展望未來，人工智能系統將會改變診療模式，提高醫療服務供給能力并提升診療水平，促進整個醫療健康行業運營模式的轉型。但如何用加速現有人工智能系統的開發和應用，是一大難題。
對此，全球最大的GPU企業NVDIA(英偉達)，組織專家團隊編撰了《NVDIA醫療AI》這份白皮書，并對醫療人工智能企業給出了以下三項建議：
1、先從醫學影像人工智能系統的開發和應用開始，在此基礎上，進一步集成更多類型的數據例如病歷數據、檢驗檢查數據、患者日常健康監測數據等，從而構建更加豐富和全面的醫療大數據，為開發更豐富的人工智能系統打好基礎。
2、隨著人工智能技術的不斷深入發展，專業性的醫療人工智能平臺逐漸涌現出來，建議選用專業性一體化的平臺，從而節省平臺搭建和調試的工作，更加專注于模型的訓練以及系統的應用，同時所開發出的人工智能系統也具有高可靠、高效率的性能。
3、在醫院建立專業性醫療人工智能平臺的基礎上，與醫院的臨床科室密切合作，選擇適合的疾病種類進行其診斷和治療系統的開發，從而提高診斷和治療的效果。
事實上，英偉達的這三項建議，是基于現有醫療人工智能系統的開發和運行的三項工作要點。即：建立醫療大數據系統、開發人工智能算法和模型和建立專業的人工智能平臺。具體包括：
1、建立能夠處理和集成多數據源、多種格式的大數據系統：在醫學影像人工智能系統中能夠處理多種醫療設備例如CT、MR、X光、超聲等輸出的影像數據，進行專業的數據標記，以及進行大量的運算。
2、建立專業的深度學習模型，可以選擇專業的開源模型也可以自己開發建立模型。模型在深度學習訓練和人工智能系統運行中需要不斷地升級改進，從而保障模型的精準性和可靠性。
3、建立專業的人工智能算平臺，包括硬件平臺的搭建和計算系統的建立。整體的平臺也可以采用專業性一體化的平臺模式，即打包集成了芯片、服務器、計算系統、算法模型軟件以及人工智能應用系統和云服務的一體化平臺。
總之，以提供強大計算能力和可靠穩定性作為建立計算平臺的基本原則，同時也能夠與深度學習軟件順暢集成，從而提高人工智能系統開發和運行的整體運算性能。
除了前文提到的三項建議，在這份白皮書中，你還能深入了解到目前醫療人工智能在醫院的使用狀況、醫療人工智能的生態圖譜，以及醫療人工智能平臺建設的兩大模式等信息。以下內容，便節選自這份干貨十足的行業白皮書。
醫療人工智能落地醫院的使用狀況
醫療人工智能在全球的多個國家均在快速發展。截至2018年上半年美國食品藥品監督管理局(FDA)已經批準人工智能相關產品9項，包括自動監測預警類產品和輔助診斷類產品，許多醫院已經應用了這些產品。
日本的醫院開始實驗和試用人工智能系統，尤其是在影像輔助診斷領域，從而提高日本的醫療服務的供應能力。
中國已有近千家醫院部署了人工智能系統，其中超過一半的醫院部署了醫學影像人工智能系統。目前中國有超過100家醫療人工智能公司，其中約有40家企業屬于醫學影像AI公司。
一些人工智能系統部署在醫院內部，直接為臨床科室提供輔助支持，例如推想科技的醫學影像人工智能系統已經在上海長征醫院、武漢同濟醫院等地部署;一些人工智能系統則是部署在云上，為基層或者西部地區的醫院提供遠程的輔助診斷服務。
例如萬里云“DoctorYou”人工智能醫學影像平臺可以為幾百家基層醫院提供遠程咨詢服務;也有一些系統可以提供給患者使用，例如一些皮膚病人工智能系統可以通過APP來為患者提供輔助診斷服務。
醫療人工智能系統經過初步發展和使用之后已經獲得了醫生的廣泛認可，在IDC的一項針對醫院使用醫學影像人工智能輔助診斷的調查中，已經部署醫學影像AI系統的醫院中，對于使用效果總體上滿意的比率達到100%;而在被調查的還沒有部署人工智能系統的24家醫院中，超過35.3%的受訪醫院計劃在未來一年內布署人工智能。
目前中國的醫學影像人工智能系統可用于支持多個領域的疾病診斷，以肺結節和肺癌診斷最為常用，腹部腫瘤、心臟疾病、腦疾病、眼科疾病、皮膚病等輔助診斷都在快速發展。目前中國藥品監督局(CFDA)正在制定有關醫療人工智能系統作為專業醫療器械的認證規范和條例，目前只有少數幾個產品獲得了CFDA認證。
即便已經獲得了認證，人工智能系統在應用中也需要與其他的醫療設備協作，共同提供診斷依據，而不能單獨進行診斷。
預計在2018年年底，中國藥品監督管理部門將會出臺相關標準和規范，用來明確人工智能系統的評估和認證。而當人工智能系統獲得了CFDA認證之后，就會進入下一個快速發展的階段。
醫療人工智能平臺建設
醫療人工智能平臺包括數據資源層、人工智能平臺和醫療應用層。數據資源層提供基礎數據，通過采集各個科室的醫療影像數據，病歷數據等，打通業務系統間的數據壁壘，為人工智能平臺提供數據基礎。
人工智能平臺由計算能力，開源框架，算法和技術構成。計算能力為人工智能平臺的運算速度提供保障，以肺結節醫療影像數據為例，每位患者平均擁有20-30張片子，在自動識別肺結節時常用的計算機視覺模型如殘差神經網絡，它可以使數十層甚至上百層的神經網絡的訓練成為可能，這對計算能力提出了很高的要求，龐大的數據量致使計算機的運算時間變得漫長，因此搭建一個超算平臺不僅能縮短運算時間，也能提升醫療的效率，降低患者的等待時間，這在臨床應用中可謂至關重要。
除了計算能力外，開源框架和算法的選擇也同樣占有重要地位，例如選擇工程化能力較強的TensorFlow或在圖像方面表現良好的Caffe等開源框架，選擇在圖像識別方面常用的卷積神經網絡(CNN)，循環神經網絡(RNN)算法模型等，這些開源框架和算法的選擇影響著醫療人工智能應用效果的呈現。
技術的選擇與應用息息相關，在輔助醫療影像診斷應用方面選擇適合現有數據質量的圖像處理、圖像識別的技術，例如在圖像質量較差時，采用圖像處理中的增加技術提升圖像質量等;在語音電子病歷應用中選擇語音識別、語義理解等技術，幫助醫生通過語音輸入的方式完成病歷的撰寫工作。
醫療人工智能平臺的建設輔助醫療機構提升服務水平，平衡醫療資源，緩解就醫壓力，特別是醫療資源匱乏的區域。醫療機構根據自身信息化水平選擇不同的建設模式，幫助提升自身的醫療服務水平。
平臺模式一：建設獨立的醫療人工智能平臺
醫院利用大量醫療數據建設獨立于業務系統的人工智能醫療平臺，將分散在各個業務系統中的多源異構數據進行整合，利用自然語言處理技術將臨床描述信息轉化為結構化語言，生成醫療知識圖譜，把寶貴的醫學知識和治療經驗保留并快速復制到醫療資源不足的地方。
獨立醫療平臺的建設周期較長，涉及對接的業務系統較多，在建設過程中面臨更多的挑戰。
為了獲得效果較好的算法模型，通常需要對醫療數據進行標注。即便是采用非監督學習或半監督學習，在早期也同樣需要輸入標注好的醫療數據進行模型訓練。
數據標注工作耗費時間長，門檻高，對標注人員有很高的要求。目前從事數據標注工作的人員以經驗豐富的專業醫生為主，而且整個過程都是以手動標注完成。
同時，醫療系統IT廠商的協同合作意識有待進一步提高。數據作為醫療發展的“血液”，需要在各個系統間自由的流轉，打通醫院各個業務系統間的壁壘是醫療人工智能系統發展的關鍵。
平臺模式二：建設嵌入式醫療人工智能平臺
醫院原有信息化系統作為支撐醫院正常運行的業務系統，結構復雜，改造成本巨大，市場上新興的人工智能醫療診斷系統很難代替原有業務系統。多數情況下人工智能系統提供服務接口，對接到原有業務系統中，將人工智能技術與原有業務系統有機結合。
以醫療影像為例，疑似病灶的結果輸出不需要醫生打開另一個系統，而是在原有的影像歸檔和通信系統(PACS)中提示疑似病灶的信息。
這種內嵌式的人工智能模塊可以降低系統開發成本，更重要的是這一模式不改變醫生原有的診斷流程，操作習慣，可以降低醫護人員的學習成本。不改變既定模式的人工智能系統更容易被醫院方接受，系統的使用率較高。
采用嵌入式人工智能平臺不依賴原有系統的數據。在數據的重要性日益凸顯的現在，無需開放原有系統的數據庫，既可以確保原有醫療系統的數據安全，又可以增加各廠商間配合力度，有利于人工智能技術在醫療行業中的推廣。
京公網安備 11010502049343號