醫生已經成為全球自殺率最高的職業。而近幾年來，AI技術的引入則為整個醫療健康行業帶來了曙光。

醫生已經成為全球自殺率最高的職業。根據2018年由醫師基金會發布的報告顯示，有多達78%的受訪醫生表示偶爾會感到精神萎靡——這個數字比2016年的調查高出4%。此外，醫生的自殺率已經達到普通群體的2倍。據估計，在美國每年有300到400名醫生因此而失去生命。這是相當可怕的一個數字。

我們知道，引發醫生產生焦慮的原因有很多，比如門診壓力、醫療事故問題、醫患關系緊張等等，每個問題單獨拿出來都是一個非常棘手的課題。尤其是在我國醫療資源分布不均的大環境下，所有的問題也被加倍放大。而近幾年來，AI技術的引入確實為整個醫療健康行業帶來了曙光。

具體地，AI在醫療健康行業中的應用包括了醫療機器人、智能藥物研發、智能診療、智能影像識別、智能健康管理等方向。其中，智能診療和智能影像識別是最核心的兩大應用場景，而后者也是AI與醫療結合最成熟的領域。

據《醫療影像的市場圖譜和行業發展分析》報告指出，預計到2020年中國醫學影像市場規模將達6000億至8000億左右。這樣的市場機會引來了諸多科技企業的爭相進入，包括騰訊、阿里巴巴以及一批又一批的醫療AI創業公司。醫準智能正是其中的活躍者之一。

提高醫生閱片準確率和診斷水平

作為國內在AI醫療影像領域最早的實踐者，醫準智能的核心團隊早在2014年就開始了相關研究，并在2017年正式成立公司。多年來，醫準智能一直專注于AI輔助醫療影像診斷，并已經推出了兩款產品——肺結節智能檢測系統和乳腺鉬靶智能檢測系統。

據醫準智能首席AI官王子騰日前在接受記者采訪時介紹，醫準智能肺結節智能檢測系統在短短18秒的時間里就能智能檢測300-500張CT，并且3mm以上的結節檢出率達到了99%，假陽性率控制在平均每個患者2個以內；在磨玻璃結節檢出上，精準率也達95%以上，結節定位能夠精準到肺段。

醫準智能肺結節智能檢測系統界面示例

呼吸道及肺部病癥如今成了普遍問題，而肺癌也是發病率最高的癌癥。據統計，在我國三甲醫院平均每天接診的肺部患者有400人左右，由于肺部拍片是斷層掃描，醫生要檢查一個完整的肺部，需要看數百張的成像數據，通過肉眼識別用時大概在半小時左右。“因為醫生要觀察和判斷片子中的每一個點，定位每一個病灶的位置，并且測量大小、看良惡性，最終還要寫成報告。”王子騰解釋道。

而借助于肺結節智能檢測系統，不僅可以幫助醫生在10幾秒時間里實現快速檢測，同時還能直接輸出一個電子報告供醫生進行二次審核。不僅操作簡單，還節省了大量的時間。

另一款產品，醫準智能瞄準的仍然是醫療中的一個棘手難題——乳腺癌。其乳腺鉬靶智能檢測系統是我國首個乳腺智能檢測系統，據了解，該系統的病灶檢出率達到93%，在1個假陽性前提下，良惡性檢測準確率達到94%。

醫準智能乳腺鉬靶智能檢測系統界面示例

王子騰表示，目前，這兩個系統已經在全國許多醫院投入臨床使用，并得到了CFDA（國家食品藥品監督管理總局）的認證，極大提高了臨床醫生的閱片準確率和診斷水平。

讓醫生一邊看病一邊搞科研

與此同時，醫準智能正在開發的還有數十個產品，不只是乳腺超聲、DR胸片檢測等臨床輔助診斷系統，今年5月醫準智能還與IBM一起合作發布了AI醫學科研平臺——達爾文智能科研平臺。

隨著近幾年來技術的創新和設備的升級，據統計，醫療數據正在以接近100%的超高速增長，其中有80%的數據都是非結構化數據。相比較而言，醫生的年增長卻只有個位數，其中大部分還是基層醫療從業人員。因此，數據收集與處理正成為制約醫療與科研發展的瓶頸。AI與醫療的結合將有助于解決這一問題，從數據收集、組織、標注，到模型的構建、訓練等端到端的全生命周期，幫助醫生實現一邊看病，一邊搞科研。

達爾文智能科研平臺正是這一背景下的產物。這是一個一站式醫療影像人工智能平臺，內置了Watson Machine Learning Accelerator和醫準智能影像組學雙平臺，以及醫準智能在影像組學上的深度研究實踐，支持包括CT/MR/DXR等多種類型的數據，具備標注工具、特征提取、模型訓練以及模型實施一體化特征。通過Watson Machine Learning Accelerator平臺，用戶可以直接調用醫準智能的肺部和乳腺智能檢測結果，快速搭建高精度低假陽性率的肺結節和乳腺AI模型，同時，平臺還允許用戶根據具體需求進行研發和調整，并確保數據不出院，最大限度保證數據安全可控。

醫準智能首席AI官

“過去醫生自己做研究，因為缺少技術開發知識，就必須把數據交給第三方公司進行分析。但借助于達爾文智能科研平臺，醫生只要進行簡單的拖拽和點擊操作，就可以自主完成從數據標注到科研模型訓練，再到應用的全部流程。”王子騰表示。

比如，在數據組織階段，平臺可以提供自動分割功能和標注工具，借助AI自動進行病灶分割和自定義病灶區域，幫助醫生進行數據處理，提升效率；在影像導入到系統后，AI會自動對影像進行一次分割，醫生可以選擇其中的優質結果作為科研素材；此外，醫生也可以選擇通過標注工具對影像進行主動標注，或者修改AI的自動分割結果作為科研素材。

“當然，平臺的產出不會只停留在科研階段。根據醫生的科研結果，平臺還能幫助醫生逐漸進行產品的迭代和升級，最后與產業中的企業合作，實現科研成果的產業化落地。”IBM中國系統開發中心技術解決方案總監崔瑋強調說。

IBM中國系統開發中心技術解決方案總監崔瑋

無IA，不AI

在IBM看來，隨著AI進入規模化生產和應用，數據管理難題會越來越凸顯，比如數據攝取和準備的周期太長，多元數據的難以聚合，如何將處在不同基礎架構孤島中的數據流動起來，以及如何安全地管理和保護數據，確保可追溯性，并實現全球可訪問和協作等等。“在這背后，基礎架構的支撐會變得越來越重要。”IBM大中華區系統部存儲系統總經理吳磊表示。

IBM大中華區系統部存儲系統總經理吳磊

舉例來說，在此次醫準智能與IBM的合作中，醫準智能主要提供高效領先的AI算法驅動，而IBM提供的則是強大算力和數據管理的支持。如果分解開來看，達爾文智能科研平臺實際上是IBM Power、Spectrum Scale、IBM Watson Machine Learning Accelerator的端到端IA組合——即由OpenPOWER服務器提供超強算力，與Distributed Deep Learning相結合提供強大的線性擴展能力；由Spectrum Scale為集群化的AI平臺提供穩定、高效和安全的數據平臺支持；由Watson Machine Learning Accelerator作為開放性AI平臺的代表，為上層應用提供可靠的平臺支持。

其中，Spectrum Scale雖然是個“新瓶”，裝的卻是“老酒”。據吳磊介紹，它之前的名字叫做GPFS（General Parallel File System）——通用并行文件系統。如果追溯的話，這個系統的發展歷史已經有25年之久。此前，IBM打敗國際象棋冠軍卡斯帕羅夫的深藍計算機和后來在智力競賽節目Jeopardy中戰勝了兩名前人類冠軍的Watson，它們基于的都是這個系統。

“隨著AI進入規模化生產和應用，它就需要與企業業務進行融合，在這一過程中，數據成了核心。而每個數據都需要載體，包括計算力、存儲性能、網絡吞吐量等等，只有這樣，數據流通才能完成。比如，IBM的創新存儲產品可以幫助企業部署一個治理平臺，把用于AI 模型的數據統一起來，讓它們從離散到聚合，從離線到在線，從靜止到流動，形成端到端的數據管道，實現企業數據隨時隨地存儲，隨時隨地獲取。“

“因此，IBM一直堅信‘無IA，不AI’，我們希望能夠通過高效、可靠而開放的現代化架構，助推AI不斷向企業、產業延伸和落地。”吳磊表示。