AI醫療作為目前人工智能應用當中對于社會而言最有意義與價值的方向，其技術研發和商業落地層面存在一系列的問題。
深度學習起源于神經網絡研究，從2010年起在計算機視覺、自然語言處理領域得到了廣泛應用，它也是目前最火熱的機器學習方法。影像診斷是現階段國內深度學習在醫療領域主要應用方向之一，基于深度學習高效的診斷使人們對未來醫療產生了無限遐想。
但是深度學習應用于醫療行業卻存在著一些局限性。
“深度學習很擅長視覺和聲音的認知，但是它很難理解深度學習產生的結果背后的理由是什么，比如它得出一個診斷，他知道這是某種腫瘤，它不能給出為什么，它沒有推理能力，沒有解釋的能力。”卡內基梅隆大學的Tom Mitchell教授這樣說道。
深度學習之所以對結果背后的成因無法進行解釋，原因便在于深度學習卷積網絡中的黑箱問題。深度學習的本質是對大量數據進行不受人為干預的數據特征挖掘，而數據的一些特征是超出人類現階段理解能力的，這也就是所謂的黑箱。
黑箱對現代醫學的強邏輯性產生了巨大的沖擊，推導過程的不明也讓醫生對黑箱內容產生質疑，深度學習在醫療行業的應用與發展一定程度上也因為黑箱問題的存在而受到制約。
除了深度學習本身的局限性，在我國醫療領域，作為AI醫療發展基石的醫療大數據在質量上也不容樂觀。
“就像十年前我們討論用數據做知識研究的時候，中國面臨一個最大的問題就是中國的數據質量其實做大數據目前是不太可靠的，不可靠的原因就是疾病診斷不對。
以我們拿到的北京中風病人數據為例，北京能夠收中風病人的醫院是130家，大概每年住院病人14萬人，診斷正確率是72%，另外的28%診斷是錯的。”，北京天壇醫院王擁軍院長在GMIC生命科學如是說道。
基于我國目前醫療資源分配不均的特點，醫療欠發達地區的誤診率將遠超北京。深度學習需要使用大規模數據進行訓練，細微的數據誤差均會為深度學習帶來負面影響。這樣的數據質量不免令人為目前醫療AI做出的結果產生質疑。
另外弓孟春博士提到，我國醫療大數據的質量低下一方面是因為診斷水平不足造成的高誤診率，另一方面還和我國缺乏規范化標準化的臨床術語語義體系有關。不同醫生使用的醫學術語不同，只有做好醫學術語管理，才能挖掘出醫療大數據背后的真正含義。
2018年以來，國內對AI醫療的質疑聲越來越多。除了上述底層技術和數據的問題之外，商業化前景不明也是人們不看好醫療AI的關鍵一點。一種產品能否商業化落地，政策是起到決定性作用的，而我國在AI醫療的相關政策上似乎有點“拖后腿”。
“今年國內向CFDA申報了將近十項醫學人工智能的產品，沒有一個被批準。如果法律上不批準，如果未來不納入醫保，AI醫療的推廣速度將極為緩慢，我想醫療AI落地的最大障礙，還是來自法規的阻礙。”，王擁軍院長提到。
由于對醫療AI底層技術和數據上的質疑，資本與醫療相關機構對醫療AI總體持觀望態度。在沒有融資注血的情況下，商業化又受到政策制約而無法進行自身造血，這將對醫療AI企業造成毀滅性打擊。
目前我國AI醫療的商業化落地在底層技術、數據基礎和政策法規上都受到了一定程度的制約，但從現在到AI在醫療領域取得成功的那一天將極為漫長，對于AI醫療頭部集團之外的公司而言，這漫長的冬天恐怕有些不好熬。
原標題：我國AI醫療商業化落地的三大阻礙：醫療數據質量不樂觀
登錄
立即注冊