从眼科谈起：人工智能医疗走到哪了？

人工智能系统AlphaGo已经在围棋领域证明了自己的能力，在语音识别、人脸识别、机器人、自动驾驶等领域同样取得了巨大的进展。那么，在医疗领域，人工智能究竟进展到什么程度了？

张大磊在这方面算是有发言权的人。他创立的Airdoc，正在探索将人工智能技术应用到医疗领域。

日前，在一场医疗行业会议上，张大磊以眼科为例，描述了人工智能在医疗领域所能发挥的价值，以及目前可以达到的具体效果。

张大磊的观点整理如下（内容有删改）：

眼科是医生稀缺非常典型的医院科室之一，尤其是近年来，眼科疾病病发率持续增高，但眼科医生却非常有限。我将以这个科室为例，讲讲人工智能怎么辅助医生的日常工作。

以糖尿病患者的视网膜病变为例，这是最常见的糖尿病并发症，发病率约为25％～38％，失明几率较非糖尿病患者高25倍并且不可逆，已经成为四大致盲眼病之一。目前全世界有数千万人患有这一疾病。

我国约有1．14亿糖尿病患者，当中很大一部分都有患糖尿病性视网膜病变的风险，所以一般糖尿病病人半年会做一次眼底筛查。

但一个窘迫的现状是，内分泌科医生在这个时候都需要借助眼科医生进行眼底病变会诊，退一步讲，即便内分泌科医生能从眼底图像中看出问题，按照法律规定也不能出眼科的诊断报告。而中国的眼科医生仅有3．6万余名，眼底专业医师就更少了，造成的结果是大多数糖尿病患者不能得到及时的眼底筛查。

这种情况下，人工智能的价值就凸显出来了。

针对糖尿病性视网膜病变，Airdoc做了很多人工智能的探索。我们花费大量时间从多家国内外顶级医院收集了数十万张眼底照片，构建超过100层卷积神经网络，能准确解析原始图像的高阶信息，单次迭代持续训练超过120小时，最终训练出了Airdoc糖尿病性视网膜病变辅助诊断模型，在灵敏性和特异性等主要指标上，获得了和人类医生相当的结果。

（说人话：机器经过很多的影像资料训练，高强度学习，最终高度模拟医生诊断，形成跟医生差不多的影像识别、判断能力。）

这样一来，内分泌科大夫可以利用Airdoc模型对糖尿病患者进行初次眼底筛查，可以快速地将有病变和无病变的患者区别出来，情况严重的，可直接转诊到眼科继续治疗。

斜视也是Airdoc重点关注的领域，经过长时间的数据收集和数据预处理，利用卷积神经网络设计了斜视识别网络，并且通过大量的数据验证模型，经过持续地调整模型的参数，以保证最终训练出的斜视模型在灵敏性和特异性的可靠性。

除了眼底病识别外，眼眶病领域人工智能识别取得了巨大的进展，眼眶病变的体征由于病变性质和部位不同，临床表现也错综复杂。Airdoc的产品可以自动获取眼部区域，并且自动检测角膜，可以准确识别炎症、肿瘤、外伤等病况，可以辅助眼科医生治疗眼眶疾病。

在可以预见的未来，通过深度学习算法的介入，人工智能可以提升资深医生的阅片效率，让其有更多精力投入到学术研究和疑难杂症处理；可以辅助年轻医生进行快速准确的诊断和筛查；也可以助力公共卫生机构及基层医疗机构的大面积疾病筛查。

当然眼科只是一个例子，目前人工智能技术已经可以在多个领域为医疗提供服务，比如：

1、医学影像识别，帮助医生更快更准地读取病人的影像所见；

2、临床诊断辅助系统等医疗服务，应用于早期筛查、诊断、康复、手术风险评估场景；

3、药物研发，解决药品研发周期长、成本高的问题。

早在2012年，在深度学习尚未进入爆发阶段时，Airdoc的研究人员已经意识到基于深度学习的人工智能图像识别能力，可以用在医学图像的识别和分析上。与传统的图像识别算法不同，识别医学图像需要算法具有极高的准确率和可靠性。

我们搭建了多个强大的深度神经网络，通过和顶级医院合作，在大量的医学图像上进行标注和持续迭代训练，使得深度神经网络可以不断从中学习，最终产出灵敏度和特异性与人类医学专家接近甚至持平的识别模型。类似的模式，还被Airdoc引用到了CT、MRI、X光、心电等领域。

在“十三五”规划以及《健康中国2030规划纲要》中，“医学诊断创新”、“智慧医疗”、“健康大数据”已成高频出现词汇。但这些概念究竟如何落到实际的行业中，解决行业的什么问题？我想，优质医疗资源的短缺应该是目前医疗行业最亟待解决的问题之一。

提高效率，在现有的医疗资源供求环境中挖掘“增量”，就是人工智能的重要使命。如何将顶尖医学专家的学识和诊断经验进行快速复制，训练成更多模拟专家诊断路径的“人工智能医学专家”，是摆在医疗机构管理者和科技企业家们面前的是的重要命题。

附：此前，张大磊还曾分享过人工智能在医疗健康领域存在的一些挑战，亿邦动力网将其整理如下：

首先，就是数据质量问题。机器学习所用到的数据其实是训练学习模型的教材，教材的质量最终决定了学习的成果，如何获取高质量的教材是大部分人工智能医疗企业共同面临的问题，临床数据质量不容乐观。

其次，病人的隐私问题。在训练模型和数据预处理之前，患者隐私保护需要每个行业参与者高度重视，Airdoc严格遵循HIPPA，也在和中国主管部门沟通建言推出类HIPPA的信息保护法案，患者隐私保护不容有失。

第三，还有观念问题。基于人文伦理的传统观念影响，接受人工智能医疗这一事实的过程可能比想象的要长。

第四，监管问题。目前对于人工智能医疗健康大数据的使用监管，我国的法规较美国英国澳大利亚等国家而言还有一些差距需要补足。

其余两点为实际落地面临的挑战，分别是跨机构数据模型验证和支付问题。纵观全球，人工智能服务医疗还是相对缺乏成熟的经验。