由上海報業(yè)集團 | 界面新聞主辦的2023【大健康常春論壇】于11月16日在北京柏悅酒店圓滿落幕。此次論壇共有4場主旨演講及2場圓桌對話，邀請到諸多生物醫(yī)藥領域的專家學者及領軍企業(yè)的代表出席，圍繞AI浪潮下醫(yī)療行業(yè)的生產力重塑、消費級醫(yī)療對商業(yè)機會的識別與把握等主題展開深度討論。宏觀經濟正緩慢復蘇，當此關鍵時刻，我們更需要靜下心來認真聽一聽他人的洞見。論壇現場，強聯(lián)智創(chuàng)創(chuàng)始人、董事長秦嵐女士，北京聯(lián)影智能影像技術研究院智能影像診斷研究所所長錢真先生，復旦大學管理學院信息管理與商業(yè)智能系助理教授李文文女士，邁瑞醫(yī)療體外診斷臨床部總監(jiān)祁歡先生參與了題為《AI浪潮下醫(yī)療行業(yè)的生產力重塑》的圓桌討論，圓桌主持由界面新聞健康頻道記者陳楊女士擔任。
以下是演講文字實錄：
陳楊：大家好，首先非常感謝在場的各位以及線上正在參與我們《大健康常春論壇》的聽眾和觀眾朋友們，我是界面健康組記者陳楊。今天我們圓桌對話的主題是“AI浪潮下醫(yī)療行業(yè)的生產力重塑”，AI在我們生活中滲透到各行各業(yè)，更是很早就進入醫(yī)療領域，比如IBM的沃森機器人。2015年、2016年我們也經常在媒體上看到真人醫(yī)生或者醫(yī)學生跟智能設備進行battle。包括到現在，我們在一些醫(yī)療機構和場所當中，其實已經能夠切實地去用到很多在診斷、篩查方面的AI工具。相信大家也越來越感受到AI在我們生活當中地位的提高，所以這次我們特別準備了這樣一個主題的對話，也非常感謝四位嘉賓，分別從產業(yè)和學界的角度給我們一些思考和啟發(fā)。今天榮幸邀請到四位嘉賓，我們先從秦總開始做一個自我介紹。
秦嵐：感謝主持人，各位嘉賓、各位朋友大家下午好，我是強聯(lián)智創(chuàng)的創(chuàng)始人秦嵐。本人有三個標簽，第一我其實是一名醫(yī)學生，臨床醫(yī)學七年制畢業(yè)；第二我在腦血管病領域，從上學到工作已經耕耘了20多年，工作經驗其實很簡單；碩士畢業(yè)之后很遺憾，確實沒有當一名醫(yī)生，直接加入了產業(yè)，在強生待了十年時間，剛好入職強生的時候，是強生在中國上市第一款神經介入治療的產品。所以可以說我整個的從業(yè)生涯是伴著中國腦血管病手術、神經介入手術從0開始，一直成長到現在。前面十年的時間，其實是在強生，后面十年的時間是自己出來創(chuàng)業(yè)，創(chuàng)業(yè)的方向依舊是服務腦血管病治療的醫(yī)生和患者，嘗試用AI的方式打造AI輔助治療以及AI輔助決策，這樣我們可以深入疾病的核心環(huán)節(jié)，能夠換一個路徑，依舊來服務醫(yī)療行業(yè)，來服務患者。
陳楊：感謝秦總，接下來有請錢總。
錢真：主持人好，各位嘉賓好，大家好，我是來自北京聯(lián)影智能影像研究院的錢真，目前擔任智能影像診斷研究所的所長。我大概介紹一下我的背景，我是做算法出身的，在2008年與美國一所學校博士畢業(yè)，之后在一家美國醫(yī)院待了有十年的時間。我感覺我的經歷或許與大家有些不一樣，我當時在醫(yī)院里面做研究、臨床、教學等工作，十年之后轉入了工業(yè)界，先是去了美國硅谷一家公司，最近又回國來北京加入了聯(lián)影。我認為我的從業(yè)經歷和聯(lián)影目前的整個方向還是挺吻合的，因為聯(lián)影現在非常專注于解決臨床痛點問題；也非常專注于“產學研醫(yī)”多方合作。因此從去年回國以后，我感覺整體的發(fā)展方向、發(fā)展前景相當不錯。
陳楊：感謝錢總，下面有請李老師。
李文文：各位嘉賓、各位觀眾下午好，我是來自復旦大學管理學院的老師，我叫李文文。和在場的各位專家相比，其實我對于醫(yī)療行業(yè)算是一個外行，而且資力也比較淺，但是我對醫(yī)療健康非常感興趣，尤其是智慧醫(yī)療。我現在研究如何讓AI技術應用于醫(yī)療健康具體的實踐和應用當中去，現在也和上海市眼病防治中心合作，我們一起在探索AI技術如何應用于視覺健康的一些日常管理當中。所以今天也很開心能有機會參加活動，也希望跟各位專家多多學習。
陳楊：感謝李老師，最后有請祁總。
祁歡：主持人，各位嘉賓，大家下午好，我來自深圳邁瑞。我也是理工科，以前是做算法出身的，18年前來到邁瑞，一直做了18年的開發(fā)和產品管理、市場的工作。我進入邁瑞的時候，邁瑞的體外診斷在國內以及全球的體外診斷領域內，應該占一個非常非常小的市場份額，到今天為止，邁瑞在一些血液細胞分析、深化、免疫方向，在國內已經取得了領先的位置，這18年來，我們見證了這個團隊的成長過程。當前我在邁瑞主要是做新技術的臨床研究、合作以及注冊臨床的工作，包括邁瑞醫(yī)療市場的研究，以及新業(yè)務探索方向的管理工作，希望今天下午能做一些非常深度的交流。
陳楊：感謝祁總，從大家的介紹可以看出我們這次四位嘉賓非常綜合，既有理工科背景，或者算法背景，也有醫(yī)學生，有臨床經驗。我們剛剛劇透了一下，秦總這邊有在腦科領域一些AI的探索，李老師是在眼科方面，邁瑞在IVD，以及聯(lián)影是比較綜合的在AI方面的實踐。先想請各位為大家介紹AI具體用在整個醫(yī)療實踐當中哪個細分領域，或者是哪個細分環(huán)節(jié)？就像剛剛王剛教授有講到的，其實無論是國內也好，國外也好，大家對于醫(yī)療行業(yè)未滿足的臨床需求是非常看重的，這也是創(chuàng)新真正的意義所在。所以這個命題作文，也希望大家可以去講講您所從事的細分領域也好，或者是一個AI所作用的環(huán)節(jié)也好，AI發(fā)揮了什么不可替代的作用，或者是現在人工操作不太能做得到的地方。這一輪我們先從祁總開始。
祁歡：邁瑞所覆蓋的領域比較多，一個是在生命信息方向，我們在做一些人工智能的麻醉包括狀態(tài)監(jiān)控的工作；超聲領域內我們也做了全棧的、不同方向的人工智能；在體外診斷領域，我主要介紹這個方向，我們現在做的最成熟的事情是血液細胞分析智能化的應用。因為大家都知道，大家去體檢，或者是去醫(yī)院，不管是住院還是門診，感冒發(fā)燒一定要做血常規(guī)，血常規(guī)每年有20億-30億的檢測量，這個檢測不僅僅可以告訴我們是不是發(fā)炎了，是病毒性的還是細菌性的，可能潛在的告訴我們是不是白血病，是不是惡性的再生障礙貧血，包括有沒有大的出血傾向。這個檢測背后有潛在重大疾病的發(fā)現職責，后面幾個重大疾病都不是靠我們一般情況下快速出報告能夠發(fā)現的，一旦前面快速篩查的儀器發(fā)現有這種傾向的時候，這些樣本就會被醫(yī)生留下來，做玻片的制作、染色、加熱、吹風、吹干，再做顯微鏡的檢查。后面的流程大概需要30分鐘到1個小時的時間，如果大家去醫(yī)院做檢查，半個小時拿報告了，一般都挺好，如果留在那里等著，一般情況下有點擔心了。但是后面的工作往往與重大疾病有著非常密切的關系，尤其是白血病的關系。一般情況下，按照國際上標準，一家大的三甲醫(yī)院，每天有20%，也就是200例—400例的樣本應該去檢查的。我們在中國醫(yī)療診療的人數、醫(yī)生的數量遠遠達不到要求，我們很多時候只有國際的1/4到1/10的水平，醫(yī)生只能挑最嚴重的那些去做，所以存在風險，就是因為智能化的、自動的顯微鏡檢查，以及人工智能對它的識別是完全不足的，我們做的就是這件事情。通過這樣的產品，或者是這個技術應用到我們實際工作當中，就可以讓三甲醫(yī)院每天10例、20例、30例的復查，能夠做到200例到300例的復查，讓我們二級醫(yī)院從原本不具備這樣能力的情況下，也具備這樣的能力，這是一個大的進步。在我們做的過程中，原來大家意想不到的一些白血病都被我們發(fā)現了，比如說有人在夜間的蛇傷門診下檢出來白血病，完全想象不到，有孕婦例行檢查被查出來白血病，有在骨折去骨科做基礎檢查的時候被查出來白血病……都是這樣的系統(tǒng)在起作用。以往人們有可能會把它漏掉，人工智能的技術在檢驗當中，尤其是在基礎檢驗當中應用，讓我們在診療當中第一個關口，幫我們攔下來很多重大疾病。
陳楊：您剛剛介紹的產品，不僅是補齊醫(yī)生資源的不足，特別是您剛剛說的，無論是舌下門診也好，骨科也好，有一些打破我們常規(guī)認知或者是偏見的地方，沒有想到在這樣的領域的病人，可能也會有白血病。其實是把檢測的事情做在前面，也有利于整個診斷，或者是后面治療的過程。接下來有請李老師。
李文文：其實AI技術在公共衛(wèi)生管理領域的應用非常的重要，對于我們整體的醫(yī)療健康管理有很大的幫助。比如說以視覺健康為例，我不知道大家是不是關注過，像我們的社區(qū)醫(yī)院，就是我們最基層的醫(yī)院，其實很多醫(yī)院是不具備專門的眼科醫(yī)生的，很多時候叫全科醫(yī)生，或者是五官科的醫(yī)生來負責眼病的診斷，對于基層的醫(yī)療層面而言，很多醫(yī)生沒有辦法識別出來一些很嚴重的眼部疾病。在這樣的情況下，很多患者要不然早期沒有意識到自己可能有疾病的問題，而不去提早進行疾病的篩查和診斷，如果患者實在是眼部不適，只能去大醫(yī)院，去三甲醫(yī)院診治，導致三甲醫(yī)院資源非常緊張。這個跟之前蔡教授說的，我們醫(yī)生整體的醫(yī)療水平有關系，醫(yī)療資源分布不均勻，在這樣的情況下，AI介入就能很好地幫助我們提升我們基層醫(yī)療服務的質量。比如說現在在視覺健康領域用的非常成熟的AI眼病篩查設備，大家如果去眼科的話，去機器上面照一下自己的眼睛，拍眼底照片，篩查出來你有哪些眼部疾病，給你診斷的結果。比如說你可能是輕微的，應該怎么治療，如果你比較嚴重，就會建議去進行后續(xù)的轉診，去到其它的三甲醫(yī)院，或者是其它的大醫(yī)院。這種設備的普及，以上海為例，現在上海大概已經有1/3的社區(qū)醫(yī)院普及這樣的設備，有了這樣的設備以后，基層眼病篩查率極大的提升。可能像上海市其實是有標準的，比如說上海市眼病防治中心，每年會給基層的社區(qū)派發(fā)任務，今年你們要篩查兩千個患者，以往在人工的水平下面，社區(qū)醫(yī)護人員的工作量非常大，有了AI設備以后，甚至有的社區(qū)一年可以篩查兩萬個患者，整體效率提高了，質量也提高了。對于公共醫(yī)療領域來說，AI的幫助也是非常大的。
陳楊：感謝李老師，也是在具體的領域給到我們一個例子，在眼健康的防治上，包括用機器去拍眼底照片，能夠發(fā)現一些問題，并且極早進行后續(xù)的治療和后續(xù)的動作，可以幫助我們在眼健康這一重要的領域提高篩查效率，篩查面也會更廣。接下來有請錢總。
錢真：我大概介紹一下聯(lián)影智能在醫(yī)療AI方面的工作，聯(lián)影智能在2017年成立，是聯(lián)影集團在人工智能相關領域比較重要的布局。聯(lián)影智能現在在醫(yī)療AI上有三個方向。首先是賦能臨床，我們開發(fā)很多算法來幫助醫(yī)生比較簡便的看片子、看影像，幫助醫(yī)生解決痛點問題。國內的影像科醫(yī)生，一個是人數不夠，二是工作量大。目前我們已經開發(fā)了超過100個應用，其中包括40余款影像診斷產品，落地有三千多家醫(yī)院。我們盡量把算法賦能到影像科醫(yī)生那邊去，讓比較繁雜的影像讀片任務更方便一些。比如像肋骨骨折需要用CT來診斷，很多時候，影像科醫(yī)生值夜班最怕的事情是晚上來骨折的病人，醫(yī)生往往需要對著片子一根根數肋骨，去看有沒有骨折，這是非常勞累的事情。類似這種痛點，AI算法是可以很好的解決的。第二，我們在做一些賦能科研的工作。現在醫(yī)生臨床工作是非常緊的，同時，科研任務也非常緊，往往手頭沒有好用的科研工具，有的時候想用人工智能相關的技術來做一些科研也沒有辦法實現。目前我們開發(fā)了一個專門給臨床醫(yī)生、給醫(yī)學工作者使用的科研平臺，他們可以在這個平臺上便捷的把數據管理起來、把數據標注做起來、把模型搭起來，并且不需要有很多前期人工智能相關的算法知識就可以很好地做科研工作。第三，我們在做一些賦能設備的工作。我們是聯(lián)影集團下面專注于AI的子公司，我們的AI算法可以服務于影像設備。比如說像磁共振影像，磁共振影像檢查的臨床bottleneck是什么？就是掃描速度太慢，很多時候掃一個病人要15—20分鐘，我們AI算法集成到掃描機器上以后，每一個部位的掃描時間可以加速到100秒以內，1—2分鐘就能完成，大大減輕掃描的負擔，同時也是造福了病人。人工智能技術是很好的技術，在不同的領域內應該都會有很好的應用。
陳楊：錢總講了兩個部分，一個是設備效率的提升，還有一個可以理解成是解放醫(yī)生，無論是一些可以被人工智能取代，或者是提高效率的工作也好，或者是在科研方面能夠給醫(yī)生賦能也好，都是我們AI價值的體現。接下來有請秦總。
秦嵐：我們是一直關注于腦血管病，非常垂直的領域，核心做兩件事情，跟大家平時理解的AI診斷不太一樣，我們核心在做第一叫AI治療，第二叫AI決策。說起AI治療，中風是非常大的致死疾病，這樣一個重病，沒有特別好的藥物能夠達到預防和急救的效果，不得不依賴手術，這個手術是L4級別，即是最高難度的手術，我們經常講是賽車手級別的手術。面對這么重的疾病，大量的患者，對醫(yī)生又要求很高的L4級別的手術，我們一直希望能夠把手術難度降下來，把手術進一步標準化，讓更多的縣級醫(yī)院，哪怕鄉(xiāng)鎮(zhèn)衛(wèi)生的醫(yī)院，也能及時地服務周邊的患者。我們的做法很簡單，手術中不是所有的步驟都難，之所以手術難，是因為有一些環(huán)節(jié)難，有一些環(huán)節(jié)相對容易，我們把手術環(huán)節(jié)拆出來，給它自動駕駛的解決方案，手術方案給出，不依賴醫(yī)生經驗，而是依賴算法，這一步操作的執(zhí)行，不依賴醫(yī)生靈巧的雙手，而是依賴設備。AI治療的環(huán)節(jié)，我們提供的是軟硬件加耗材整體結合的全新的解決方案，去年我們也拿了中國第一張AI+治療的創(chuàng)新醫(yī)療器械三類證，剛才在臺下的時候，還跟不同的小伙伴互動，大家在跟臺，有很多手術實行新的AI治療技術。第二件事叫AI決策，也是解決疾病關鍵決策環(huán)節(jié)，誰都不愿意開刀做手術，這跟得了一個感冒，你給我開個藥，是小決策。如果腦子里、腦血管有問題，你現在開個刀，實際上無論是經濟費用和病人意愿方面都要慎重考慮。我們希望手術治療的決策更加準確，不單單依賴于醫(yī)生的經驗，而是說我們用中國人群數據庫，基于算法，我們給到更好的算法模型，來評估什么樣的病人在手術里能夠有更好的獲益。我們不漏掉一個能夠在手術中獲益的病人，也不讓一個還達不到手術指征，實際上在手術中他的獲益沒有比他承受的風險更好這么一個情況去發(fā)生。我們核心在解決這兩方面的事情，謝謝。
陳楊：感謝秦總，秦總講了兩個AI運用的環(huán)節(jié)，分別是治療和決策，治療方面是拆分成不同可以被AI所賦能的不需要人工去完成的，像決策方面也是賦能到更多的醫(yī)生，讓他們做出更精準的判斷，盡可能減少一些不必開刀，不增加患者負擔的醫(yī)療行為。剛剛從四位的解答當中，可以發(fā)現一些共同點，無論是李老師在講的眼科領域，或者是秦總講的腦科領域，祁總和錢總講到的使用AI的地方，很大的問題在于相關醫(yī)生資源在國內不足，他們水平是參差，同質化水平跟國外相比有差距，這個是我們一直認為AI在里面可以大有可為、施展拳腳的原因。不過，我們看現在很多AI產品的落地情況也可以發(fā)現，真正在終端的醫(yī)院，臨床醫(yī)生在使用AI產品的時候，其實也是有一些疑惑，或者是沒有這么順手的，大家在產業(yè)界討論的時候，是不是有一些gap，是不是有一些雙方理解不太到的地方？有的時候公司覺得說我的產品很好，我的需求解決了，但是臨床醫(yī)生覺得說好像還不夠，好像自己人來干辛苦是辛苦，但好像也可以。我想了解的是大家在各自領域覺得，可能會存在哪些臨床和企業(yè)研發(fā)界有gap的地方，以致于我們對接臨床沒有那么順暢？把問題給到現場的四位，有請秦總介紹一下。
秦嵐：非常好的問題，我自己以前是醫(yī)學生，我跟醫(yī)生打交道了20年，醫(yī)生群體是相對比較保守，因為面對的是病人的生命，他們實際上是謹慎的。我理解更多的gap，如果我們從純研發(fā)的視角來講，大家沒有太懂醫(yī)學的語言、醫(yī)生對循證證據的要求，但是當我們做了充分的循證醫(yī)學的證據，當我們拿出嚴格的前瞻性對照臨床試驗的結果，實際上醫(yī)生是可以接受的。第二點，我們接觸很多神經外科的醫(yī)生，他們有共同的追求，追求極致，產品有的時候并不是解決百分之百的問題，是一步步做迭代。當你真的跟臨床醫(yī)生溝通的時候，他們希望你的產品不要出錯，不允許有疏忽和漏洞，否則他對此就會有擔心，從而去倒逼企業(yè)。為什么做醫(yī)療AI產品很難，我們不是做到better to have就可以了，包括我們做的很多臨床試驗的比對，是做的全優(yōu)效比對，從各個方面人機結合的方式做手術，都會比單獨的醫(yī)生好，人機結合的方式跟頂尖大醫(yī)生PK，把這個證據拿出來的時候，實際上他們才愿意更開心的去擁抱。這個是醫(yī)療本身的屬性決定的，的確對企業(yè)自身的要求會比較高，在產品開發(fā)的過程中，有的時候我們覺得產品OK了，在醫(yī)生的眼里是不OK的，你還要往前多走幾步，才能夠達到臨床的要求，才能夠被他們接受，這個gap會一直存在。
陳楊：臨床醫(yī)生的要求擺在那邊，企業(yè)做到更優(yōu)效，才能符合他的預期，才可能被接受，在循證醫(yī)學的積累上，有更多的積累，才更有說服力。下面有請錢總。
錢真：我覺得這個gap確實是存在的，在很多AI的產品和軟件上往往會發(fā)現這樣的問題。很多時候工程背景、算法背景的專家，或者是一些科技公司，對臨床的痛點和臨床流程把握的程度還是不夠，很多時候是在拿著一個算法、一個方法的“錘子”去找問題，而不是從問題去推需要什么樣的“錘子”，這對產品開發(fā)來講是一個非常嚴肅的問題。我們認為，只有真正把AI融入到臨床的流程中去，在醫(yī)院的環(huán)境里面使用它，臨床的痛點問題才能被解決，這是非常需要打磨的事情。因此，這也是我們?yōu)槭裁匆恢痹趶娬{要“產學研醫(yī)”協(xié)作，特別是怎么樣跟醫(yī)院一起合作，怎么樣把AI和醫(yī)生的工作真正融入到一起，這需要進行不斷的打磨。
陳楊：醫(yī)生語言、醫(yī)生思維、工程師語言和工程師思維的對話才能產品做的更能夠在臨床上被使用。李老師您提到在上海有非常多的社區(qū)醫(yī)院在使用眼病專科AI技術進行篩查，為什么這個產品可以鋪得這么開，為什么這樣的技術可以這么被基層的社區(qū)衛(wèi)生醫(yī)生接受，滿足社區(qū)醫(yī)療的點在哪里，這個gap比較小的原因在哪里？
李文文：我非常認同前面兩位嘉賓的觀點，我想從偏技術一點的角度來補充一下、闡述一下這個gap的問題，進而說以下實踐當中到底是什么樣子的。對于AI算法有一個特性，可能大家都比較了解，是blackbox，也就是黑箱問題，本質是說AI算法到目前為止非常缺乏可解釋性，醫(yī)生的視角給AI一個片子，它給我輸出一個解決，為什么能診斷出這樣的疾病，原因是什么，AI沒有辦法給出很好的解釋。但是也在進步，AI可以圈出可疑的部位，高度有風險的部位，可解釋性仍然是很差的，這個很差的可解釋性，醫(yī)生很難接受，醫(yī)生其實非常保守，做診斷是非常嚴肅的事情，如果你沒有辦法很好的告訴我你是如何產生這樣的結果，大家不太愿意接受。另外一個方面，我們AI算法訓練的一個普適性或者是generatized，比如說我們的企業(yè)想訓練適用于某個場景的AI算法和模型，去找合作的醫(yī)院拿數據，拿了一批數據來做訓練，訓練出來一個模型，想把這個模型推廣到更大的范圍使用，在這個時候有一個問題，企業(yè)訓練所使用的數據和真正實踐應用當中面臨的數據，數據分布可能是不一樣的。數據分布不一樣，就會極大的影響我們模型表現。很多時候大家會發(fā)現，企業(yè)說我們的算法和模型非常準確，已經達到97、98、99的精確度，完全可以應用于實踐，醫(yī)生或者是醫(yī)院拿過來一用，可能也就是70%、80%的準確率，覺得企業(yè)是不是在吹牛，為什么是這樣？這里面就是數據的問題。這就說到眼病診斷，眼病診斷一個是說從可解釋性方面，對于我們基層醫(yī)療而言，大家對于可解釋性的要求沒有那么高，因為在基層醫(yī)療使用過程當中是做疾病篩查，而不是疾病診斷，只要篩查一個科目有風險，就把你推給上一級的醫(yī)院就OK了，所以我不需要給你做出最終的診斷，這個時候大家并不需要一個非常清晰的理由和很強的可解釋性來支持理論。模型的表現問題，我跟一些AI的科創(chuàng)企業(yè)聊的時候，現在的AI產品，其實是軟件和硬件可以分開看，軟件就是我剛剛提到的模型和算法，硬件是大家看到的機器設備，硬件負責拍照、拍胸片、拍眼底照片，軟件負責處理和分析。比如說我的軟件訓練的數據，是由A類硬件來提供的，這類硬件拍照片是這個角度，亮度是什么樣的，醫(yī)學上面要求比較高的，訓練出來的準確度比較高，如果我換另外一個設備，這個設備可能拍照的時候和患者眼鏡的距離和亮度稍微有所變化了，照片的屬性有所變化了，模型用起來就非常困難，這也是在實踐應用當中，很多企業(yè)面臨的一個問題。所以現在大多數在視覺健康領域的企業(yè)，他們來做的是我們軟硬件結合，賣設備，也賣自己的算法，盡可能去降低我們模型在實際應用當中的表現會變得很差。
陳楊：李老師提到兩個重要的維度，一個是產品和模型可解釋性，一個是真正的表現，這個是產品和實踐上，臨床醫(yī)生能夠直觀產生信任的地方。最后有請祁總對這個問題的看法。
祁歡：前面幾位老師說的時候，我非常感慨也十分認可，你們說的事情在我們的團隊過去十年當中也是常常發(fā)生的。常常一個新的技術出來之后，我們的工程師有很多新的想法，比如恨不得把語音識別用到每一個功能上，每一個地方去，每一個細胞的調整操作我也要用一下語音識別，實際上這里面有很多偽需求。秦總也談到醫(yī)療的產品，包括李老師也談的，醫(yī)療的產品人們對性能要求很極致，容不得一點點的差錯，尤其是重大疾病的診斷上不能出錯，所以它的性能質量也非常重要，投入成本也非常高，周期長。最后我補充一個點，人工智能的出現是為我們的醫(yī)療器械，或者是健康提供了一種新的選擇，新的工具與方法，讓我們做提升，我們在做的過程中，不希望技術的產生讓醫(yī)生、讓患者付出過高的代價，所以它的硬件，以及它的軟件的成本控制和最后的收費以及商業(yè)上，我們也希望是一種更加合理的方式。不能過度的功利化，或者是商業(yè)化擺的更重，那我認為這個人工智能不利于在家庭，或者是在醫(yī)院里面去實施，我想它的成本控制，以及合理商業(yè)運行機制的建立，也是一個非常重要的補充環(huán)節(jié)。
陳楊：祁總講了非常重要的問題，關于成本控制，AI之所以用到醫(yī)療當中，很大的作用就是普惠，希望醫(yī)療資源能夠給到更多的患者，能夠增加他們對醫(yī)療資源的可及性。所以剛剛講到的成本控制，或者是優(yōu)化商業(yè)模式的問題，確實也是非常重要的一點，不能和最終的目的背道而馳。剛剛大家都談到研發(fā)端和臨床端可能存在的一些gap的問題，我想聚焦一下大家正在做的一些項目和產品，從祁總開始，您剛剛一直講到AI的閱片機，真需求和偽需求的問題，包括工程師這邊可能有非常非常多的想法，能不能真正的實踐或者是落地，我知道這款AI閱片機2013年的時候就有這個想法去立項，一直到去年才上線，我比較好奇的是在研發(fā)的過程中，邁瑞做哪些的前置工作去挖掘真正的需求，這對于企業(yè)來說比較看重的是什么，難點是什么，怎么樣盡可能不去做偽需求的事情？
祁歡：正好這個項目也是由我牽頭做預研的，剛剛開始的時候，我們從一個非常小的角落里面，買了兩臺非常便宜的顯微鏡開始開始做起來的。2013-2018年我們在做一件事情，希望把成像質量做到最好，因為在做這個事情的時候，北歐有一家公司在這個領域內，在全球做到了95%以上的完全壟斷地位。他們非常自信，甚至我們曾經跟他們合作過，我們合作說不能禁止邁瑞去做相關產品的研發(fā)，他說沒關系你們做吧，我們非常的自信，因為歷史上，日本、美國、德國許多企業(yè)都做過這件事情，最后只有我成功了，所以你們做沒有關系，我們當時還是挺欽佩別人的。邁瑞有一個相對比較大的臨床和工程的團隊，我們花了很長時間在國內和國際做很多的調研。發(fā)現即使一款被大家神化的產品，真正深入到臨床醫(yī)生內部的時候，臨床醫(yī)生對無數東西都是不滿意的，其中非常重要的一個點，就是它的成像質量不能滿足人們對白血病的診斷需求。當時這個產品最多是發(fā)現樣本有點問題，當儀器發(fā)現有問題的時候，人們要把把片子拿出來，重新到顯微鏡下進行檢測，成像有問題，識別也有很多問題。因為要培養(yǎng)一個真正能精準識別白血病的形態(tài)學專家，需要5-8年的時間，而且這樣的人，還需要在我們國家?guī)讉€不多的血液病中心去做專職的培養(yǎng)，才能做到這一點，否則是不太敢下診斷的。陰性診斷成陽性，這對病人有很大的心理負擔；陽性變陰性更是漏診的問題，識別能力也是很大的問題，包括成本問題，十年前在中國裝機可能達到200萬人民幣的水平，包括在深圳的很多醫(yī)院都裝不起，寧愿人工看好了。所以我們前五年解決一個成像質量的問題，解決成本的問題和解決速度，這三個在業(yè)內叫“不可能的三角問題”，我們通過技術解決掉，找到方法解決了。2017年、2018年以后，我們開始做人工智能相關的東西，有一個算法非常重要，我們是跟騰訊去合作。還有一個事情，剛剛李老師也提到了，大量的數據，我們?yōu)檫@個產品積累了大概有100平米的玻片倉庫，一列列玻片，有二三十萬張玻片，我們總共采集有近千萬級細胞的數據，每一個細胞都要經過形態(tài)學的專家對它進行標注以后，這個數據才能夠為人工智能做很好的儲備。所以說它的研發(fā)周期也非常長，包括后面的臨床適用，剛剛秦嵐總也提到了，比如說高級別、中級別、低級別醫(yī)生的優(yōu)效性的比對，臨床試驗等等，都需要花很長的時間去解決這個事情，確實時間有點長。
陳楊：您剛剛講了一個非常完整的過程，從前五年三個維度“金三角”的建立，到后面更加落地在臨床上的一些比對跟實踐，最終有了這么一款被臨床端所接受的產品。接下來我的問題給到李老師，祁總也說到醫(yī)生對于細胞形態(tài)學判斷的謹慎程度，剛剛您也講到說，醫(yī)生對于設備性能表現的要求是非常高的，包括從理論層面來說，算法黑箱沒有解決的時候，醫(yī)生是有心理障礙。包括其他的嘉賓也提到的數據問題，從您的角度，無論從學界還是產業(yè)界的觀察，一方面數據獲取這一點上，企業(yè)要怎么樣才能獲取到像您說的不會存在一些偏差的，或者是特殊的數據，讓它的模型更具有普適性，如果不幸出現一些問題，AI和臨床醫(yī)生的權責判斷上有怎么樣的思考？因為我想這個可能是很多醫(yī)生在選擇自己要不要接受AI產品時非常重要的考量。
李文文：您的問題問的很大，我盡量嘗試回答一下。數據的問題，其實數據真的是醫(yī)療領域使用AI技術的一個極大的痛點，因為大家現在可以看到AI的領域發(fā)展得非?？焖傺该?，尤其是像大模型的出現。大模型出現的背后，其實堆的就是上億的數據量，這些數據是從哪里來的？很多都是從互聯(lián)網上獲取的數據，這些數據非常易獲取、易使用。醫(yī)療行業(yè)非常大的不同點是我們的數據量一個是非常有限，另外是數據的安全性、隱私性的問題，數據敏感度非常高，導致數據在領域里面的流通性不高。比如說現在我們觀察到的，大家都在說缺數據，企業(yè)也說缺數據，企業(yè)的數據從哪里來？很多企業(yè)說我們積極和醫(yī)院合作，每一個企業(yè)基本上都列出了很多的三甲醫(yī)院、大醫(yī)院，說跟他們合作，由他們提供數據，我們來訓練自己的模型。我們會發(fā)現這些醫(yī)院相互之間的數據并不連通，或者是并不流通的，每一個醫(yī)院對于自己的數據，都是建立一個自己的數據庫，這是我們醫(yī)院的資源。因為行業(yè)的一些特性導致說我們想要去做數據的分享非常謹慎，這就導致一個企業(yè)想要訓練一個性能比較好的模型，就要不斷接觸更多的醫(yī)生、更多的醫(yī)院，去進行一些合作，這樣成本相對來說是比較高的?，F在一個趨勢，大家在提倡希望數據的互聯(lián)互通，數據在我們的領域里面，希望盡可能的保證互聯(lián)互通，但是這個其實非常困難，不是說技術上的問題，更多的也是管理上的一個問題。比如說眼病，因為像上海有眼病防治中心，這個在其他的省市還叫防盲辦，其實是眼病防治，負責居民的視覺健康。他們嘗試以自己的平臺、以自己的影響力搭建通用的數據平臺，把社區(qū)當中患者照的眼底照片聚集在一起，放在一個平臺上面，再和其他的公司合作，再進行后續(xù)的模型開發(fā)。這是一個可能的例子，但是在這條道路上仍然是任重道遠的。您說的權責問題，后續(xù)我們要問到一些法律專業(yè)的人員，其實權責問題也是現在醫(yī)生比較抵觸AI技術的一個點。如果說我去充分地信任了AI，未來出現問題是AI的問題還是我的問題？我們所有的AI的技術以及AI落地的產品，剛才秦總講到拿到三類件的產品很多，大多數都說的是叫做輔助診斷或者是輔助治療，AI在這里面不占據主導地位，最后的決策者以及最后簽字者，還是我們的醫(yī)生。所以我感覺鑒于醫(yī)療行業(yè)的謹慎性，其實未來很長一段時間內，還是這樣的狀態(tài)，AI是作為醫(yī)生輔助的形態(tài)存在的。
陳楊：感謝李老師回答了兩個非常重要和非常底層的問題，關于數據獲取存在一些難點，無論是數據的質量還是從醫(yī)療機構出來的封閉性、可解釋性。李老師也解答了關于權責的問題，確實是需要更多的討論，或者是各方的探索，才能達到一個共識和結論。之后，才能更有助于醫(yī)生在臨床上比較多的使用，讓AI發(fā)揮更明確更大的作用。像聯(lián)影在布局AI產品的時候，考慮到全譜和全棧的概念，多模態(tài)的數據，包括各種數據儀器的AI加持上都考慮到，除了診斷、篩查，后續(xù)的環(huán)節(jié)上也都有布局。在全譜和全棧的體系之下，聯(lián)影智能是怎么進行布局的，讓產品盡可能多地覆蓋臨床的各個領域和環(huán)節(jié)？有請錢總。
錢真：AI技術可以看作是一個工具。為了解決臨床問題，很多時候AI工具如果僅僅零散地用到某幾個地方，很難形成合成的效應。因此，我們一直在提倡全棧全譜。也就是說，我們希望在為影像科解決某一個問題的時候，能用AI從端到端全部照顧起來，為醫(yī)生賦能。比如針對肺癌，我們從源頭，也就是篩查肺癌開始，一直到最后的治療階段，其中的每一個環(huán)節(jié)我們都有一系列的AI產品覆蓋。在篩查階段，我們開發(fā)了一個手機小程序，可以幫助病人做一些簡單的自我篩查。同時，由于肺結節(jié)的篩查在基層難以推進開展，我們跟華西醫(yī)院合作，將一系列AI軟件都搭載進智慧健康管理移動車，借助CT篩查車移動化的優(yōu)勢，開到基層各個小的城市、小的城鎮(zhèn)，這樣在基層就可以享受到華西這樣的三甲醫(yī)院所帶來的篩查服務。篩查之后就是診斷，而對于醫(yī)生而言，肺結節(jié)診斷里面最困難的任務，實際上就是對肺結節(jié)良惡性的判斷。我們和華西醫(yī)院合作，共同打造了中國版Lung-RADS肺結節(jié)AI評估系統(tǒng)，可以用AI算法自動判斷肺結節(jié)低危、中危、高?；蛘呤菢O高危的分級，這實際上對基層的醫(yī)院、基層的醫(yī)生幫助是很大的。在篩查和診斷之后，就是隨訪。其實肺結節(jié)的痛點也在隨訪。比如病人今年做了一次掃描，明年又做了一次，多次掃描下怎樣追蹤肺結節(jié)的發(fā)展？很多時候，隨訪的記錄消失了，隨訪的病人也丟失了。因此，需要有一款適合隨訪場景的AI軟件把這個事情管理起來。我們用AI算法做了一個系統(tǒng)，這個系統(tǒng)能夠跟蹤每一個肺結節(jié)，在不同的時間、同樣的解剖區(qū)域、同樣的解剖位置，跟蹤同一個肺結節(jié)的具體進展。對AI來說，這個是時間上的配準問題，因此AI可以很好地把整個隨訪過程管理起來。隨訪管理之后，如果病人有惡性肺結節(jié)需要做手術，醫(yī)生也需要完成手術之前的規(guī)劃，因為肺結節(jié)外科手術中，變異氣管、支氣管、肺動脈、肺靜脈的結構復雜，做好精準手術規(guī)劃是非常重要的。我們針對肺部外科手術的AI軟件可以幫助醫(yī)生去做好一系列的手術規(guī)劃。針對肺部科研領域，很多醫(yī)生想要做肺部的科研工作，我剛剛提到的科研平臺可以賦能醫(yī)生探索更多肺部疾病的未知領域。包括剛提到的和華西醫(yī)院做的中國版Lung-RADS肺結節(jié)AI評估系統(tǒng)，實際上也是我們跟華西醫(yī)院的科研合作開始，慢慢從科研落地到臨床的結果。所以，基于全棧全譜的理念，我們從肺結節(jié)這類常規(guī)的且很多公司在做的產品出發(fā)，從端到端，把整個譜系都做完全，去幫助醫(yī)生系統(tǒng)性地解決問題，這樣對于臨床流程的改變、對于醫(yī)生使用習慣的改變，會有比較大的作用。
陳楊：感謝錢總，您提到非常重要的概念，并非零散的軟件而是系統(tǒng)化的解決，因為畢竟從疾病一開始預防到后面的篩查、診斷、治療，整個全流程來看，應對疾病本身這件事情也不是一個碎片化的，或者是一個環(huán)節(jié)事情，而是一個全流程的事情，這個也是聯(lián)影在進行布局時一個通盤的考量。感謝錢總。秦總剛剛講到說公司的產品著力于決策和治療，也就是手術方面的一些點，我比較好奇的是，因為剛剛大家在寬泛談AI的時候，有會講到提升效率的地方。提升效率原本是醫(yī)生能做的事情，AI做效率更高更好，像您剛剛提到決策上的包括治療上的事情，其實有一些是不是醫(yī)生來做，可能會因為自己的經驗、手術環(huán)境或者是診斷環(huán)境，而不是像人就能做的這么好的，確實需要AI進行一些參與？所以想就這個問題談談您的看法。
秦嵐：我們選擇的方向，坦白講從整體的發(fā)展進程來看，我想分享兩個點。一個點是說當你選擇痛點的時候，我們選擇最關鍵問題的最痛點要首先解決。如果從技術角度出發(fā)，我非常有可能首先選擇圖象處理、診斷，但是如果我們從疾病的角度出發(fā)，就會發(fā)現整個疾病治療、整個診療過程中的卡點到底在哪里。比如說以腦血管病整個神經介入治療為例，最大的卡點是在于手術難做，手術是非常有效治療預防腦中風和急救腦中風的一個手段，但是最大的問題在于沒有那么多的好醫(yī)生，而大多數的手術都是比較難做。所以我們是倒推，首先有一個很明確的應用場景，有很明確要解決的問題，當我們分析手術過程為什么這么難，會發(fā)現不是手術中三十步都難，而是卡脖子的關鍵技術難。中國人群腦血管，這個血管是九曲十八彎，繞了好多個彎，繞到顱內，使得我們導管到位就非常困難，這是手術中非常難的一個卡點，我們就嘗試把這個難點用技術自動化去解決。一開始在做的時候，我自己不是學算法出身的，現在被倒逼其實也在讀自動化系的工程博士，當時發(fā)現臨床問題的時候，其實我們是不了解技術的，并不知道用什么樣的技術方案能解決。但我們有非常明確的臨床痛點，從臨床痛點來出發(fā)，嘗試各種技術路徑之后，最終是靠算法解決手術方案的路徑規(guī)劃，靠設備解決醫(yī)生操作精細化的問題，提供這樣的解決方案。一個AI產品的好壞，要看首先解決什么樣的痛點，這個痛點夠不夠痛，當它夠痛的時候，重新來制定行業(yè)標準，重新定義規(guī)則，會推進術式的演進。從傳統(tǒng)的僅靠醫(yī)生的術式，把它演進到可以完全標準化，且把過程中對人類醫(yī)生比較困難的部分，把它摘出來，自動化完成。所以未來其實我相信類似手術治療的過程都可以演進到人機結合的過程，我們既不追求所有都要靠AI的設備、軟件全流程解決問題，又不追求完全依賴醫(yī)生經驗，實際上把對醫(yī)生的要求放低，希望可以是住院醫(yī)生的水平就可以完成的手術。因為醫(yī)療行業(yè)最終目標其實還不是為醫(yī)生服務，最終的目標是我們跟醫(yī)生一起為患者服務，疾病要得到治療，這個是最終的終級解決方案，這是我們自己整體的實踐過程。
陳楊：感謝秦總，您剛剛提到人機結合的概念，我覺得今天的對話，其實也能特別體現醫(yī)工結合的概念。因為比如像秦總，醫(yī)生臨床經驗的加持，包括兩位，錢總跟祁總這邊算法的經驗，特別是在對話當中，三家公司的研發(fā)歷程其實可以看出，醫(yī)工結合之下，AI產品可能才會在臨床的應用和落地上更加順利。我們今天的對話是講了AI醫(yī)療的很多過程，無論是最底層的數據獲取，包括權責上、真人醫(yī)生和AI機器的分配，以及在產品研發(fā)的具體過程中，臨床的需求和算法工程師的想法和技術如何結合在一起，更好為患者服務，包括非常重要的商業(yè)化落地和商業(yè)創(chuàng)新的問題，也是服務于AI、應用于醫(yī)療領域，最終想達到普惠，讓更好的醫(yī)療資源普及到每一個患者的想法和愿景。今天時間過得非?？欤哺兄x四位精彩的分享，感謝大家的聆聽，希望可以給大家?guī)砀嗟乃伎几鷨l(fā)，謝謝。
最終解釋權歸界面新聞所有
評選及盛典參與，歡迎聯(lián)系2023【大健康常春論壇】組委會：
官方郵箱地址：huodong@jiemian.com
