西門子醫療陳黎峰：醫療決策精準化的「痛點」與「突破」 | CCF-GAIR 2020

2020年8月7日，全球人工智能和機器人峰會（CCF-GAIR 2020）正式開幕。CCF-GAIR 2020 峰會由中國計算機學會（CCF）主辦，香港中文大學（深圳）、雷鋒網聯合承辦，鵬城實驗室、深圳市人工智能與機器人研究院協辦。從2016年的學產結合，2017年的產業落地，2018年的垂直細分，2019年的人工智能40周年，峰會一直致力于打造國內人工智能和機器人領域規模最大、規格最高、跨界最廣的學術、工業和投資平臺。

在8月9日的醫療科技專場上，西門子醫療中國數字醫療負責人陳黎峰，以《人工智能賦能數字化醫療：機遇與挑戰》為題，介紹了西門子醫療如何利用AI滿足臨床場景中的核心需求。

陳黎峰表示：醫療流程中最重要的環節是決策，一名醫療工作者平均每小時就要做出22個重要的決策。這些決策直接影響著病人從檢驗、診斷、治療和愈后管理的質量。

從統計數據來看，醫療決策過程中，常常有超過50%以上的病人，會缺失病史等關鍵決策點信息。

如何優化這些診療路徑中的決策問題？陳黎峰表示，最好工具就是AI。

從1990年起，西門子醫療就已經將人工智能應用在設備成像中。西門子醫療在AI領域擁有長期經驗，擁有600多個與機器學習相關的系列專利，其中200多個涉及深度學習的系列專利。

例如，為了解決病史缺失的問題，西門子醫療提供了解決方案eHealth，可以在病人授權后將所有病史提供給醫生進行判斷。

在預約檢驗、檢查環節，西門子醫療還開發了Medicalis系統，可以將所有醫療資源集中在平臺，再根據病人的不同情況，把病人分診到對應醫院、對應科室進行診斷，這種分診方案會結合病人本身所處的地域、保險情況，給出最優路徑。

此外，陳黎峰還介紹了人工智能閱片平臺AI-Rad Companion，可以在一張CT影像中，同時識別肺結節、肺氣腫、主動脈、心臟、脊柱重建等6個病種，直接以量化形式展現胸腔內所有疾病。

以下為陳黎峰的現場演講內容，雷鋒網作了不改變原意的編輯及整理

陳黎峰：首先，我介紹一下西門子醫療。西門子醫療有130余年的歷史， 現有三大核心業務部門：影像診斷、實驗室診斷和臨床治療。

1999年，阿里成立的那一年，西門子醫療已經推出了IT全平臺。2014年，西門子醫療又發布了一個基于云的數據中臺和自帶用量、劑量的數據云平臺teamplay。截止到現在，西門子已經有40多款人工智能應用。

這張圖是西門子醫療2019年財年的數據。

接下來分享一下行業趨勢變化，我們認為，未來整個市場動態和趨勢變化會對醫療行業發展產生巨大影響。現在市場上一些趨勢和變化，都是我們以往從來沒有遇到的，例如人口老齡化和慢性疾病增加。

從大的醫療市場角度來看，這種趨勢是市場的持續增大，在2015-2020年短短五年間，全球主要經濟體在醫療衛生上的支出從平均2.4%增長到7.5%，這些支出大約有一半、約4萬億花費在三大疾病上——癌癥、心血管和呼吸系統疾病。

但是，我們也能看到一些潛在趨勢。

首先，醫療會更加精準，但精準醫療跟醫院以往操作模式非常不一樣的是，需要各部門協同作戰，甚至需要我們重新思考診療轉化模式。

其次，改善患者體驗。現在，自己或家人生病后，首先一定會去網上搜索得了什么疾病、需要怎么治療，這也導致醫生的工作變得困難，因為你會帶著信息和研究，和醫生去探討疾病。

但從另一個角度來看，這也代表患者更關注和更多地參與自己的醫療健康管理當中，實現了醫療的消費者化，患者更像是消費者。在這個過程中，患者對疾病的認知、知識也大幅增加，會有更多的選擇。

最后我們認為，數字化、信息化、人工智能一定會驅動健康和醫療行業的發展。

今天，我打算從決策的視角來看待其中AI的機遇和挑戰。

什么是決策？我們每個人每時每刻都在做決策，而醫護人員每天也會把絕大部分時間花在決策上，這些決策跟每個人的生命健康息息相關。

除了在臨床環節，醫療工作者的決策還會涉及運營層面。例如，一個中風病人進入醫院，如果這個病人在本院治療不了，就需要轉診。轉到哪里？怎么轉？里面的判斷就是典型的運營決策場景。

對于醫療工作者來說，平均每小時就要做22個重要的決策判斷，這些決策直接影響病人診療過程，從檢驗檢測、診斷、到治療、愈后管理等各個節點。但這些決策，經常會因為病人病史的缺失和信息的不對稱，出現大量錯誤和偏差。

例如，病人到醫院時，會對自己的疾病史有一定的了解，但不了解目前的進展；而醫生通過檢驗、檢測能夠知道病人現在的癥狀，但是不一定知道所有的病史和服藥史，最后的決策就會非常困難。

例如，上海某三甲醫院急診科主任曾介紹一個案例。他們醫院的員工家屬某天突然暈倒，但在急診科做了一系列的檢驗、檢查都沒有發現問題。

留院觀察期間，主任和病人談話偶然間得知病人有輕微的地貧，馬上聯想到地貧可能引起肺栓塞，而后者則會引起肺動脈高壓而導致暈厥，最后發現果然如此。

但之前的問診，病人根本不會把兩者聯想在一起，而大夫也不可能知道地貧這件事。

統計來看，醫療決策過程中，常常有超過50%以上的病人，會缺失病史等關鍵決策點信息。

除了診斷，在處置、檢驗檢查過程往往也需要醫生做出很多決策。例如，我一個朋友的母親在今年擦窗過程中，忽然背部扭了一下，當時雖然沒注意，但后來卻疼到睡不了覺，于是去了全國前五的三甲醫院。

到醫院之后，他們最頭疼的就是導診，因此背疼不知道掛哪個科；于是就先去了心內，在心內做了很多CT平掃、重建檢查，都沒有發現問題；又去了骨科，骨科大夫也覺得沒有問題，推斷是神經出了問題；但后來又錯掛了神經內科。

回溯來看，這些檢查和流程里面，大概15%的影像診斷是錯誤或者非必需的，甚至是重復的。醫生在診斷決策過程中，如果沒有掌握充分的信息，就會導致做出錯誤的診療決策或診療流程。

研究表明，大約40%的病人會不同程度上曾有“過度醫療”的經歷。

但醫生在開處方過程中，可能也不知道你的既往病史、服藥史等。這樣的信息不對等會導致隨訪過程變得困難。中國每年有80億次的診療量，每個人都去隨訪基本不太可能。

那么，我們應該如何解決這些診療路徑、診療流程的問題，幫助患者、醫生進行全流程正確決策。我認為解決這些問題最好的工具就是AI。

目前，AI已經完全貫穿西門子的全景解決方案之中，有超過40多項AI應用，甚至每小時就已經有24萬患者直接或間接體會到AI的幫助。

剛才已經講到，醫生的治療、診斷等流程的決策都需要醫生掌握病人的完整病史做判斷，那又該怎樣得到病人的完整病史？

目前，西門子醫療在病史方面有一套解決方案——eHealth，這個產品目前已經在奧地利全國落地。為了避免病人隱私泄露，產品會在病人通過eHealth遠程或者當面進行授權后，把所有病史提供給醫生做判斷。

西門子醫療在預約檢驗、檢查環節也有一套系統Medicalis，這個系統目前已經在美國上線。系統可以把所有醫療資源集中在平臺，再根據病人的不同情況，把病人分診到對應醫院、對應科室進行診斷。

當然，這種分診方案會結合病人本身所處的地域、保險情況，給出最優路徑。

在診斷方面，西門子醫療也有自己的一套人工智能閱片平臺——AI-Rad Companion，這個平臺的目標就是減少醫生日常冗余重復性工作，提高診斷準確度。我們希望這個產品可以和多廠商兼容，提供多器官綜合診斷，乃至最后自動生成展示服務。

在醫學影像AI層面，作為老牌的器械廠商，西門子醫療存在一定的先天性優勢。

例如，這次新冠肺炎期間，我們發現西門子CT設備掃描出來的影像，使用AI-Rad Companion進行新冠肺炎陽性和陰性的判斷后，會比其他廠商的產品更加精準。

這個現象背后是因為其他廠商的產品，由于本身卷積核（reconstruction kernel）問題，對于肺炎早期的判斷會出現一些假陰性和假陽性。而西門子醫療的AI-Rad Companion，早已經在普林斯頓的一個超級計算中心研發了很多年，在國內也已經到臨床階段，和很多醫院進行合作研發。

AI-Rad Companion不僅僅可以看結節，而且可以識別肺結節、肺氣腫、主動脈、心臟、脊柱重建等6個病種，直接把胸腔里面所有疾病以量化的形式展現出來。

對于診療決策和治療環節，現在所有的方法也都在持續革新。這就像導航，過去所有人出行都需要買一本全國地圖冊，GPS出來后也出現一些道路升級而軟件沒升級，從而誤入歧途的情況。但現在手機就可以完成導航的所有問題。

病人的診療路徑也是一樣，過去很多診室邊上都會放一個人體全身骨架，但現在已經都不需要了。現在的診療決策變成只需要兩件事，首先需要知道各項檢驗指標，其次病人的全面病史、所處的狀態。

因此，現在很多廠家都提出了數字孿生/數字雙胞胎的概念，把這個人所有醫療指標數字化，包括實驗室、用藥、影像數據、基因等，再把這些數據和文獻、指南以及其他知識庫整合，為病人選擇出最好的診療方案。

利用這些信息和病人交流，也可以幫助病人更加直接、積極的參與到自己的疾病治療和健康管理當中。

AI-Rad Companion也有一個隨訪模塊，可以利用一個小家用設備，對病人的各項指標變化進行管理。這樣就可以解決前面提到的80億人次的隨訪問題，在人工智能的幫助下，設備可以自動提出預警和其他干預方案。利用這種方式，一個護士甚至可以隨訪上千人。

前面已經介紹了西門子病人診療路徑和數字化的解決方案，回頭再了解一下人工智能的驅動力，我認為主要包括三個方面：

一、政府和醫院的成本效率需要提升，運營方面需要決策支持；

二、醫技人員的缺乏，例如國內超聲醫生大概就有15萬的缺口；

三、協同醫療概念，用數字化驅動患者和醫生的互動。

所以圍繞這三個方面，AI也發揮了幾點作用：首先，提升效率和生產力；其次，提供臨床輔助決策支持；最后，為醫院提供病人管理。

既然已經看到了需求和前景，那中間又是否存在壁壘？

單純從技術的角度來看，AI應用最大的問題，就是各個科室之間、各個機構之間的數據孤島問題，這也導致可能出現潛在的決策和判斷錯誤。

那么西門子醫療怎么解決這個問題？

西門子醫療目前有一個teamplay數字中臺，正逐步在國內落地。這個平臺的目的就是為了打破數據孤島，讓醫療AI產品快速落地，產品可以實現多模態部署，在醫院端、邊端或云上都可以。

這個平臺的數據來源也不止于DICOM格式，對HL7、FHIR等標準也同樣兼容。目前，西門子醫療已經將AI-Rad Companion部署在這個平臺之上，未來也希望更多的廠商加入。

我認為，雖然一個人可以走得比較快，但一群人則可以使這個行業走得更遠。雷鋒網雷鋒網

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。