查范围，提高了诊断水平，同时还可以用于对患者疾病的治疗，极大促进了治疗效率的提高，而人工智能和影像学的结合，更极大地加快了医学影像向智能化、精准化发展的步伐。

医学影像诊断的主要信息来源和依据是图像，包括B超、CT、MRI等，它们用不同的灰度图像来展示检查部位，之后由医生根据自身经验对检查结果加以分析，受图像质量以及医生经验的影响，也会出现误诊的情况。但人工智能通过对大量影像图片进行训练学习，可以实现对图像的精准分析，并挖掘更深层次的信息，从而给医生诊断提供可靠的建议。例如，Golden于2017年在JAMA杂志上发表文章指出，通过深度学习技术，机器可以迅速阅读患者的病理图片，并从图中诊断出乳腺癌是否存在淋巴结转移，该项研究表明，虽然目前的人工智能技术还无法全面替代病理学家的作用，但能够极大程度提高诊断速度，缓解病理学家的工作负担，提升患者治疗效果。赵一鸣等在《PACS与人工智能辅助诊断的集成应用》中提出，通过PACS与人工智能的紧密结合，设置了CT肺癌及肺结节的AI临床诊断试点，经过一段时间对近500例的诊断结果对比，AI提示的准确率超过90%，对辅助医生减少漏诊起到良好效果。

目前，人工智能已经成功应用于肺部疾病、乳腺疾病、神经系统疾病、心血管系统疾病等方面。

（三）脑科学

大脑作为人体最高级的决策器官，深刻影响着一个人的行为、心理等，为了提高人类自身的健康与发展，越来越多的科研人员加入脑科学研究的队伍。在过去的几十年里，人类对脑的研究热情正在日益高涨，美国政府将20世纪的最后10年命名为“脑的十年”，日本于1996年推出了“脑科学时代”计划纲要。大脑作为人体最复杂的器官，与其相关的疾病如阿尔茨海默病、癫痫也成为目前医学上难以治疗的几大疾病。

近几年，越来越多的学者将人工智能方法应用于对脑部疾病的诊断。张振于2013年提出用近似熵和支持向量机对癫痫信号进行分类，利用非线性动力学的方法对癫痫信号进行处理，随后用支持向量机对信号进行分类，该项研究取得了93.99%的分类准确率，证明其研究成果具有很好的泛化能力，为临床上自动识别癫痫脑电信号的系统研发打下理论基础。Vairavan Srinivasan提出利用人工神经网络对癫痫信号进行检测，其提出的检测系统对于癫痫的自动检测可以达到100%的准确率。Tripoliti E. E.等提出用从功能性磁共振成像（fMRI）中提取的信息来辅助阿尔茨海默病的诊断和分类，该方法包括5个阶段：预处理、建模、特征提取、特征选择和分类，最终对非患者和患者的分类准确度高达88%。

人工智能算法的发展为脑科学中部分疾病的诊断提供了新的方法，同时能极大提高疾病检测的准确性，并为后续的治疗提供合理的建议。

（四）中医学

人工智能在医学上的应用和传统中医非常相像。我国的中医几千年以来，通过“望闻问切”的方式积累了几百万人甚至几千万人的医疗大数据，后期主要通过人脑来“加工”这些数据；现代社会与此不同的是，我们使用电脑加人脑中积累的经验，以大数据与人工智能技术实现了智能医疗。

中医学对疾病的诊断和治疗依赖医护人员的经验，中医学提出的“辨证论治”中的“证”具有模糊性、不确定性等特点，因此部分疾病的诊断可以利用人工智能来完成，从而实现智慧医疗。恰当的中医症状可以作为基本数据输入人工神经网络模型，人工神经网络能够根据以往的学习“经验”来进行综合分析，从而提出中医诊断方法。神经元结构模型、网络连接模型、网络学习算法等要素组成的人工神经网络具有某些智能系统的功能，例如，感知器、BP网络、Hopfield网络等，目前应用最为广泛的神经网络就是BP网络。BP网络能学习带有正确答案的实例集自动提取“合理的”求解规则，具有自学习能力，同时BP网络在局部或部分神经元受到破坏后，其全局的训练结果不会受到很大影响，也就是说系统即使受到局部损伤还是可以正常工作，即BP网络具有一定的容错能力。实践中若能将隶属于人工神经网络的BP网络应用于中医学的诊断分析，就能对其以往临床观察、实验研究等方面的信息进行分析与利用，确保中医学诊断方法的有效性。此外，宇彤等人也提出在“中医药学语言系统”（TCMLS）的基础上补充相关知识资源，形成以“语义网络”为骨架的大型知识图谱，并实现对中医药知识资源的有效整合，面向中医药工作者和普通民众提供全面、及时、可靠的知识服务，充分发挥人工智能在中医学领域的作用，极大提高中医学的诊断效率。

随着计算机技术及人工智能技术的诞生与发展，人工智能在医学上的应用范围也随之不断扩大。医疗人工智能是人工智能的重要分支，它将为医学诊疗问题提供解决方案，极大提升医疗的诊断与治疗效率。

三、 基于不同数据类型的医疗人工智能技术的典型应用

（一）文本分析类应用

中文临床自然语言处理是目前中文临床数据高通量表型化的关键技术瓶颈。而基于我国临床培训体系多样、医疗标准化程度不一、医疗信息化技术水平不高等现状，中文临床自然语言处理在实际应用中落地需要解决众多技术问题，包括具有自学习功能的快速标注、语义归一、本体控制、自动化质量控制等。神州医疗的Plato临床自然语言处理平台的中文版本目前已在全国超过20家医院及科研院所进行部署，其英文版本覆盖世界范围超过200家医院、科研院所及制药企业，服务于大规模临床信息挖掘、结构化及表型化。结合神州医疗独有的临床术语本体系统（SNOMED CT的中国区授权、中文药品本体、检验及表型等本体系统）、符合国际领先标准的数据模型及自动化质控校验流程等，全面提升临床数据表型化的通量及准确性，目前服务于中国肿瘤大数据平台近1000万例临床病历数据的分析处理，以及国家罕见病注册系统、国家心血管质控平台等多个国家级健康压力大数据中心的数据分析工作。

（二）多模态数据类应用

神州医疗在复旦大学附属儿科医院、北京协和医院、中国医学科学院肿瘤医院等多家大型教学医院建立研究平台，基于Vinci平台对临床数据进行高通量结构化及表型化，基于神州医疗自主研发的精准医学数据分析平台分析及管理多种生物组学数据，以神飞云处理分析影像组学数据为基础，构建多模态、多组学融合的数据管理及分析平台，为医院的科研能力提升提供核心支撑。2018年国家重点研发计划“精准医学专项”中设立了“精准医学大数据的有效挖掘与关键信息技术研发”项目。神州医疗作为唯一的企业参与由上海交通大学吕晖教授牵头的团队，成功通过评审并正式立项。该研目整合国内十家在生物医学信息学研究方面具有领先优势的综合性大学（上海交大、复旦大学、浙江大学等）、中国排名第一的综合性医院（北京协和医院）和在该领域具有全面技术整合及产品落地能力的技术公司（神州医疗），共同为国家精准医学专项产生的大规模、多模态、多组学融合的数据提供技术难题攻关、成果产品化及示范推广等服务。

（三）临床图像类应用

神州医疗人工智能影像研究院与香港科技大学Albert教授合作，应用深度学习及迁移学习方法在乳腺钼靶筛查的人工智能辅助诊断判别上取得了初步成果，积累了复杂任务模型的大数据处理经验。团队采用迁移学习方法，利用已经训练好的模型参数来加快训练速度，大大提高了网络训练的效率。所训练模型能够自动识别乳腺钼靶图像中的肿块、钙化、结构扭曲等病变，相较于传统CAD诊断，人工智能的病灶检出率有了大幅度提高。目前，三分类准确率（正常、良性肿块、恶性肿块）大于95%，五分类准确率（正常、良性肿块、恶性肿块、良性钙化、恶性钙化）大于92%。

产业篇

第三章 医疗人工智能企业发展现状分析

根据2018年2月中国信息通信研究院发布的《2017年中国人工智能产业数据报告》，2016年中国医疗人工智能的市场规模达141.9亿元，增长26.3%；2017年我国人工智能市场规模达到216.9亿元，比2016年增长52.8%，2018年有望达到339.0亿元。通过前期调研，我国（不包括港澳台地区）人工智能企业逾1000家。根据2018年《中国数字医学》杂志社进行的医疗人工智能企业调研统计，涉及医疗人工智能产品研发和应用的企业有500家左右（详见本书附录）。本文的统计数据来源于对企业发放调研问卷回收的46份有效问卷。

一、医疗人工智能企业现状分析

（一）基本情况

大部分医疗人工智能企业处于早期发展阶段（见图1），主要以B端业务为主；疾病风险预测、医学影像领域的企业数量较多，相关产品相对成熟。根据调查统计，我国医疗人工智能企业超过90%位于北京、上海、广东、浙江、江苏等东部沿海地区，其中北京聚集了超过50%的企业，这得益于北京良好的人工智能产业基础和医疗资源，而中西部地区中，湖北、四川和安徽三省的医疗人工智能企业相对较多。

（二）团队建设

（1）通过调研统计，近90%的医疗人工智能企业的研发团队是最近五年成立的，50%的企业医疗人工智能研发团队在2016～2018年成立。

图1 我国医疗人工智能企业成立时间

（2）从医疗人工智能企业的研发团队规模来看，50人以下的占比接近70%；超过100人的研发团队占比不到20%（见图2）。

图2 我国医疗人工智能企业团队规模

综合看成立时间和研发团队人数，成立时间在3年内的团队人数基本不超过50人；成立时间超过3年的团队有约35%规模在100人以上（见图3）。

图3 我国医疗人工智能企业成立时间与团队人数的关系

（3）从参与此次调研的医疗人工智能企业研发团队人员最高学历来看，本科和硕士学历占比最高，分别为42%和40%，博士学历占18%。

（4）从研发团队最高学历的专业分布来看，计算机科学类专业占比最高，为40%，生物医学类专业占比为22%，电子信息类专业占18%，纯数理类专业占12%，其他专业占比为8%。

（5）从医疗人工智能企业对人才的需求来看，需求集中在临床医学、生物医学工程、计算机视觉、机器学习等相关专业，学历要求均是硕士或博士，部分企业甚至要求发表过相关SCI论文，行业门槛较高。

（三）融资情况

1.融资轮次

2018年有28.26%的医疗人工智能企业处在preA轮/A轮/A+轮融资阶段，36.96%的企业已经进入B轮/C轮/BAT轮（见图4）。相比之下，中国信息通信研究院《2017年中国人工智能产业数据报告》显示，2016～2017年，大部分企业都在preA轮/A轮/A+轮融资阶段；同时，超过75%的企业处于不同的融资阶段，只有25%的企业不需要融资。由此可见，资本是现阶段行业发展的重要推动力。

图4 我国医疗人工智能企业融资轮次

2.融资金额

调研数据显示，2018年，在参与融资的医疗人工智能企业中有32.61%的企业累计融资金额在1亿元以上（见图5）。对照2016年融资金额最多在千万级，可以看出资本持续看好医疗人工智能行业的发展，整体投资处在加速阶段。

图5 我国医疗人工智能企业累计融资金额分布

（四）产品研发

1.产品技术框架

与其他人工智能场景一样，Tensorflow是医疗人工智能行业最受欢迎的深度学习框架，接近80%的企业都在使用；Keras和Pytorch由于在易用性方面相对友好，也获得了企业较多的认可，而其他深度学习框架使用率较低（见图6）。

图6 我国医疗人工智能企业深度学习框架选择情况

2.产品研发的时间成本

医疗人工智能产品的研发过程可以分成数据收集、数据处理、算法研发、产品开发、产品认证等环节。与其他行业不同，在医疗人工智能行业中数据收集和数据处理都是难点，数据收集和数据处理用时所占比例合计接近37%，已经超过算法研发需要的时间，是最耗费时间的环节，也是人工智能在医疗领域落地应用过程中的主要制约因素（见图7）。

图7 我国医疗人工智能企业产品研发各环节时间占比

3.产品研发成本占比

在医疗人工智能产品的研发中，人力研发成本和算力（设备）成本相比较，91.30%的企业表示投入最多的是人力研发成本，这也说明当前医疗人工智能企业对相关专业人才求贤若渴（见图8）。

图8 我国医疗人工智能企业研发成本构成

4.产品在医疗机构应用落地的情况

超过50%的企业表示其产品已经在全国数十家甚至上百家医疗机构使用，但由于产品认证的原因，大部分应用服务于科研，仅少部分应用于临床的产品可以为医生诊断提供参考（见图9）。

图9 我国医疗人工智能产品在医疗机构的应用情况

5.产品申请医疗器械二类/三类认证

超过60%的企业计划在2019年以前拿到国家药品监督管理局的《医疗器械分类目录》认证从而正式进入临床应用；亦有近24%的企业表示，期望在2020年以后能够获得认证进入临床应用（见图10）。在参与调研的企业中，30.43%的企业已经将其产品提交医疗器械二类/三类认证，41.30%的企业也在计划为其产品申请医疗器械二类/三类认证，21.74%的企业已获得二类认证。

二、行业发展影响因素分析

本次调研发现，当前阻碍医疗人工智能发展的因素主要为：缺少医疗人工智能复合型人才、医学数据标注及数据共享困难、缺少多病种病症标准数据库、商业模式及各方权责不明确、缺少合作的医疗机构（见图11）。本文针对上述五种主要影响因素，通过进一步对相关企业进行访谈，并对采集的数据进行了统计分析。

图10 我国医疗人工智能产品预计进入临床应用的时间

图11 我国医疗人工智能行业发展的影响因素

（一）复合型人才培养

超过70%的医疗人工智能企业认为，复合型人才不足阻碍了行业发展。人工智能人才短缺，医疗行业人才同样短缺，“医工结合”的医疗人工智能人才更稀缺。结合企业研发团队专业比例可以看出，计算机科学类专业和生物医学类专业占比分别约为40%和22%，占比最大，但既有计算机专业背景又有医学专业背景的跨界复合型人才凤毛麟角。解决这一问题的关键是医疗人工智能企业必须深入医院相关临床科室，深入了解临床医生诊断过程，多倾听临床医生的诉求，在创新实践中逐步培养“医工结合”的复合型人才。

（二）医学数据及模型

调查发现，67.39%的企业认为医学数据的不足阻碍了行业发展。一方面，医学领域数据获取非常困难，如CT、MR、PET等检查的费用很高，而且医疗数据涉及患者隐私，不能直接运用，需要花费大量时间进行数据脱敏，去除患者个人基本信息；另一方面，医学数据标注非常困难，标注质量的高低直接影响模型、产品性能的好坏，高质量的标注往往需要由高年资医生进行。此外，数据共享困难，不同医疗机构、不同设备采集的数据差异较大，造成训练好的模型泛化能力较低，很多医院认为标记数据是其核心资源，不愿意共享。

同时，本次调研还通过企业深度访谈了解到，阻碍行业发展的因素还有深度学习模型的可解释性差，导致医生无法对模型的输出结果进行溯因。医疗领域的误诊漏诊有时会给病人造成不可挽回的严重后果，因此医生不敢过分依赖模型输出做诊断。增强模型的可解释性，让医生理解模型给出特定结果的原因，成为人工智能在医学影像领域推广应用的关键。

（三）产品认证

2018年8月1日，我国新版《医疗器械分类目录》正式生效，对医用软件按二类、三类医疗器械设置审批通道。

三类医疗器械认证需获得中国食品药品检定研究院的分类鉴定和审批。中国食品药品检定研究院是国家食品药品医疗器械质量检验的法定机构和最高技术仲裁机构。为了引导和规范人工智能医疗器械产业的良性发展，中国食品药品检定研究院于2017年11月成立了AI小组，正式启动了对人工智能医疗器械产品检验检测方法的研究工作；于2017年12月和2018年2月先后启动眼底图像标准检测数据集和肺部影像标准检测数据集的建设工作；2018年4月和6月分别完成了眼底图像标准检测数据集和肺部影像标准检测数据集的图像标定工作；2018年9月，中国食品药品检定研究院筹建全国人工智能医疗器械标准化技术的归口单位，公开征集专家组，目前建立的一个标准数据集只针对一种疾病，仍需建立更多标准测试数据集。

（四）商业合作模式

医疗人工智能企业在与医疗机构合作、确定商业运营模式方面仍处于探索阶段。医疗人工智能企业必须和医疗机构进行合作，一方面因为人工智能技术研发所需的数据及标注来源于医疗机构；另一方面因为企业训练出来的模型需要在医疗机构进行临床检验。医疗问题从医院来，解决问题也必须回到医院去。

当前，企业与医疗机构的合作形式可以分为四种：与多家医疗机构合作、与单一医疗机构多个科室合作、与单一医疗机构单一科室合作、与个别医生的项目合作（见图12）。

图12 我国医疗人工智能企业与医疗机构的合作模式

根据不同的病种以及产品所处的不同阶段，企业与医疗机构的合作层次也不尽相同。据调查统计，几乎所有企业都至少与一家医疗机构进行合作。关于产品在医疗机构中的推广，接近一半的企业表示会重点与一个医疗机构进行合作，进行数据收集、模型建立、产品验证，然后再推广到其他医疗机构。

目前，医疗人工智能企业商业模式有以下几种：产品/模型归属企业，医疗机构免费使用；产品/模型归属企业，医疗机构支付一定费用；产品/模型归属医疗机构，医疗机构一次性向企业采购软硬件；产品/模型归属卫健委，政府向企业采购，医疗机构免费使用。其中，“产品/模型归属企业，医疗机构支付一定费用”的模式得到了最多企业的支持，但商业模式还有待丰富完善。

（五）人工智能产品与现有医疗流程的整合

医疗人工智能产品要落地应用，需要与医疗机构现有流程整合对接；产品不仅本身性能要好，更重要的是让医疗机构、医生能够感受到其对实际工作的帮助，而不只是多了一个“工具”。人工智能产品的价值体现在能够解决医疗诊断过程中的痛点或难点，帮助医生从复杂的医疗数据中快速挖掘提取精准的辅助信息，提高医生工作效率，让医生将更多精力放在本专业领域。企业的人工智能产品融入医院的流程，通过与医院系统集成，整合并优化流程。

目前，从人工智能产品与医疗流程的整合情况来看，产品主要集中于影像诊断。影像诊断是全链条、多维度的工作，工作内容不只是图像识别，需要充分发挥医生在医学影像AI研发过程中的作用。目前，产品和医疗流程整合有两种情况，游离于信息系统之外或融合于信息系统之内。大部分产品提供单病种诊断，部分企业产品提供医学影像分析诊断并自动生成报告，能够让医生减少输入的时间，同时，可以参考人工智能模型出具的报告，医生判断后再进行修改。少部分结节检测产品还有一键排序结节和一键测量结节等功能。

（六）多模态组学在医疗人工智能的应用

人工智能技术在医学多模态组学中的应用更符合真实的诊疗过程，所以，医疗模型的数据建模从单一模态到多模态是必然的发展进程。在疾病的诊断和治疗过程中，医生需要综合患者的基本信息、检验信息、影像资料、免疫组化等后才可以做出正确决策。多模态深度模型是企业要深入研究和突破的关键技术。在此次调研中，多家医疗人工智能企业表示，通过多维数据的分析发现潜在规律，对未来疾病的预防和治疗可以发挥重要作用。本次调研了解到，目前大部分医疗人工智能企业推出的筛查产品具有满足临床需要的病灶检出、分类等基本功能。在此基础上，数家医疗企业借鉴了在脑功能分析中使用的多模态数据联合分析，结合PET数据和临床病历数据等，对病灶的恶性风险做出判断，从而更好地服务于临床医生，提高临床应用价值。

（七）医疗人工智能与医生的定位

现阶段医疗人工智能产品定位是辅助医生进行疾病诊断。随着技术的发展，医疗人工智能将成为医生新时代的“听诊器”，它的用途是辅助医生工作。医生的很多工作是人工智能不能替代的，因为医生是法律责任主体，人工智能技术不是。人工智能技术与其他传统的信息技术在医疗中的定位应该保持一致，即提供技术解决方案，目的是辅助医务工作者，提升工作效率、降低医疗事故发生率等。

随着产品的落地，产品的责任和影响都需要相关的伦理准则来考量。目前，已有医疗人工智能企业在对产品考核中使用临床报告采纳率的KPI指标。部分成熟产品的临床报告采纳率已经超过92%，即每100份AI诊断报告中有92份经医师审核无误，直接向患者发放报告。换言之，少数AI产品在临床使用中已取得了医生较高的认可度。

三、 总结

人工智能在医疗领域的应用刚刚起步，成长过程中遇到了来自各个层面的问题，由于产品成熟度不足而受到质疑，离真正临床应用尚有距离。目前阻碍医疗人工智能领域研发与应用的问题主要有以下几方面：

（一）医学数据问题

首先，数据来源的合法合规性目前还比较模糊。要保证数据来源符合相关法律、法规及伦理，患者对数据提供要具有知情权。中国政府也高度重视医疗人工智能的发展。2017年2月，国家卫计委已发布四份医疗领域应用人工智能的规范标准，从国家层面鼓励人工智能在辅助诊断和治疗等技术应用领域的发展，同时为人工智能医疗的规模化应用提供了基础保障。但基于患者的流动性，需要通过平台来实现这种不同系统之间的信息共享和业务协同。政策要求目前数据的管理方医院和政府要保护好隐私，在科研的前提下使用这些数据。而医疗数据属国家的财产，或由医院和患者共同所有，中国目前在企业对数据的使用规则等方面，没有详细的法律规定，医疗数据的归属权、使用权、存储权、交易权利不明确。《新一代人工智能发展规划》指出，国家将于2025年初步完成法律政策的制定，规范医疗数据的各类权利。在此之前，医疗人工智能企业可以利用这一政策真空期，使用医疗数据构建产品诊断模型。

其次，数据标注的质量缺乏保障。目前，数据标注采用客观金标准，对于无金标准的医疗数据标注标签，采用多位医生共同诊断并取一致诊断结果为标签。当前医疗人工智能企业的医疗数据标注队伍混乱，标注质量不一致。中检院在构建肺结节标准库的过程中，招募全国影像科医生志愿者进行标注，发现标注准确率仅30%。医疗人工智能企业标注影像存在标注方法、标注工具、标注平台不统一的问题。数据标注往往需要医生投入巨大的精力，应当保证数据能够共享，一方面避免重复劳动，另一方面让预测更准确。

最后，数据共享问题也制约了医疗人工智能产品的研发。目前，医疗人工智能诊断模型主要采用“有监督学习”的算法，为了让算法有更高的准确率，需要大量数据进行训练。模型的准确率和数据规模及质量始终成正比，准确率并没有出现趋于平滑的拐点，这说明深度学习对数据有源源不断的需求。2015年，大数据上升到国家战略层面，推进数据资源开放共享成为题中应有之义，但医疗数据如各自独立的孤岛，在各医院中使用，连国家部委也很难打通数据壁垒。要以业务、场景和需求动数据共享的实现通过商业利益打通数据壁垒，激发医院的活力。

（二）复合型人才问题

近几年，很多高校已经设立了人工智能专业。但医疗人工智能领域所需人才不仅要掌握人工智能相应技术，更要了解医学理论，掌握临床相关知识，理解医疗业务流程。目前我国的人工智能人才培养机制尚无法满足医疗领域专门人才培养需求。医疗人工智能从业者只能深入医院，与医生为伍，技术人才与医疗人才一同工作、一起成长是当前常用的模式。

（三）行业标准问题

行业标准包括数据的获取、标注，模型效果的评价、对比等。大多数医疗机构对于采购和使用医疗人工智能产品的态度是谨慎的，主要原因是此类产品缺乏相关标准，无法得到国家认证许可。为确保医疗质量和患者安全，医疗人工智能产品要让医生敢用，让患者放心，就必须通过国家标准认证，但目前国家层面的相关技术标准仍不健全。

（四）医疗机构的合作

医疗人工智能产品从研发到使用，都基于医疗数据的大量提供以及高质量标注，而医疗数据存储于各类医疗机构或卫生管理部门的系统当中，高质量的数据标注也离不开医疗专家的合作。即使医疗机构从提高服务效率、提升服务质量、减少误诊误治的角度出发，有意愿与企业合作开展医疗人工智能产品研发，但在缺乏医疗数据应用和共享相关法律法规的情况下，研发合作的模式也无法成熟稳定。目前最广泛的合作模式是企业与医疗机构合作进行相关医疗人工智能的科研，但科研成果转化为成熟产品也有很长的路要走，涉及知识产权、利益分配、品牌所有权等诸多因素。

习近平总书记强调，“充分发挥我国海量数据和巨大市场应用规模优势，坚持需求导向、市场倒逼的科技发展路径，积极培育人工智能创新产品和服务，推进人工智能技术产业化，形成科技创新和产业应用互相促进的良好发展局面”。随着医疗体制改革的深化、分级诊疗制度的落实，我国医疗资源分配不均，基层医疗服务能力与广大人民群众需求之间的矛盾日益突出，医疗服务效率也亟待提高。医疗人工智能的广泛应用必将在提高医疗质量和服务效率、减少误诊误治方面发挥重要的作用。虽然目前医疗人工智能产品应用还处于刚刚起步的阶段，产品多数定位于辅助诊断，同时面临数据安全性差、数据质量低、模型可解释性差、算法缺乏标准设计、数据使用与共享机制不健全等技术难点和政策盲点，但满足医疗行业的刚性需求仍是人工智能在该领域发展的主要推动力。

第四章 医疗人工智能产品行业应用分析

一、医疗人工智能产品的应用

（一）医学影像

目前，深度学习技术在图像处理领域最成熟，因此医学影像类人工智能应用最多、落地最早。

1.CT影像应用

CT影像人工智能应用领域的企业数量较多，聚焦的疾病广泛，如肺结节、肺炎、肺癌。产品形态以软件为主，算法模型处于微调优化阶段，相关产品相对成熟。目前基本成型的产品处于医院试用阶段，该领域企业基本没有实现盈利。未来产品通过药品监督管理认证后，业务模式可向产业链上游的医疗器械厂商和下游的医院、体检中心和第三方医学影像中心拓展。

现阶段基于CT影像的人工智能企业主要有推想科技、依图科技、图玛深维、健培科技、Doctor You、腾讯觅影等。

推想科技的CT辅助诊断产品针对早期肺癌提供辅助筛查。通过挖掘肺癌的核心特征点，识别CT影像存在的疑似癌症，实现肺癌的早诊早治。推想科技的智能CT辅助筛查产品可提升肺癌筛查的效率，对半实性与磨玻璃结节等早期肺癌征兆具有敏感性，能够辅助放射科医生进行诊断。

依图科技的肺癌影像智能诊断系统对胸部CT影像进行智能分析，检测病灶并对病灶性状进行多维度描述和诊断，结合临床指南自动生成结构化报告，提高医生阅片效率与质量。

图玛深维的“肺小结节检测分析系统”对胸部CT薄层扫描图像进行分析并检测肺小结节、计算各种相关参数、判断良恶性肺癌并自动生成结构化报告。

2.视网膜眼底图应用

基于视网膜眼底图的人工智能企业数量较多，主要集中在糖尿病视网膜病变、高血压、动脉硬化、视神经疾病的诊断和预测，产品形态以软件为主。目前基本成型的“AI+视网膜眼底图”产品应用已处于医院应用阶段。

糖尿病视网膜病变的诊断与筛查应用案例也在不断增多，例如，体素科技、Airdoc、肽积木、DeepCare等企业均推出了相关产品。Airdoc基于视网膜的慢性病识别算法开发了鹰瞳视网膜影像智能分析系统，可识别30多种慢性疾病，包括糖尿病、高血压、动脉硬化、视神经疾病等全身性慢性疾病并发症和高度近视、老年性黄斑变性等常见眼科疾病。肽积木自主开发的PL-NET，基于局部信息的深度识别网络，应用于眼底渗出、血管瘤等病灶的识别。

3.X射线透视应用

基于X射线的人工智能企业主要聚焦于骨折筛查、骨龄预测等，产品形态亦以软件为主，产品成熟度较高，处于医院应用阶段。该领域的企业包括依图科技、推想科技、健培科技、汇医慧影等。依图科技通过X射线影像对儿童骨龄进行基于TW3标准的智能判读，几秒内给出评分结果，并可结合生理化指标进行综合生长发育评价，给出可定制的生长发育报告，为临床诊断、教学和科研带来便利。推想科技智能X射线辅助筛查产品针对心胸部位的20多种不同病灶，如肺结节，建模判读，可筛检疾病并标识病变位置。汇医慧影的X射线影像产品应用对胸部疾病如气胸、肺结核、肿块等进行诊断。

4.病理影像分析应用

基于病理影像的人工智能产品针对的病种主要集中在宫颈癌、乳腺癌、胃癌、前列腺癌。聚焦病理影像人工智能的相关企业包括羽医甘蓝、迪英加、清影医疗等。

目前，病理影像应用已实现基于深度学习的病理图像分类、目标检测、图像分割以及不良区域检测。采用基于深度学习的数字病理图像的超分辨率放大技术，实现了病理图像扫片以20倍镜头代替40倍镜头的真实应用场景，从而减小了3/4的存储空间以及传输时间，大大提高了远程会诊的能力。采用深度学习对多张数字病理影像进行配准与连片分析，解决了临床上病理影像多重染色以及对biomarkers联合分析的难题。基于深度学习的染色归一化技术和颜色通道分离技术，消除了试剂批次、染色时间、温度以及扫描仪差异引起的病理切片染色程度不一的问题。

基于深度学习的AI辅助病理图片标注系统，大大提升了标注的效率，降低了标注的时间成本。针对病理影像小样本的特殊性，进行了迁移学习、自动增量学习以及仿真，从而保障了在小样本数据集上结果的准确性。

羽医甘蓝针对宫颈癌筛查开发辅助筛查诊断系统，可识别病变、标记病灶区域，自动对标注的区域进行长度和面积的测量生成截图，结合宫颈、阴道细胞学诊断报告综合分析，并自动生成报告。

迪英加的人工智能辅助诊断系统，针对乳腺癌、胃癌、前列腺癌等7种癌症，用普通计算机在5～10秒内分析超过1GB的全场扫描数字病理图像，进行多种癌症的良恶性判别并计算关键指标参数，生成全自动分析报告。

5.超声（US）应用

基于超声的人工智能产品主要应用于乳腺癌、甲状腺、肝脏肿块等疾病，包含静态超声疾病检测和动态超声影像疾病检测。涉足超声领域的人工智能公司既有传统的医疗器械公司，也有创新性的医疗AI公司。这些企业对于“AI+超声”的研究还处于初级阶段，目前基本成型的产品大多仍在医院试用阶段，存在缺少足够的数据进行训练等难题。但各大公司对于超声AI的热情不减，除腾讯外，推想科技、依图医疗、优图实验室、清影科技、德尚韵兴、和佳医疗、迈瑞、创影医学、超云、深圳绰曦互动等公司也有超声AI的相关产品。

依图科技的超声应用产品基于机器视觉与深度学习技术，实现对甲状腺超声影像中病灶的自动勾画，对其进行弥漫性或局限性、囊性或实性、单发或多发的鉴别，并对病灶进行智能分级，最终生成结构化报告，大幅提高医生的阅片效率与质量。浙江德尚韵兴公司的“DE-超声机器人”人工智能辅助诊断项目，用于甲状腺结节和癌症的诊断。该超声机器人已在浙江大学第一附属医院实现临床应用。优图实验室也在和医疗器械厂商的合作方面展开了探索。以乳腺癌的筛查为例，优图实验室将人工智能算法集成到深圳华声医疗技术股份有限公司生产的超声设备中，帮助医生提高乳腺癌筛查的准确率。

6.内窥镜影像应用

基于内窥镜影像的人工智能产品主要用于胃癌、结直肠癌和食道癌等疾病的检测和预测，产品技术相对成熟，临床诊断准确率较高，应用广泛。以人工智能手段辅助消化道癌症的早期发现和诊断，可以极大地提高筛查和检查的效率。例如，腾讯觅影的内窥镜图像应用产品，运用图像技术处理医学影像、提升识别率，同时通过机器学习不断提升早筛准确率。根据公开报道，其早期食管癌的识别准确率已经达到90%。

希氏异构研发的消化内镜判定仪器，可以与消化内镜结合，帮助医生进行判断，并在四川大学华西医院应用。华西-希氏内窥影像及视频智能系统对静态图片和动态视频做出提示和判定，可以帮助各级医生快速完成诊断以提高工作效率，更重要的意义在于能最大范围提升基层医生、年轻医生出具胃镜检查诊断的效率和质量并指引治疗。

7.皮肤影像应用

基于皮肤影像的人工智能产品应用领域涉及皮肤病的分类、分型、检测、预测、疗效评估，产品技术成熟，临床诊断准确率较高，应用广泛。

国内相关企业和产品如下：Airdoc利用深度学习技术训练得到视诊分类模型及病理病灶分割模型，综合判断黑色素瘤发生率。中南大学湘雅二医院与丁香园、睿琪软件联合推出皮肤科人工智能辅助诊疗综合平台——智能皮肤，中日友好医院联手优脉科技合作研发了优智AI系统，北京协和医院与南开大学共同开发了基于深度学习技术的皮肤科人工智能诊断系统等。

8.心电图（ECG）应用

心电图数据属于图形波谱数据，介于影像和文本之间，目前该类产品应用较少。

目前心电图人工智能产品的应用主要集中在对心律失常、心室心房肥大、心肌缺血损伤、心肌梗死等疾病的检测和预测，因疾病诊断复杂并未取得较大进展，临床诊断准确率不高，但在健康监控异常检测方面应用较多，常见于远程医疗、健康检测等场景。

乐普医疗的心电图应用产品采用自动分析核心算法，进行数据的预处理、心搏特征检测、干扰信号检测和心搏分类、信号质量评估、心电图事件和参数的分析计算，最终自动输出报告，突现了自动化端到端的AI分析。基于AI-ECG核心算法的人工智能软件分析平台，可快速完成心电图的分析、测量、诊断和报告等全部流程，解决了传统心电图算法的局限问题，提高心电图自动分析的速度和准确率，成为心电学医生诊断的有力辅助工具。

9.脑电图（EEG）应用

脑电图是癫痫诊断的金标准，癫痫的发病率高达千分之八，其市场规模超过264亿元，结合妞诺科技的AI算法与云平台，相关疾病的诊断已取得了非常高的精准度，算法灵敏度在80%以上，特异性超90%。

（二）辅助诊疗

作为人工智能在医学领域的主要应用，随着人工智能的不断发展，辅助诊疗系统的定义也在不断更新。通过对患者信息的推理，系统可以生成针对患者个人的精细化治疗建议，由医生从中选取有用信息并删除错误建议。利用该系统不仅可以提高医生诊断疾病的准确率，还可以提高医疗单位工作效率。

基于医院信息系统积累的电子病历数据，构建电子病历知识表示模型，以数据分析和机器学习为基础，训练并得出科室常见疾病的临床路径和诊疗模型；利用自然语言处理（NLP）将自由文本的电子病历抽取整理为病人知识库，结合以疾病为核心的知识图谱，直观探索疾病、症状、治疗等诊疗要素之间的关联，形成完整的医疗知识体系。模拟真实医生问诊的过程，通过对话的方式和简单的点选交互，获取必要的病情信息，最终辅助诊疗系统将给出病情预测以及合理的用药方案。借助系统，实时分析、反馈、优化问诊策略，提供最佳诊断建议，并自动生成参考治疗方案，实现从问诊到治疗的导航化。

例如，科凌力公司建立了嵌入式全科医学数据库，包含18个医学字典，基于字典，建构形成293万个知识结点的结点池，涵盖西医、中医、中西医结合领域。以该数据库为基础推出了全病域（医院/基层）电子病历AI辅助分析系统，基于包含8000个单病种（全病域）的语义网络，监控电子病历的变化，对危急病、疑难病进行分析，追踪所判定疾病的构成要素，防范误诊漏诊，迅速了解不同病种的交叉关联，给临床医生全方位的诊断辅助。

（三）虚拟助理

虚拟助理是指通过语音识别、自然语言处理等技术，将患者的病症描述与标准的医学指南做对比，为用户提供医疗咨询、自诊、导诊等服务的信息系统。其中，智能问诊是虚拟助理广泛应用的场景之一。智能问诊是指机器通过语义识别与用户进行沟通，听懂用户对症状的描述，再根据医疗信息数据库进行对比和深度学习，给患者提出诊疗建议，包括用户可能存在的健康隐患和应当在医院进行复诊的门诊科目等。语音电子病历是虚拟助理另一个应用场景，指通过语音语义识别将声音语言转换为文字录入电子病历系统。当放射科医生、外科医生、口腔科医生工作中双手无空闲书写病历时，智能语音录入可以解放医生的双手，帮助医生通过语音输入完成查阅资料、文献精准推送等工作，并将医生口述的医嘱以患者基本信息、检查史、病史、检查指标、检查结果等形式形成结构化的电子病历，大幅提升了医生的工作效率。

国内提供虚拟助理应用的公司主要有：科大讯飞、云知声、中科汇能、康夫子、云听、壹健康、达闼科技、万物语联和半个医生。

语音识别技术相对成熟，例如，科大讯飞的产品“云医声”，以语音识别为基础，能将医生说出的医嘱直接记录整理成电子病历，大大减少了医生的工作量；为了应对医院科室内嘈杂的环境，达到更好的语音处理效果，开发了医生专用麦克风，可以过滤噪声及干扰信息。云知声将语音识别、语义理解技术融入产品，提供医疗垂直领域录入软硬件一体化解决方案，基于医疗人工智能技术和大数据分析进行持续探索，实现智能语音交互的知识问答和病历查询，进行健康风险预测和患者分群分析。此外，云知声和全国近百家医院合作建设“医疗智能语音录入系统”，大幅度提升了医生的办公效率；针对医院推出的智能导诊机器人，方便了患者在医院大厅进行信息查询，缩短了患者就诊时间。

（四）医药类应用

在医药领域，人工智能主要可以应用到以下领域：化合物的构效关系分析、小分子药物晶型结构预测、志愿者招募信息化等。

从人工智能应用于化合物的构效关系分析角度来讲，目前已经有很多软件可以将化合物的构效关系分析过程在计算机上进行模拟，并对化合物可能的活性做出预测，进而对最有可能成为药物的化合物进行有针对性的筛选，从而极大地削减药物挖掘的时间。

对于人工智能应用于小分子药物晶型结构预测来说，通过人工智能和云计算技术，企业可以高效地动态配置药物晶型，完整预测小分子药物所有可能的晶型。相比传统药物晶型研发，制药企业无须担心由于实验搜索空间有限而漏掉重要晶型，可以更加自如地应对来自仿制药企的晶型专利挑战。此外，晶型预测技术也大大缩短了晶型开发的周期，有利于更有效地挑选合适的药物晶型，缩短研发周期，减少成本。

在志愿者招募信息化方面，通过网络可以让临床试验招募信息快速传递给大量患者，并利用人工智能从中筛选符合临床要求的患者，极大节约患者招募的时间成本、资金成本。另外，通过智能可穿戴设备进行数据搜集，减轻了临床试验的侵入性，让受试者体验更加舒适。

综上所述，人工智能在医药领域的应用可以提升药企在研发新药方面的效率。以晶泰科技这一知名药物晶型设计服务公司为例，其采用智能算法从而实现药物晶型预测，帮助药企提高研发效率，降低药物的质量风险和专利风险，对药企的专利申报与保护起到关键作用。

（五）健康管理

健康管理以预防和控制疾病发生与发展、降低医疗费用、提高生命质量为目的，针对个体及群体进行健康教育，提高自我管理意识和水平，并对与生活方式相关的健康危险因素，通过健康信息采集、健康检测、健康评估、个性化监看管理方案、健康干预等手段持续加以改善。从人工智能的角度看，在疾病管理方面，将病历记录、心电监护、呼吸机参数、动脉波形、血气分析、生化、影像结果（X、CT、MRI）、用药等多模态数据结合起来，更接近医生临床诊断过程；可利用各种自然语言处理和对话技术自动对患者进行随访，采集关键的病情变化数据，甚至可以根据患者的病情自动给出预警或建议；主动回答患者的问题，尤其是跟患者教育相关的问题（病因/饮食禁忌/药物禁忌等），从而随时为患者提供及时的管理服务。人工智能的医疗应用不仅限于临床，还可以应用于健康管理领域，通过对日常健康行为的监测管理，提前进行疾病预测，防患于未然，这对于许多独居老人以及慢性疾病患者来说尤为必要。另外，若真的发生紧急病情，可穿戴设备还可直接报警求救并联系患者亲属；在治疗时，设备也可将储存的日常健康数据交给医生，为进一步诊疗提供有效信息。研究慢病管理应用的企业主要关注随访、远程医疗等场景，聚焦糖尿病、高血压等疾病的病情和治疗监控。慢病管理使用电子通信软件和人工智能技术，将产品作为医患沟通的桥梁，通过患者日常生活习惯，智能给出用药指南，提醒患者服药，监控智能检测设备数据，对数据进行评估，及早发现数据中的异常模式并发出预警。上述产品技术成熟度较高。觅我（Meum）、医号线、医渡云、Airdoc、RadCloud是当前发展较为成熟的多源异构医疗数据人工智能应用平台。

觅我健康管理平台能够帮助用户构建专属的数字生命账户，通过对健康状态的全面检测和持续监测，预知身体的变化趋势，其核心功能包括以下几方面。①健康追踪。觅我内置智能健康管家，全方位监测、记录和管理用户健康数据。日常生活中，只需通过语音或照片记录饮食生活习惯，该平台就能够自动分析记录各项营养素摄入，衡量是否达标，并在身体数据异常时进行相关提醒及改善建议，全方位进行健康管理。②健康监测。了解用户的免疫感染史及实时生理状况是解读健康状况的核心。目前，该平台借Immuno Signature检测芯片，可以高性价比的方式获取个体免疫特征、表面抗原决定簇、转录后修饰以及核酸等方面的信息，从而更好地洞察某些特定的疾病状况。③健康指导。该平台能够提供基因检测，运动数据追踪预测、定制化运动方案等多种服务。可以为想要改善肌肤的用户提供皮肤检测，帮助用户分析皮肤成分，并基于检测结果为用户推荐个性化精准皮肤管理产品另外，还可以提供个性化的饮食指导，提供饮食评估、饮食记录以及个性化营养套餐等指导服务。

医号线健康管理平台的核心功能主要包括：人工智能健康教育。通过机器人与的人交流实现个性化智能健康教育、智能健康宣教、智能个人健康管理、人工智能随访及预约。基于预先设定好的时间，实现智能复诊预约和智能电话随访，进行人工智能依从性管理。通过预先设定好相关功能，实现智能电话服药提醒和智能电话生活方式干预。

医渡云基于自主研发的“医疗数据智能分析平台”，对大规模多源异构医疗数据进行集合和融合，形成患者全生命周期医学数据，可追溯、可监管，并通过数据的深度处理和分析，建立真实世界疾病领域模型，助力医学研究、医疗管理、政府公共决策、新药开发，帮助患者实现智能化疾病管理，引领大健康及人工智能产业创新，实现数据智能绿色医疗的新生态。

Airdoc多模态数据分析平台，通过对文本、影像等多模态海量数据的综合挖掘，发掘病人检查信息、既往病历和社会（自然）环境之间的联系，发现群体中的疾病模型及隐藏信息模型，建立预测分析模型，进一步探索疾病分布演化规律，确定危险因素，并对疾病流行趋势进行预测，为决策者提供可续而有依据的疾病监测，支持卫生政策制定。

Radcloud大数据智能分析云平台，拥有科研课题管理、影像和临床数据管理、多中心合作管理以及放射组学统计分析四大核心功能，轻松将原有影像与临床数据转换成具有高价值的科研数据，对医疗数据赋能，提高临床试验效率。它提供了上千个影像图像特征值选项供分析，同时集成了多种机器学习核心算法，一键轻松获取放射组学分析报告。

（六）智慧医院

智慧医院基于医院信息系统、临床数据中心和集成平台，结合人工智能、云计算、医疗大数据、物联网、移动互联网等技术，优化患者就医流程、节省患者时间、节约医疗资源，持续改善患者就医感受。智慧医院是综合运用机器学习、人工智能AI和自然语言处理技术的一套智能临床应用系统，可以无缝衔接医院业务流程，结合临床业务场景，智能辅助临床决策，智能监控分析医疗信息指标并给出提醒，能够有效提高临床的医疗质量，降低医疗风险。还能同时满足电子病历应用水平等级评审中关于高级决策支持部分的评审项要求，助力医疗机构评审。患者就医流程大致分为挂号、候诊、就诊、押金缴费、检查检验、取药六大环节，其中四个流程可以通过人工智能相关技术解决：挂号流程可通过全预约挂号和号源全开放的方式解决；候诊流程可通过精准预约和智能导航的方式解决；押金缴费流程可通过移动支付或信用支付的方式解决；取药流程可通过智慧配送上门的方式解决。

微医推出了基于共享平台的处方共享平台和AI共享平台。以医疗场景为中心不断向外延伸。第一，基础业务主要是挂号，微医可以提供在线挂号、智能导诊等院内全流程服务。第二，线上辅助医疗服务，包括在线问诊、远程会诊、诊后随访、电子处方等。第三，从“诊断”到“治疗”形成完整的流程闭环。处方共享平台以微医作为技术支撑和服务支撑，真正缩短供应链，通过医药分开实现药品的阳光化。AI共享平台把38种常见病的诊断放置到机器里，让基层的医生在机器的帮助下成为专业的全科医生，拥有“院士级”的诊疗能力。

二、总结

目前，大部分医疗人工智能产品处于起步期，功能还较为单一，缺乏完整系统的解决方案，无法满足医学全流程、多病种的复杂需求。

随着医疗人工智能产品在医疗领域被越来越多地使用，未来将有更多产品系列延伸到更多科室，并更深入地整合进医疗流程。随着医院信息化、医疗数据标准化水平的提升，将有大量多模态的数据可提供给模型训练，采用多模态模型诊断疾病，进一步提升医疗人工智能产品模型准确率。产品也将打破单病种，围绕各部位和各种疾病提供全方位诊断，进一步发展到以病人为中心提供医疗人工智能解决方案。

第五章 Airdoc让人工智能赋能医疗

摘要：

中国医疗资源的不平衡使得患者需求无法被满足。人工智能赋能医疗是未来的发展趋势。Airdoc公司是医疗领域人工智能领军企业，通过与国内顶尖医院合作，将人工智能运用于医学影像之中，通过对数百万张眼底影像的训练，Airdoc可以通过读取视网膜影像对眼部血管、视盘、黄斑和神经等各区域进行分析，对高血压、糖尿病、动脉硬化等全身性慢性病，及高度近视、老年性黄斑变性、静脉阻塞、白内障等常见眼病进行筛查，帮助医生提高工作效率、诊断能力和服务质量。同时，Airdoc牵头建立了人工智能深度学习慢病筛查平台，阅片平台依托科技部相关部门和各科研机构的众多眼科专家，为患者提供服务。

一、前言

麦肯锡预计，至2025年，人工智能应用市场总值将达1270亿美元。而根据HC3i中国数字医疗网发布的《2016～2017年度人工智能+医疗市场分析及趋势报告》，这1270亿美元中，医疗行业将占市场规模的1/5。中国正处在医疗人工智能的风口，2016年中国“人工智能+医疗”市场规模达到96.61亿元，增长37.9%；2017年将超130亿元，增长40.7%；2018年有望达到200亿元。而医疗人工智能只是整个医疗市场的冰山一角。

2017年7月8日，国务院印发并实施《新一代人工智能发展规划》，抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国，推广应用人工智能医疗新模式、新手段，建立快速精准的智能医疗体系成为国家战略。

医疗人工智能将是未来发展趋势。

二、背景

伴随科技的发展，医疗同样发生了巨大的变革，医疗水平在不断提高，但依旧未能满足患者需求。

2012年之后，人工智能发展迅速，很大原因是图像识别有了巨大的进展。如今，在医疗人工智能领域，绝大部分企业和研究机构也都聚焦于图像领域。

在这些领域，AI能发现的疾病，医生也可以发现，并且在目前阶段专家分析结果优于AI，同时医疗服务的目标人群也有限。

就眼科而言，目前中国还有20%的县级医院没有没眼科，全国眼科医生数量仅有3.6万人，中国的糖尿病患者多达1.14亿人，高血压患者更多达2.7亿人[1]。

在临床上，糖尿病、高血压等疾病都需要对视网膜进行检测，但是悬殊的医患比例导致广大慢性病患者的需求一直无法满足。

2015年Airdoc成立，专注于人工智能医学影像识别领域的应用，Airdoc的人工智能慢病识别系统可以自动读取眼底照相机拍摄的视网膜影像，利用慢性病识别算法就可以完成快速分析筛查。其创立的目的是让每一个人都能享受人工智能服务，因此如何走出医院、走到病人面前是Airdoc关心的问题。

Airdoc希望通过人工智能更好地连接医疗和患者，人工智能可以让医疗像空气一样，每个人都可以平等地享受。

Airdoc的目标，用算法把病人和好医生连接起来；用算法去模拟一些医生判断的路径，从病历中看出优秀医生的思考路径；用算法降低疾病诊断的门槛，让医生做出更准确的判断。这三点是人工智能助力医疗的关键，也是Airdoc的发力方向。

三、算法、计算能力和数据结合激活影像数据

视网膜是与人体大脑连接的组织，同时也是人体中唯一可以观看到裸露血管和神经的组织，通过视网膜上血管和神经等部位的病变可以判断超过200种慢性疾病。

糖尿病视网膜病变（DR）是糖尿病微血管病变最重要的表现，是一种具有特异性改变的眼底病变，也是糖尿病的严重并发症之一，很容易导致失明。《糖尿病视网膜病变临床诊疗指南》规定，糖尿病患者要定期进行视网膜检测，但现实情况是内分泌科室的医生不具备影像识别能力，而且中国眼科医生的数量不足。

如果将眼科人工智能赋能给基层医生或内分泌科医生，就可以使原本不具备视网膜影像识别能力的医生快速掌握方法。

（一）数据获得

当前，人工智能算法已经相对成熟，计算能力也在不断提升，而数据成为最重要因素。在医学影像细分市场上，大量高质量数据集中在二甲等级以上医院，或具有一定资本、规模的大型医院。医疗数据是非常敏感的数据，禁止买卖。在此情况下，Airdoc选择和国内医院合作，以此来获得数据。

Airdoc先后从国内外顶级医院收集了数百万张医学影像，基于这些影像构建多层卷积神经网络，最终研发Airdoc人工智能慢病识别系统，通过Airdoc视网膜识别算法可以识别30多种慢性疾病，包括白内障、青光眼、老年性黄斑变性等常见眼科疾病，以及糖尿病、高血压、动脉硬化等全身性慢性疾病。

（二）大量算法验证

眼科专业设备繁多且操作相对比较复杂，需要专门的人员通过培训才能操作和使用。基层医生受限于自身水平和设备条件，成像质量堪忧。拍出来的眼底影像会有过曝或光线不足的情况，一些镜头甚至还有指纹，所以影像上也经常出现伪影。这些在应用过程中的实际问题，同样是Airdoc需要解决的问题。

Airdoc通过训练环节，以及眼科专家确认两道关卡来避免漏诊。训练环节即与顶级医院专家合作，通过大量实验来验证算法。

（三）数据“原料”严谨

对于一无所知的人工智能来说，告诉它什么是1，它才知道什么是1，如果告诉它的1可以是0也可以是2，那么数据“原料”是不严谨的，也就没有研究意义。因此，保证1是1至关重要。

一般而言，一家医院医疗体系中的数据都有某种偏见，因为对于这些数据每家医院都有不同的角度，只有和这个领域里的顶级医院合作，让专家独立标注数据，结合完整病历标注一致的部分，才有训练价值。

为了保障高质量的学术水平和研发成果，Airdoc的研发合作机构涵盖国内外最顶尖的医疗机构。每一例样本的数据标注都要经过多位顶级医院的专家独立标注、交叉质控，从而保证了数据“原料”的严谨。

在过去三年时间内，Airdoc算法已经在北京、上海、海南、江苏、河北及安徽等多省份展开大人群慢病筛查，每天都为大量的人员提供快速识别建议。

“人工智能算法+眼底拍照技术”实现了慢病的长期有效管理，Airdoc的人工智能算法识别医学影像让慢病筛查变得简单、可行和低廉，“眼底拍照+人工智能识别”可以在几秒内准确识别和确认多种严重慢病，让这些慢病的早发现、早诊断和早治疗完全变成现实。

四、多条应用路径让医生发挥最大功用

我国是世界上失明和视觉损伤患者数量最多的国家，数据显示，我国约有5.5亿名近视患者、1000万名青光眼患者、600万名白内障患者及1160万名眼底新生血管疾病患者。屈光不正、青光眼和白内障等致盲性疾病逐步呈现年轻化趋势，同时，糖尿病患者高达1.14亿人，高血压患者更多达2.7亿人。[1]

目前，全国医疗卫生机构接近100万家，其中基层医疗卫生机构在我国医疗服务体系中的数量占比高达93.6%，承担着慢性病的管理重任。为帮助众多基层医疗机构解决慢性病，科技部相关部门以及人工智能领军企业Airdoc共同创建了眼康AI云诊平台。该平台支持全终端数据采集、远程转诊会诊模块、数据实时共享、个人健康档案服务等技术方案。

眼康AI云诊平台建立阅片基地，并聘任众多专家作为顾问。现已建立了北京、天津、浙江、新疆、山西等六个智能阅片中心。

为了让人工智能可以服务每个人，Airdoc探索了多条应用路径。

（一）与医疗机构合作

大型医院科室齐全，医生经验丰富，可以诊断各种各样的疾病，提高医生工作效率是大型医院的诉求。人工智能可以帮助医生对患者完成初步筛查，从而节约医生时间。

基层医院设备不齐全，医生经验相对不足，现在国家推广分级诊疗和家庭医生签约服务，患者重新回到基层，这给基层医生工作带来了巨大的压力，提升诊疗质量是基层医院的诉求。将人工智能从专家身上学习的经验赋能给基层医疗，可以服务更多的患者。

和传统医院及基层卫生机构的固有诊疗模式不同，Airdoc慢性病识别算法应用于基层医疗机构后，基层医生只需操作眼底照相机，人工智能算法可以快速识别影像存储位置，直接读取影像，经过无线网络传输到Airdoc云端服务器，Airdoc慢病筛查算法识别并将分析结果回传至医生电脑，整个过程在几秒钟内完成。也可以安排医学专家对算法有问题的影像进行复核和会诊，大大提升了基层医疗服务的质量、服务范围和服务能力。

Airdoc已经在北京、上海、海南、安徽等多地展开大面积筛查，在当地基层医疗机构每天为数以千计的慢病患者提供快速检测服务。

以上海为例，Airdoc和上海市北医院展开合作，启动了上海首个人工智能筛查项目，通过人工智能强化基层服务能力，实现慢性病筛查的关口前移、重心下沉，为居民带来全新的就医体验，为利用人工智能技术进行慢性疾病普查打下坚实的基础。此后，静安北部医共体的多家单位也将加入合作，实现人工智能技术在上海市眼科临床领域的首次落地应用。

治疗不如预防，目前医疗AI主要应用在门诊和住院等环节，但是医疗服务是一个长链条，人工智能完全可以在其他环节发挥更大作用，包括疾病预防和术后跟踪随访等。基于这一思路，Airdoc积极和政府部门展开合作，以广州应用为例，Airdoc与广州越秀区疾病预防控制中心（CDC）、中山大学中山眼科中心展开合作，走进社区对越秀区的居民进行慢性病筛查，结合前沿人工智能诊断及风险评估系统，为居民提供进一步诊疗建议。

（二）院外市场应用

2018年5月，Airdoc与星邦健康在上海签署战略合作协议。双方约定共同携手推进新零售智慧眼中心建设——在2018年建成100家，3年内逐步建成1000家，以人工智能赋能医药零售市场，帮助患者在身边的药店获得慢性病的快速筛查。

星邦健康在合作药店引入Airdoc设备，使消费者在药店里就能体验便捷的筛查，而不需要去医院。筛查后，患者需要就诊的前往专业医院，常规的在药店里进行消费者转化，而需要治疗的患者在医院治疗以后，后续的用药和治疗也可以在药店进行，由此形成闭环。

Airdoc基于20万名中青年人视网膜健康数据进行调研，结果显示，60%以上的人患有各种各样的慢性疾病，因此Airdoc开展职场筛查业务，进入各个企业，为企业员工做筛查。

与此同时，Airdoc在体检机构和眼镜店纷纷展开应用，在院外为用户提供服务。

（三）线上应用产品

为了帮助更多人享受优质的医疗服务，Airdoc联合搜狗搜索推出免费产品——皮肤识别算法（黑色素瘤智能识别）和性病艾滋病智能自测系统。

黑色素瘤智能识别服务，进入Airdoc页面上传照片之后，Airdoc即可帮助患者分析诊断黑色素瘤；性病艾滋病智能自测系统，根据自己的身体反应和行为来智能判断性病艾滋病风险。

五、结语

作为医疗领域人工智能领军企业，Airdoc公司是中国人工智能学会智慧医疗专委会秘书长牵头单位、中国健康促进与教育协会移动健康分会常委单位、科技部智能医学影像中心发起单位，是多个高分人工智能辅助医学论文背后的算法支持方，也是人工智能辅助医疗领域标准规范的起草方，长期专注于人工智能医学影像识别领域的应用。

目前，Airdoc已经与超过100家中国最顶尖的医院展开了深度合作，并且已经发展了职场、药店、眼镜店、体检机构等众多院外应用模式，是中国商业化最早的医疗人工智能企业。

通过对数百万张眼底影像的训练，Airdoc可以通过读取视网膜影像，对眼部血管、视盘、黄斑和神经等各区域进行分析，对高血压、糖尿病、动脉硬化等全身性慢性病，及高度近视、老年性黄斑变性、静脉阻塞、白内障等常见眼病进行筛查。

同时，Airdoc牵头建立了人工智能深度学习慢病筛查平台，阅片平台依托科技部相关部门、各科研机构和众多眼科专家为患者提供服务。

Airdoc希望以人工智能赋能医疗，为更多患者提供更好的服务。