由上海报业集团 | 界面新闻主办的2023【大健康常春论坛】于11月16日在北京柏悦酒店圆满落幕。此次论坛共有4场主旨演讲及2场圆桌对话，邀请到诸多生物医药领域的专家学者及领军企业的代表出席，围绕AI浪潮下医疗行业的生产力重塑、消费级医疗对商业机会的识别与把握等主题展开深度讨论。宏观经济正缓慢复苏，当此关键时刻，我们更需要静下心来认真听一听他人的洞见。论坛现场，强联智创创始人、董事长秦岚女士，北京联影智能影像技术研究院智能影像诊断研究所所长钱真先生，复旦大学管理学院信息管理与商业智能系助理教授李文文女士，迈瑞医疗体外诊断临床部总监祁欢先生参与了题为《AI浪潮下医疗行业的生产力重塑》的圆桌讨论，圆桌主持由界面新闻健康频道记者陈杨女士担任。

以下是演讲文字实录：

陈杨：大家好，首先非常感谢在场的各位以及线上正在参与我们《大健康常春论坛》的听众和观众朋友们，我是界面健康组记者陈杨。今天我们圆桌对话的主题是“AI浪潮下医疗行业的生产力重塑”，AI在我们生活中渗透到各行各业，更是很早就进入医疗领域，比如IBM的沃森机器人。2015年、2016年我们也经常在媒体上看到真人医生或者医学生跟智能设备进行battle。包括到现在，我们在一些医疗机构和场所当中，其实已经能够切实地去用到很多在诊断、筛查方面的AI工具。相信大家也越来越感受到AI在我们生活当中地位的提高，所以这次我们特别准备了这样一个主题的对话，也非常感谢四位嘉宾，分别从产业和学界的角度给我们一些思考和启发。今天荣幸邀请到四位嘉宾，我们先从秦总开始做一个自我介绍。

秦岚：感谢主持人，各位嘉宾、各位朋友大家下午好，我是强联智创的创始人秦岚。本人有三个标签，第一我其实是一名医学生，临床医学七年制毕业；第二我在脑血管病领域，从上学到工作已经耕耘了20多年，工作经验其实很简单；硕士毕业之后很遗憾，确实没有当一名医生，直接加入了产业，在强生待了十年时间，刚好入职强生的时候，是强生在中国上市第一款神经介入治疗的产品。所以可以说我整个的从业生涯是伴着中国脑血管病手术、神经介入手术从0开始，一直成长到现在。前面十年的时间，其实是在强生，后面十年的时间是自己出来创业，创业的方向依旧是服务脑血管病治疗的医生和患者，尝试用AI的方式打造AI辅助治疗以及AI辅助决策，这样我们可以深入疾病的核心环节，能够换一个路径，依旧来服务医疗行业，来服务患者。

陈杨：感谢秦总，接下来有请钱总。

钱真：主持人好，各位嘉宾好，大家好，我是来自北京联影智能影像研究院的钱真，目前担任智能影像诊断研究所的所长。我大概介绍一下我的背景，我是做算法出身的，在2008年与美国一所学校博士毕业，之后在一家美国医院待了有十年的时间。我感觉我的经历或许与大家有些不一样，我当时在医院里面做研究、临床、教学等工作，十年之后转入了工业界，先是去了美国硅谷一家公司，最近又回国来北京加入了联影。我认为我的从业经历和联影目前的整个方向还是挺吻合的，因为联影现在非常专注于解决临床痛点问题；也非常专注于“产学研医”多方合作。因此从去年回国以后，我感觉整体的发展方向、发展前景相当不错。

陈杨：感谢钱总，下面有请李老师。

李文文：各位嘉宾、各位观众下午好，我是来自复旦大学管理学院的老师，我叫李文文。和在场的各位专家相比，其实我对于医疗行业算是一个外行，而且资力也比较浅，但是我对医疗健康非常感兴趣，尤其是智慧医疗。我现在研究如何让AI技术应用于医疗健康具体的实践和应用当中去，现在也和上海市眼病防治中心合作，我们一起在探索AI技术如何应用于视觉健康的一些日常管理当中。所以今天也很开心能有机会参加活动，也希望跟各位专家多多学习。

陈杨：感谢李老师，最后有请祁总。

祁欢：主持人，各位嘉宾，大家下午好，我来自深圳迈瑞。我也是理工科，以前是做算法出身的，18年前来到迈瑞，一直做了18年的开发和产品管理、市场的工作。我进入迈瑞的时候，迈瑞的体外诊断在国内以及全球的体外诊断领域内，应该占一个非常非常小的市场份额，到今天为止，迈瑞在一些血液细胞分析、深化、免疫方向，在国内已经取得了领先的位置，这18年来，我们见证了这个团队的成长过程。当前我在迈瑞主要是做新技术的临床研究、合作以及注册临床的工作，包括迈瑞医疗市场的研究，以及新业务探索方向的管理工作，希望今天下午能做一些非常深度的交流。

陈杨：感谢祁总，从大家的介绍可以看出我们这次四位嘉宾非常综合，既有理工科背景，或者算法背景，也有医学生，有临床经验。我们刚刚剧透了一下，秦总这边有在脑科领域一些AI的探索，李老师是在眼科方面，迈瑞在IVD，以及联影是比较综合的在AI方面的实践。先想请各位为大家介绍AI具体用在整个医疗实践当中哪个细分领域，或者是哪个细分环节？就像刚刚王刚教授有讲到的，其实无论是国内也好，国外也好，大家对于医疗行业未满足的临床需求是非常看重的，这也是创新真正的意义所在。所以这个命题作文，也希望大家可以去讲讲您所从事的细分领域也好，或者是一个AI所作用的环节也好，AI发挥了什么不可替代的作用，或者是现在人工操作不太能做得到的地方。这一轮我们先从祁总开始。

祁欢：迈瑞所覆盖的领域比较多，一个是在生命信息方向，我们在做一些人工智能的麻醉包括状态监控的工作；超声领域内我们也做了全栈的、不同方向的人工智能；在体外诊断领域，我主要介绍这个方向，我们现在做的最成熟的事情是血液细胞分析智能化的应用。因为大家都知道，大家去体检，或者是去医院，不管是住院还是门诊，感冒发烧一定要做血常规，血常规每年有20亿-30亿的检测量，这个检测不仅仅可以告诉我们是不是发炎了，是病毒性的还是细菌性的，可能潜在的告诉我们是不是白血病，是不是恶性的再生障碍贫血，包括有没有大的出血倾向。这个检测背后有潜在重大疾病的发现职责，后面几个重大疾病都不是靠我们一般情况下快速出报告能够发现的，一旦前面快速筛查的仪器发现有这种倾向的时候，这些样本就会被医生留下来，做玻片的制作、染色、加热、吹风、吹干，再做显微镜的检查。后面的流程大概需要30分钟到1个小时的时间，如果大家去医院做检查，半个小时拿报告了，一般都挺好，如果留在那里等着，一般情况下有点担心了。但是后面的工作往往与重大疾病有着非常密切的关系，尤其是白血病的关系。一般情况下，按照国际上标准，一家大的三甲医院，每天有20%，也就是200例—400例的样本应该去检查的。我们在中国医疗诊疗的人数、医生的数量远远达不到要求，我们很多时候只有国际的1/4到1/10的水平，医生只能挑最严重的那些去做，所以存在风险，就是因为智能化的、自动的显微镜检查，以及人工智能对它的识别是完全不足的，我们做的就是这件事情。通过这样的产品，或者是这个技术应用到我们实际工作当中，就可以让三甲医院每天10例、20例、30例的复查，能够做到200例到300例的复查，让我们二级医院从原本不具备这样能力的情况下，也具备这样的能力，这是一个大的进步。在我们做的过程中，原来大家意想不到的一些白血病都被我们发现了，比如说有人在夜间的蛇伤门诊下检出来白血病，完全想象不到，有孕妇例行检查被查出来白血病，有在骨折去骨科做基础检查的时候被查出来白血病……都是这样的系统在起作用。以往人们有可能会把它漏掉，人工智能的技术在检验当中，尤其是在基础检验当中应用，让我们在诊疗当中第一个关口，帮我们拦下来很多重大疾病。

陈杨：您刚刚介绍的产品，不仅是补齐医生资源的不足，特别是您刚刚说的，无论是舌下门诊也好，骨科也好，有一些打破我们常规认知或者是偏见的地方，没有想到在这样的领域的病人，可能也会有白血病。其实是把检测的事情做在前面，也有利于整个诊断，或者是后面治疗的过程。接下来有请李老师。

李文文：其实AI技术在公共卫生管理领域的应用非常的重要，对于我们整体的医疗健康管理有很大的帮助。比如说以视觉健康为例，我不知道大家是不是关注过，像我们的社区医院，就是我们最基层的医院，其实很多医院是不具备专门的眼科医生的，很多时候叫全科医生，或者是五官科的医生来负责眼病的诊断，对于基层的医疗层面而言，很多医生没有办法识别出来一些很严重的眼部疾病。在这样的情况下，很多患者要不然早期没有意识到自己可能有疾病的问题，而不去提早进行疾病的筛查和诊断，如果患者实在是眼部不适，只能去大医院，去三甲医院诊治，导致三甲医院资源非常紧张。这个跟之前蔡教授说的，我们医生整体的医疗水平有关系，医疗资源分布不均匀，在这样的情况下，AI介入就能很好地帮助我们提升我们基层医疗服务的质量。比如说现在在视觉健康领域用的非常成熟的AI眼病筛查设备，大家如果去眼科的话，去机器上面照一下自己的眼睛，拍眼底照片，筛查出来你有哪些眼部疾病，给你诊断的结果。比如说你可能是轻微的，应该怎么治疗，如果你比较严重，就会建议去进行后续的转诊，去到其它的三甲医院，或者是其它的大医院。这种设备的普及，以上海为例，现在上海大概已经有1/3的社区医院普及这样的设备，有了这样的设备以后，基层眼病筛查率极大的提升。可能像上海市其实是有标准的，比如说上海市眼病防治中心，每年会给基层的社区派发任务，今年你们要筛查两千个患者，以往在人工的水平下面，社区医护人员的工作量非常大，有了AI设备以后，甚至有的社区一年可以筛查两万个患者，整体效率提高了，质量也提高了。对于公共医疗领域来说，AI的帮助也是非常大的。

陈杨：感谢李老师，也是在具体的领域给到我们一个例子，在眼健康的防治上，包括用机器去拍眼底照片，能够发现一些问题，并且极早进行后续的治疗和后续的动作，可以帮助我们在眼健康这一重要的领域提高筛查效率，筛查面也会更广。接下来有请钱总。

钱真：我大概介绍一下联影智能在医疗AI方面的工作，联影智能在2017年成立，是联影集团在人工智能相关领域比较重要的布局。联影智能现在在医疗AI上有三个方向。首先是赋能临床，我们开发很多算法来帮助医生比较简便的看片子、看影像，帮助医生解决痛点问题。国内的影像科医生，一个是人数不够，二是工作量大。目前我们已经开发了超过100个应用，其中包括40余款影像诊断产品，落地有三千多家医院。我们尽量把算法赋能到影像科医生那边去，让比较繁杂的影像读片任务更方便一些。比如像肋骨骨折需要用CT来诊断，很多时候，影像科医生值夜班最怕的事情是晚上来骨折的病人，医生往往需要对着片子一根根数肋骨，去看有没有骨折，这是非常劳累的事情。类似这种痛点，AI算法是可以很好的解决的。第二，我们在做一些赋能科研的工作。现在医生临床工作是非常紧的，同时，科研任务也非常紧，往往手头没有好用的科研工具，有的时候想用人工智能相关的技术来做一些科研也没有办法实现。目前我们开发了一个专门给临床医生、给医学工作者使用的科研平台，他们可以在这个平台上便捷的把数据管理起来、把数据标注做起来、把模型搭起来，并且不需要有很多前期人工智能相关的算法知识就可以很好地做科研工作。第三，我们在做一些赋能设备的工作。我们是联影集团下面专注于AI的子公司，我们的AI算法可以服务于影像设备。比如说像磁共振影像，磁共振影像检查的临床bottleneck是什么？就是扫描速度太慢，很多时候扫一个病人要15—20分钟，我们AI算法集成到扫描机器上以后，每一个部位的扫描时间可以加速到100秒以内，1—2分钟就能完成，大大减轻扫描的负担，同时也是造福了病人。人工智能技术是很好的技术，在不同的领域内应该都会有很好的应用。

陈杨：钱总讲了两个部分，一个是设备效率的提升，还有一个可以理解成是解放医生，无论是一些可以被人工智能取代，或者是提高效率的工作也好，或者是在科研方面能够给医生赋能也好，都是我们AI价值的体现。接下来有请秦总。

秦岚：我们是一直关注于脑血管病，非常垂直的领域，核心做两件事情，跟大家平时理解的AI诊断不太一样，我们核心在做第一叫AI治疗，第二叫AI决策。说起AI治疗，中风是非常大的致死疾病，这样一个重病，没有特别好的药物能够达到预防和急救的效果，不得不依赖手术，这个手术是L4级别，即是最高难度的手术，我们经常讲是赛车手级别的手术。面对这么重的疾病，大量的患者，对医生又要求很高的L4级别的手术，我们一直希望能够把手术难度降下来，把手术进一步标准化，让更多的县级医院，哪怕乡镇卫生的医院，也能及时地服务周边的患者。我们的做法很简单，手术中不是所有的步骤都难，之所以手术难，是因为有一些环节难，有一些环节相对容易，我们把手术环节拆出来，给它自动驾驶的解决方案，手术方案给出，不依赖医生经验，而是依赖算法，这一步操作的执行，不依赖医生灵巧的双手，而是依赖设备。AI治疗的环节，我们提供的是软硬件加耗材整体结合的全新的解决方案，去年我们也拿了中国第一张AI+治疗的创新医疗器械三类证，刚才在台下的时候，还跟不同的小伙伴互动，大家在跟台，有很多手术实行新的AI治疗技术。第二件事叫AI决策，也是解决疾病关键决策环节，谁都不愿意开刀做手术，这跟得了一个感冒，你给我开个药，是小决策。如果脑子里、脑血管有问题，你现在开个刀，实际上无论是经济费用和病人意愿方面都要慎重考虑。我们希望手术治疗的决策更加准确，不单单依赖于医生的经验，而是说我们用中国人群数据库，基于算法，我们给到更好的算法模型，来评估什么样的病人在手术里能够有更好的获益。我们不漏掉一个能够在手术中获益的病人，也不让一个还达不到手术指征，实际上在手术中他的获益没有比他承受的风险更好这么一个情况去发生。我们核心在解决这两方面的事情，谢谢。

陈杨：感谢秦总，秦总讲了两个AI运用的环节，分别是治疗和决策，治疗方面是拆分成不同可以被AI所赋能的不需要人工去完成的，像决策方面也是赋能到更多的医生，让他们做出更精准的判断，尽可能减少一些不必开刀，不增加患者负担的医疗行为。刚刚从四位的解答当中，可以发现一些共同点，无论是李老师在讲的眼科领域，或者是秦总讲的脑科领域，祁总和钱总讲到的使用AI的地方，很大的问题在于相关医生资源在国内不足，他们水平是参差，同质化水平跟国外相比有差距，这个是我们一直认为AI在里面可以大有可为、施展拳脚的原因。不过，我们看现在很多AI产品的落地情况也可以发现，真正在终端的医院，临床医生在使用AI产品的时候，其实也是有一些疑惑，或者是没有这么顺手的，大家在产业界讨论的时候，是不是有一些gap，是不是有一些双方理解不太到的地方？有的时候公司觉得说我的产品很好，我的需求解决了，但是临床医生觉得说好像还不够，好像自己人来干辛苦是辛苦，但好像也可以。我想了解的是大家在各自领域觉得，可能会存在哪些临床和企业研发界有gap的地方，以致于我们对接临床没有那么顺畅？把问题给到现场的四位，有请秦总介绍一下。

秦岚：非常好的问题，我自己以前是医学生，我跟医生打交道了20年，医生群体是相对比较保守，因为面对的是病人的生命，他们实际上是谨慎的。我理解更多的gap，如果我们从纯研发的视角来讲，大家没有太懂医学的语言、医生对循证证据的要求，但是当我们做了充分的循证医学的证据，当我们拿出严格的前瞻性对照临床试验的结果，实际上医生是可以接受的。第二点，我们接触很多神经外科的医生，他们有共同的追求，追求极致，产品有的时候并不是解决百分之百的问题，是一步步做迭代。当你真的跟临床医生沟通的时候，他们希望你的产品不要出错，不允许有疏忽和漏洞，否则他对此就会有担心，从而去倒逼企业。为什么做医疗AI产品很难，我们不是做到better to have就可以了，包括我们做的很多临床试验的比对，是做的全优效比对，从各个方面人机结合的方式做手术，都会比单独的医生好，人机结合的方式跟顶尖大医生PK，把这个证据拿出来的时候，实际上他们才愿意更开心的去拥抱。这个是医疗本身的属性决定的，的确对企业自身的要求会比较高，在产品开发的过程中，有的时候我们觉得产品OK了，在医生的眼里是不OK的，你还要往前多走几步，才能够达到临床的要求，才能够被他们接受，这个gap会一直存在。

陈杨：临床医生的要求摆在那边，企业做到更优效，才能符合他的预期，才可能被接受，在循证医学的积累上，有更多的积累，才更有说服力。下面有请钱总。

钱真：我觉得这个gap确实是存在的，在很多AI的产品和软件上往往会发现这样的问题。很多时候工程背景、算法背景的专家，或者是一些科技公司，对临床的痛点和临床流程把握的程度还是不够，很多时候是在拿着一个算法、一个方法的“锤子”去找问题，而不是从问题去推需要什么样的“锤子”，这对产品开发来讲是一个非常严肃的问题。我们认为，只有真正把AI融入到临床的流程中去，在医院的环境里面使用它，临床的痛点问题才能被解决，这是非常需要打磨的事情。因此，这也是我们为什么一直在强调要“产学研医”协作，特别是怎么样跟医院一起合作，怎么样把AI和医生的工作真正融入到一起，这需要进行不断的打磨。

陈杨：医生语言、医生思维、工程师语言和工程师思维的对话才能产品做的更能够在临床上被使用。李老师您提到在上海有非常多的社区医院在使用眼病专科AI技术进行筛查，为什么这个产品可以铺得这么开，为什么这样的技术可以这么被基层的社区卫生医生接受，满足社区医疗的点在哪里，这个gap比较小的原因在哪里？

李文文：我非常认同前面两位嘉宾的观点，我想从偏技术一点的角度来补充一下、阐述一下这个gap的问题，进而说以下实践当中到底是什么样子的。对于AI算法有一个特性，可能大家都比较了解，是blackbox，也就是黑箱问题，本质是说AI算法到目前为止非常缺乏可解释性，医生的视角给AI一个片子，它给我输出一个解决，为什么能诊断出这样的疾病，原因是什么，AI没有办法给出很好的解释。但是也在进步，AI可以圈出可疑的部位，高度有风险的部位，可解释性仍然是很差的，这个很差的可解释性，医生很难接受，医生其实非常保守，做诊断是非常严肃的事情，如果你没有办法很好的告诉我你是如何产生这样的结果，大家不太愿意接受。另外一个方面，我们AI算法训练的一个普适性或者是generatized，比如说我们的企业想训练适用于某个场景的AI算法和模型，去找合作的医院拿数据，拿了一批数据来做训练，训练出来一个模型，想把这个模型推广到更大的范围使用，在这个时候有一个问题，企业训练所使用的数据和真正实践应用当中面临的数据，数据分布可能是不一样的。数据分布不一样，就会极大的影响我们模型表现。很多时候大家会发现，企业说我们的算法和模型非常准确，已经达到97、98、99的精确度，完全可以应用于实践，医生或者是医院拿过来一用，可能也就是70%、80%的准确率，觉得企业是不是在吹牛，为什么是这样？这里面就是数据的问题。这就说到眼病诊断，眼病诊断一个是说从可解释性方面，对于我们基层医疗而言，大家对于可解释性的要求没有那么高，因为在基层医疗使用过程当中是做疾病筛查，而不是疾病诊断，只要筛查一个科目有风险，就把你推给上一级的医院就OK了，所以我不需要给你做出最终的诊断，这个时候大家并不需要一个非常清晰的理由和很强的可解释性来支持理论。模型的表现问题，我跟一些AI的科创企业聊的时候，现在的AI产品，其实是软件和硬件可以分开看，软件就是我刚刚提到的模型和算法，硬件是大家看到的机器设备，硬件负责拍照、拍胸片、拍眼底照片，软件负责处理和分析。比如说我的软件训练的数据，是由A类硬件来提供的，这类硬件拍照片是这个角度，亮度是什么样的，医学上面要求比较高的，训练出来的准确度比较高，如果我换另外一个设备，这个设备可能拍照的时候和患者眼镜的距离和亮度稍微有所变化了，照片的属性有所变化了，模型用起来就非常困难，这也是在实践应用当中，很多企业面临的一个问题。所以现在大多数在视觉健康领域的企业，他们来做的是我们软硬件结合，卖设备，也卖自己的算法，尽可能去降低我们模型在实际应用当中的表现会变得很差。

陈杨：李老师提到两个重要的维度，一个是产品和模型可解释性，一个是真正的表现，这个是产品和实践上，临床医生能够直观产生信任的地方。最后有请祁总对这个问题的看法。

祁欢：前面几位老师说的时候，我非常感慨也十分认可，你们说的事情在我们的团队过去十年当中也是常常发生的。常常一个新的技术出来之后，我们的工程师有很多新的想法，比如恨不得把语音识别用到每一个功能上，每一个地方去，每一个细胞的调整操作我也要用一下语音识别，实际上这里面有很多伪需求。秦总也谈到医疗的产品，包括李老师也谈的，医疗的产品人们对性能要求很极致，容不得一点点的差错，尤其是重大疾病的诊断上不能出错，所以它的性能质量也非常重要，投入成本也非常高，周期长。最后我补充一个点，人工智能的出现是为我们的医疗器械，或者是健康提供了一种新的选择，新的工具与方法，让我们做提升，我们在做的过程中，不希望技术的产生让医生、让患者付出过高的代价，所以它的硬件，以及它的软件的成本控制和最后的收费以及商业上，我们也希望是一种更加合理的方式。不能过度的功利化，或者是商业化摆的更重，那我认为这个人工智能不利于在家庭，或者是在医院里面去实施，我想它的成本控制，以及合理商业运行机制的建立，也是一个非常重要的补充环节。

陈杨：祁总讲了非常重要的问题，关于成本控制，AI之所以用到医疗当中，很大的作用就是普惠，希望医疗资源能够给到更多的患者，能够增加他们对医疗资源的可及性。所以刚刚讲到的成本控制，或者是优化商业模式的问题，确实也是非常重要的一点，不能和最终的目的背道而驰。刚刚大家都谈到研发端和临床端可能存在的一些gap的问题，我想聚焦一下大家正在做的一些项目和产品，从祁总开始，您刚刚一直讲到AI的阅片机，真需求和伪需求的问题，包括工程师这边可能有非常非常多的想法，能不能真正的实践或者是落地，我知道这款AI阅片机2013年的时候就有这个想法去立项，一直到去年才上线，我比较好奇的是在研发的过程中，迈瑞做哪些的前置工作去挖掘真正的需求，这对于企业来说比较看重的是什么，难点是什么，怎么样尽可能不去做伪需求的事情？

祁欢：正好这个项目也是由我牵头做预研的，刚刚开始的时候，我们从一个非常小的角落里面，买了两台非常便宜的显微镜开始开始做起来的。2013-2018年我们在做一件事情，希望把成像质量做到最好，因为在做这个事情的时候，北欧有一家公司在这个领域内，在全球做到了95%以上的完全垄断地位。他们非常自信，甚至我们曾经跟他们合作过，我们合作说不能禁止迈瑞去做相关产品的研发，他说没关系你们做吧，我们非常的自信，因为历史上，日本、美国、德国许多企业都做过这件事情，最后只有我成功了，所以你们做没有关系，我们当时还是挺钦佩别人的。迈瑞有一个相对比较大的临床和工程的团队，我们花了很长时间在国内和国际做很多的调研。发现即使一款被大家神化的产品，真正深入到临床医生内部的时候，临床医生对无数东西都是不满意的，其中非常重要的一个点，就是它的成像质量不能满足人们对白血病的诊断需求。当时这个产品最多是发现样本有点问题，当仪器发现有问题的时候，人们要把把片子拿出来，重新到显微镜下进行检测，成像有问题，识别也有很多问题。因为要培养一个真正能精准识别白血病的形态学专家，需要5-8年的时间，而且这样的人，还需要在我们国家几个不多的血液病中心去做专职的培养，才能做到这一点，否则是不太敢下诊断的。阴性诊断成阳性，这对病人有很大的心理负担；阳性变阴性更是漏诊的问题，识别能力也是很大的问题，包括成本问题，十年前在中国装机可能达到200万人民币的水平，包括在深圳的很多医院都装不起，宁愿人工看好了。所以我们前五年解决一个成像质量的问题，解决成本的问题和解决速度，这三个在业内叫“不可能的三角问题”，我们通过技术解决掉，找到方法解决了。2017年、2018年以后，我们开始做人工智能相关的东西，有一个算法非常重要，我们是跟腾讯去合作。还有一个事情，刚刚李老师也提到了，大量的数据，我们为这个产品积累了大概有100平米的玻片仓库，一列列玻片，有二三十万张玻片，我们总共采集有近千万级细胞的数据，每一个细胞都要经过形态学的专家对它进行标注以后，这个数据才能够为人工智能做很好的储备。所以说它的研发周期也非常长，包括后面的临床适用，刚刚秦岚总也提到了，比如说高级别、中级别、低级别医生的优效性的比对，临床试验等等，都需要花很长的时间去解决这个事情，确实时间有点长。

陈杨：您刚刚讲了一个非常完整的过程，从前五年三个维度“金三角”的建立，到后面更加落地在临床上的一些比对跟实践，最终有了这么一款被临床端所接受的产品。接下来我的问题给到李老师，祁总也说到医生对于细胞形态学判断的谨慎程度，刚刚您也讲到说，医生对于设备性能表现的要求是非常高的，包括从理论层面来说，算法黑箱没有解决的时候，医生是有心理障碍。包括其他的嘉宾也提到的数据问题，从您的角度，无论从学界还是产业界的观察，一方面数据获取这一点上，企业要怎么样才能获取到像您说的不会存在一些偏差的，或者是特殊的数据，让它的模型更具有普适性，如果不幸出现一些问题，AI和临床医生的权责判断上有怎么样的思考？因为我想这个可能是很多医生在选择自己要不要接受AI产品时非常重要的考量。

李文文：您的问题问的很大，我尽量尝试回答一下。数据的问题，其实数据真的是医疗领域使用AI技术的一个极大的痛点，因为大家现在可以看到AI的领域发展得非常快速迅猛，尤其是像大模型的出现。大模型出现的背后，其实堆的就是上亿的数据量，这些数据是从哪里来的？很多都是从互联网上获取的数据，这些数据非常易获取、易使用。医疗行业非常大的不同点是我们的数据量一个是非常有限，另外是数据的安全性、隐私性的问题，数据敏感度非常高，导致数据在领域里面的流通性不高。比如说现在我们观察到的，大家都在说缺数据，企业也说缺数据，企业的数据从哪里来？很多企业说我们积极和医院合作，每一个企业基本上都列出了很多的三甲医院、大医院，说跟他们合作，由他们提供数据，我们来训练自己的模型。我们会发现这些医院相互之间的数据并不连通，或者是并不流通的，每一个医院对于自己的数据，都是建立一个自己的数据库，这是我们医院的资源。因为行业的一些特性导致说我们想要去做数据的分享非常谨慎，这就导致一个企业想要训练一个性能比较好的模型，就要不断接触更多的医生、更多的医院，去进行一些合作，这样成本相对来说是比较高的。现在一个趋势，大家在提倡希望数据的互联互通，数据在我们的领域里面，希望尽可能的保证互联互通，但是这个其实非常困难，不是说技术上的问题，更多的也是管理上的一个问题。比如说眼病，因为像上海有眼病防治中心，这个在其他的省市还叫防盲办，其实是眼病防治，负责居民的视觉健康。他们尝试以自己的平台、以自己的影响力搭建通用的数据平台，把社区当中患者照的眼底照片聚集在一起，放在一个平台上面，再和其他的公司合作，再进行后续的模型开发。这是一个可能的例子，但是在这条道路上仍然是任重道远的。您说的权责问题，后续我们要问到一些法律专业的人员，其实权责问题也是现在医生比较抵触AI技术的一个点。如果说我去充分地信任了AI，未来出现问题是AI的问题还是我的问题？我们所有的AI的技术以及AI落地的产品，刚才秦总讲到拿到三类件的产品很多，大多数都说的是叫做辅助诊断或者是辅助治疗，AI在这里面不占据主导地位，最后的决策者以及最后签字者，还是我们的医生。所以我感觉鉴于医疗行业的谨慎性，其实未来很长一段时间内，还是这样的状态，AI是作为医生辅助的形态存在的。

陈杨：感谢李老师回答了两个非常重要和非常底层的问题，关于数据获取存在一些难点，无论是数据的质量还是从医疗机构出来的封闭性、可解释性。李老师也解答了关于权责的问题，确实是需要更多的讨论，或者是各方的探索，才能达到一个共识和结论。之后，才能更有助于医生在临床上比较多的使用，让AI发挥更明确更大的作用。像联影在布局AI产品的时候，考虑到全谱和全栈的概念，多模态的数据，包括各种数据仪器的AI加持上都考虑到，除了诊断、筛查，后续的环节上也都有布局。在全谱和全栈的体系之下，联影智能是怎么进行布局的，让产品尽可能多地覆盖临床的各个领域和环节？有请钱总。

钱真：AI技术可以看作是一个工具。为了解决临床问题，很多时候AI工具如果仅仅零散地用到某几个地方，很难形成合成的效应。因此，我们一直在提倡全栈全谱。也就是说，我们希望在为影像科解决某一个问题的时候，能用AI从端到端全部照顾起来，为医生赋能。比如针对肺癌，我们从源头，也就是筛查肺癌开始，一直到最后的治疗阶段，其中的每一个环节我们都有一系列的AI产品覆盖。在筛查阶段，我们开发了一个手机小程序，可以帮助病人做一些简单的自我筛查。同时，由于肺结节的筛查在基层难以推进开展，我们跟华西医院合作，将一系列AI软件都搭载进智慧健康管理移动车，借助CT筛查车移动化的优势，开到基层各个小的城市、小的城镇，这样在基层就可以享受到华西这样的三甲医院所带来的筛查服务。筛查之后就是诊断，而对于医生而言，肺结节诊断里面最困难的任务，实际上就是对肺结节良恶性的判断。我们和华西医院合作，共同打造了中国版Lung-RADS肺结节AI评估系统，可以用AI算法自动判断肺结节低危、中危、高危或者是极高危的分级，这实际上对基层的医院、基层的医生帮助是很大的。在筛查和诊断之后，就是随访。其实肺结节的痛点也在随访。比如病人今年做了一次扫描，明年又做了一次，多次扫描下怎样追踪肺结节的发展？很多时候，随访的记录消失了，随访的病人也丢失了。因此，需要有一款适合随访场景的AI软件把这个事情管理起来。我们用AI算法做了一个系统，这个系统能够跟踪每一个肺结节，在不同的时间、同样的解剖区域、同样的解剖位置，跟踪同一个肺结节的具体进展。对AI来说，这个是时间上的配准问题，因此AI可以很好地把整个随访过程管理起来。随访管理之后，如果病人有恶性肺结节需要做手术，医生也需要完成手术之前的规划，因为肺结节外科手术中，变异气管、支气管、肺动脉、肺静脉的结构复杂，做好精准手术规划是非常重要的。我们针对肺部外科手术的AI软件可以帮助医生去做好一系列的手术规划。针对肺部科研领域，很多医生想要做肺部的科研工作，我刚刚提到的科研平台可以赋能医生探索更多肺部疾病的未知领域。包括刚提到的和华西医院做的中国版Lung-RADS肺结节AI评估系统，实际上也是我们跟华西医院的科研合作开始，慢慢从科研落地到临床的结果。所以，基于全栈全谱的理念，我们从肺结节这类常规的且很多公司在做的产品出发，从端到端，把整个谱系都做完全，去帮助医生系统性地解决问题，这样对于临床流程的改变、对于医生使用习惯的改变，会有比较大的作用。

陈杨：感谢钱总，您提到非常重要的概念，并非零散的软件而是系统化的解决，因为毕竟从疾病一开始预防到后面的筛查、诊断、治疗，整个全流程来看，应对疾病本身这件事情也不是一个碎片化的，或者是一个环节事情，而是一个全流程的事情，这个也是联影在进行布局时一个通盘的考量。感谢钱总。秦总刚刚讲到说公司的产品着力于决策和治疗，也就是手术方面的一些点，我比较好奇的是，因为刚刚大家在宽泛谈AI的时候，有会讲到提升效率的地方。提升效率原本是医生能做的事情，AI做效率更高更好，像您刚刚提到决策上的包括治疗上的事情，其实有一些是不是医生来做，可能会因为自己的经验、手术环境或者是诊断环境，而不是像人就能做的这么好的，确实需要AI进行一些参与？所以想就这个问题谈谈您的看法。

秦岚：我们选择的方向，坦白讲从整体的发展进程来看，我想分享两个点。一个点是说当你选择痛点的时候，我们选择最关键问题的最痛点要首先解决。如果从技术角度出发，我非常有可能首先选择图象处理、诊断，但是如果我们从疾病的角度出发，就会发现整个疾病治疗、整个诊疗过程中的卡点到底在哪里。比如说以脑血管病整个神经介入治疗为例，最大的卡点是在于手术难做，手术是非常有效治疗预防脑中风和急救脑中风的一个手段，但是最大的问题在于没有那么多的好医生，而大多数的手术都是比较难做。所以我们是倒推，首先有一个很明确的应用场景，有很明确要解决的问题，当我们分析手术过程为什么这么难，会发现不是手术中三十步都难，而是卡脖子的关键技术难。中国人群脑血管，这个血管是九曲十八弯，绕了好多个弯，绕到颅内，使得我们导管到位就非常困难，这是手术中非常难的一个卡点，我们就尝试把这个难点用技术自动化去解决。一开始在做的时候，我自己不是学算法出身的，现在被倒逼其实也在读自动化系的工程博士，当时发现临床问题的时候，其实我们是不了解技术的，并不知道用什么样的技术方案能解决。但我们有非常明确的临床痛点，从临床痛点来出发，尝试各种技术路径之后，最终是靠算法解决手术方案的路径规划，靠设备解决医生操作精细化的问题，提供这样的解决方案。一个AI产品的好坏，要看首先解决什么样的痛点，这个痛点够不够痛，当它够痛的时候，重新来制定行业标准，重新定义规则，会推进术式的演进。从传统的仅靠医生的术式，把它演进到可以完全标准化，且把过程中对人类医生比较困难的部分，把它摘出来，自动化完成。所以未来其实我相信类似手术治疗的过程都可以演进到人机结合的过程，我们既不追求所有都要靠AI的设备、软件全流程解决问题，又不追求完全依赖医生经验，实际上把对医生的要求放低，希望可以是住院医生的水平就可以完成的手术。因为医疗行业最终目标其实还不是为医生服务，最终的目标是我们跟医生一起为患者服务，疾病要得到治疗，这个是最终的终级解决方案，这是我们自己整体的实践过程。

陈杨：感谢秦总，您刚刚提到人机结合的概念，我觉得今天的对话，其实也能特别体现医工结合的概念。因为比如像秦总，医生临床经验的加持，包括两位，钱总跟祁总这边算法的经验，特别是在对话当中，三家公司的研发历程其实可以看出，医工结合之下，AI产品可能才会在临床的应用和落地上更加顺利。我们今天的对话是讲了AI医疗的很多过程，无论是最底层的数据获取，包括权责上、真人医生和AI机器的分配，以及在产品研发的具体过程中，临床的需求和算法工程师的想法和技术如何结合在一起，更好为患者服务，包括非常重要的商业化落地和商业创新的问题，也是服务于AI、应用于医疗领域，最终想达到普惠，让更好的医疗资源普及到每一个患者的想法和愿景。今天时间过得非常快，也感谢四位精彩的分享，感谢大家的聆听，希望可以给大家带来更多的思考跟启发，谢谢。

最终解释权归界面新闻所有

评选及盛典参与，欢迎联系2023【大健康常春论坛】组委会：

官方邮箱地址：huodong@jiemian.com