經歷了多年發展，醫療人工智慧進入了發展的深入區，行業發展已經從概念普及發展到產品驗證、落地、審批、商業化方面的探索，賦能的領域也從影像發展到疾病預測、慢病管理、醫療質控、藥物研發等方面。
人工智慧在跟器械、醫院、政府等各方合作中，慢慢推動了智慧化醫療器械標準預研與制定、行業資料庫建設、技術評測與臨床試驗方法研究、公共服務平臺構建等。
展望未來，雖然醫療人工智慧2019年的發展雖然遇到了種種困難，但人工智慧將在醫療領域發揮的重要已經得到醫療行業的認可，正在潛移默化的改變醫療手段甚至醫療模式。
2019年，醫療AI的發展到底如何，動脈網和元璟資本聯合主辦的2019未來醫療100強大會醫學人工智慧論壇給予了思考與答案。
在醫院內研發醫學影像AI工具的探索
北京大學第一醫院醫學影像科主任 王霄英
好的AI產品和服務能為醫院的降費增效做出的貢獻，所以醫院應積極與企業、高校合作，為醫療AI的應用提供好的空間。
在醫院內研發AI，並不是為了獲得AI產品，而是以AI專案促進醫療工作流程的最佳化，為AI技術在醫院落地做出努力。專業的事情應該交由專業的人來做，醫院需要與學術界、產業界合作，共同實現AI的價值。
醫院應該適應新技術而改變自身。目前醫學影像科並沒有為醫療AI的應用提供足夠好的環境。
首先，傳統的醫療工作流程不適應現代化資訊工具的植入，我們正努力做到將PACS/RIS與AI整合。
其次，醫療資料的產生、收集和處理的過程不規範，非結構化資料、語義不清晰的資料、個性化採集的資料等均影響AI的效能。只有改變醫務人員的工作習慣，規範的醫療行為才能產生規範的醫療資料。第三，傳統的醫學影像報告不利於AI結果的呈現，我們正在嘗試以結構化報告、圖文報告等方法釋出結果，提高AI的顯示效果，提升患者體驗。
AI領域的工作也要拓寬思路。AI賦能醫療的領域絕不僅僅只有影像的識別與判讀，考察醫療服務的指標包括：質量、安全、效率、人的體驗等，這些都是改善醫療服務的剛需。
王霄英主任表示，醫院研發和使用產品，並不會考慮商業化進而把它研發成為產品，同時也不會像大學一樣重心放在演算法模型的鑽研。醫院更在乎的是實用性，無論使用的資訊化工具、智慧化工具採用何種技術，如深度學習、機器學習或者基於規則的程式，只要好用、易用就好。
醫院與學術界、產業界合作有自己堅守的底線，最重要的是依法合規。AI科學研究專案需要有正規立項，經過機構倫理委員會批准後方可執行。
AI臨床服務需要遵守國家衛健委醫政醫管局的醫療技術臨床應用管理規定，符合衛健委對醫療機構的基本要求、對人員的基本要求、對技術管理的基本要和培訓管理要求。
另外，資料安全也是頭等大事，北京大學第一醫院從不允許任何人或組織未經批准下載複製醫療資料。在法律法規的管控下做工作，才能保證AI在醫院持續健康的發展。
IBM Watson Health 助力健康生態體系轉型
IBM大中華區首席醫療顧問 李明
上週Watson Health的總裁Paul Roma在IBM官網部落格發表了一篇文章，展望2020年醫療行業的發展趨勢。他認為未來的趨勢和過去十年醫療核心目標沒有改變，還是以提高患者的就醫體驗、提高效率、降低醫療成本為目標。但是整個醫療行業發展的趨勢是不斷轉向包容，基於價值的健康服務體系。
所謂價值醫療、價值健康，簡單理解就是成本效益的關係，花最少的錢辦更多的事情。事實上醫改的目標是給大家提供適宜的醫療技術，而不是所謂的最好的醫療技術。這其中基於價值的健康體系包含了個人醫療價值和群體社會價值、技術價值和資源的配置價值。
所以在基於價值的健康體系中一定有更多的參與方和要素參與。背後一定是以技術進行驅動，這些技術包含了人工智慧、區塊鏈、雲端計算、物聯網和量子計算等。如果沒有大資料、演算法創新、算力增長，人工智慧便不會在新的浪潮重新起來。
雲端計算能更大的降低其使用基本，區塊鏈讓更多的參與方便捷獲取資料，而不是將資料集中在一處。量子計算機的出現相對於現在的計算機來說類似一種核武器和常規之間的差異，IBM率先量子計算機的商業化生產。
數字化療法，直接對患者實施軟 件生成的干預措施，旨在預防、管理或治療生理失調或疾病。是對傳統治療方式的有益補充。也涉及了醫保支付方，生命科學領域的應用。
優勢包括:為患者提供更準確的治 療方案，透過預防、早期干預及更出色的基於價值的醫 療模式，降低疾病總體發生率。
IBM Watson Health其不僅僅應用在腫瘤領域，在整個健康醫療體系中多個領域還有很多應用。
比如，在保險支付方領域有醫療支付方案、政府醫療健康、社保與關愛服務解決方案、以及腫瘤學與基因組學解決方案、醫療服務提供者解決方案、生命科學解決方案、醫學影像解決方案等。
生命科學領域在中國市場主推 IBM clinical development 方案，能有效地縮短臨床實驗週期。Micromedex 為臨床醫生和藥學研究人員提供實時、全方位藥學資料庫。
基於IBM Watson Health SPM的健康管理服務運營平臺為慢病管理和健康管理提供智慧的、整合的方案。至於大家比較熟悉的Watson 腫瘤解決方案已經為中國超過5萬腫瘤患者提供了幫助。
數字醫生提質增效心腦疾病診療
數坤科技創始人兼CEO 馬春娥
我們認為人工智慧和人類的醫生不是互相替代的關係，而是人機協智的關係。醫生和醫療AI產品的協同工作，在診療效果、效率、患者體驗方面的效果都要優於醫生。醫療AI作為一種工具是可以提供更好的醫療服務的。
比如，10月16日，平谷區“衛生健康資訊化聯合研發應用中心”正式成立，包括華為、中國移動、數坤科技、平安集團等共8家科技企業，與平谷區衛健委簽署合作協議，結合以北京友誼醫院、北京中醫院等打造的醫聯體，平谷區與醫院、科技企業共同打造“平谷智慧醫療模式”，用人工智慧和資訊化等技術，當好基層人民重大疾病守門人。
2019年12月份，北京市衛健委牽頭，聯合平谷區衛健委以及京津冀基層區衛健委，將心肺腦輔助診斷平臺納入了中國健康行的專案。在活動現場，京津冀有25個基層的區衛健委跟數坤科技簽約，啟動京津冀基層醫學影像人工智慧中心。
我們希望把這些在協和、安貞等大醫院用得好的技術應用在基層。國家醫改政策中把冠心病、卒中作為重要的管控目標寫進健康2030規劃中。
而基層缺少相應的技術人員和優秀的醫療專家，所以需要引入人工智慧作為第一道守門人，並與大三甲醫院聯通，提供堅實的支撐。數坤科技希望利用技術的力量將這些疾病的發病率控制下來。
醫療AI產品從產品驗證年，進入市場驗證年
蛋殼研究院執行總監 羅仕明
飛利浦創新中心高階總監 曾永勤
2019年人工智慧的發展已經進入了深水區，醫療AI迎來商業落地的考驗，各大產品紛紛進入臨床應用、嵌入醫院的工作流，啟動付費市場；醫療AI產品從產品驗證年，進入市場驗證年。
為此，2019年動脈網聯合飛利浦一起，從AI在醫院端的應用場景出發，以產品的商業化落地為目標，探究了2019年醫療AI應用的最新進展；考察物件包括近200家創新企業，透過採訪調研、實地考察、問卷調查、專家訪談等多種方式獲取豐富的一手資訊，綜合分析行業現狀，分析角度包括產品屬性、落地進展、商業模式、政策、資本、招投標等多個維度，並撰寫了《2019中國醫療人工智慧報告》，這是繼動脈網過去三年連續釋出醫療AI年度報告以來的第四份報告。
該報告提供的主要內容包括：
第一，以醫院診療流程的資料流為主線，圍繞人工智慧在醫院的各個應用場景，分享了40餘家創業公司的方案和實踐，並提出了整合式全流程AI醫院；
第二，更新了被訪企業在2019年的應用資料；
第三，從商業模式的不同維度，分析了醫療AI各種應用的潛在的商業模式；
第四，統計了醫療AI 40多家醫療AI市場部負責人的背景、分析了各公司2019年進行市場推廣的策略；
第五，根據醫院的招投標資料和企業的投融資資料，從側面驗證了市場的接受度。
人工智慧賦能價值醫療
杏脈科技總裁兼CTO 房劬
價值醫療通俗的講類似於企業經營中的投入產出比的概念，在保證醫療效果的前提下，減少醫療支出。這樣的概念非常契合現如今醫保控費的大環境。
比如，心腦血管的參保人數佔總參保人數的比重不超過5%，但是心腦血管的疾病卻佔用了超過一半的基金數額，總的來說心腦血管疾病的醫保負擔非常重要。其中以心臟支架為代表的高值耗材是影響心血管支付的重要因素，目前醫保局透過耗材零差價、集中採購、反腐的方式來降低高值耗材的價格，這都起到了明顯的降低了心腦血管疾病診療的成本。
同時，杏脈科技則希望透過技術手段，在保證診療質量的前提下，更合理的規劃支架的使用。
美國2017年心臟學會FFR診斷指南支出，可以透過FFR的測量更合理的指導支架的使用，同時能夠保證手術質量。但受限於有創FFR測量費用昂貴、有創、輻射等原因，此項技術一直未能在國內廣泛開展。
杏脈科技透過DSA資料與CTA影像的結合訓練，融合應用深度學習技術、血流動力學等多種創新手段進行深度研發。貼合臨床需求，延續流體力學模擬的思路，在傳統計算方式基礎上自研了一整套全自動網格劃分技術及自主研發的CFD求解器，使原本需要4-6小時才能完成的流程縮短到了10分鐘，且整個過程不再需要流體力學工程師介入，同時保證了精度。
在此基礎上，杏脈科技更進一步研發了冠脈搭橋術前規劃系統。受限於冠脈搭橋手術的難度，術前醫生很難確定取多長的橋血管，取的越長對病人的損傷會越大，但取的太短可能起不到引流的效果。
另外，以什麼位置作為搭橋的起點，什麼位置結束，序貫橋的順序如何決策，都是面臨的問題。有經驗的外科醫生可能在大腦中模擬出搭完橋手術之後血液流動變化的情況，但很多醫生並沒有這個經驗。
透過杏脈自主研發的冠脈搭橋術前規劃產品。醫生可以在平臺上直接透過滑鼠去選取橋血管長度、管徑、搭橋的起始點、終點，之後可以在5到10分鐘之內模擬出血流在管橋中的變化，包括壓力的變化，以及壁面切應力的變化。
壁面切應力對管腔有非常大的影響，並與術後血管的再閉塞強相關，這幾個引數綜合起來可以很好的對心外科醫生做指導。
深度卷積網路與醫學影像處理
小白世紀首席科學家 黃高
經過多年的發展深度卷積網路技術已經有了飛速的發展，其與醫學影像的結合也有了很多的實踐，但是當我們用演算法處理真實世界中的醫療資料還是會面臨很多問題：
第一，可解釋性，醫生希望依靠深度卷積網路進行輔助診斷，不僅要給出結果，還要可解釋，因為醫療的嚴謹性決定了醫生必須要尋根問底。
第二，資料模態的多樣性，醫療資料除了影像還包括文字等資訊。
第三，因果推理，這在在AI領域是非常有挑戰性的問題，相關性可以透過各種演算法判斷出來。比如，抽菸到底會不會引發肺病，透過資料能看出相關性，但怎麼從資料裡邊找到因果性。
第四，AI模型在不同裝置、不同中心之間的遷移。第五，AI演算法與醫學知識的結合。
“AI+醫療”行業創新的三大機會
元璟資本合夥人田敏
縱觀近年來醫療行業創新現狀，我們認為，中國“AI+醫療”市場目前還處於相對早期階段，然而隨著政策的持續利好和技術的深入探索，我們看好將AI資料與醫療技術相結合的各個領域
在我們看來，在醫藥和醫療領域，AI技術均能發揮重要作用，這其中包括醫藥相關的藥物發現、藥物合成、臨床前CRO、臨床CRO，以及與患者密切相關的早診早篩、病歷診斷、疾病診斷和後期康復的醫療產業鏈。
對比2017年、2018年及2019年AI醫療醫藥領域融資事件，我們發現，在病情診斷、治療康復和藥物研發這三個領域，融資數量最多的是病情診斷領域，這其中醫學影像輔助診斷佔比高達80%，成為名副其實的紅海領域。
診斷領域，尤其是在影像診斷領域，自2016年開始就有無數多家公司湧入，在各個影像領域創業。但是該領域早期的技術壁壘並沒有想象中的高，而後期商業模式的探索和發展路徑卻很長。不過，針對疾病的早篩、早診，尤其是缺乏醫療水平的基層，AI起到的作用非常大。
康復領域主要是基於人體各項資料進行的慢病管理，目前國內已經有公司在該領域進行嘗試。近年來，隨著中國人口結構老齡化加劇，老齡人群康復服務需求增長，未來可穿戴輔助康復裝置和慢病監測管理具有較大的市場空間，我們也在持續觀望該領域的新機會出現。
而在藥物研發領域，目前中美之間仍然存在較大差異，美國大量的醫療AI公司都集中在藥物研發的領域，中國近兩年也出現了海歸團隊/本土團隊開始藥物研發領域的各種嘗試。
相對而言，中國目前還處在這個領域發展的早期階段，但市場潛力巨大，AI技術賦能藥物研究領域技術壁壘較高，企業前期需要建立起和大公司的技術合作能力，而後期則要靠持續的資料積累和商業模式的構建，才能建立起自己的行業壁壘。
用AI打造以隨訪為入口的醫療後花園
健海科技CEO汪健
健海科技主要利用人工智慧輔助病人隨訪和病人慢病管理。
整個醫療分為健康、診前、診中、診後、康復市場。其中診前、診中被大眾所熟知，但是診後的病人出院，再到回醫院門診複診的過程在整個醫療體系中不被關注。健海科技則主要定位診後市場。
診後病人管理的問題是工作量太大，國家的政策希望家庭醫生去管病人，現在網際網路醫療中慢病管理的業務也是交由醫生來負責，但是我認為這是很難實現的，因為醫生是整個醫療體系中的稀缺資源，所以健海科技希望AI提升醫療行業的產能進而去管理病人。
我們發現在醫院通常負責術後的並病人管理工作的是護士而非醫生，所以我們第一步做的是研發出虛擬護士，作為醫生和患者的中間角色，擔負病人管理工作。
另外，國內現在有大量的研究和指南在臨床路徑，但是病人管理路徑的指南和研究相對較少。目前雖有藉助可穿戴裝置進行慢病和身體檢測，但是並未很好地實現管理。所以健海科技梳理各種病種的知識庫，把病人管理的知識圖譜做出來。
健海科技的做診後病人管理的方法是全病程動態路徑。我們去梳理病人的診後管理路徑，從病人第一次就診，根據他的診斷、用藥、醫囑、檢查檢驗生成病人固定的跟蹤路徑。
當一個病人的治療方案發生變化的時候，後期所有的跟蹤內容都會動態變化，也就是根據手術術後管理方式去管理病人，而不是根據前期的病種方式去管理病人。
為此，健海科技打造了一款智慧AI隨訪系統，核心優勢在於其AI技術——濟世大腦。它擁有智慧輔助互動、智慧輔助判斷、智慧輔助處理引擎，集合深度學習、大資料處理、語音合成、識別、分析等技術，透過電話、微信等途徑輔助醫護人員完成醫院隨訪、滿意度調查、複診提醒、慢病管理等工作。
人工智慧技術驅動的慢病管理創新
第四正規化醫療業務負責人、主任科學家塗威威
第四正規化的特點是用機器尋找海量的規律，因為機器的可複製性非常的強，只要有資料的地方，在AI演算法的幫助下可以不斷的從資料中發現規律。
糖尿病的預防管理存在4個方面核心問題：預測、干預、管理、科普。
為此，第四正規化與瑞金醫院聯合釋出的“瑞寧知糖”和“瑞寧知心”等慢性病管理產品，可在具備簡單輸入指標的情況下，評估並預測普通使用者糖尿病及糖尿病心血管併發症等常見疾病至少未來3年間的患病風險、危險因素，給予個性化干預方案，幫助使用者進行長期自我管理。
該系列產品對世界衛生組織定義的慢性病三級預防均有針對性支援，依靠第四正規化領先的人工智慧技術和瑞金醫院前沿的代謝病研究，該系列產品具備篩查準確率高、模型預測指標具備醫學解釋性、個性化干預方案、可長期自我管理等應用特點。
作為一家技術公司，我們並不懂醫療，所以我們覺得應該找到自己對應的位置，在產品研發過程中只負責技術層面的事情，把我們從資料中挖掘規律的能力把這給到合作伙伴，並將這一能力賦能醫保、商保、健康管理、輔助診斷、醫學影像以及藥物研發等醫學領域。
如何讓醫療AI變得可信
愛醫聲聯合創始人、清華大學副研究員閭海榮
醫療AI發展到現在，有很多進展，但能進入實用的很少，這裡面，醫生們認為AI產品不可信、體驗不好，是主要原因。之所以不可信，有以下幾方面原因：
第一，資料問題。源頭的資料質量不高、不可信，很難保證訓練出來的模型、演算法可信。
第二，機器學習黑盒/黑箱子的問題。如果我們訓練出來的模型發生了偏差，尤其是系統性的偏差，那就很恐怖；診斷出現了問題，但並不知道中間的邏輯過程。這樣的缺陷使得很多使用者、醫生、行業的從業人員對自己訓練出來的模型，自己也沒有多大的信心，更不太可能讓醫生去用。
比如，現在在學校實驗室利用AI做病理研究，訓練出來的模型演算法準確度能達到99.9%以上，但是將產品用到臨床裡面的時候，並不具備太高的臨床可用度。
因為醫生看病問診是根據指南和經驗，以及他看過的歷史病例來做診斷。只有將專家系統、機率圖網路、知識圖譜這些相關的過程對映到模型裡面，醫生才會有用的信心。
如何讓醫療AI變得可信？我認為有以下幾個角度：
第一，知識管理。把醫生的指南、臨床的知識庫輸入到系統裡面。這方面IBM Watson做的很好
第二，知識圖譜構建。機器錄入資料之後可以構成高質量的知識圖譜。
第三，案例學習。將傳統的透過資料學習的方式構建模型與構建的案例庫結合起來。
第四，將以上體系跟使用者很好的互動起來。所以最關鍵的工作是打造全棧視覺化的互動和解釋的體系。透過這樣的方式可以讓背後的邏輯、知識跟醫生、普通使用者之間進行非常好的互動，而且是及時的互動。
全棧AI打造的幾個核心的能力包括：聽、說、看、思考、學習、互動。
深度學習輔助決策三類創新藥醫療器械開發實踐
矽基智慧總經理胡志鋼
醫療AI發展到現在，審批已經是行業最為關注的重點，這是企業大規模商業化的敲門磚。目前矽基智慧的產品5月份進入三類醫療器械綠色審批通道，12月份，藥監局到公司進行了體系稽核。
關於醫療AI產品的三類證審批，創新醫療器械審批國家藥監局主要關注四個方面：
第一，演算法核心專利要明確證明用在公司的產品中，要把演算法的核心技術闡述清楚，是如何應用在產品中的。
第二，產品定型，把標準資料的來源說清楚，從量化、溯源的角度把事情解釋清楚。
第三，臨床顯著應用的價值，要有真實世界的臨床資料來證明產品確實能夠解決臨床上的問題，並提供給監管部門。
深度學習輔助決策醫療器械軟體審評要點跟其他產品開發思路類似，可分為臨床需求分析、資料收集、演算法設計、驗證與確認等階段，其中資料是最重要的一個點。
資料收集包含資料採集、資料預處理、資料標註和資料集構建等活動。
資料採集更關注資料來源的合規性、資料的多樣性。產品如何與臨床之間更好的契合，資料採集要考慮包括疾病構成、地域、人群分佈、裝置、機構層級、流行病學等因素。
另外資料採集質量評估，資料脫敏程度，資料轉移方式均要符合一定規範要求。
資料預處理：包含資料清洗和資料處理兩部分。預處理需考慮選用的方式方法對產品的影響及其風險，並明確預處理前資料什麼樣子，預處理之後資料變成什麼樣子。此外，進行預處理的軟體工具要經過確認，證明資料處理是可靠的。
資料標註和標註過程中的質量控制。標註人員要明確其資質要求，經過嚴格的培訓和考核，標註過程應當明確資料標註流程與方法，並對標註質量進行持續的量化分析。
資料集的構建：最終透過前面嚴謹的標註出來之後形成了標註資料集，需要把它劃分成不同的訓練集、調優集、測試集。資料集劃分需要考慮的因素包括醫生臨床的經驗、演算法專家對資料集的要求等。
資料集的劃分還要涉及到資料樣本的分佈，臨床的需求。訓練集樣本分佈要均衡，要考慮到各個病種學習的充分性。調優集、測試集要考慮臨床應用場景下真實的疾病分佈，以及是否有其他疾病的干擾因素。