一、AI医疗技术难点
1、数据获取:数据是深度学习算法所需的核心资源,仅掌握算法而缺乏数据无法获得较好的训练效果。现阶段,我国的医疗影像仍处于从传统胶片向电子数据过渡的阶段,大量影像资料尚未数字化,且医院之间的数据共享和互通程度较低,获取大规模的数据对业内公司是一个考验;
2、数据标注:在获取数据的基础上,深度学习结合先验知识对模型进行训练,训练集需要事先标注。由于大多数标注依赖人工识别,因此数据标注将耗费较大量人力和时间,在医疗影像领域获取具有高可靠性的标注数据也成为挑战之一;
3、“AI+医疗”跨学科人才积累:在较为专业的诊疗领域,应用及平台开发者不仅要研究人工智能算法,更要对医疗影像识别建立深入了解,人工智能+医疗的复合背景人才构成核心竞争力之一。
二、医疗数据难获得,发展遭遇瓶颈期
过去几年间,大量家用血糖仪、血压计、手环等设备已经进入普通人生活,收集了大量数据。而医院也意识到医疗数据的价值,纷纷开始把医疗数据“上云”(存入云存储器中),云计算的能力升级也让以前耗时费力的数据处理变得更容易。而以深度学习为代表的新一代人工智能技术对医疗影像、医疗数据的处理能力也有了很大变化。
不过,更完善的医疗数据获取和利用并非一帆风顺,不少医疗机构和医药公司在探索AI+医疗的过程中都走过一些弯路。
目前,AI+医疗最大的问题在于数据的来源和质量,因为中国的医疗数据在医院和医院之间,医院和家庭之间往往存在信息孤岛,即使在同一个医院内部,要提取和利用数据还是涉及很多手工操作。
除了来源、获取和利用方式以外,医疗数据的监管也是未来AI+医疗发展中的一大隐忧。我国对医疗卫生数据的采集、利用尚未形成系统化法规要求,而此类数据往往又含有许多个人隐私,种种原因导致目前获取医疗数据困难,技术无法推展。