從幾秒成像的智能CT輔助影像診斷系統，到涵蓋量血壓測脈搏的自助導診儀，在上海一些三甲醫院的急診大廳或是醫務人員的辦公室，都可以找到AI（人工智慧）技術的身影。
隨著新興技術的發展，醫療產業作為AI與垂直行業緊密結合的一個重點領域，已經越來越多地落地到實際運用場景中。
根據前瞻產業研究院發布的報告，中國醫療AI的市場規模在2016年已達到96.61億元，有望在2018年達到200億元。
上海交通大學人工智慧研究院副院長王延峰告訴記者，當前AI在醫療領域產生還未產生變革性的創新，但已經開始運用的這些場景對於提高醫生的診療效率是毋庸置疑的，AI可以幫醫生完成冗餘重複、低技術含量的工作，成為超級助手，更大效能發揮醫生的醫學專業技術。
醫學影像領域是AI發力重點
從全球層面看，美、英、日等國均高度重視AI在醫療領域的應用。
中國信通院《人工智慧發展白皮書產業應用篇》顯示，美國的FDA（食品藥品監督管理局）實施了「數字健康創新行動計劃」，重構數字健康產品監督體系，並單獨組建成立AI與數字醫療審評部，加速 AI 醫療發展；英國 NHS(國家醫療服務系統)正計劃在整個衛生服務部門大規模擴展AI，用於日常操作和治療；2016年起，日本厚生勞動省就開始規劃AI醫療相關政策，包括醫療費用的修正、採用AI醫療的激勵措施等，並預計在2020年全面實施與推動AI醫療制度。
我國也相繼印發了《關於促進和規範健康醫療大數據應用發展的指導意見》、《新一代人工智慧發展規劃》、《「十三五」衛生與健康科技創新專項規劃》、《關於促進「網際網路+醫療健康」發展的意見》等文件，規範和引導AI技術在醫療領域的應用。
上海於4月發布的12個首批AI試點應用場景中，就有來自復旦大學附屬腫瘤醫院、上海第十人民醫院等單位入選。
記者在走訪中發現，AI在醫學影像技術中的應用，已經成為部分醫院較為成熟的領域，這也和全球的數據相吻合。
由於醫療影像診斷有著可存儲、可傳輸，又相對標準化的特點，也成為最早應用在AI研發和落地的領域。根據Global Market Insight的數據報告，從應用劃分的角度來說，AI醫學影像市場作為AI醫療應用領域第二大細分市場，將以超過40%的增速發展，在2024年達到25億美元規模，佔比達25%。
「隨著AI技術的發展，機器對圖像的理解能力上升到了新的高度，而相當一部分醫療數據來自影像數據，利用深度學習對影像內容作檢測分類和量化已達到了較高的準確率。」王延峰告訴記者。
技術在發展，但我國還存在醫療資源分布不均的問題。截至2018年底，中國每千人醫師數是2.4人，醫生密度低也造成了醫院無法滿足患者居高不下的需求。
這一表現在影像領域更為突出。根據《中國人工智慧醫療白皮書》，以肺結節檢測為例，一家三甲醫院平均每天接待200例左右的肺結節篩查患者，每位患者在檢查環節會產生200~300張左右的CT影像，放射科醫生每天至少需要閱讀4萬張影像。不同於智能機器，人每天在長時間處理機械式閱片工作後，精力和準確度會下降，這就有可能出現誤診的情況。
同時，每年上升30%的影像檢查量和平穩增長的影像醫生資源（4%）也讓影像診斷有了發展空間。
上海第十人民醫院放射科主任湯光宇對第一財經記者直言，就算是像他這種經驗豐富的老教授，也無法保證在長時間看片時沒有遺漏，而對於肺結節病人，最擔心的就是漏看。
「有的病人一個肺裡有很多結節，這種情況下，即使95%的結節都沒有問題，但漏了一個可能就會帶來嚴重後果。」湯光宇說，至少AI在醫療影像識別領域幫了醫生一個大忙。「能將醫生診斷效率提升30%~50%，比如解放一些老專家，讓他們有更多時間進行深度研究。」
但AI就不會存在遺漏的情況嗎？湯光宇表示，醫生可能更需要注意AI系統的「過度」診斷，由於AI辨識非常靈敏，因此偶爾會出現過度診斷的情況，這時候醫生最後的甄別也就更為重要。
《中國人工智慧醫療白皮書》顯示，據第三方統計，從100家與AI相關的非上市企業2018年預計營收來看，1/10是AI醫療公司，這10家AI醫療公司裡有6家屬於AI醫學影像領域。在融資方面，AI醫學影像是獲得融資最多的醫療領域。
不過，我國市場上大致成型的AI醫學影像產品大多正處於醫院試用階段，該領域的公司基本還沒實現盈利。「AI醫療企業如何獲得盈利是一個值得思考的問題。在一個公益服務體系下如何構建盈利模式，是他們未來的一個挑戰。」王延峰認為。
未來的超級助手
不只是醫學影像領域，在上海的一些三甲醫院，導診機器人、智能助理等AI輔助手段都已經開始嘗試運用。
在上海第十人民醫院的急診樓大廳，一個蛋殼式的導診儀器引起了記者的注意。一名胸痛患者自己在「蛋殼」內量血壓、測脈搏、測體溫後，直接前往醫生處進行下一步診斷。此時，醫生電腦裡已經同步出他的初診情況，整個過程不到十分鐘。
類似情況還出現在復旦大學附屬腫瘤醫院。數據顯示，過去一年，該醫院年門診量達144.72萬次，如何有效分配資源成了他們亟需解決的問題。如今，他們在掛號環節就利用AI實施了定向分級。
「其實有很大一部分病人是不用掛專家號的，我們能否在病人掛號前分析病人病情，為其匹配相應專家，避免號源浪費呢？」復旦大學附屬腫瘤醫院副院長吳炅對包括第一財經在內的記者表示，這種情況下就出現了「精準預約」的預約掛號模式，通過患者上傳的真實病例資料，讓AI引擎有了「分診功能」。
在該項服務下，每位患者平均節省2.5小時的就診時間，患者掛專家號的等待時間平均減少7.4天，到診率提高了7%。專家門診的效率平均提高了3.5倍左右，並且有效打擊了黃牛號的現象。
可以發現，上述的諸多「AI＋醫療」的應用場景，目前還是處於比較基礎的圖像、語音等AI應用層，並未出現深度學習的場景，這也和人工智慧以及醫療行業發展的自身特點有關。
「目前『AI＋醫療』的運用主要還是為了提高醫生能力，代替醫生完成冗餘重複、低技術含量的環節為主。」王延峰說，以智能輔助診斷為例，雖然如今應用得越來越多，但是仍處於起步階段。AI的深度學習依賴海量數據提升模型性能，但醫療數據獲取和標註的難度遠比公共數據要大。另外，部分公眾對於智能化診斷的接受程度相對較低，基層醫生也習慣於傳統的診療模式。
不過，王延峰認為，未來我國「AI＋醫療」的應用前景可期，尤其可以在診斷、推理、管理、手術、護理、病歷、培訓等多個領域充當醫生的「超級助手」。「比如AI護理機器人可以補充我國護理人員缺口。培養年輕醫生過程中，智能模擬系統以及已經運用比較多的智能輔助影像系統，都可以提高這些經驗不足的年輕醫生處理問題的能力。」