日前，《自然医学》杂志上的一篇文章称，谷歌人工智能部门的Daniel Tse与斯坦福大学、纽约大学等联合开发了一个深度学习模型，可根据扫描图像来预测肺癌风险，比医生早一年查出肺癌，使患者存活概率提升40%。研究人员表示，该AI系统不仅能预测整体肿瘤，也可识别细微的恶性组织；通过对比前后两次扫描图像的数据，AI系统还可评估肺结节的生长速度。

实际上，人工智能在经历60多年风雨后，从最初的用药警示发展到临床诊疗、药物挖掘、医学影像、健康管理、语音识别等众多领域。可以说，人工智能系统正在变革传统的诊疗模式，为人们解决医疗问题提供了突破口。

亟需本土化方案

据市场调研机构IDC发布的最新《中国人工智能软件及应用(2018下半年)跟踪》报告显示，2018年中国人工智能市场规模达17.6亿美元，其中政府(27.5%)、互联网(18.3%)、金融(14.4%)、电信(9.5%)、制造(9.5%)、医疗(9.3%)是人工智能应用规模较大的几个行业。此外，《中国新一代人工智能发展报告2019》亦指出，过去一年来中国人工智能产业化落地加快推进，正在为中国新旧动能转换和国民经济高质量发展提供有力支撑;社会服务领域应用场景丰富，为中国人工智能技术加快落地、加速迭代提供了条件。

近年来，国外各大科技公司或科研机构纷纷布局医疗行业。北卡罗来纳大学在2015年研究表明，深度学习分割脑MR图像优于传统方法[1]；2016 年，Google 研究显示，AI 诊断糖尿病视网膜病变精度已可应用于临床[2]；2017 年，斯坦福大学研究表明，AI 皮肤癌诊断精度可达专家级水平[3]。而国内企业也紧随其后，在2017年，阿里巴巴推出ET医疗大脑，主要是辅助医生判断甲状腺结节点，通过计算机视觉技术，在甲状腺B超影像上圈出结节点，并给出良性或者恶性的判断。同年，腾讯则是推出了腾讯觅影，开始将目光集中在癌症的早期筛查上。据悉，腾讯觅影已经能够支持肺癌、宫颈癌、糖尿病视网膜病变等筛查。

事实上，由于肿瘤诊疗的复杂性，必须通过多学科的讨论和介入。在治疗过程中，要对肿瘤患者进行心理学的干预，以及随访和护理等。此外，随着人工智能、大数据等新技术的应用，单一学科更加无法单独胜任肿瘤的诊断、治疗、随访和护理的全部过程。俨然，为了更好解决癌症在治疗上的困难，选择人工智能加入已是大势所趋。尤其是，目前的抗癌药不断推陈出新的同时，出现了一种适应症指南推荐多个标准治疗方案的情况。

值得注意的是，虽然目前人工智能产业在医疗领域呈现爆发式增长状态，但中国的人工智能产业仍然处于初步发展的状态，在医学领域的原创性关键技术较少。这也意味着，中国的人工智能产业会在未来较长一段时间里依托国外先进技术进行系统开发。

但研究者也指出，国外的人工智能系统仍需中国本土化方案。“由于种群基因、自然环境、生活习惯等差异，我国与西方国家在肿瘤疾病谱分布、病理分型及分子生物学分型上存在差异。这些差异使得我国对肿瘤患者治疗方式的选择也与西方国家有所不同。同时由于医疗环境及诊疗水平的不同，这一差异被进一步放大。因此，中国无法直接引进西方的人工智能系统。”零氪科技首席科学家刘晓华博士在接受免疫时间的采访中解释道。

刘晓华补充指出，需要根据不同区域的疾病特点、综合考虑不同等级的医疗机构（三甲二甲基层）真实诊疗水平，结合中国本土的真实案例和专家经验等，打造适用于中国的肿瘤诊疗的人工智能系统。“这样，才可以更好地服务中国本土患者，提高诊疗效率。”

数据孤岛与标准化待解决

此前，不少业内人士提到，人工智能系统需要医疗专家对数据、图像等进行注释，从而教给算法如何识别异常。这里所需要确保的两个前提是，临床资源是可及的，以及获得标准化数据。为此，刘晓华表示，“一是可以通过临床试验，患者会愿意在一些临床试验中接受签署协约或者知情书，让自己的实验数据用于临床实验。最终，临床试验获得的数据经过加密、脱敏等一系列的处理后，可以用来训练一个还不错的人工智能模型；二是通过临床应用，政府在政策上对人工智能的大力支持，使得一些人工智能产品能比较顺利地进入医院，在临床中能源源不断地得到临床医师的反馈。这些反馈会帮助人工智能产品不断提升，更贴合临床需求。”

但在现实层面上更难实现的是如何获得标准化数据。国家食品安全评估中心主任卢江曾表示，“即使让数据互联互通，也存在标准不统一的情况，由于病种分类编码都没有标准化，不同医院间数据差别也很大。各个医院设备不一样，数据维度也不一样。”换而言之，在使用人工智能系统之前，需要花费大量的时间和算法，将数据进行标准化、结构化。

目前，有些公司会选择公开数据集作为主要的数据来源，但公开数据与真实世界的临床数据之间仍存有取样上的偏差。而且，这些公开数据集还有可能会出现数据老旧或图像有残缺的情况。

此外，虽然人工智能在肿瘤诊疗上拥有强大的技术优势，但是如何在实际中落地，仍有许多现实问题需要去解决。如何让临床医师有持续使用的意愿、如何实现人工智能模型的快速更新迭代、以及如何更好地纳入现有医疗体系的安全监管等，都需要中国的人工智能企业一一面对与解决。

参考文献

[1].Zhang W, Li R, Deng H et al. Deep convolutional neural networks for multi-modality isointense infant brain image segmentation.[J] Neuroimage,2015,108(5):214-224.

[2].Gulshan V,Peng L,Coram M, et al.Development and validation of a deep learning  algorithm of detection of diabetic retinopathy in retinal fundus  photographs.[J].JAMA,2016,316(22):2402-2410.

[3].Esteva A ,Kuprel B,Novoa RA, et al.Dermatologist-level classification of skin cancer with deep neural networks[J].Nature,2017,542(7639):115-118.

编辑：罗晶

此内容为《医药经济报》融媒体平台原创。未经《医药经济报》授权，不得以任何方式加以使用， 包括转载、摘编、复制或建立镜像。如需获得授权请事前主动联系：020-37886610或020-37886753；yyjjb@21cn.com。