媒体说明：12月18日，国际数据公司(IDC)和英伟达联合发布了《专业化医疗人工智能平台驱动医疗AI从实验到实践》白皮书》，分析了医疗人工智能的发展现状和未来趋势。
本文节选自白皮书，由钛媒体编辑。
近两年来，医学人工智能取得了突破性进展，逐渐被医院和医生所接受。医学影像人工智能发展迅速，广泛应用于肺、心、脑、眼、皮肤等器官的各种疾病的诊断。
医学人工智能系统的开发和运行需要建立医学大数据系统，开发人工智能算法和模型，建立专业的人工智能平台。这三项任务的要点如下：
建立一个可以处理和集成多种数据源和格式的大数据系统：在医学图像人工智能系统中，可以处理由CT、MR、X线、超声等各种医疗设备输出的图像数据。标注专业数据，并做大量计算。
要构建专业的深度学习模型，可以选择专业的开源模型，也可以开发构建自己的模型。模型需要在深度学习训练和人工智能系统运行中不断升级和完善，以保证模型的准确性和可靠性。
建立专业的人工智能算法平台，包括硬件平台和计算系统的建立。整个平台也可以采用专业的集成平台，即封装集成芯片、服务器、计算系统、算法模型软件、人工智能应用系统和云服务的集成平台。
从医学影像人工智能系统的开发和应用入手，在此基础上进一步整合更多类型的数据，如病案数据、检查数据、患者日常健康监测数据等。从而构建更丰富、更全面的医疗大数据，为开发更丰富的人工智能系统打下良好基础。
在未来医疗一体化的背景下，平台应具有弱耦合、强兼容的特点，满足人工智能系统、医疗设备和医院信息系统之间的兼容和集成要求，提升医疗人工智能系统的性能。
在医院建立专业医疗人工智能平台的基础上，与医院临床科室密切配合，选择合适的疾病类型，开发其诊疗系统，提高诊疗效果。
医疗人工智能发展现状
根据《IDC FutureScape：全球医疗行业 2018 预测》，到2021年，20%的医疗机构和40%的生命科学组织将通过采用认知技术和人工智能技术实现15%至20%的生产力增长。中国医院正在加速采用人工智能技术，虚拟医生、辅助诊断、辅助治疗等人工智能系统发展迅速。IBM Watson已经应用于数十家医院，而医学影像人工智能领域则呈现雨后春笋般的爆发式发展趋势。
目前医学人工智能的应用大多处于实验阶段，部分医院利用人工智能技术辅助诊疗。就各种医学人工智能系统在诊疗中的功能而言，医学图像人工智能系统在辅助诊断中起着最重要的作用，也是未来几年发展潜力最大的系统。
医疗人工智能市场成熟度，图表来自IDC白皮书
在IDC对医院使用医学影像人工智能辅助诊断的调查中，被调查的36家医院整体满意率达到100%。在医学影像人工智能系统的诊疗价值中，提高诊疗效率、提高诊疗水平、提高诊断准确率是该系统带来的主要价值。
医学影像人工智能对诊疗的价值，q .医学影像人工智能在以下哪些方面提供诊疗价值？(Top 3，n=36)，图表来自IDC白皮书。
根据IDC的调查和采访，
在实际应用中，医学人工智能系统可以帮助医生做疾病筛查，比如最常见的肺结节筛查和乳腺钼靶检查，可以大大减轻放射科医生的工作量。在安装了图像人工智能辅助系统的医院中，放射科医生和医生普遍报告该系统提高了工作效率和诊断准确率，从而提高了医院在特定疾病治疗中的治疗水平。
医疗人工智能落地医院的使用状况
截至2018年上半年，美国美国食品药品监督管理局(FDA)共批准了9款与人工智能相关的产品，包括自动监测预警产品和辅助诊断产品，很多医院都应用了这些产品。日本医院开始试验和试用人工智能系统，特别是在影像辅助诊断领域，以提高日本医疗服务的供给能力。国内近千家医院部署了人工智能系统，其中一半以上部署了医学影像人工智能系统。
目前国内有100多家医疗人工智能公司，其中约40家属于医学影像AI公司。一些人工智能系统部署在医院，直接为临床科室提供辅助支持。
经过医学人工智能系统的初步开发和使用，得到了医生的广泛认可。在IDC对医院使用医学影像人工智能情况的调查中，部署了医学影像AI系统的医院对使用效果总体满意度达到100%。而那些被调查的人还没有。
部署人工智能系统的24家医院中，超过35.3%的受访医院计划在未来一年内布署人工智能。目前中国的医疗影像人工智能系统可用于支持多个领域的疾病诊断，以肺结节和肺癌诊断最为常用，腹部肿瘤、心脏疾病、脑疾病、眼科疾病、皮肤病等辅助诊断都在快速发展。
目前中国药品监督局(CFDA)正在制定有关医疗人工智能系统作为专业医疗器械的认证规范和条 例，目前只有少数几个产品获得了CFDA认证。即便已经获得了认证，人工智能系统在应用中也需要与其他的医疗设备协作，共同提供诊断依据，而不能单独进行诊断。
预计在2018年年底，中国药品监督管理部门将会出台相关标准和规范，用来明确人工智能系统的评估和认证。而当人工智能系统获得了CFDA认证之后，就会进入下一个快速发展阶段。
图表来自IDC白皮书
医疗人工智能生态体系逐步形成
图像识别、神经网络等技术逐渐成熟，让人工智能技术在医疗行业中拥有比较广泛的场景，辅助医疗影像诊断和临床诊断领域中有新兴的创业公司如推想科技，视见科技，汇医慧影等，有方案提供商如东软集团，东华软件等，有系统集成商如中科曙光，浪潮等，也有提供基础设施的AI芯片厂商如英伟达，智能诊断设备如三星等，这些公司初步构成了中国辅助影像诊断行业的生态体系。
图表来自IDC
芯片厂商
辅助影像诊断的关键是使用深度学习识别并提取影像中的特征点，基于大量影像数据进行模型训练。使用图形处理器(GPU)作为加速方案可以大幅提高图像分类的效率，在卷积神经网络框架(Caffe)下，一块GPU可以在一天之内进行几千万次的影像运算。
技术提供商
目前中国人工智能创业公司的业务主要面向应用层，这主要是因为应用层产品变现能力较强，人工智能的引入有助于平衡我国医疗水平不均衡的现状。业务场景也多集中在病灶筛选和语音电子病历等方面，这得益于图像和语音识别技术比较成熟； 而基因测序，药物研发等方面的公司并不多，这主要是因为目前人工智能还处于弱人工智能，数据质量、模型算法还有待进一步优化。
目前辅助医疗影像诊断目前研究较多的领域是肺结节和肺癌等领域的。
解决方案供应商
目前人工智能在医疗行业中的应用一部分以嵌入式系统应用于医疗仪器端，即在医疗设备端使用人工智能技术，优化设备性能。
例如通过动作捕捉技术判断患者康复情况，提供可视化的数据影像展示，为医生制定康复计划提供有力数据支持；另一部分以数据中心里的影像数据、病历等为基础，在辅助影像诊断、辅助临床决策等领域发力。
医疗数据提供方
深度学习特别适合大量数据的应用，例如常规检查产生的大量数据。提高诊断效率和准确度的能力对于疾病的早期诊断和治疗至关重要。对于因为医生短缺导致评估影像和病理切片需要耽搁很长时间的地区，可以派上很大的用处。
作为医疗影像提供方的基层医院、专科医生、省级医院和新兴的独立影像中心对人工智能辅助影像诊断系统有迫切的需求。
医疗人工智能平台建设
医疗人工智能平台包括数据资源层、人工智能平台和医疗应用层。数据资源层提供基础数据，通过采集各个科室的医疗影像数据，病历数据等，打通业务系统间的数据壁垒，为人工智能平台提供数据基础。
人工智能平台由计算能力、开源框架、算法和技术构成。计算能力为人工智能平台的运算速度提供保障，以肺结节医疗影像数据为例，每位患者平均拥有20-30张片子，在自动识别肺结节时常用的计算机视觉模型如残差神经网络，它可以使数十层甚至上百层的神经网络的训练成为可能。
除了计算能力外，开源框架和算法的选择也同样占有重要地位，例如选择工程化能力较强的 TensorFlow或在图像方面表现良好的Caffe等开源框架，选择在图像识别方面常用的卷积神经网络(CNN)，循环神经网络(RNN)算法模型等，这些开源框架和算法的选择影响着医疗人工智能应用效果的呈现。
图表来自IDC白皮书
平台模式一：建设独立的医疗人工智能平台
医院利用大量医疗数据建设独立于业务系统的人工智能医疗平台，将分散在各个业务系统中的多源异构数据进行整合，利用自然语言处理技术将临床描述信息转化为结构化语言，生成医疗知识图谱，把宝贵的医学知识和治疗经验保留并快速复制到医疗资源不足的地方。
独立医疗平台的建设周期较长，涉及对接的业务系统较多，在建设过程中面临更多的挑战。
为了获得效果较好的算法模型，通常需要对医疗数据进行标注。即便是采用非监督学习或半监督学习，在早期也同样需要输入标注好的医疗数据进行模型训练。数据标注工作耗费时间长，门槛高，对标注人员有很高的要求。
目前从事数据标注工作的人员以经验丰富的专业医生为主，而且整个过程都是以手动标注完成。
同时，医疗系统IT厂商的协同合作意识有待进一步提高。数据作为医疗发展的“血液”，需要在各个系统间自 由的流转，打通医院各个业务系统间的壁垒是医疗人工智能系统发展的关键。
平台模式二：建设嵌入式医疗人工智能平台
医院原有信息化系统作为支撑医院正常运行的业务系统，结构复杂，改造成本巨大，市场上新兴的人工智能医疗诊断系统很难代替原有业务系统。多数情况下人工智能系统提供服务接口，对接到原有业务系统中，将人工智能技术与原有业务系统有机结合。
以医疗影像为例，疑似病灶的结果输出不需要医生打开另一个系统，而是在原有的影像归档和通信系统(PACS)中提示疑似病灶的信息。这种内嵌式的人工智能模块可以降低系统开发成本，更重要的是这一模式不改变医生原有的诊断流程，操作习惯，可以降低医护人员的学习成本。不改变既定模式的人工智能系统更容易被医院方接受，系统的使用率较高。
采用嵌入式人工智能平台不依赖原有系统的数据。在数据的重要性日益凸显的现在， 无需开放原有系统的数据库，既可以确保原有医疗系统的数据安全，又可以增加各厂 商间配合力度，有利于人工智能技术在医疗行业中的推广。
模式对比：独立搭建医疗人工智能平台与嵌入式医疗人工智能平台
医疗人工智能平台的发展很大程度上依赖于医院原有信息化程度。
人工智能发展的基础是数据，医院方需要大量的历史数据支撑医院医生的科研工作、病历分析、治疗方案制定等方面的工作。医疗系统IT厂商的协同合作意愿影响着人工智能技术在医疗机构中 的应用情况。数据作为医疗发展的“血液”，需要在各个系统间自由的流转，打通医院各个业务系统间的壁垒是医疗人工智能系统发展的关键。
同时，产品的设计需要符合医生日常的操作习惯和诊断流程。以超声检测是医生在操作的过程中看到实时影像时就做出诊断，这要求人工智能技术支持实时诊断，对计算能力有了更高的需求。如果按照传统的先采集后识别，有违医生的操作习惯和诊断流程。因此人工智能技术在医疗行业的发展不仅依赖技术的发展，也需要对行业理解深入的人才。
医疗领域对人工智能技术提出了更高的要求。医学是一个系统且完整的体系，当前人工智能公司在医疗领域的研究很多都集中在单一病种的识别，这对学术研究是具有价值的，但单独研究单一疾病的人工智能辅助诊断对实际临床工作意义不大。
医疗机构表示，单一病种的识别对他们的吸引力有限。人工智能技术需要满足临床的基本应用，支持某一器官绝大多数疾病的识别或支持某一系列疾病的识别时，才有可能产生商业价值，从而进一 步推动相关的研究，产生持续的经济效益。
图表来自IDC白皮书
三大关键要素
医疗人工智能系统的建立和应用中需要处理好如下三个关键要素，克服处理三个要素中面临的挑战，才能取得成功。三个要素如下:
数据，即用于机器学习从而建立智能的数据，包括病历的各类数据、医疗影像数据等。机器学习/ 深度学习算法模型，是构建自动化辅助诊断的关键技术。人工智能平台，即用来支撑机器学习训练和系统运行的平台。数据
医疗大数据主要包括医学教科书、病历尤其是针对某类疾病的病历、数字化医疗影像、学术论文等。对于医疗影像人工智能系统来说，则是需要数字化影像数据，包括CT、MRI、超声、病理等影像数据，作为机器学习的原料。因为病历数据、数字化医疗影像数据等属于医院的知识财 产，所以人工智能系统的知识产权归属原则和管理方法，需要在实践中不断探索。
医疗数据种类繁多，来源广泛，数据格式千差万别。 所以，快速处理数据的收集、集成和加工用以保障人工智能模型的训练和学习，这是开发人工智能系统需要克服的基本挑战。
目前影像人工智能辅助诊断系统在医院落地使用的时候，通常需要利用该医院的影像数据重新学 习，以及需要挑战模型参数，才能适应医院的需求。这是因为在影像数据这一关键因素中，目前各家医院之间因为在影像生成中采用的标准不一致。
例如关于显影剂的服用量标准、设备参数设置不一致造成影像灰度的差别等，造成各个医院之间针对同一个患者的影像数据不同，用来支持机器学习的时候，其模型参数也会不同。为了能够加大人工智能系统的适用性，需要在开发人工智能系统的时候能够快速集成多方来源的数据，从而训练出更加精准、适用性更广的人工智能系统。
深度学习算法模型
除了处理数据之外，选用或开发深度学习的模型算法也是发展过程中的一大挑战。目前深度学习的算法很多，但是这些算法很难直接应用，而是需要做 一定的改进开发，然后应用到数据训练中，并在训练中不断的改进和完善，才能使算法模型越来越精确。所以，选择合适的算法或者开发算法、以及建立算法调整和改进的平台系统，这是人工智能系统成功的要素之一。
未来五年中AI系统会成为医院的标配系统。医疗人工智能系统在未来发展中，将逐渐从目前以技术推动为主转变为临床需求拉动为主，从当前起步阶段的支持临床诊断而逐步转变为支持临床治疗，到逐渐支持手术规划、治疗方案制定等工作中。
由于医疗人工智能系统具有非常强的专业性，需要开发者搭建好人工智能开发平台，并很好地集成和使用医院的医疗数据进行深度学习，然后在医院里建立人工系统的运行平台，支持临床科室的日常使用。建立医疗人工智能系统是一个系统工程，建议人工智能系统的开发者坚持一定的工作原则方法，从而加快开发速度并提高人工智能系统的精确性和可靠性。
人工智能平台的计算能力
构建一个算力强大的计算平台是人工智能开发成 功的根本要素之一。因为深度学习中需要非常巨大数量的数据输入给训练模型，训练模型则需要进行巨大规模的运算来训练模型使其具有智能，所以人工智能平台的计算能力(算力)是其成功的一个关键要素。
目前，人工智能计算平台主要使用GPU芯片，医学影像人工智能系统更是依赖于GPU来进行训练和学习。也有一些AI系统使用CPU、FPGA、高性能处理器(TPU)等芯片。
目前各大服务器厂商也都开发了用于机器学习和运行人工智能系统的服务器，例如戴尔、新华三、联想、浪潮等服务器厂商。NVIDIA推出了计算平台微笑的斑马，打包集成了NVIDIAGPU的计算能力，为深度学习和人工系统运行提供支持。
人工智能平台的计算系统目前大多使用开源系统， 在开源系统上做出定制化开发以满足自己产品的需要。目前使用的主流开源系统有TensorFlow，分布式机器学习工具包(DMTK)，Caffe等。
在开源平台上进行定制化开发，需要非常强大的开发能力，对于开发团队的技术水平要求非常高。（本文首发钛媒体，jqdxtg编辑整理）
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App