作者：範昕茹 來源：IT時報
在所有行業中，醫療行業是產生數據最多的行業之一，其一年產生的數據量約佔全球數據總量的30%。其中，智慧醫療每年產生約59PB的數據，生物醫學研究每年產生約40PB的數據。
在2023中國國際醫療器材博覽會暨「AI邊緣運算賦能醫療影像，協助基層醫療創新升級」論壇上，英特爾中國區物聯網及通路資料中心事業部總經理郭威認為，如何利用這些數據，是科技賦能醫療的核心所在。 「在醫療產業上，英特爾主要做三件事情，即『一個基礎，兩個核心點』。」郭威解釋說，一個基礎，就是以人工智慧為基礎賦能產業，讓人工智慧在英特爾的晶片上跑得更好。兩個核心則是指加速科研創新、賦能智慧醫療。
人工智慧等技術的加持，正讓醫療變得更加智慧和便利。
英特爾中國區物聯網及通路資料中心事業部總經理郭威
AI某些單一病種檢測率可達95%
#隨著AI在醫療產業的應用，AI在醫療影像上的應用已經十分廣泛，主要集中在流程改造、疾病診斷和健康管理及治療。
中華醫學會放射學分會主任委員、中國醫學影像AI產學研創新聯盟理事長劉士遠在會上公佈了一組數據，一份面向全國醫學影像人工智能調查結果顯示，大醫院的AI使用率已經達到了73%。截止目前，我國NMPA註冊證已經達到了55張以上。
AI正讓醫療檢查變得更加便利。例如在冠狀動脈的影像診療中，以往不用AI的時候，一個病人從掃描到影像重建，再到產生報告，往往需要花費30分鐘左右。但現在，因為AI，重建處理的過程被縮短到了1分鐘左右。也就是說，現在只需6分鐘，就能完成冠脈檢查到報告產生的整個過程，大大增加了檢查的效率。劉士遠說：「檢查速度快了，意味著一天內醫院能完成的冠脈檢查數量要比以前多了，患者也因此能夠獲益。」
而在肺結節、冠狀動脈CTA影像、頭頸部CTA人工智慧模型、骨折模型、灌注等醫學界常說的「五大金剛」的檢測上，AI已經有很高的檢出率。在劉士遠看來， AI在一些容易被遮擋的部位更有優勢。因為AI的解析度更高，一般在平面片子上看不到的地方，肉眼容易漏診，但AI卻可以「看」得更清楚，提醒醫師可能有的病變。他給了一份某三甲醫院的統計數據。數據顯示，在冠狀動脈領域，AI的應用幫助醫院的斑塊狹窄檢出率從原本的60%多，提升到了95%左右。肺結節的檢出率從原來的35%提升到了70%。
匯醫慧影公司提供的產品則可以幫助病患在拍攝CT時，同時完成骨密度的相關檢測。匯醫慧影CEO柴象飛介紹說，在不用體膜的情況下，病人只需要對胸部或腹部進行掃描，AI就可以自動計算出骨密度。如今，這項檢查已經可以廣泛應用在骨質疏鬆篩檢，包括錐體形態分析、骨折預測、肌肉少症、肥胖症以及術前的規劃等等的方面。
匯醫慧影CEO柴象飛
#儘管現階段AI大多被集中應用在單一病種的診療過程中，但在劉士遠看來，隨著人工智慧影像的進一步發展，未來AI醫療產品將越來越豐富。這些產品將幫助AI診療從單一病種向多病種多任務發展，形成基於部位和器官的軟硬一體化，基於互聯網的源共享以及診療的一體化，從而達到全流程覆蓋，形成良好的生態。
「AI的發展，是撲面而來，」劉士遠說，「就像海浪一樣，一波一波地衝擊，一波波看上去一樣，但是內涵都不一樣。」
10年內AI不會取代醫生
當AI越來越介入到醫療環節之中，對於傳統的放射科醫師來說，是否意味著他們的工作職能將要被取代？
「2016年，我們開始建立醫學影像人工智慧聯盟的時候，同事會說，你們在做的事情是給自己做掘墓人。」一位醫療行業專家說，「但從這五、六年的經驗來看，至少在十年內，它還無法取代影像醫生。」
這位醫療行業專家認為，儘管在一些常見疾病的檢測方面，AI的準確率已經超過人類醫生。但在實際的醫療診斷中，AI仍存在缺陷。她說：「根據目前有限的，能夠看得到的可靠報道，往美好的地方想，AI能達到高年資主治醫生水平。」
之所以給予這樣的判斷，是因為在她看來，醫學上的知識和單純去看影像、照片是截然不同的。在實際的醫療診斷中，醫師需要結合病患的病史、用藥史等多重資訊來判斷病人的病情，而非單純依照圖片給予診斷。因而，AI給出的報告僅只是參考，醫師還需要依托自己的經驗進行綜合判斷。 「不過，」她說，「如果醫生只滿足於簡單的診斷，那一定會被AI所取代。」
但在劉士遠看來，儘管目前AI仍處於輔助治療決策的階段，但隨著ChatGPT的發展，AI替代醫師的可能性似乎越來越高。 「但我並不認為這是一種危機，」他說，「這其實是一種機會。」
在他的設想中，未來的醫生不會只面對冷冰冰電腦螢幕，而是需要走向更鮮活的人生，和病人溝通，為病人解決問題。他說：「醫生的價值在於與病人一起解讀AI產生的報告。」當AI報告的準確性足夠高，可以直接用於疾病的診斷，對醫生和病人而言，意味著效率的提高，因而醫生和病人都有更多的時間投入工作和生活中，「這不是很方便嗎？」
多模態AI是未來
輔助診斷和AI自主進行診斷之間到底還有多遠？一位英特爾專家給的答案是，還缺少一個多模態AI。
在這位專家看來，影像AI通常只能用作輔助的一個原因在於，影像診斷本身並不是單純基於影像資料的判斷。他說：「無論是放射科醫生還是臨床醫生，在製定診斷方案時都需要結合患者的基本信息、人口學信息、歷史病例信息，甚至包括基因數據，綜合評估才能得出一個診斷結果。」
這意味著，單純依賴影像AI並不能解決診斷問題，必須得結合電子病歷資料、基因資料等多種資料來源進行多模態的分析。 「這也是未來臨床應用的一個趨勢。」他說。
在醫療行業，儘管對於多模態的分析已經進行了很多年，但目前關於多模態AI的研究仍處於研究階段，應用相對較少。這是因為多模態分析通常涉及影像和病例等多種數據。在醫學界，數據的取得和分享仍是世界性難題。
比較ChatGPT等大模型，醫療行業的AI產品的資料投餵量往往在1000個病例左右，遠小於GPT的資料投餵量。這對醫療多模態AI的產生提出了挑戰。而在數據的標註上，醫療行業的標準制定遠比其他行業困難，即便是專家級的醫生教授之間，對同一個病種，也很難達成一致。凡此種種，都給醫療多模態AI的產生提出了挑戰。
在理論層面，多模態AI形成診斷的流程是透過輸入多模態數據，AI將數據進行融合後，透過模型，產生診斷。 「因為結合了不同維度的信息，從理論上來說，它的結果應該更加精準，」該英特爾專家表示，「但問題是，模型更複雜之後，可能會變得超級大。」這不僅會提高模型的研發難度，也會增加使用者的使用難度。因為多模態模型的可理解性和可解釋性會較差。
以上是AI正幫助醫療變得更智慧和便捷的詳細內容。更多資訊請關注PHP中文網其他相關文章！
