“我们不能只把大数据当做技术活儿，更应该让它形成一种文化。让更多老师和专家进入到医院里讲课，把大数据思维渗透到临床一线、科研一线，渗透到管理者的大脑里去。”
在提及大数据和AI对医院的好处时，黄伟红如此说道。
黄伟红现为中南大学湘雅医院"移动医疗"教育部-中国移动联合实验室副主任，该实验室是教育部唯一一个设在医院里的医疗信息化实验室。
雷锋网了解到，实验室成立的目的，主要是为探索交叉学科如何走向科研和技术前沿，以及成果转化。
医院做AI，人最重要，技术次之黄伟红首先谈到，医疗大数据这件事很大，医工交叉环节中最重要的一点就是人。
“过去我在英国做大学老师时与同行有不少交流，发现真正进入医院接触最原始的数据，是最近两年发生的事。在这个新环境下，医院需要有复合型知识背景的人。既要具备数据技能也要对医疗有认知，更要有跨界思维。现在跨界人才太少，好的医生几乎没有时间去学习更多数据技能，而IT背景的人才也又对医疗认知太少。”
他不断强调到这一点：不管是大数据还是人工智能，成败的关键最终不是技术，而在于人。
“无论人工智能多厉害，首先病理需要标记，而且要标对。标注片子的病理医生，至少得看五万张病理片子后我觉得才合格。”
成功的大数据应用不是指创造一个新技术，而是要把一系列的技术、人员和流程都无缝链接起来，包括数据获取、数据清洗、数据查询、数据分析、数据可视化。有些事系统可以做，但有些事非得人工来做。
黄伟红继续讲到，很多公司都在谈大数据和人工智能。与医疗行业不同，业界互联网公司有一个好处是，即便数据挖掘没做好，他们也不需要对行业和用户承担太多责任，因为结果影响有限。
但医疗机构对大数据和AI这件事非常谨慎。
今年有些许不同，在各种因素的推动下，大家都开始谈大数据。
医疗领域的基因组学和药物研究诞生一批大数据公司，以及中国健康医疗大数据科技发展集团公司、中国健康医疗大数据产业发展集团公司、中国健康医疗大数据股份有限公司的筹建，都是关于大数据的。
小单位与大单位应用AI的现状与不同之处大数据的浪潮追逐者里有很多小单位和大单位。
从地市级医院和部级医院的角度来谈，这类单位到底对大数据这件事情是什么心态？
“很多小机构都想着跟新技术沾点边，有钱后聘用新的技术官，CIO（首席信息官）也变成了CDO（首席数据官）。一个数据集不够两个凑，最后搞成数据池。”
“每个小单位都说自己会AI，但秀来秀去这几年真没有看出来有啥结果。我们搞计算机的人都知道弄出来的仅仅是VI，这拿出来多不好意思。大机构就不一样了，它们会想流程有什么问题，预算和项目这么大如何管理，涉及到如此多的部门需不需要找试点，实施、审计和财务事项如何解决？总体比较复杂。”
当下大单位对AI的态度，如同前几年面对云计算时类似，更多是观望。
医院信息中心主任真要上“云”的话，还需好好掂量，谁知道会遇到什么问题，实在不行就放在医院本地自己搭建。
在AI问题上，当下国家对数据安全非常重视，国内各大企业与原生数据产生点医院和原生技术公司这三方合作时，医院到底该怎么做？
一次性上？逐渐上？还是等到国家有扶持政策后再上？
一家公司还是几家公司一起做？一个分院做还是整个大院同时做？
黄伟红提出了这些很现实的问题。
大数据不仅是采用某种新技术，同时也是把技术、工作人员、流程都绑定在一起。这些环节中，有些问题是无法避免的，尤其是临床数据质量问题。
“我回国后，最初进入医院时就特别关注数据质量问题，数据获取、数据清洗、数据查询、数据分析、数据可视化，其中很多事情非得人工来做。直到两年后我才觉得部分任务用AI来解决有戏，数据进化在一点点的发生，技术进化的同时也会引出新的篇章，如技术架构层面从MapReduce过度到了Spark。当数据量足够大，可有效与人工智能融合时，ICD-10（国际疾病分类，依据疾病的某些特征，按照规则将疾病分门别类，并用编码的方法来表示的系统。）编码准确性，可能在未来的一段时间里，或许AI可以帮到忙”
“输入ICD-10的事应让医生来做，但不要让医生很忙时还要去记这些编码，病案科的医生很累，让每一个临床科室的医生记住手底下几百号不现实。”
大数据和人工智能是最好的组合，大数据提供管道，应对核心数据的挑战。机器学习提供一种智慧，从数据中提取价值。
“大数据并不单单是数据，更应该是一种文化，希望有更多的老师和专家进入到医院里做讲课宣传，让大数据的思维渗透到临床一线、科研一线，渗透到管理者的脑袋里去。”
湘雅医院在大数据方面的探索
随后，黄伟红介绍了湘雅医院在大数据方面的实践。
从2014年开始，为了提高患者就诊体验与质量、提升医生工作效率和能力、助力医疗改革深化模式升级、孵化重大医疗信息化成果、支撑健康医疗大数据产业应用、提升政府监管与决策水平等目标，湘雅医院投资几个亿开始建设医疗大数据平台。
平台建设随技术发展和社会进步不断演进，设计、实施和运营以学校为主导，统一制定规章制度和推进计划，在保证安全和隐私的前提下开放共享。平台服务对象不仅是普通的医护人员，还包括公共卫生、企业、管理、病友等。
“301医院的老师很认可我们的建设思路，湘雅的大数据平台内部环境互不影响。医院还有前置区，学校的大数据有IDC。”
湘雅医院的医疗大数据平台的数据区域中，学校的大数据平台专注于科研分析，医院的业务库、备份库、安全的服务器对数据进行采集，通过专网放在不同的大数据里面。
当时投入一点几个亿立102个专科，形成多个专病数据集。
湘雅很多专科属于国家级水平，同时拥有25个国家级重点专科，医生水平较高。在大数据方面，在14年左右LIS数据离线的汇聚已经完成，数据的增量每天会发生。
患者信息达1700多万条，药品8万多条，以及近3.7万余人次门（急）诊量。
给AI公司的一句忠告
最后黄伟红总结到，未来云端的战争将会变得愈加白热化，医院也在观望这一两年内三家国家队大数据公司会做成什么样子，现阶段仅仅开始试点。与此同时，大数据初创公司也在逐渐走向成熟，这对医疗行业是重大利好。
对于AI技术提供商，他认为一个公司不可能在多个场景里包打天下，选好并深耕垂直方向才是做好技术的第一步。
在多个研究中，人工智能已经成功击败人类医生，但在大规模落地前，医疗人工智能还有很多课要补。
行业的狂欢和泡沫，是任何一个新技术浪潮的必经之路。
最后胜出的，必是那些创造了真实价值的技术和产品。
在2017年那场史诗级的围棋对决中，人类战力最强的棋手柯洁以0∶3败于阿尔法狗，人类终被自己的模仿品——人工智能（AI）超越。
接下来，它会在哪个领域战胜人类？猜测落在医疗上。
人工智能在多个医疗细分领域曾与人类医生交手，2016年5月至今，比分结果是AI 6胜、3平、2负。医生已然落于下风。
2017年岁末，斯坦福大学教授吴恩达领导的机器学习小组开发出一种名为CheXnet的算法，能够更敏锐地捕捉胸部X光片中的肺炎迹象，在诊断肺炎的比拼中，也一举击败四名放射科医师。
这些火种足以让产业界信心爆棚。谷歌、IBM、英特尔等国际巨头和国内的“BATK”（百度、阿里、腾讯、科大讯飞），都加紧布局，一大批初创公司也喷涌而出。
人口老龄化加剧、慢性病患者群体增长、优质医疗资源紧缺、公共医疗费用攀升等多重压力，使AI入医疗被寄望成为这一全球性压力的泄压阀。
泄出的压力也正是机遇的源头。
尤其在中国，人口数量成为优势，医疗数据的基础大，可以给医疗AI提供充沛的燃料。
业内的普遍看法是，在该领域，国内企业有弯道超车的机会。
然而，AI的泡沫已然吹起，医疗能否独善其身？
一、
现在很热的人工智能在医疗领域的应用发展到了什么程度？
真正能像《终结者》里的超强人工智能并没有出现，在任何一个领域都没有。
一般按照水平高低，人工智能可以分成三大类：弱人工智能、强人工智能和超人工智能。
现在所有的人工智能研究都没有突破弱人工智能，包括全球最顶尖的alphaGo，包括深蓝，包括watson。
其基本原理都是统计数据，从中归纳出模型，只能专注完成某方面的任务，与传统工具没有本质的区别。
目前的机器学习归根到底只是高度拟合，与具有自主心智、独立意识、机器情感之类科幻影片中人工智能形象相比还差着好多个霍金。
需要担心的其实并不是人工智能的失控，是盈利目标裹挟下的商业道德失控。
二、
人工智能在医疗领域的应用是目前最火热，含金量也是较高的一个领域。
有机构调研数据显示：目前国内有近200家从事医疗人工智能的公司，累计融资金额超过180亿元人民币。
产品主要以软件为主，业务面向主体包括医院、药店、药企、研究机构、保险公司、移动医疗，可应用场景主要有医学影像、疾病风险预测、药物研发、健康管理等，不过都处于早期阶段，例如，医学虚拟助理类产品一般只能让病人做选择题，还达不到siri的水平。
百度、阿里、腾讯等BAT三巨头在医疗人工智能领域也都已经展开布局，但同样，大多产品尚未成熟，算法模型处于训练优化阶段，虽有商用试水，但没有大规模成熟应用。
三、
医疗影像是人工智能在医疗领域应用的热门中热门。
无他，相对实现条件最成熟。在医疗大数据中，超过 80%的数据来自于医学影像，海量数据是建模的基础。
一般做法是：从放射科提取图像；对之进行图像分割、提取图像有意义的特征区域；然后进行预处理、标注，将这些数据交给机器进行训练，训练好的模型就可以帮助医生进行影像辅助决策了。
当前流行的机器学习在处理医学影像识别上其实有天然优势，利用数据量以及计算量作为模型驱动力，卷积神经网络（CNN）以及深度神经网络（DNN）等深度学习算法已经超越传统方法的图像识别性能。
中国团队在《cells》上发表论文，称其主研发的精确诊断眼病和肺炎两大类疾病的人工智能（AI）工具，它的总体准确度达到了96.6%。
四、
当然，人工智能还可以可以进行其他医学数据收集，比如病历文献分析、诊疗结果把控等。理论上来说，人工智能可以实现流程自动化，提升流程效率，提高诊断准确度，将在包括医学影像在内的诸多领域中发挥主要作用。
然而，想要投入大规模使用仍需要解决的两个问题：一是标准数据来源，二是成本。大型计算能力、存储都是成本。计算力和存储倒是越来越便宜，这也使得越来越多的AI得以民用推广的原因（智能语音、拍图购物啊背后全是AI）。
真正的瓶颈在数据的来源以和数据的质量。无论你想要AI看皮肤肿瘤还是看眼睛，目前主流采用的都是基于神经网络训练，第一要点是需要海量数据进行训练。数百万张统一标准、高质量的医疗图像常常只是打底的基础。
文章开头说的那个例子中AI虽然整体的识别率高于医生，但其实对恶性肿瘤平均符合率也只有75%，现场有的医生数据是高于它的。很显然，它的模型还需要进一步训练，以大力完善。
数据从哪儿来？
五、
真实世界中的医疗数据非常之分散。
一方面国内医院出于数据安全和其他原因不愿意共享和公开，另一方面缺乏统一的标准，不同医院产生的影像数据质量参差，很难使用。
京津冀一些医院已经实现影像互认，这只是对于人。对于机器来说，使用影像扫描设备不同造成的机器识别依然困难，比如CT排数不同，电流、电压、扫描时间等参数不同，可能AI就需要重新训练。
所以，现在很多做AI的公司主要在一线城市和三甲医院合作，或采用一些公开的数据做初始训练，想要临床使用，这显然远远不够。
就目前的现状，仅医学数据质量的提升和共融共通，可能需要非常非常长的时间周期。
而，在数据采集的时候，谁来确保被采集者的数据安全问题？
六、
目前来说，AI依然是一个处于婴儿期的产品，技术不完善，应用昂贵。
听起来非常高大上的人工智能医疗，在目前阶段数据采集大多靠人工（有些可穿戴设备数据可以自动上传）。
在数据处理的第二阶段：数据的标注也是纯人工在做。
数据标记员需要对每一张图像进行人工分类、画框、注释、标记，以给机器学习提供先验经验。
这是一个随着AI新兴的岗位，纯劳动密集型，就像工厂流水线的工人一样，只是换成了电脑和鼠标。
可以说，AI造成了一部分结构性失业又创造了另外一些需求。
七、
畅想一下，在现有的条件下AI可以做的事情也还是很多的。
智能医疗影像识别虽然不够完美但是依然可以大量缓解医生不足的问题，医疗助手可以对病人进行轻问诊、减少过度医疗；还有人机协同的手术机器人、智能生物兼容的生理监测系统、基于人工智能开展大规模基因组识别，高通量新药研发等等。
放眼整个行业，一个逐渐清晰的场景就是，影像AI会率先支撑基层医疗。基层医院用影像AI筛查以后，发现一些有问题或者看不准的病例，再交由上级医院的医生来确诊。
再看远些，医疗AI技术如果能够突破应用关，将顶级医生的诊断能力标准化后，交给基层医院，为基层医生提供辅助诊断，会在很大程度上改善医疗资源的紧张状况。
麦肯锡全球研究所预测，大面积使用人工智能诊断疾病可能不会太快发生，即使早已入局的巨头们，也不过是入门级水平，这并不妨碍AI会成功渗入，成为医疗的底层技术，就像之前的IT技术一样。
人工智能和人类医生比谁更聪明，可能还会持续。
《新英格兰医学杂志》认为，这种争论没有意义，如何让人工智能和人类医生一起，实现任何单一方都无法提供的临床效果，才是关键。
行业的狂欢和泡沫，是任何一个新技术浪潮的必经之路。最后胜出的，是那些创造了真实价值的技术和产品。
全国政协委员、红杉资本全球执行合伙人 沈南鹏指出
2、我国医疗信息化、智能化水平有待加速，具体表现在：第一，传统医疗资源投入“重硬轻软”，信息化短板严重制约医疗整体供给能力提升；医疗信息化便民惠民基础较差，“信息孤岛”阻碍优质医疗的公平可及；医疗AI的审批创新相较市场发展和国际实践仍显不足，数字医疗工具的监管环境仍待优化。
3、健康医疗智能化将成为未来社会和人民美好生活的刚需，以政策驱动新技术落地，有利于加快解决医疗领域深层矛盾。
4、目前中国在医疗AI领域发展强劲，是加速升级医疗健康智能化、抢占世界领先地位的战略机遇期。
联系客服
