11月26日，由搜狐科技主办的“2019搜狐科技AI峰会”在北京举行，峰会旨在解读AI前沿新技术，探索行业新趋势。杏脉科技总裁兼CTO房劬受邀在医疗论坛上作了题为《医疗人工智能发展趋势与最新进展》的主题演讲。
房劬说，他平时主要从事计算机视觉和医疗健康交叉领域。在峰会上，他向与会者介绍，医疗行业的痛点在于：一端是不断增长的需求，老龄化、慢病患者不断增加，包括儿科门诊量的增加，另外一方面是供不应求的短缺供给状况。
房劬介绍，医疗行业和其它行业不一样，它的问题在于，始终处于供给短缺的状况。换句话说，新零售或者工业互联网，很多时候解决了中间的配置问题，让需求能够很好找到供给方，就能解决巨大的问题，释放出巨大的价值。但是在医疗行业里面没有办法解决生产关系和生产资源的配置，包括供需两端的配置解决核心根本的问题。
因为需求是无限制的，甚至说人类对健康的需求几乎是没有天花板的，但是供给永远有限，好的医生供给数量有限，把所有的医院或者所有的医生都连到互联网或者移动互联网上，依然解决不了这个问题。
房劬说，像医生、律师、教师等依赖于人的经验和人的积累的行业，它很难被解决资源配置问题的技术所改造。
他们有一个共同点，都非常依赖于长期经验积累。人的寿命有限，一个医生或者教师好不容易经过20年的积累长期的学习，终于达到一定的水平以后，他的体力、精力、智力都在衰退过程中，这样一个矛盾也造成了可能两千年以来医疗、法律、教育这样的行业都没有很好地很彻底地被技术所改造。
所以房劬认为，如果希望医疗行业也能被互联网改造的话，下一个带来革命性的技术必然是能够使供给端批量增加的技术，像流水线增加的技术，而人工智能（AI）就是其中一个选项。
—— 以下为房劬演讲全文 ——
大家好！我来自杏脉科技，主要从事计算机视觉和医疗健康交叉领域，我分享的题目是“医疗人工智能发展趋势与最新进展”。
来自统计学的官方网站，各行各业在中国GDP里面的占比医疗占6%，横向比较不算一个特别大的数字，发达国家9%—10%，特别高的美国17%。中国现在处于经济发展中等发展国家水平，横向比较和金融业是相当的，仅次于批发和零售业，大于房地产行业。在占比这么高的行业里面，互联网医疗和互联网相结合发展是什么样的？餐饮、交通、住宿在GDP占比不如医疗那么高，但是诞生万亿人民币市值或者千亿市值的公司，互联网医疗行业里面头部的企业是百亿人民币市值的量级，是什么原因？商业价值取决于解决什么样的痛点，解决什么样具体的问题。具体到医疗行业里面它的痛点是什么？一端是不断增长的需求，老龄化、慢病患者不断增加，包括儿科门诊量的增加，另外一方面是供不应求的状况。
最近看到一组数据，放射科医生每年的增长量在中国4%，但是放射科的阅片量每年增长30%。美国这个数据更夸张，片量增长率70%，放射科医生的增长量3%，巨大的缺口造成供不应求的状况。医疗这个行业和其它行业不一样，它的问题始终处于供给短缺的状况，换句话说到我们新零售或者刚才提到的工业互联网，很多时候解决了中间的配置问题，让我们的需求能够很好地找到供给方，我们能解决巨大的问题，释放出巨大的价值。但是在医疗行业里面没有办法解决生产关系和生产资源的配置，包括供需两端的配置解决核心根本的问题。需求是无限制甚至说人类对健康的需求几乎是没有天花板的，但是供给永远有限，好的医生供给数量有限，把所有的医院或者所有的医生都连到互联网或者移动互联网上依然解决不了这个问题。
更深层次看一下，经历过历次工业革命，从蒸汽机时代开始，每一种技术的革命对各行各业的赋能或者增益不是雨露均沾，对有些行业带来的增益更大，而有些行业更低。从一开始蒸汽机改变了人类社会开始，一开始交通运输业是最先被改造的，到了电力时代有一些流水线工业制造被改造的很大，互联网革命包括移动互联网革命时代最大的好处是解决了人和人、物和人、信息和人之间的沟通问题，最容易被解决的是传统上供给可以被批量制造，但是供给端很难找到需求，我需要使买家卖家或者信息获取方和信息制造方之间比较好连接的行业。
像传统说的医生、律师、教师依赖于人的经验和人的积累的行业，它很难被解决资源配置问题的技术所改造，有一个共同点，都是非常依赖于长期经验积累。人的寿命有限，一个医生或者教师好不容易经过20年的积累长期的学习，终于达到一定的水平以后，他的体力、精力、智力都在衰退过程中，这样一个矛盾也造成了可能两千年以来医疗、法律、教育这样的行业都没有很好地很彻底地被技术所改造。我们希望他们能够像互联网改变其它行业一样被改造的话，下一个带来革命性技术的必然是能够使我们的供给端批量增加，像流水线增加的技术，人工智能就是其中一个选项。
具体到杏脉在做的事情，举一些场景例子向大家说明，人工智能是怎么改造医疗健康行业的。
脑卒中方面 第一卒中，脑中风行业： 卒中（中风）有几个特点，第一，诊断流程非常复杂，2018年医学指南指明发生急性脑卒中送到医院里面诊断流程是什么样的，可以看到非常复杂。第二，对时间的紧迫性要求非常高。脑细胞每天会死亡几百，如果发生脑血管堵塞每分钟都会发生几百万脑细胞的死亡，时间越久造成不可逆的脑细胞死亡比例越高，瘫痪或者全瘫的风险越高。医学上有黄金6小时的说法，6小时之内需要得到治疗，不然脑细胞会不可逆的死亡。
有了两个矛盾点以后，问题就来了，第一，我们需要非常快速地把患者送到医院进行治疗。第二，就近送到医院的医疗水平相当有限，如果对患者希望做一个全面的诊断来决定下一步应该采取什么治疗手段的话，其实非常麻烦。比如第一步判断是缺血性脑卒中还是出血性脑卒中，两种选错的话，是致命的问题。通过救护车把中风患者送到医院的急诊科才有机会拍CT片，给医生做一个诊断，再下一个判断治疗方案。
这样的过程非常麻烦非常长，杏脉优化了流程，选取了小型的CT设备可以装在救护车上移动式，仅仅有这样的设备不够，救护车没有医生进行卒中的诊断，我们把AI能力赋能在救护车上，可以对脑卒中是出血性还是缺血性做一个简单的诊断。我们送到的医院可能并不能进行复杂手术治疗的话，会改变救护车的救护路线，送到更有能力的医院去。
ASPECT评分是其中典型的场景，我们去判断一个人患有缺血性脑卒中是不是能够进行取栓介入手术治疗，把导管放到主动脉或者桡动脉插到大脑中去，对血栓取出是不是能进行这样一个治疗取决于刚才提到的AIS评分，一般来说对于正常医生只能通过核磁共振的设备上进行准确判断。这个设备又有致命的缺陷，它非常稀缺，一般如果去医院进行脑部磁共振或者膝的磁共振检查排队一两个月非常正常，90%以上的医院急诊没有这样的设备。一个非常有经验的医生能从CT设备上看出ASPECT评分，但是全国能精确诊断病症的医生非常少。我们通过AI的方式在CT的模态上模拟磁共振做出来的图象，这样大部分具有卒中中心的基层医院就可以做简单的诊断，极大方便对卒中患者的救治。
心血管方面 心血管疾病筛查的辅助诊断，心血管疾病缺血性心脏病在发达国家都是排名第一的致死原因，有一个很大的问题，诊断的难度非常大。
平时经常听到中国心脏病滥用支架造成医保负担高企，包括患者负担高企，都是因为这个原因。我们通过一定的手段控制，医院或者科室控制支架的采购，防止耗材的滥用。是不是放支架，需要医生做一个评估，用压力导丝从血管里面穿进去一直穿到心脏的部位测一下血流对心肌灌注造成的影响以及压力，这个检查比较昂贵，一个压力导丝九千人民币，同时检查有创，对病人的身体造成极大的损伤。整个过程是一个介入检查，医生室的手术医生护士在曝露之下，医生接触的手术量有限。
我们通过深度学习结合血流动力学模拟出来导丝在血管里面的行动路径，我们在心血管最顶级的杂志上发布该项论文，0.91的准确率，在临床上达到可以辅助的标准。患者不需要做任何介入检查，只需要做一个CT，就可以判断出来需不需要进行介入治疗支架治疗，对医保对患者对医院有极大的好处。
在医学领域数据是非常稀缺的，422例是目前最大的临床研究。判断出来病患有缺血性心脏病并且需要进行介入治疗或者开胸搭桥治疗又会面临一个问题，我们进行心脏搭桥是非常复杂的手术，可以选择胸腔内的主动脉，可以选择患者腿部的静脉进行搭桥的桥血管取材，不同的血管对最后血流动力学的改善对心肌的改善不一样。
桥血管的搭桥路径从哪些血管接到缺血的部位也是非常讲究的，传统上依赖搭桥医生的经验。医生无法对搭桥路径进行很好的选择，很多患者出现术后的血管再狭窄，通过血流动力学加深度学习的方式进行虚拟的手术规划，在软件上让医生像打游戏一样选择桥血管，通过在软件界面上看到的冠脉缝合点进行虚拟搭桥，并且在几分钟之内可以模拟出整个血流在心肌灌注上的影响，从而更好指导他对手术规划的测量。
肺癌手术规划方面 病理和手术结合的领域AI做的工作，针对刚才说的第三大死亡原因肺癌，当X机上发现有疑似癌症的结节需要进行气管镜的取材，取到组织进行判断确诊是不是真的是恶性的癌变，再判断是不是可以进行PDL—1药物治疗还是开胸手术。
气管镜取材能不能准确取到需要的结节，肺随着不断的扩张呼吸结节移动，医生会反复取材，第一次取到组织送到病理科判断这个取材是不是合适的，把手术停止，如果不合适需要继续重复再去下一次取材。我们临床上看到一个医生反复取三四次是很正常的，但是每次取材工作其实都是非常浪费时间的，取到这样的组织送到病理科，经过切片、染色、冰冻，病理科医生去看，整个过程30分钟到40分钟非常正常，病人只能在手术台上躺着，体验非常不好。
病理医生在中国是特别稀缺的职业，全中国的注册病理科医生加起来一万零几人，每个病理科医生经过五年到十年的培养才能独立出诊断报告，几乎没有办法在呼吸科做气管镜手术的科室对医生培养，让他们学习怎么看病理切片。
人工智能和医疗非常好的结合点，让人工智能学习病理科医生诊断病理普遍的技能，把这样一个AI能力和显微镜硬件相结合，做了一台AI显微镜，AI显微镜放在手术室里面，这样当医生取出材料以后放到玻片上，通过显微镜进行初步判定。
我们采访过上海市呼吸科的医学主委，他认为如果这样的AI出来之后，半小时做出诊断，并且准确率百分之六七十可以达到临床使用的标准。最后在复旦大学附属中山医院测出来的准确率是98%，时间在两分钟之内，大大超出医生的预期，在中山、中日友好医院已经开始使用。
时间关系有非常多的应用不再介绍，各位有志于加入这个行业的朋友可以会后讨论。谢谢！
转自：搜狐科技 文字：马文玥 编辑