最新消息:欢迎您,亲爱的读者!您可以通过QQ号或新浪、腾信微博账号直接在评论处登录,发表评论并选择转发到微博、QQ空间。

【回顾展望】陈金雄:智能医疗蓬勃兴起 之挑战篇

专栏 HIT金子 2402浏览 评论

来源:HIT专家网   作者:陈金雄

知名医疗信息化专家、中国医药信息学会电子病历与电子健康档案专业委员会主任委员、中国研究型医院学会医疗信息化分会副会长  陈金雄教授

接上篇:【回顾展望】陈金雄:智能医疗蓬勃兴起 之应用篇

五、资本市场热闹非凡

从最近几年状况看,新技术的发展往往从资本的推波助澜开始,2017年医疗人工智能的资本市场无疑热闹非凡。据动脉网发布的研究报告显示,全年一共发生27起融资事件,如果算上几家没有公布消息的公司,2017年该领域融资总额超过17亿元人民币,行业领跑者也已经进入B轮状态。

其中几个典型的融资案例为:

推想科技1月份获得由红杉资本和中国基金领投的A轮融资,9月份又获得由启明创投领投的1.2亿元B轮融资。

5月份,依图科技完成由高瓴资本集团领投的3.8亿元C轮融资,这轮融资将主要用于人工智能技术在医疗行业的核心技术研发、医疗行业临床应用的拓展以及人工智能医疗团队的建设。

11月份,深睿医疗完成由丹华资本领投的A+轮融资,至此公司整个A轮融资规模达到1.5亿元。

六、人才市场争夺激烈

当前,人工智能领域的竞争主要体现为人才之争。与互联网领域主要依靠构建生态的竞争不同,人工智能的竞争更多体现的是核心技术的竞争,其对人才的需求更加迫切。据腾讯研究院与BOSS直聘联合发布的《2017全球人工智能人才白皮书》显示,全球AI领域人才约30万,而市场需求在百万量级。

虽然我国政府已经将人工智能上升到国家战略层面,但是仍然不能立即改变我国AI人才供需严重不平衡的现状,对人工智能的人才争夺战更是处于白热化阶段。不缺“智能”、缺“人工”,成为人工智能行业真实的写照。保守估计,截止到2017年10月,我国人工智能人才缺口至少在100万以上。而且,由于合格AI人才培养所需时间远高于一般IT人才,人才缺口很难在短期内得到有效填补。

2017年以来,人工智能人才需求呈现爆发式增长,三季度人工智能的人才需求量较去年一季度增长了179%。但是由于技术门槛高且难以通过短时间学习掌握,企业在追逐人才时常处于被动状态。加上受人工智能的辐射带动,相关岗位需求巨大。医疗人工智能的人才更加短缺,据统计,AI人才从事医疗行业的大约只有十分之一,复合型人才更是非常稀缺。据动脉网报道,我国高校非常重视培养AI人才,但是缺乏培训与医疗结合的AI人才。而正是缺失的这种交叉学科人才反而对行业理解更深入,更受企业欢迎。

人才的稀缺引发对人才白热化的竞争,导致薪水也水涨船高。智联招聘公布的《2017人工智能就业市场供需与发展研究报告》显示,仅2017年,人工智能人才需求量就增长近2倍,近七成人工智能人才的薪资水平在月薪1万元以上,约有1%的人才月薪在5万元以上。据报道,很多人工智能公司的首席科学家年薪约为200万元至1000万元,并配备相应股权。工程师职位方面,硕士年薪在20万元至40万元之间,博士年薪为50万元至300万元不等。

七、前进道路依然艰辛

智能医疗的发展前景毋庸置疑,目前得到空前的重视,但前进的道路不会一帆风顺,困难依然不少。目前智能医疗发展还面临以下主要难点。

一是智能程度依然有限。自人工智能出现以来, 形成了两种截然不同的人工智能发展思路,即强人工智能和弱人工智能。前者强调需要弄清楚智能原理,后者只要造出来的机器能够体现某种智能行为即可,比如下棋、驾驶等。

在弱人工智能中,又可以分为通用和专用。通用是指要让造出的机器体现通用的智能,既可以用来下棋、又可以用来驾驶等;而专用是指对每一种不同的智能行为,打造专用的机器。当前的人工智能进展,主要在专用弱人工智能上,通用弱人工智能和强人工智能几乎没有革命性的突破。

即使是AlphaGo Zero,对于能转化成搜索问题的人工智能领域和难点有很大的用武之地,但对于人工智能其他领域和难点,目前还不能提供直接帮助。

二是数据质量有待加强。目前医疗数据质量还远远不能满足智能医疗的要求,如果把医院的数据分为数字化、集成化、数据化、要素化、结构化、语义化和智能化7个层级的话,大部分医院还只是实现数字化,尚未完全实现集成化,目前即使最高等级的医院基本只是实现集成化和数据化,离后面几个阶段还有很长的路要走。

三是全面数据极难获得。数据驱动人工智能,其智能化水平很大程度上取决于数据是否全面,但要得到全面的数据非常困难。就以目前应用最广泛的影像肺结节诊断为例,要想做出准确的诊断,那就要把肺结节全部图像收集到位,并进行准确标注,在现阶段显然难度非常大。

四是数据标注成本太高。当前在商业领域的机器学习应用包括:语音识别、图像识别、句法分析、机器翻译等,绝大部分都采用的是有监督学习。然而,有监督学习需要用到的数据(即<输入,输出>对)从哪里来?输入好办,但是(近似)正确的输出却很难得到。为了得到正确的输出,往往需要人工来“标注”。机器学习在近十年内取得的巨大成功,离不开高质量、大规模标注好的数据集,但是,标注往往极为耗时耗力耗财,很多时候只有大机构长期投入才能完成。

五是应用场景依然欠缺。人工智能在非生命相关领域如人脸识别、语音识别、个性化商品推荐等方面,因为允许有容错性并达到实用阶段,已经取得广泛应用。但在与生命相关的领域,即使有些影像诊断符合率已经达到98%以上,因为涉及医学伦理,应用会非常慎重。

其实在应用方面,不要出现假阴性比更高的符合率还重要,因为只要不要出现假阴性,像体检这种应用场景,就可以代替影像医生做大部分工作,有可能是阳性的部分才需要医生的进一步诊断。另外目前人工智能医学诊断包括影像诊断大部分是针对某一种疾病,比如肺结节、食道癌筛查等,但医生诊断显然不会局限在某种疾病,一张DR片就有可能面临几十种乃至几百种疾病的可能,医生要通过经验做出准备的判断和诊断,目前影像AI显然还不具备这种能力。

六是人才队伍成为瓶颈。人才队伍的欠缺是人工智能发展巨大的瓶颈,目前人才基本都聚集在BAT这样的互联网垄断企业和一些创业型公司,像医院等应用单位这方面人才更是奇缺,而且成本也非常高,这无疑成为智能医疗发展的巨大瓶颈。(全文完)

【作者简介】

陈金雄,福州总医院信息化办公室主任,全军医院信息化研究与技术支持基地主任。

医疗信息化长期耕耘者、探索者与实践者,《迈向智能医疗——重构数字化医院理论体系》、《互联网+医疗健康》、《互联网+基因空间》以及电子工业出版社“互联网+医疗健康”丛书主编。

现为中国医药信息学会电子病历与电子健康档案专业委员会主任委员、中国IT价值联盟医疗分会和福建分会理事长、中国研究型医院学会医疗信息化分会副会长、中国医学装备协会数字医疗技术分会副会长、中国医院协会信息管理专业委员会常委、中国医师协会医学工程师分会常委、福建省卫生医疗行业计算机用户协会理事长。

【参考文献】

[1] 金丝猴,《为什么知识图谱终于火了?》,甲子光年;

[2] 《医学知识图谱构建技术与研究进展》,搜狐号;

[3] 杨洁、黄智生、胡青、丰雷、王刚,《抑郁障碍知识图谱中抗抑郁药不良反应知识整合及其应用》,《中国数字医学》2017 , 12 (6) :2-4;

[4] 周熠,《也谈AlphaGo Zero 的前世、今生及未来》;

[5]  黄珊,《医疗影像AI的“九九八十一难”?》;

[6] 赵永超,中国健康产业创新平台,《医疗人工智能的应用领域与颠覆创新》;

[7] 动脉网,《CDSS临床决策支持系统发展趋势》;

[8] 硬姐,《人工智能无孔不入!准备进入药品研发领域》;

[9]《国内唯一一款大数据智能分析导诊工具,妙寻医生全新版本让医生优选变成现实》

[10] 动脉网,《医疗人工智能陷入了人才困境,该怎么破?》;

[11] 沐子飞,《人工智能被推至风口浪尖 人才竞争将日趋激烈》,中国智能制造网;

[12] 腾讯研究院、BOSS直聘,《2017全球人工智能人才白皮书》。

【责任编辑:谭啸】

 

您必须 登录 才能发表评论!