如何定義和評(píng)價(jià)平安集團(tuán)在醫(yī)療科技層面的未來(lái)？ 編者按：2020 年 8 月 7 日，全球人工智能和機(jī)器人峰會(huì)（CCF-GAIR 2020）正式開幕。CCF-GAIR 2020 峰會(huì)由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）聯(lián)合承辦，鵬城實(shí)驗(yàn)室、深圳市人工智能與機(jī)器人研究院協(xié)辦。從 2016 年的學(xué)產(chǎn)結(jié)合，2017 年的產(chǎn)業(yè)落地，2018 年的垂直細(xì)分，2019 年的人工智能 40 周年，峰會(huì)一直致力于打造國(guó)內(nèi)人工智能和機(jī)器人領(lǐng)域規(guī)模最大、規(guī)格最高、跨界最廣的學(xué)術(shù)、工業(yè)和投資平臺(tái)。 在8月9日的醫(yī)療科技專場(chǎng)上，來(lái)自平安集團(tuán)的首席醫(yī)療科學(xué)家謝國(guó)彤先生以《用人工智能重塑醫(yī)療：平安醫(yī)療科技的實(shí)踐和探索》為題，分享了平安集團(tuán)在醫(yī)療領(lǐng)域的深刻認(rèn)知和實(shí)踐。 謝國(guó)彤博士認(rèn)為，所有AI都無(wú)非四個(gè)要素：數(shù)據(jù)、算力、算法和應(yīng)用。在這四個(gè)要素下面，平安共研發(fā)了2個(gè)基礎(chǔ)平臺(tái)和4個(gè)醫(yī)療AI算法領(lǐng)域，以支持醫(yī)療的各種分析和推理，目前有1.6萬(wàn)家醫(yī)療機(jī)構(gòu)，43萬(wàn)醫(yī)生在使用。兩個(gè)基礎(chǔ)平臺(tái)主要是賽飛AI平臺(tái)（算力）和醫(yī)療五大庫(kù)及知識(shí)圖譜（數(shù)據(jù)）。謝國(guó)彤表示，醫(yī)療五大庫(kù)及知識(shí)圖譜，首先是從數(shù)據(jù)端出發(fā)，分四步去解決數(shù)據(jù)處理難題：第一，去掉噪音，補(bǔ)全數(shù)據(jù)，提升數(shù)據(jù)輸入質(zhì)量；第二，結(jié)構(gòu)化，通過(guò)數(shù)據(jù)和文本抽取，實(shí)現(xiàn)數(shù)據(jù)可用；第三，標(biāo)準(zhǔn)化，把不同來(lái)源的醫(yī)療數(shù)據(jù)名稱統(tǒng)一；第四，利用算法挖掘疾病的風(fēng)險(xiǎn)因子或者治療方法。 而賽飛AI平臺(tái)則主要是通過(guò)AI平臺(tái)化戰(zhàn)略，解決AI產(chǎn)品算力和落地的基礎(chǔ)性問(wèn)題。 謝國(guó)彤說(shuō)到，平臺(tái)的目的就是讓醫(yī)療數(shù)據(jù)科學(xué)家專注在自己領(lǐng)域內(nèi)，由平臺(tái)去完成AI通用算法、智能標(biāo)注、分布式訓(xùn)練加速、高性能壓縮模型部署等通用問(wèn)題。 在這兩大基礎(chǔ)平臺(tái)之上衍生的4個(gè)醫(yī)療AI算法領(lǐng)域，主要側(cè)重在疾病預(yù)測(cè)、智能影像、AskBob輔助診療和疾病全周期管理四個(gè)場(chǎng)景。 在最后的總結(jié)中，謝國(guó)彤說(shuō)到，醫(yī)療人工智能是利國(guó)利民的事情，人命關(guān)天，需要AI界和醫(yī)學(xué)界的緊密合作，用AI的算法解決真實(shí)的需求，保證模型的安全性、可用性，才能對(duì)“健康中國(guó)”產(chǎn)生真正的價(jià)值。

以下為謝國(guó)彤的現(xiàn)場(chǎng)演講內(nèi)容，雷鋒網(wǎng)《醫(yī)健AI掘金志》作了不改變?cè)獾木庉嫾罢恚?/p>

謝國(guó)彤：各位現(xiàn)場(chǎng)和線上的朋友，大家好。我叫謝國(guó)彤，負(fù)責(zé)平安的醫(yī)療科技。很高興今天有機(jī)會(huì)跟大家分享平安在醫(yī)療科技方面的進(jìn)展。

在過(guò)去五年時(shí)間，平安積累了大量的醫(yī)療業(yè)務(wù)。平安醫(yī)療有三個(gè)支柱：患者端、醫(yī)院端和支付端。頂天立地還各有一橫一縱。 患者端，平安目前有全球最大的互聯(lián)網(wǎng)醫(yī)療平臺(tái)——平安好醫(yī)生，3億多注冊(cè)用戶，每天的問(wèn)診量在80萬(wàn)次以上； 醫(yī)院端，平安通過(guò)智慧醫(yī)院的解決方案，在1.6萬(wàn)家醫(yī)院賦能，還有自己的檢測(cè)中心、藥品集采平臺(tái)，很多跟醫(yī)院相關(guān)的業(yè)務(wù)； 保險(xiǎn)支付是平安的本行，平安有1億6千萬(wàn)的保險(xiǎn)客戶，平安醫(yī)保科技為兩百多個(gè)城市政府做醫(yī)保精算、核賠各種業(yè)務(wù)。 一橫一縱，上面一橫是面向政府。平安擁有的智慧城市、智慧衛(wèi)健業(yè)務(wù)，在150多個(gè)城市幫助政府提供更好的公共衛(wèi)生、全民信息平臺(tái)和醫(yī)共體的解決方案。 下面一縱是我負(fù)責(zé)的平安醫(yī)療科技，從每個(gè)業(yè)務(wù)中沉淀數(shù)據(jù)，把數(shù)據(jù)變成AI模型。再反哺賦能給各個(gè)業(yè)務(wù)。今天，我主要聚焦平安醫(yī)療科技的工作。 所有的AI無(wú)非是四個(gè)要素：數(shù)據(jù)、算力、算法和應(yīng)用。如果把我們的工作按照四個(gè)要素來(lái)整理，是2個(gè)基礎(chǔ)平臺(tái)和4個(gè)算法領(lǐng)域。

基礎(chǔ)平臺(tái)：包括五大庫(kù)數(shù)據(jù)及知識(shí)圖譜平臺(tái)。這個(gè)平臺(tái)匯聚了平安各種醫(yī)療業(yè)務(wù)沉淀下來(lái)的數(shù)據(jù)，將其知識(shí)化后變成知識(shí)圖譜，支持上層的各種分析和推理。賽飛AI平臺(tái)：讓做醫(yī)療的數(shù)據(jù)科學(xué)家專注在自己的領(lǐng)域里，把AI的通用算法、分布式的訓(xùn)練加速、高性能壓縮模型部署等通用問(wèn)題交給平臺(tái)來(lái)做。五大庫(kù)及知識(shí)圖譜首先來(lái)說(shuō)一下，我們的五大庫(kù)知識(shí)圖譜。

在沉淀大量數(shù)據(jù)后，我們以疾病為中心構(gòu)建知識(shí)圖譜，把疾病的癥狀、檢查檢驗(yàn)、用藥、關(guān)鍵的常用處方、疾病手術(shù)、疾病并發(fā)癥、疾病風(fēng)險(xiǎn)因素、疾病和基因的關(guān)系，包括哪個(gè)醫(yī)院、哪個(gè)醫(yī)生在哪個(gè)疾病領(lǐng)域比較擅長(zhǎng)，發(fā)表過(guò)什么科研成果的信息都收集起來(lái)，構(gòu)建出一個(gè)包含300萬(wàn)的醫(yī)學(xué)概念、3300萬(wàn)的關(guān)系和3000萬(wàn)醫(yī)學(xué)證據(jù)的醫(yī)療知識(shí)圖譜，支持后續(xù)所有的應(yīng)用。

構(gòu)建這樣的圖譜，我們把它總結(jié)為“四化”的過(guò)程。拿到數(shù)據(jù)后，要經(jīng)過(guò)四個(gè)關(guān)鍵步驟：第一步，去噪。去掉噪音，補(bǔ)全數(shù)據(jù)，提高輸入數(shù)據(jù)的質(zhì)量；第二步，結(jié)構(gòu)化。圖譜里有大量文本數(shù)據(jù)，要做各種實(shí)體、關(guān)系進(jìn)行抽取抽取，對(duì)文本進(jìn)行分類、標(biāo)簽，讓數(shù)據(jù)變得可用；第三步，標(biāo)準(zhǔn)化。不同來(lái)源的醫(yī)療數(shù)據(jù)，對(duì)疾病、藥品、檢查檢驗(yàn)的描述是不一樣的。我們要用大量的NLP技術(shù)，將各種醫(yī)學(xué)術(shù)語(yǔ)統(tǒng)一化、標(biāo)準(zhǔn)化，才能進(jìn)行下一步的分析；第四步，挖掘。利用各種算法，從數(shù)據(jù)中挖掘疾病的風(fēng)險(xiǎn)因子或者常用的治療方法，這些信息最終會(huì)沉淀在我們的知識(shí)圖譜里。

賽飛AI算法平臺(tái)其次，我介紹一下賽飛AI平臺(tái)，這個(gè)平臺(tái)的目標(biāo)要提供從模型訓(xùn)練到模型部署的一整套平臺(tái)級(jí)服務(wù)，讓醫(yī)療數(shù)據(jù)科學(xué)家專注在醫(yī)療領(lǐng)域，不用去考慮通用的問(wèn)題。 賽飛的工作很多。舉一個(gè)例子，我們?cè)谶M(jìn)行組織病理影像分析時(shí)，一個(gè)病理的影像大概有10億像素，如果一個(gè)醫(yī)生要很完整的把腎小球和腎小球里的內(nèi)皮細(xì)胞、細(xì)膜細(xì)胞都標(biāo)注完，一個(gè)小時(shí)都不能完成。 但是，所有的片子都有必要去標(biāo)注嗎？不見得。我們利用主動(dòng)學(xué)習(xí)的方法，挑選信息量最大的片子。后來(lái)我們發(fā)現(xiàn)，標(biāo)注52%的訓(xùn)練數(shù)據(jù)，就可以達(dá)到跟此前標(biāo)注完所有數(shù)據(jù)差不多的效果。 再比如分布式加速?，F(xiàn)在的NLP模型龐大無(wú)比，不管是現(xiàn)在最火的GPT-3擁有的上千億參數(shù)，還是常用的BERT，都是幾億參數(shù)的大模型。我們參加ACL比賽時(shí)，用了賽飛分布式加速能力，在20天之內(nèi)訓(xùn)練了281次，不停把模型的精度推到極致，最后拿到冠軍。 這就是分布式加速給模型訓(xùn)練帶來(lái)的價(jià)值。 再比如模型壓縮的例子，這是非常現(xiàn)實(shí)的場(chǎng)景：很多AI模型希望跟硬件進(jìn)行整合，但是模型很大，硬件存儲(chǔ)卻很小。我們的一個(gè)眼底OCT模型大小是6G，一個(gè)OCT設(shè)備存儲(chǔ)是2G，無(wú)法把這個(gè)模型放在存儲(chǔ)里。 最后，我們把6G的模型壓縮到原來(lái)的四分之一，精度只損失一點(diǎn)點(diǎn)，最終完成軟硬一體的計(jì)算。 當(dāng)然，除了在醫(yī)療領(lǐng)域，賽飛還可以拓展變成更加通用的AI平臺(tái)。

現(xiàn)在平安有16個(gè)子公司、42個(gè)部門、300多名數(shù)據(jù)科學(xué)家在賽飛平臺(tái)上完成2.5萬(wàn)次模型訓(xùn)練。 同時(shí)，它是參加比賽刷榜的神器，我們拿了7個(gè)世界第一，利用這個(gè)平臺(tái)，極大地加快建模速度，也有很多相應(yīng)論文的發(fā)表。 說(shuō)完底層的技術(shù)，我們?cè)倏瓷蠈拥乃膫€(gè)算法領(lǐng)域，其中大家比較熟悉的是影像。 平安的業(yè)務(wù)很廣，如果聚焦在醫(yī)療AI的算法場(chǎng)景里，則是從疾病的預(yù)測(cè)、基于影像的輔助診斷、AskBob輔助診療和患者院外管理的四大場(chǎng)景，我們有大量的模型算法和工作。 從應(yīng)用的角度來(lái)看，今年，平安所有的醫(yī)療科技服務(wù)有1.75億次的調(diào)用，服務(wù)了1.6萬(wàn)家醫(yī)院，43.8萬(wàn)名醫(yī)生用戶每天在使用我們的醫(yī)療科技服務(wù)。

疾病預(yù)測(cè)關(guān)鍵技術(shù)疾病預(yù)測(cè)，預(yù)測(cè)的不是人的命運(yùn)，而是人的生命。比如預(yù)測(cè)重癥患者院內(nèi)死亡風(fēng)險(xiǎn)、慢性病患者的并發(fā)癥風(fēng)險(xiǎn)、人群發(fā)病風(fēng)險(xiǎn)。 新冠疫情期間，平安醫(yī)療科技向國(guó)務(wù)院辦公廳、各個(gè)部委提交了130多期預(yù)測(cè)報(bào)告，預(yù)測(cè)什么時(shí)候新增發(fā)病人數(shù)會(huì)到頂，什么時(shí)候出院人數(shù)會(huì)急劇增加，最終死亡率是多少，從而幫助政府做決策。 在疾病的預(yù)測(cè)過(guò)程中，有非常多的關(guān)鍵技術(shù)：一、數(shù)據(jù)修復(fù)。拿到100條記錄，要求所有的關(guān)鍵數(shù)據(jù)都有數(shù)值，最后剩下一條就不錯(cuò)了。我們?cè)贗EEE ICHI參加了Data Imputation的比賽拿了冠軍，我們利用數(shù)據(jù)所謂的橫向、縱向和斜向關(guān)系，分析數(shù)據(jù)之前、之后和相關(guān)檢測(cè)檢驗(yàn)的信息，猜測(cè)缺失的數(shù)據(jù)可能是多少，均有不錯(cuò)的效果。二、特征工程。很多預(yù)測(cè)是從病例中進(jìn)行挖掘，這里也有挑戰(zhàn)：數(shù)據(jù)是多模態(tài)的，不像影像相對(duì)單純。 在這次新冠疫情里，預(yù)測(cè)有60%的ICU患者發(fā)生了不同程度的膿毒癥，膿毒癥是ICU的第一大殺手。ICU里的信號(hào)非常復(fù)雜，有心率血壓、脈搏等生命體征信息，并且時(shí)間序列是連續(xù)的。 我們利用很好的多模態(tài)數(shù)據(jù)特征工程的方法，提前6個(gè)小時(shí)預(yù)測(cè)患者發(fā)生膿毒癥的風(fēng)險(xiǎn)，精度比目前最好的方法高20%，這個(gè)工作今年發(fā)表在重癥醫(yī)學(xué)頂級(jí)期刊CCM上。三、可解釋機(jī)器學(xué)習(xí)建模。很多醫(yī)生是很難接受黑盒模型的，尤其是預(yù)測(cè)，本來(lái)就是在猜，如果怎么猜的都不知道，醫(yī)生很難接受這個(gè)模型。 我們的做法是將深度學(xué)習(xí)的方法跟醫(yī)生比較能接受的生存分析survival analysis方法結(jié)合起來(lái)，利用SHAP等可視化的方法，把因素和結(jié)局的關(guān)系可視化出來(lái)。比如右上角的圖，有一個(gè)U字形，那是一個(gè)非常典型的例子，紅色的表示當(dāng)值在那個(gè)區(qū)域的時(shí)候，導(dǎo)致患者出現(xiàn)腎衰竭的風(fēng)險(xiǎn)，而綠色部分是保護(hù)性因素，值在這個(gè)區(qū)間的患者不容易發(fā)生風(fēng)險(xiǎn)，但它不是線性的。 我們利用可解釋的模型加上深度學(xué)習(xí)的方法，用算法定量、精準(zhǔn)地把非線性的關(guān)系可視化出來(lái)，解釋給醫(yī)生，讓他們更容易接受。

做預(yù)測(cè)模型有什么用？現(xiàn)在有兩個(gè)面向用戶的場(chǎng)景在使用： 第一個(gè)場(chǎng)景是面向C端用戶。平安有最大的全球互聯(lián)網(wǎng)醫(yī)療平臺(tái)——平安好醫(yī)生。我們把常見?。ǜ哐獕?、糖尿病、冠心病、腦卒中）的預(yù)測(cè)模型放在平安好醫(yī)生APP上。平安好醫(yī)生有幾億的用戶，他們會(huì)填寫數(shù)據(jù)預(yù)測(cè)，看看自己有什么風(fēng)險(xiǎn)，同時(shí)進(jìn)行相應(yīng)的管理。 第二個(gè)場(chǎng)景是針對(duì)老年人群體。我們?cè)诟拭C收集到185萬(wàn)老年人數(shù)據(jù)。老年人出現(xiàn)高血壓、糖尿病的比例占老年人口的40%，慢性病管理的挑戰(zhàn)在于知曉率低，治療率低。老年人不知道自己有病，或者有病也不會(huì)主動(dòng)治療。 我們跟甘肅衛(wèi)健委合作，用算法把這些人挑出來(lái)，通過(guò)甘肅家庭醫(yī)生平臺(tái)，讓家庭醫(yī)生有針對(duì)性找到高危老年人，對(duì)他們進(jìn)行主動(dòng)管理，提高疾病的知曉率和治療率。 三是在珠海，我們利用200多萬(wàn)居民的健康數(shù)據(jù)和12個(gè)疾病的預(yù)測(cè)模型，可以生成一個(gè)完整的風(fēng)險(xiǎn)評(píng)估報(bào)告。 同時(shí)，我們會(huì)把相應(yīng)患者的教育，以及可訪問(wèn)的健康服務(wù)跟風(fēng)險(xiǎn)因素掛在一起：哪些服務(wù)可以幫助降低哪些風(fēng)險(xiǎn)因素，讓政府在進(jìn)行疾病管理的時(shí)候變得更加精準(zhǔn)，更有針對(duì)性?；谥悄苡跋竦妮o助診斷第二個(gè)場(chǎng)景是面向醫(yī)學(xué)影像，我們聚焦的是兩類人群（基層醫(yī)生和專家）、三個(gè)場(chǎng)景：

對(duì)于基層醫(yī)生，我們聚焦質(zhì)控和篩查。很多基層醫(yī)生拍出來(lái)的片子位置不正、關(guān)鍵的器官不在里面、以及各種異物，這些片子拿到北京、上海的大醫(yī)院也用不了。 我們?cè)谫|(zhì)控領(lǐng)域有很長(zhǎng)的積累，在《NEUROCOMPUTING》、《SCIENTIFIC REPORTS》上發(fā)表了一系列的文章，針對(duì)DR、CT、內(nèi)窺鏡等影像，發(fā)現(xiàn)質(zhì)量問(wèn)題后提示醫(yī)生重拍，進(jìn)而提高優(yōu)片的比例，在內(nèi)窺鏡異物比賽上獲得冠軍。

另外，平安有六個(gè)檢測(cè)中心，300多家醫(yī)院把數(shù)據(jù)傳到平安影像云上，由平安的醫(yī)生幫助他們閱片。利用質(zhì)控的方法，不管是DR。還是CT，質(zhì)量不好片子的比例下降了20%，讓甲級(jí)優(yōu)等片的占比達(dá)到98%，提高了基層片子的質(zhì)量。 第二個(gè)場(chǎng)景是篩查，告訴基層醫(yī)生患者的病情，在基層醫(yī)院看不了，要去大醫(yī)院就診。 我舉一個(gè)眼科OCT的例子。OCT類似于CT，是三維建模，會(huì)看OCT的醫(yī)生很少，尤其是在基層醫(yī)院，五官科的醫(yī)生往往是耳鼻喉科的醫(yī)生，不一定是眼科醫(yī)生。 我們?cè)?a target="_blank">TVST、MICCAI等連續(xù)發(fā)表了一些文章，用算法對(duì)OCT的20多種病灶進(jìn)行識(shí)別，并且做出緊迫性判斷。提示醫(yī)生患者沒問(wèn)題，或是有問(wèn)題但只需要隨訪，或者是問(wèn)題很嚴(yán)重，需要馬上到上級(jí)醫(yī)院就診，這是我們?cè)诤Y查場(chǎng)景里發(fā)揮的作用。 我們?cè)谏虾?、深圳都建立了以?quán)威眼科三甲醫(yī)院為主、下設(shè)幾十家社康中心的模式，在社康中心進(jìn)行篩查。在這兩個(gè)地方，我們發(fā)現(xiàn)，年齡偏高人群中有30%的人有不同程度的眼底病變，其中20%的人需要馬上治療。因此，通過(guò)平安的平臺(tái)，我們可以將他們轉(zhuǎn)到相應(yīng)的三甲眼科醫(yī)院進(jìn)行干預(yù)。 第三類是輔助診斷，面向?qū)？漆t(yī)生，對(duì)于很難很煩的事情，我們幫助他們加速。 這是腎臟病理的例子。一個(gè)醫(yī)生做腎臟診斷時(shí)，需要對(duì)著10億像素的片子數(shù)腎小球、有沒有硬化，腎小球里面細(xì)胞的比例。一個(gè)醫(yī)生數(shù)一個(gè)腎小球平均需要平均43秒，一個(gè)片子里有幾十到一百個(gè)腎小球。 我們利用最近發(fā)表在病理學(xué)頂級(jí)期刊上的一套模型，跟國(guó)家腎病中心的四個(gè)腎內(nèi)科醫(yī)生進(jìn)行了對(duì)比。結(jié)果模型的精度是92%，四個(gè)腎內(nèi)科的醫(yī)生平均精度是82%，同時(shí)，模型看一個(gè)腎小球的速度是0.6秒，而醫(yī)生平均是43秒，我們把速度平均提升了70倍，精度提升了10倍。因此，讓醫(yī)生基于AI模型提供結(jié)果進(jìn)行判斷，把瑣碎的事情交給計(jì)算機(jī)，這是我們對(duì)AI的定位。今年上半年，有250多個(gè)城市使用了平安醫(yī)療科技的技術(shù)，影像輔助診斷的服務(wù)就有上億次調(diào)用。 最后一個(gè)例子是宮頸癌TCT病理，我們將硬件與模型進(jìn)行了整合，通過(guò)跟復(fù)旦腫瘤醫(yī)院、第三方診斷中心合作一起應(yīng)用。掃描儀會(huì)在2分鐘內(nèi)完成切片掃描，在40秒鐘內(nèi)對(duì)切片進(jìn)行陽(yáng)性、陰性的判斷，同時(shí)會(huì)把三類高危的陽(yáng)性切片按照高、中、低列出來(lái)，讓醫(yī)生關(guān)注陽(yáng)性的切片。 即使是陰性的片子，我們會(huì)把一些高風(fēng)險(xiǎn)的區(qū)域高亮出來(lái)，幫助醫(yī)生做判斷。在6000例的數(shù)據(jù)驗(yàn)證上，敏感度設(shè)到99%，排疑率是80%，減少醫(yī)生閱讀陰性片的時(shí)間。AskBob輔助診療輔助診療核心要解決的是診斷治療時(shí)如何給醫(yī)生一些輔助，我挑選兩個(gè)關(guān)鍵技術(shù)介紹。

目前，我們有2000多種疾病的輔助診斷和120多種精準(zhǔn)治療模型。很多AI應(yīng)用集中在分類，可能也會(huì)完成分割的任務(wù)。我們主要用的是深度強(qiáng)化學(xué)習(xí)的方法，結(jié)合短期和長(zhǎng)期的結(jié)果做Reward function，短期是血壓、血糖達(dá)標(biāo)率，長(zhǎng)期是并發(fā)狀的發(fā)生率，用不同的結(jié)果給深度強(qiáng)化學(xué)習(xí)一些激勵(lì)。 利用這樣的方法，我們跟國(guó)家生命中心在BMJ子刊上發(fā)表了面向糖尿病、腎病個(gè)性化治療的模型，跟安貞醫(yī)院剛剛在AMIA上發(fā)表了房顫的治療模型。 還有一個(gè)場(chǎng)景是面向循證醫(yī)學(xué)。醫(yī)生要閱讀大量的文獻(xiàn)，我們用算法把文獻(xiàn)里關(guān)鍵的疾病、用藥抽取出來(lái)做分類，比如這類疾病的手術(shù)治療是哪一種，用哪種藥進(jìn)行治療，我們用算法把關(guān)鍵信息抽取出來(lái)。

目前，這一套輔助診療系統(tǒng)在1.6萬(wàn)家醫(yī)院有應(yīng)用，目標(biāo)對(duì)象同樣分為基層醫(yī)生和專家醫(yī)生。我們會(huì)像助手一樣，在基層醫(yī)生輸入癥狀之后，不斷提醒可能的檢查、檢驗(yàn)和用藥、診斷結(jié)果。數(shù)據(jù)顯示，部署我們系統(tǒng)之前，地方診療規(guī)范率不到50%，部署后的規(guī)范率達(dá)到80%以上。而對(duì)于專科醫(yī)生，我們希望他們?cè)诿鎸?duì)復(fù)雜病例或者科研需求時(shí)，可以通過(guò)AI的方式檢索到需要的醫(yī)學(xué)證據(jù)。比如胃癌，我們會(huì)提供不同臨床治療方案的依據(jù)以及治療的效果。 同時(shí)，醫(yī)生可以查詢胃癌領(lǐng)域的權(quán)威在哪些領(lǐng)域發(fā)表了多少文章，有哪些臨床實(shí)驗(yàn)，從而幫助醫(yī)生更好地進(jìn)行科研?；颊咴和夤芾沓藥椭t(yī)生，我們還要關(guān)注的對(duì)象是患者，患者離開醫(yī)院后有大量管理的需求。 比如藥物是否需要調(diào)整、是否還要繼續(xù)吃，跟其他藥一起吃有沒有問(wèn)題。醫(yī)生會(huì)對(duì)患者進(jìn)行隨訪，但是單純依靠人的方式是不可能的。中國(guó)一年就診人次是80億，但只有300萬(wàn)醫(yī)生，醫(yī)生治病之余沒有精力做后續(xù)患者隨訪。

為此，我們開發(fā)了多輪對(duì)話技術(shù)，讓AI盡可能把那些耗時(shí)耗力的工作做完，好醫(yī)生一天會(huì)產(chǎn)生80萬(wàn)次的問(wèn)題。我們分析了好醫(yī)生日志，每次15分鐘的對(duì)話里，前5分鐘都是醫(yī)生問(wèn)患者的病史、診斷治療，后10分鐘患者會(huì)問(wèn)醫(yī)生五花八門的話題，這些都是我們很好的訓(xùn)練數(shù)據(jù)。 在ACL里，我們?cè)卺t(yī)療問(wèn)答項(xiàng)目上拿到了冠軍。基于海量的數(shù)據(jù)，我們訓(xùn)練了一個(gè)AskBob的模型，比通用的模型效果更好，可以做意圖理解、FAQ問(wèn)答和知識(shí)圖譜問(wèn)答，回答各種長(zhǎng)尾的問(wèn)題。 舉一個(gè)應(yīng)用的例子。目前，在560多家醫(yī)院、五萬(wàn)名2型糖尿病患者在我們的平臺(tái)上進(jìn)行院外的管理。這有點(diǎn)像前面這些方案的集大成者。我們會(huì)用各種風(fēng)險(xiǎn)預(yù)測(cè)產(chǎn)生患者畫像，用輔助診療的模型生成一些方案、監(jiān)測(cè)方案、用藥方案、飲食運(yùn)動(dòng)等，用對(duì)話的方式進(jìn)行動(dòng)態(tài)跟蹤、隨訪，包括回答各種問(wèn)題。 這種方式的效果如何？

數(shù)據(jù)顯示，患者入住三個(gè)月后，評(píng)估他的HBA1C和空腹血糖，可以看到HBA1C達(dá)標(biāo)率提升5倍，空腹血糖達(dá)標(biāo)率提升20%。患者很積極地閱讀文章，積極地上傳自己的血糖數(shù)據(jù)，依從性提升了50%。 與此同時(shí)，成本也相應(yīng)降低。因?yàn)橐郧爸饕咳斯?，三個(gè)月內(nèi)圍繞一名患者，護(hù)士平均要打5個(gè)電話?，F(xiàn)在的“AI+護(hù)士”，只要打2.9個(gè)電話就可以達(dá)到更好的效果，這是院外管理一個(gè)很好的案例。 更重要的一點(diǎn)是，打通重點(diǎn)疾病的專科模式。我們跟國(guó)家腎病中心有一個(gè)合作的例子，基于病理對(duì)慢性腎病的患者進(jìn)行輔助診斷，進(jìn)行腎衰竭的風(fēng)險(xiǎn)預(yù)測(cè)，對(duì)高風(fēng)險(xiǎn)的人群實(shí)現(xiàn)精準(zhǔn)用藥，讓他們接受免疫抑制劑的治療，降低腎衰竭的風(fēng)險(xiǎn)。

以腎病為?？瓢咐齺?lái)看，我們打通了輔助診斷、風(fēng)險(xiǎn)預(yù)測(cè)、精準(zhǔn)治療、患者管理的四大環(huán)節(jié)，在每個(gè)環(huán)節(jié)都有醫(yī)學(xué)期刊論文發(fā)表，得到醫(yī)學(xué)界的認(rèn)可。 最后，我想說(shuō)的是，醫(yī)療人工智能是利國(guó)利民的事情，人命關(guān)天，需要AI界和醫(yī)學(xué)界的緊密合作，用AI的算法解決真實(shí)的需求，保證模型的安全性、可用性，才能真正地對(duì)“健康中國(guó)”產(chǎn)生價(jià)值。采訪問(wèn)答精選提問(wèn)：您剛剛在演講中提到了賽飛平臺(tái)，想請(qǐng)問(wèn)一下為什么要投入精力去開發(fā)平臺(tái)？未來(lái)的面向?qū)ο笫悄男?？謝國(guó)彤：我們發(fā)現(xiàn)，算法工程師要完成好多通用的事情，而且環(huán)境不停地升級(jí)，算法要不斷優(yōu)化，例如模型壓縮、高性能部署，這些都是一些通用需求。 我們有四個(gè)算法領(lǐng)域：疾病預(yù)測(cè)、醫(yī)學(xué)影像、輔助診療還有疾病管理，這四個(gè)領(lǐng)域的算法工程師都得學(xué)。兩年前，我們就開始從訓(xùn)練環(huán)節(jié)入手，提供一些通用能力，讓算法工程師只聚焦在自己的領(lǐng)域。 把數(shù)據(jù)可視化、數(shù)據(jù)標(biāo)注、數(shù)據(jù)增強(qiáng)，包括分布式加速訓(xùn)練這些通用能力，還有通用算法庫(kù)，沉淀在賽飛上，不用管底層環(huán)境的事情。這樣大家都用得很爽，賽飛是一個(gè)GPU的集群，有個(gè)集群大家就可以共享，有機(jī)會(huì)用到一個(gè)比以前大10倍的GPU的力量。 我們?cè)趦?nèi)部使用后，發(fā)現(xiàn)外部客戶也有類似需求，因?yàn)橛泻芏嗨惴ㄊ遣痪窒抻卺t(yī)療領(lǐng)域的，例如NLP領(lǐng)域的BERT，CV領(lǐng)域的ResNet，這些網(wǎng)絡(luò)很多領(lǐng)域的人都在用。 因此，我們就開始讓平安的子公司來(lái)使用，現(xiàn)在300多個(gè)用戶里有一大半都不是做醫(yī)療的，都是平安16個(gè)子公司的用戶，在上面做NLP、CV、OCR等各種各樣的建模。所以，賽飛在持續(xù)地增長(zhǎng)，更好地服務(wù)集團(tuán)，從一個(gè)純醫(yī)療的平臺(tái)變成通用的AI平臺(tái)。提問(wèn)：平安的醫(yī)療AI產(chǎn)品與布局，與BAT或者AI公司有哪些本質(zhì)上的區(qū)別，怎么才能從這個(gè)市場(chǎng)中獲得優(yōu)勢(shì)？謝國(guó)彤：疾病是一個(gè)很復(fù)雜的領(lǐng)域，有2萬(wàn)到3萬(wàn)種病。就以影像為例，有些聚焦于放射，細(xì)分來(lái)看，會(huì)分為DR、CT和核磁等。從病種上來(lái)看，有些會(huì)聚焦眼科，有些會(huì)聚焦病理，還會(huì)再細(xì)分還會(huì)分為宮頸癌病理、乳腺癌病理、胃癌病理等。 所以，我覺得醫(yī)療AI的空間足夠大，沒有任何一家公司能把世界上所有病的所有AI模型都搞定。 其次，大家選擇的切入點(diǎn)不一樣，從我的角度來(lái)看，我們更關(guān)注的是那些真正有需求的場(chǎng)景，如何為基層醫(yī)生賦能，如何為?？漆t(yī)生減負(fù)，不是非要讓基層醫(yī)生看很難的病，或者要比?？漆t(yī)生強(qiáng)很多。在我看來(lái)，很多場(chǎng)景就是為了技術(shù)而技術(shù)。 三年前，我離開IBM的時(shí)候，很多公司找過(guò)我，但是我選擇了平安。我覺得，平安的醫(yī)療生態(tài)patient、provider、payment是一個(gè)很完整的生態(tài)，有一些公司也不是沒有場(chǎng)景，但是領(lǐng)域很窄。AI是由場(chǎng)景業(yè)務(wù)驅(qū)動(dòng)，而不是技術(shù)驅(qū)動(dòng)，技術(shù)驅(qū)動(dòng)是風(fēng)光一時(shí)。只有基于真實(shí)的業(yè)務(wù)場(chǎng)景，才能真的有價(jià)值，有收入。提問(wèn)：對(duì)于醫(yī)療AI的認(rèn)證和落地，您有哪些看法？謝國(guó)彤：我們現(xiàn)在跟國(guó)家科技部和國(guó)家衛(wèi)健委，在進(jìn)行AI醫(yī)療領(lǐng)域的一個(gè)課題——AI的模型驗(yàn)證評(píng)估平臺(tái)。我之前跟科技部、衛(wèi)健委表達(dá)了一個(gè)觀點(diǎn)，他們也很認(rèn)同，那就是，讓大家都拿到證才能用是不現(xiàn)實(shí)的。拿一個(gè)證，沒有兩三年是不會(huì)有什么結(jié)果的，這個(gè)過(guò)程中大家都在干等？這是不可能的，要鼓勵(lì)大家去嘗試。 嘗試的過(guò)程中，各個(gè)地方的衛(wèi)健委和醫(yī)院院長(zhǎng)、主任都很困惑，每一家企業(yè)來(lái)找我都是99%的準(zhǔn)確率。但是，測(cè)試的數(shù)據(jù)集都不一樣，只要選好測(cè)試集百分之百也可以，就看怎么選。 例如眼科OCT，可能有20種病變，其中有些病變是常見，有些是罕見，但測(cè)試集里只包含了其中10種，這10種雖然識(shí)別準(zhǔn)確了，但另外10種還沒有識(shí)別，怎么就代表模型準(zhǔn)確了呢？ 因此，我們現(xiàn)在跟科技部、國(guó)家衛(wèi)健委合作的項(xiàng)目，就是由醫(yī)院、衛(wèi)健委、藥監(jiān)局等部門牽頭，針對(duì)特定的疾病和特定的任務(wù)，提供中立的測(cè)試集。把各家的模型拿上來(lái)測(cè)試，最后拿出一個(gè)評(píng)估報(bào)告。至少讓各家講自己性能指標(biāo)的時(shí)候，有一個(gè)統(tǒng)一的數(shù)據(jù)集、一個(gè)統(tǒng)一、中立的評(píng)測(cè)標(biāo)準(zhǔn)。 我覺得，國(guó)家推動(dòng)醫(yī)療AI應(yīng)用中做得很好的一個(gè)步驟是，先選擇一些常見的、需求量比較大的AI場(chǎng)景，制定相對(duì)成熟的數(shù)據(jù)集，從需求比較大病種開始入手，當(dāng)數(shù)據(jù)集越來(lái)越多，能評(píng)估的模型也越來(lái)越多。