本文以医疗人工智能平台为讨论主题，分析了其中的建设要点、应用关键要素，以及不同平台模式之间的异同对比。

随着人工智能技术的不断深入发展，专业性的医疗人工智能平台逐渐涌现出来，建议选用专业性一体化的平台，从而节省平台搭建和调试的工作，更加专注于模型的训练以及系统的应用，同时所开发出的人工智能系统也具有高可靠、高效率的性能。

在未来医疗大融合的背景下，搭建的平台应具有弱耦合、强兼容的特性，满足人工智能系统与医疗设备以及医院信息系统之间的兼容和集成需求，提升医疗人工智能系统的性能。

在医院建立专业性医疗人工智能平台的基础上，与医院的临床科室密切合作，选择适合的疾病种类进行其诊断和治疗系统的开发，从而提高诊断和治疗的效果。

先从医学影像人工智能系统的开发和应用开始，在此基础上，进一步集成更多类型的数据例如病历数据、检验检查数据、患者日常健康监测数据等，从而构建更加丰富和全面的医疗大数据，为开发更丰富的人工智能系统打好基础。

01 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。

（1）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。

（2）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，这对计算能解决方案供应商提供医疗解决方案的公司大多数是具有综合医疗信息化经验的公司，这些公司在医疗行业深耕多年，对医疗行业的业务流程比较熟悉，在发展人工智能医疗影像方面有天然优势。

这些公司对医院的应用场景、医生的诉求有比较深刻的理解，可以快速将人工智能技术与需求结合，形成满足医生需求的产品。此外，这些公司具有较为广泛的客户渠道和稳定的合作医院，能够更容易将人工智能系统在医院内部推广、落地。

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。

这些公司以原有业务为立足点，有多年技术积累为自身优势，纷纷扩展新业务领域，扩展医疗人工智能新领域。

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。

中国的医疗影像数据处于从传统胶片向电子胶片过度的阶段，影像数据信噪比相对较低，即便医生经历长期的专业训练，诊断结论也往往受到医生自身经验、疲劳程度和耐心程度等因素限制。

深度学习使用非监督或半监督的特征学习和分层特征提取高效算法来代替手动获取特征，虽然存在一些不可抗拒的因素，如数据质量存在较大差异，但在一定程度上减少上述人为因素导致的诊断不一致性，降低误诊率。

医疗人工智能平台建设 15 医疗人工智能平台的建设辅助医疗机构提升服务水平，平衡医疗资源，缓解就医压力，特别是医疗资源匮乏的区域。

医疗机构根据自身信息化水平选择不同的建设模式，帮助提升自身的医疗服务水平。提出了很高的要求，庞大的数据量致使计算机的运算时间变得漫长，因此搭建一个超算平台不仅能缩短运算时间，也能提升医疗的效率，降低患者的等待时间，这在临床应用中是至关重要的。

来源： IDC人工智能平台架构, 2018

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。

02 医疗人工智能系统的建立和应用三个关键要素

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、平台计算能力、深度学习算法模型。

1. 数据

医疗人工智能系统需要医疗大数据作为基础，通过机器学习等技术形成一定的智能，用来提供辅助诊断和辅助治疗的功能。

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。

对于医学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。

2. 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。

因为AI系统处于起步阶段，所以目前医院用应用的人工智能系统其模型算法与实际的需求仍然有不完全相符合的问题，需要不断的改进。算法模型的改进也是不断把AI系统推向更加精确的一项重要工作。如下图所示，根据调查，目前医院中使用的AI 系统都需要不同程度的改进或升级算法。

3. 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 也开发了用于人工智能系统的开发和运行的超级计算机DGX。

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，因为开发水平决定着计算平台的计算能力和计算效率，决定着人工智能系统的精准性。

NVIDIA推出的专业计算平台Clara，很好地打包集成了NVIDIAGPU的计算能力，并集成了多种机器学习模型，能够为深度学习和人工系统运行提供专业的支持，也能为处理影像数据并进行机器学习提供专业工具。

03 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。

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。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。

作者：Rolia， 前海康博士联合创始人兼产品总监

本文由 @pms-rolia 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议