大數據時代下的人工智能醫療十問十答 -陸訊

1、怎么理解大數據時代下的人工智能健康醫療？
2、智能醫療相比于傳統醫療有什么優勢和劣勢嗎？
3、國內外人工智能醫療的知名公司（醫院）有哪些？
4、人工智能在醫療領域有哪些應用場景？處在階段？
5、人工智能醫療如何保障用戶的安全問題？
6、人工智能醫療行業的產品經理從業方向都有哪些？
7、如何成為一名合格的人工智能醫療產品經理？
8、您所負責過的人工智能醫療產品都是怎樣的？
9、5G會怎樣影響智能醫療行業的發展？
10、醫療行業智能化的未來會是什么樣？

Q1. 怎么理解大數據時代下的人工智能健康醫療？

2025年的一個清晨，一個常態處于上午腦暴、下午撕逼、晚上郵件的產品經理還沒醒，由于緊急發布，兩天沒合眼了，他的頸環檢測到頸部有點僵硬，手環檢測到他的體征數據也出現了異常。

貼心的手環將異常數據上傳到了云端，云端進行100多項體征數據分析后發現這個產品經理生病了，并自動生成了治療建議傳給手環，手環收到云端返回的信息后，向公司的OA系統提交了病假單，同時給他的主人預約了醫生服務，確認醫院、科室、醫生、時間后，手環開始和頸環溝通，讓其預測主人睡醒時間，并喚醒凈水器準備開水，等待主人使用，同時記錄主人的身體異常報告，以預測下一次病變可能的時間點…

這就是醫療大數據！這還只是一個小插曲，醫療大數據了解我們的生活、甚至情感；它通曉主人身體節律、協助制定計劃；它洞悉主人生活細節、深諳醫療異常診斷，時刻提醒主人規避身體風險，周到體貼。

Q2. 智能醫療相比于傳統醫療有什么優勢和劣勢嗎？

早在08年，IBM就提出了“智能醫療”的概念，主要是把物聯網和AI技術結合應用到醫療領域，實現醫療信息互聯、共享協作、臨床創新、診斷科學以及公共衛生預防等，現在由于大數據和5G技術的發力與應用，智能醫療再次變成焦點。

一、智能醫療的優勢：
就優勢來說，智能醫療應用場景很多，也是一個不斷發展的過程，個人覺得最根本優勢是在于醫療資源和醫療數據層面的解放，也就是說智能醫療可以緩解醫生資源緊缺和實現數據集中管理。

1、緩解醫生資源
智能醫療解決未來醫護人員稀缺的問題，人類醫生的培養過程非常復雜，而且成本相對較高，培養時間較長。即使經過了10多年的培訓也不一定能成為一個臨床非常好的醫生，還需要大量的經驗。

人工智能就不同，隨著計算速度加快、算法改進，它可以把目前醫學的一些常見病快速的給出一些指導，哪些是什么病，哪些需要深入研究，哪些檢查需要進一步做，往哪個地方考慮，都可以給醫生一些幫助，進而有效地解決醫生資源不足的問題，而且智能醫療可以在全世界的任何地方全年無休地提供醫療服務。

2、數據集中管理
智能醫療時代有兩種表現：數據多和終端多，智能醫療可以使傳感器設備和家用醫療設備自動或自助采集人體生命各類體征數據，同時可以將現有的院內、院外和基因醫療數據進行整合，實現數據的廣泛共享和深度利用，以較低的成本對亞健康人群、老年人和慢性病患者提供長期、快速、穩定的健康監控和診療服務。

二、智能醫療的劣勢：
1、智能醫療短時間內難以傳遞醫生面診的溫度
特魯多醫生曾對臨床醫學做出過客觀的評價：“有時治愈、常常緩解、總是安慰”，所以病人不能被治愈是常有的事，但是緩解和安慰是必不可少的，這也是醫生的本職工作，也體現了醫生對生命的尊重，體現了一個醫生對病人的人文關懷和高尚情操。

而智能醫療在短時間內解決人機關懷問題是比較困難的，AI醫療的冷冰冰到有溫度還需要時間，對病人心靈交流、疾病呵護、以及術后的護理都需要醫生的情感參與。

就目前而言，智能醫療對病人的關懷安慰還遠達不到醫生的面診，我去過線下醫院看過很多病人，他們到了醫院第一時間總是問醫生，我的病怎么樣了，是不是快好了，其實都是在心理上尋求安慰，醫生們的回答大部分也都是心理上的疏導，所以患者對醫生的依賴程度依舊很高。

2、智能醫療的隱私保護面臨前所未有的威脅與挑戰
傳統的信息泄露諸如手機號碼、身份證信息的泄露也會給用戶造成很大的威脅和損失，在人工智能醫療領域只會有增無減，甚至威脅可能會更大，用戶丟失的不僅僅是單個維度的信息，可能是全部的重要數據信息，包括個人的疾病史、是否畸形、基因是否有缺陷，有無家族遺傳病史等。

這些數據信息的非法共享與傳播極快，一旦被暴露，不法者很容易進行數據欺騙、身份竊取或其他攻擊行為，從而會影響一個人的正常生活，甚至婚姻問題。

3、智能醫療依賴的大數據依舊割裂、非標準化
對于醫院和診所來說，很多數據仍然是沒有自動化的，還存在醫生使用紙質文本錄入，患者服用藥品后效果跟蹤是丟失的，電子病歷也不完善，很多數據仍然是非標準化的。

這一系列的問題都將阻礙醫療機構的數據挖掘處理和深入分析，更重要的是醫院信息系統數據缺少統一的標準，這就對醫療行業的數據共享和數據聯盟造成很大的困難，這也是技術、利益、政策交錯復雜的問題，最終導致醫院數據割裂，成為各自的信息孤島，所以醫院數據的自動化、醫院成為數據管理和決策中心依然面臨發展緩慢的問題。

Q3. 國內外人工智能醫療的知名公司（醫院）有哪些？其優勢都在哪些方面？

Google DeepMind - 推動人工智能的發展

和IBM 沃森醫療一樣，DeepMind最近似乎并不順利，名氣很大，但由于種種原因實際曝光的AI產品并不多，不過并不影響其實力與地位，DeepMind與NHS醫院合作開發了一款AI眼部診斷工具，通過對眼部OCT圖像的掃描，可識別出50多種威脅到視力的眼科疾病，準確率高達94%，超過了人類專家的表現，相信不久會有更多的醫療領域產品，其優勢就是各種資源豐富。

Enlitic - 利用深度學習使醫生更快更準確

Enlitic利用深度學習從數十億的臨床案例中提煉出可操作的建議從而制定解決方案，幫助醫生利用醫學界的集體智慧，他們深度學習技術可以包含廣泛的非結構化醫療數據，包括放射學和病理學圖像、實驗室結果(如血液測試和心電圖)、基因組學、患者歷史和電子健康記錄等。他們開發的惡性腫瘤檢測系統在一項臨床試驗中的準確度比專業的放射科醫師高出了50%多，他們的優勢是有極大數據資源優勢和專業的數據科學家團隊。

Arterys - 世界上第一個在線醫學影像平臺

一個真正的醫學影像網絡平臺，以改變臨床護理與診斷確定性為目標，他們的產品包括AI助手心臟MR圖像分析、AI探測肺結節的分割和追蹤、AI可視化助手，以及肝臟病變的縱向追蹤。胸部x光檢查助手等，主營業務是為醫療機構提供更精準的3D血管影像，并提供量化分析，他們的優勢是有一個云分析平臺，可以為用戶提供SaaS分析服務，它具有可視化、可量化和深度學習三大功能。

騰訊覓影 - 騰訊的醫學解決方案專家

騰訊覓影主要涉及AI影像和AI復診，就目前AI影像來說已經能對食管癌、肺癌、糖尿病、乳腺癌、結直腸癌、宮頸癌等進行早期篩查；AI輔診可以進行智能導診、病例智能管理、診療風險監控等。他們的優勢在于騰訊的AI技術能力以及大數據深度學習能力，有著豐富的自然語言理解、語音識別、交互等基礎能力作為后盾。

阿里健康 – AI Doctor You ET醫療大腦

阿里健康的醫療解決方案也是平臺開放式的，主要是三大平臺。臨床醫學科研輔助平臺：提供智慧病例庫矩陣、臨床科研數據矩陣、多源異構醫療數據處理、大數據科研輔助分析引擎開發服務等；AI醫療開放平臺：面向不同設備，提供多部位、多病種AI輔助篩查應用引擎；臨床醫師能力訓練平臺：提供沉浸式醫師仿真教學培訓系統，脫敏病例虛擬病人等服務。其優勢是基于阿里云和AI能力的強大應用拓展能力。

百度AI - 醫療大腦

百度醫療大腦的對標產品是Google和IBM的同類產品，他們通過海量醫療數據、專業文獻的采集與分析進行人工智能化的產品設計，模擬醫生問診流程，與用戶多輪交流，依據用戶的癥狀，提出可能出現問題，反復驗證，給出最終建議。在過程中可以收集、匯總、分類、整理病人的癥狀描述，提醒醫生更多可能性，輔助基層醫生完成問診。他們的優勢是大量的搜索引擎醫療數據和AI技術能力支撐，他們可以基于百度醫療大腦逐漸打造開放的醫療智能平臺。

推想科技 - 推動科技，想醫所想

推想科技主要針對肺部、心腦血管、肝癌等領域進行模型搭建，目前他們推出肺部、胸部、腦卒中輔助篩查產品和醫療影像深度學習中心，幫助醫生完成個性化、差異化的深度學習，他們的優勢是每日AI可以完成肺癌輔助篩查近萬例，累計輔助診斷病人數已超過450萬+，同時已經和超100家頂級醫院合作并受到醫生的一致好評。

DeepCare羽衣甘藍 - AI口腔影像領跑者

DeepCare聚焦于口腔醫學領域，目前具有公司全球首款口腔影像AI輔助分析系統，并已在口腔醫院應用，正在進入基層醫院、體檢中心和口腔診所，他們可以進行數據查詢及管理、病灶區標記、輔助診斷并自動化生成報告等，他們的優勢是團隊基因比較強大，背景牛逼、專業性強。

LinkDoc - 人工智能與醫療大數據解決方案提供者

LinkDoc主要圍繞醫療大數據一體化、醫學影像智能診斷、標準化智能隨訪、一站式醫學科研等提供解決方案，他們的使命是推動中國新一輪人工智能發展，讓人人皆可享有精準的醫療服務，他們的優勢是整合醫療機構、藥企行業、保險行業、患者院外提供關聯性、一體化的服務。

依圖醫療 - 人工智能，關愛健康

依圖六大核心業務領域分布在安防、醫療、金融、智慧園區、零售、城市等，就醫療來說，他們勵志成為人工智能變革醫療領域的引領者，提升醫療生產力，擴展醫療新邊界，他們的醫療智能產品解決方案主要是醫療大數據智能、臨床智能決策等，包括遍布胸部、肺癌多學科、乳腺x線、乳腺超聲、甲狀腺超聲、兒童生長發育及就診流程等智能診斷系統，以及智能互聯網醫療平臺，從智能預診、智能轉診到智能輔診的完整服務。

第四范式-智能醫療

他們提出的是智能健康中心，從健康智能應用、中樞管理到智能組件都有所涉及，從服務層面來說，有著個人、社區、醫療機構、科研機構、保險機構健康的一體化服務，包括糖尿病、心血管病、風濕病、胰腺病智能管理等，此外他們還有平臺級AI OS，為智能健康提供平臺級的全生命周期管理和全方位的工具支撐，他們的優勢在于平臺易于使用、能力組件豐富、功能個性制定、應用運行穩定。

以上都是在AI醫療領域有一些作為的公司，事實上AI醫療領域的公司多到幾百家，風口往往是浮躁的開端，盡管AI在醫療領域的應用比其他領域有一定的優勢，但AI醫療發展過程中也會面臨巨大的挑戰，甚至出現玩了很久，最后驗證出是個偽需求，或者因為實力問題而終結。

到目前為止大部分的AI醫療產品都在完善中，目前還沒有絕對穩定的、準確率極高的產品，只有范圍值內的滿意度，在AI領域，只要數據生產資料在增長、算法在優化，算力在進步，就意味著產品在精進，但這需要時間，并不是所有的AI醫療企業都能一路走到底，同時隨著時間的推移競爭關系也會不斷的加劇，就比如AI圖像識別和AI輔助診斷，相當一部分公司都有所涉獵，如果未來找不到差異化，一地雞毛的事情或許在AI領域也會出現。

Q4. 人工智能在醫療領域有哪些應用場景？分別處在什么階段？

深度學習是人工智能的基本方法，所以它適合做一些經驗累積性的工作，比如比對看片、藥物研發等，醫療健康領域也被認為是人工智能落地最有潛力的領域之一，但實現人工智能醫療的真正落地，需要創新的應用場景，就目前來看，AI醫療的應用場景有以下四類：

智能預警：習慣監督、風險識別監測、早期預測、早期預防與干預等。 智能診斷：醫學影像與診斷、疾病篩查、機器人診斷、虛擬醫生、助理護士等。
智能管理：生活健康管理、電子病例管理、康復醫療管理、醫院管理等。 智能研發：藥物研發、醫學研究、臨床試驗研究、病情病種研究等。

若說所處階段，目前AI圖像識別、輔助診斷、藥物研發等稍稍領先，其他的應用場景都在路上。

Q5. 人工智能醫療如何保障用戶的安全問題？

人工智能技術與醫療領域融合不斷加速， 數據資源、計算能力、算法模型等基礎條件成熟的同時，也必然導致醫療安全問題如影隨形，科學技術本身無善惡之分，這些安全問題可能貫穿產品設計、研發測試、數據集構建、算法訓練等整個醫療產品的生命周期，這里主要探討用戶信息安全問題及防御風險策略。

1、隱私數據脫敏加噪

對于用戶的信息安全，現在普通的醫學研究做法是進行隱私數據脫敏，把敏感信息隱藏掉，然后把數據進行發布，但是這樣有非常大的風險，因為雖然不知道用戶的名字，但是可能知道用戶的性別及一些其他特性，通過這些特性，其實有很大概率能夠反映出來這個人是誰，所以很多問診平臺將用戶的治愈案例公布吸引其他患者進行咨詢問診，某種程度上也是對用戶隱私的欠考慮。

所以如果要真正的解決用戶的隱私問題，可能還是要從理論和數學上去解決這個問題，在近幾年有一項差分隱私的技術出現，就是在發布數據的時候不僅僅只做匿名化。

更重要的是把數據做一些擾動，讓不法者沒有辦法判斷到底這個人是誰，簡單講就是在數據里加入一些噪聲，但這樣也會帶來一些問題，加完噪聲之后有可能導致數據不可用，完全變成隨機的數據，所以這里也伴隨著一個技術難點就是所加噪聲和可用性之間的平衡，目前都是盡力的保證用戶隱私，同時讓加入的噪聲越來越小，不影響數據的正常使用。

2、深度學習安全防護

AI技術和互聯網一樣，都是一把雙刃劍，都具有兩面性，雖然有時制造麻煩，但同時也可以安全防護，盡管醫療信息泄露事件頻頻發生，但如果能主動利用人工智能技術，打造完善的安全防御機制，實現對網絡攻擊的智能化響應。

就可以依靠機器算法，快速收集、處理海量數據，通過對不同數據的分類、處理，來有效識別潛在的網絡安全隱患；同時借助深度學習技術，人工智能可以不斷學習成長，不斷提高安全防護水平，實現對網絡攻擊的自主防御。

事實上，用戶安全問題遠不止這些，還比如注入攻擊漏洞、安全配置錯誤、數據非法竊取、數據污染、對抗性輸入等等，伴隨著AI醫療的推進，也必然會產生各種各樣稀奇古怪的安全問題，和計算機病毒一樣，人工智能背后的操作者是人，人類行為的不確定性也將注定會不斷的產生安全隱患，同時也會不斷的修復安全漏洞。
?

Q6. 人工智能醫療行業的產品經理從業方向都有哪些？他們都在做什么？

AI+醫療的應用場景非常多，遠超過我們現在認知的樣子，他們從事的方向就是基于“AI+各種醫療業態”下的解決方案，在做的大部分還是延續“互聯網+”時代的一些事情，只不過有一些新的能力要求，就工種而言，也對應有技術型、數據型、體驗型、策略型、商業型AI產品經理等。

事實上，人工智能醫療領域最緊缺的是算法工程師，大部分有一定規模的社招平臺，在AI領域招聘的技術人員算法居多，好的算法工程師一票難求，在這里我對“千軍易得，一將難求”有很深的體會，從產品的角度，初級階段AI產品大都和技術掛鉤，我個人覺得隨著AI的發展，AI PM的需求量和需求類型也會隨著改變，我姑且大膽的把AI醫療產品分為三個階段：

第一階段：技術型和數據型AI產品經理比較受歡迎

此階段的PM有一定的技術背景，熟悉掌握AI底層技術實現、封裝各種對外開放SDK，有一定的架構水準，可以將影像識別、自然語義、機器學習、認知計算、生物信息學等技術運用到產品中，他們應該是早期的AI產品奠基石，其次是數據PM，數據產品側重點在數據分析上，包含數據的采集、分析、可視化等，這類產品經理有研發和數據分析的背景，也是第一階段很缺少的產品。

第二階段：體驗型和策略型AI產品經理開始受青睞

隨著AI的進一步發展，AI醫療產品越來越多，體驗也越來越重要，用戶開始慢慢接受了AI產品，產品的業務邏輯也越來越復雜，產品線規劃和設計就慢慢重要起來，需要策略產品經理去權衡好用戶感受和用戶價值之間的關系，同時交互、UI、用戶研究也會慢慢凸顯出價值，所以這個階段又會有大量相關崗位放出，AI的招聘市場會回歸體驗和策略時代，至于時間要看“AI+”的發展步伐。

第三階段：商業型產品經理需求慢慢變大

這個階段意味著AI醫療領域進入了成熟期，如果說體驗型PM更多強調的是給用戶創造價值，那商業型PM更多的是想著如何把流量變現，比如智能醫療器械怎么賣，圖像識別產品怎么推廣，各種系統如何服務C端、B端用戶，這類產品經理一般需要對商業模式比較熟悉。

Q7.如何成為一名合格的人工智能醫療產品經理？

1、對醫療行業的理解

人工智能和互聯網本質沒有什么區別，都是工具，這些工具對于商業來說就是基礎設施，就像生活中的水煤電，所以任何“互聯網+”或者“AI+”都離不開對行業的理解，就比如金融行業來說，信托、私募、基金、股票、房貸、商貸這些概念是怎么樣關聯業務的；清算、風控、催收、征信每個環節又是怎么體現在產品里面的，這些都需要對行業有一定的了解；

醫療行業也是如此，分級診療、健康干預、遠程會診、醫療控費、基因測序是什么意思，醫療機構、醫生、藥企、藥店、保險等之間的多重映射關系如何理解，這些都需要從行業角度有一個全盤的認知，甚至于對政策、技術、資本利好的研究。

2、優秀的主動學習能力

面對新領域，初始階段都是新人，如果說有差距，那一定是由于學習力的不同慢慢拉開的，通過學習可以提升一個人的認知層次，就像Andrew Ng說的那樣，其實很多情況下我們并不知道下一步要做什么，這時候就需要大量的學習和閱讀，多和某些領域的專家談話。

我有一個很深的體會，我每次聽復旦、同濟教授公開課的時候，經常有腦洞大開，醍醐灌頂的感覺，而這些公開課的理論都會在工作和生活中建立關聯，所以當我們讀了足夠多的書、聽足夠多的公開課或者和足夠多的專家交談時，我們的大腦的就會接收足夠多的輸入信息，新的創意自然也會隨之產生。

3、 基礎數據分析能力

AI領域有相當比重的用戶需求會來自大數據分析本身，用戶心理和行為依靠深度學習獲取，就像天貓精靈為什么越用越懂你，數據詮釋著用戶的行為軌跡，所以數據分析能力在解決問題的過程中，在動手實踐與探索過程中，都會大有用武之地。

我們要做的就是產品上線前后，分析使用數據，挖掘使用場景，找到產品改進點、突破點甚至引爆點，用豐富的交互場景推動AI創新，就數據分析能力本身而言，我們需要從數據的認知、收集、整合、表達、挖掘等五個方面的能力全面提升，這也是為什么任總在走訪高校時總是呼吁校長在基礎學科里加入《統計學》和《離散數學》的原因，數據分析能力應該在學校里就具備一定的基礎。

4、 多渠道獲取AI資源信息

我們可以多渠道獲取一些有關AI醫療方向的信息資源，比如：

第三方AI報告：艾瑞、易觀、前瞻經濟學人、BAT研究院等有很多AI醫療的報告，總結非常到位。
訂閱AI資訊：虎嗅、36kr、即刻等資訊訂閱、時時關注AI知名自媒體，鈦媒體AI融資情況等。
收聽AI音頻：喜馬拉雅和荔枝里經常有腦洞大開的AI醫療應用場景，碎片化時間都可以獲取。
參加AI會展：活動行、互動吧經常發布AI大會和展覽會，每次都有新發現，對于一線城市是資源利好。
感受AI產品：AI會展里會有一些AI產品，真實體驗、感受流程和思考能否再縮短觸達路徑。

這些都是不錯的信息獲取手段和路徑。

5、需要一定的技術認知

經常看到論壇有人爭論產品經理要不要懂技術，我看到也很憂心，移動時代的產品經理會畫原型、邏輯不錯、溝通還可以似乎就可以勝任了，但在AI和大數據時代，不懂技術的產品經理可能會有些被動，在AI新興階段，會出現技術能力大于產品能力的現象，這也是為什么算法工程師需求遠大于產品需求的原因。

懂技術的AI PM會操縱數據庫、會爬取自己想要的信息、有扎實的數據挖掘和分析功底, 某種程度上也培養了他的數據敏感度和積極性，所以我覺得產品經理可以不懂技術，但牛逼的產品經理不能不懂，何況當今國內外公司的互聯網創始人大部分都有技術背景。為了瞻仰前輩，我打造了一面“領袖墻”，這面墻是我研究互聯網大佬的版圖。下圖是我書房墻壁上的互聯網大佬2015年的座次圖。

在互聯網時代的20位大佬中，其中15位有技術和寫代碼背景，大佬如此，何況與你，更何況在AI時代，所以有技術背景對成為AI PM來說是一種很大的優勢。

Q8. 人工智能醫療產品都是怎樣的？

我負責過的醫療數據產品包括血壓、血糖、體脂等智能硬件產品，通過數據回傳了解一個人的體征節律，來預測一個人的健康狀況。也負責過皮膚醫療大數據產品，每個人都有臉，就用戶群體來說，有頭有臉的人就是我們的用戶，無論你的皮膚處于什么樣的狀態。皮膚發生病變，我們有療膚解決方案；皮膚干燥、缺水、暗斑、油膩，我們有護膚解決方案；即使你的皮膚什么問題都沒有，我們還有美膚解決方案。所以人工智能在皮膚領域的應用規模之大是不敢想象的，平臺的使命也是解決10億皮膚亞健康的問題, 以下分享幾點關于“AI+皮膚醫療”的心得：

一、療膚層面解決方案：AI+圖譜識別+醫療科普+處方診斷

通過AI識別用戶病變圖譜，給予病情知識科普、診斷疏導、用藥處方等醫療服務。AI在皮膚醫療領域解決的幾個問題：

1、 解決皮膚科醫生資源稀缺的問題

全國皮膚科醫生2萬+，但皮膚病患者近1.6億，所以皮膚科醫生資源非常不足，高峰時期，一個皮膚科醫生一天線下門診可以接診超過60+病人，皮膚科也有天然的優越性，經驗豐富的醫生是可以直接通過患者上傳的病變圖譜進行診斷的，通過“互聯網+醫療”手段可以緩解區域性皮膚科醫生的資源不匹配的問題，但依舊很難緩解醫生資源緊缺的問題，在“AI+醫療”時代就可以通過病變圖譜識別皮膚病類型，給患者輸出診斷報告。

2、 解決醫生機械化診斷重復病種的問題

下圖是基于千萬級病例圖譜庫Top9大類病種分布，僅僅痤瘡類皮膚病占比30.14%，就意味著醫生每天都會頻繁、機械的診斷痤瘡類皮膚病。

痤瘡類皮膚病極易復發，所以復診率也居高不下，就皮膚科在線問診來說，有的醫生一天診斷同一病種可多達幾十例，我們傳統的做法是將平臺數據庫Top100病種和診斷內容進行模板化包裝，醫生識別病人上傳的病變圖譜后，給予模板化快速解決，這樣會帶來一些問題，比如醫生過于依賴模板導致診斷同質化問題，比如模板本身的內容生硬問題，長此以往用戶的心理預期也會降低，但AI就可以通過深度學習結合病人病情快速給出重復病種因人而異的不同診斷，數據越大，準確率越高，直到遠遠超過醫生，這一天越來越近。

3、 解決醫生臨床經驗不足誤診率問題

皮膚病所覆蓋的病種是數以萬計的，就比如[皮炎] 這類皮膚病，其子類病種就有上百種，下圖是皮炎病例庫的Top13細分病種分布情況：

這些皮炎的細分病種臨床表現和圖譜樣例均不同， 面對這么龐大病種，極少皮膚科醫生可以跨科室深入診斷多個皮膚病，且有的病種還有一定的相似度，經驗尚淺的皮膚科醫生對于分清這些圖譜也有一定的難度和誤判，但AI就可以結合患者的臨床圖譜大數據，進行數據喂養，通過深度學習進行病情的精準定位并進行全方位良惡性判斷，快速給出不同病種的細致診斷，從而提高醫生診斷效率和準確率。

4、 解決病人對皮膚病沒有認知的問題

皮膚科的醫生患教時間并不長，大部分局限在門診，離開醫院后，很有可能就不知道自己啥情況，忘記醫生的醫囑和醫托，對自己的病情也沒有個細致了解，常見的皮膚病還好，關鍵是很多病種是非常罕見的，就比如“顏面播散性粟粒性狼瘡”，告訴別人自己得了什么皮膚病就有難度，更不用說它的臨床表現和注意事項了，AI就可以通過該類圖譜數據整合，進行深度學習，不但可以讓用戶了解這種病的病狀、病因、診斷、治療情況，而且可以實時匹配與病人最相似的康復病例，同時根據病人的情況給出最新的、適合病人的注意事項和治療方案等。

5、解決病例智能化管理的問題

目前國內醫院的病案，依賴病案室人力或數據公司進行整理。科室的醫學科研，提取病案特征信息也是通過人工完成。需要投入大量的人力與資金，準確率也不能得到保障。通過深度學習的人工智能技術可以實現病案智能化管理，自動提取病案特征信息，不僅對醫院的數據做標準化處理而且可以為科研提速，做這件事還有騰訊覓影、博識醫療云等，采集臨床數據，輸出結構化電子病歷，讓沉淀的數據真正的幫助到醫生，就像下圖騰訊覓影的病例智能化管理示例圖。

二、護膚層面解決方案：AI+圖譜識別+精準護膚解決方案

中國皮膚亞健康用戶大約10億，每個人的皮膚亞健康表現都不一樣，就像前面說的AI可以解決病變皮膚的精準醫療問題，AI也可以解決亞健康皮膚的精準護膚問題，AI通過終端獲取用戶的臉部圖譜信息，通過圖像檢測來評估個人皮膚狀態，如膚質、膚色、膚齡、毛孔、皺紋、眼袋、黑眼圈、痘斑痣等。

連接精準護膚服務，甚至是精準藥妝服務，而現實傳統的智能測膚可能僅僅是一個流程，從拍照測膚、智能分析、護膚科普到產品推薦，如果測膚階段沒有專業到皮膚肌理層面的深度學習，就很難讓用戶買單，單單目前的這些表面參數肯定是遠遠不夠的，比如皮膚的色素沉積、敏感程度、耐受程度等，都需要AI深度學習給予反饋。

事實上，臉部的特征數據遠不止這些，當一份權威的數據報告可以征服用戶，并真正做到高級別的準確度時，用戶買單的心理預期也會被滿足，商業模式自然會誕生。

Q9. 5G會怎樣影響智能醫療行業的發展？

5G的特性是：超高速率、超大連接、超低延時，每個特性都可以解決某個領域的痛點，那基于5G的這三駕馬車，也會給智能醫療行業的發展帶來巨大的積極影響：

1、讓遠程診療、護理成為可能

互聯網在線問診其實已經部分解決遠程醫療、醫療資源分布不均勻的問題，使得西部偏遠地區的患者足不出戶就可以看到上海的專家醫生，但5G的助推可以更上一個臺階，5G網絡可以支持近200多億個連接設備和傳感器，可以秒傳以G為單位的海量數據，那就意味著患者在家中通過醫療傳感器就可以和醫生實時互動，生命體征數據實時回傳醫生，醫生和護理人員就可以動態遠程監控管理患者。

進行遠程看護、診斷、甚至手術，從而緩解病房緊張、醫生緊缺的壓力，同時醫患還可以通過網絡屏幕終端實時建立聊天室，科幻片里的屏幕互動將不再科幻，最終可能顛覆整個醫療的運作模式。

2、讓老弱病殘實時救助成為可能

人口老齡化導致留守老人在加劇，如果讓老年人配備生命體征健康監測終端，實時監測老人起居、飲食、睡眠、運動等體征信息，那么當發現老人呼吸異常、睡眠異常或者意外摔倒待在原地不動時、終端系統就會發出及時的警告，關聯老人的護理人員或者子女，免去子女的擔心；殘障人士亦如此，再者路上突發緊急事故，120救護車將事故人送往醫院的同時，將事故人的心電圖和生理數據即時回傳到醫院數據處理中心，進行實時排查鑒定，實現病人未到院，方案已輸出，降低事故人的死亡風險，這些都可以通過5G高速率、大寬帶、即時聯來解決。

3、讓個人健康管理、醫療個性化成為可能

5G的助推，使得個人健康管理成為可能。通過移動終端對整個身體進行監控，將用戶每天的生活作息、健康狀態，甚至內心波動，情緒情感進行收集、跟蹤、學習、預測，使得健康和智能可穿戴設備以及智能家電間的數據實現共享；利用社會不均衡醫療資源以眾包的方式遠程診斷，解決看病難題，用戶所有健康信息集成到移動終端，通過移動終端與各個健康設備、藥店、醫療機構進行交互，實現患者大病去醫院，小病自己診斷，緩解醫院醫生的壓力。

Q10. 醫療行業智能化的未來會是什么樣？

這個問題太大，也是仁者見仁智者見智的問題，我想從四大利好和四大角色談起，就目前在數據、政策、資本、技術利好的前提下談談醫院、醫生、藥店、藥企四大角色的未來。

1、數據利好：

就健康醫療信息數字化本身來說，經過時間的積累和不斷的發展，數據也達到了一定的級別：

A、院內數據：

HIS系統等數據積累，主要集中在衛寧健康和金蝶醫療的數據系統里。
l 醫學影像信息系統PACS(Picture Archiving and Communication Systems)
l 臨床信息系統CIS（Clinical Information System ）
l 放射學信息系統RIS (Radiology Information System）
l 實驗室信息系統LIS（Laboratory Information System）
l 醫院管理信息系統HMIS (Hospital Management Information System)

B、院外數據：

l 輕問診數據：平安好醫生、微醫、好大夫在線、春雨醫生等第三方產生的輕問診數據。
l 智能體征數據：血壓儀、血脂儀、體脂儀、手環、頸環等智能硬件采集的健康數據。
l 體檢健康數據：愛康、美年大健康、妙健康、優健康等健康及體檢報告數據。

C、基因數據：

基因測序數據：數據集中在華大基因、貝瑞和康、藥明康德、博奧生物等入場較早的企業。
以上這些數據都極具價值，一旦聯合或者部分打通，會加速推動醫療數據指數級增長，為AI健康醫療的發展提供基礎數據生產資料。
智能化推進的同時也會產生更多的終端數據收集器，全方位的收集有健康意義、有價值的生命數據，通過這些海量的數據，進行數據喂養，訓練算法模型，以結果進行算法優化，提高醫療產品服務能力，同時基因數據與個人健康數據及臨床數據相結合，可以給到基于個人的個性化健康解決方案。

2、政策利好：

根據艾瑞咨詢的報告，從2015年后，每年都會有促進各省市政府將健康醫療大數據提升至戰略層面的政策驅動。

2017-2018年中國健康醫療大數據相關項目梳理

3、資本利好：

下圖是2019年4月14日的近30日行業融資數據情況，從持續觀測鈦媒體的數據來看，醫療健康在Top5內擺動，其中醫藥智能化、輔助決策、健康管理比重都比較大，多為利用AI、語義識別、數據模型，挖掘診療信息，連接院內院外平臺等類別的企業。其中融資領域受人工智能熱潮影響，預計未來將會有更多資本進入AI醫療健康領域，為其發展助力。

4、技術利好：

技術的三輛馬車：物聯網技術、大數據技術、5G技術都為醫療行業智能化的實現增加馬力，物聯網技術讓眾多醫療終端設備的數據采集和互通成為可能，醫療物聯網中數據規模龐大，而且增長速度極快，傳統的數據庫技術難以有效處理這些海量數據。

智能醫療可以實現高效和可擴展的醫療大數據存儲與處理，并通過互聯網為用戶提供方便快捷的醫療服務；大數據技術讓云數據可以被大計算成為可能，大數據技術又會結合深度學習、認知計算、生物信息學、區塊鏈等技術與實際應用場景結合，搭建行之有效的數據模型；

5G技術讓數據傳輸沒有延遲、連接萬億設備成為可能，是數據物流的保證，這三輛馬車都將助力醫療行業的智能化進程。

新技術賦能醫院、醫生、藥店、藥企四大角色智能化成為可能：

1、未來醫院：

未來各種技術及數據生產資料的助推會讓醫院發展數字化，加速醫院打造數字醫療，患者數據集中存儲和醫院之間的數據合作將使得醫院成為巨大的數據處理中心，同時患者可以自主和醫院醫療數據庫發生關系，醫院只需要進行精細智能管理決策即可。

HIS系統也會迎來一場巨大革命，會出現一個新型的智能化系統，未來系統一定是實現醫院運營、病例、醫患、科研一體化的系統，醫院的規劃、戰略、營銷都參與醫療大數據，數據將成為醫院最大的資產，也將決定醫院未來的發展，同時醫院也會基于大量病例數據給出全科疾病的預測分析，給用戶提供早期的疾病預警，形成新的醫療健康運作模式。

2、未來醫生：
在技術全方位應用的情況下，醫生的角色會出現很多波動，很有可能會出現昨天發表的論文，明天就被顛覆了，這也是每個醫生都必須面臨的問題，傳統的公立醫院有些醫生對學術發展視而不見，常年堅持傳統經驗，導致醫療水平裹足不前，在未來不善于學習、習慣用經驗看病的醫生或許會逐漸被邊緣化。未來醫生的角色會慢慢的從門診診斷轉變為數字診斷，醫生在未來可能會成為一位醫療數據專家。

3、未來藥企：

機器學習算法加速新藥研發，AI深度學習之所以這么高效率，其實有兩點：強大的關系探索能力和強大的計算能力，人工智能可以快速發現藥物與疾病之間的對抗關系，也能挖掘基因與疾病之間隱藏的秘密，然后對藥品化合物進行智能篩選，篩選出抗性好、活性高的藥品化合物，大大地提高了臨床試驗的效率。

在古代，張仲景的《傷寒雜病論》、李時珍的《本草綱目》、孫思邈的《千金要方》都是他們嘔心瀝血一輩子有了這部當時的巨作，或許面對現代的AI深度學習可能不值得一提，留下的只是歷史意義。

這不是笑話，這很嚴肅。被打臉、被顛覆或許也是AI時代的一個特色，古代的神農嘗百草，其實就是人工篩選藥物的過程，現在換成人工智能了，其效率將遠超前人的積累。目前而言在全球有至少百家企業以上在探索人工智能藥物研發，未來藥企也將數字化、智能化。

4、未來藥店：

未來的藥店會成為智慧藥房，新的技術也會推進藥店管理和慢病管理，就慢病管理而言，每個科室都有慢病患者，皮膚科尚且如此，其他科室慢病患者就更不用說了，慢病患者買藥一般都是通過大醫院購買的，但未來藥店可以通過技術助推為醫院分擔一些壓力。

通過“AI+終端”的方式，互通慢病患者的體征數據，對慢病進行風險分析，向患者提供飲食建議，甚至醫生干預，把慢病服務和體征數據連接起來，解決目前慢病管理不及時、不準確、購藥難的現狀，同時做到會員管理、精準提前營銷，提高整體運營效率、藥品周轉率和降低庫存，成為真正意義上的智慧藥房，這里的核心點是“連接個人生命體征數據”。

舉個例子：

互利網購藥平臺“叮當快藥”，我網購兩次藥品后，然后他們就會定期的通過短信和Push給我推送其他藥品。這種運營手段作用大嗎？我認為不大，因為他們并沒有和我的體征數據進行連接，只是在碰運氣而已，我一個健康的人會時不時的買藥嗎？這是一個值得思考的問題，和以下推送觸達有所不同。

l “每日優鮮”推送菜品，預測你購買的蔬菜夠吃幾天，精準補貨推送，復購率很大。 l
“星多客”推送理發，預測你理發頻次和門店依賴程度，精準推送理發券，一推一個準。 l
“瑞星咖啡”推送咖啡，預測你喝咖啡的頻次和時間段，精準推送優惠券，轉化也不錯。

為什么他們推送效果會很好，其實很簡單，掌握了用戶行為動機和剛好滿足他的需求，就像比筆頭插入筆蓋那樣自然，那叮當快藥可以獲得高轉化率嗎，當然可以，就是連接用戶的體征數據，進行精準推送，這個精準在大數據的幫助下或許會極其精準。

重慢病對藥品的需求或許是乞求，掌握了數據后，或許會超越其他服務的精準，所以藥店應該讓藥品出現在需要的病人那里，這是自然而然的事情，一旦實現，未來藥店比拼的將是服務能力和提升用戶滿意度的能力，而不是瘋狂推廣藥品，強推促業績。

新技術在醫療領域的落地推進或許與商鞅變法圖強有一定的相似度，必然會打破既有的游戲規則，影響多方的使用習慣和利益鏈條，在執行過程中也會遇到各種問題，解決問題有多大，面臨的困難就有多大，技術還只是其一。

但不破不立，從便民利民的角度，或許藥店獲取藥品處方權、醫保支付也只是時間問題，所以對于“互聯網+醫療”和“AI+醫療”，我想用我最喜歡的一句話來結尾“士不可不弘毅、任重而道遠”…

總結

以上是生活随笔為你收集整理的大数据时代下的人工智能医疗的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。