《新一代人工智能发展规划》及《关于促进和规范健康医疗大数据应用发展的指导意见》等文件的发布，在一定程度上推动了医疗人工智能技术的发展。但对于企业如何获取并使用医院数据方面的规定，相关法律法规并不完善。
其实，法规问题仅是医疗人工智能面临的问题之一，在浙江大学应用数学研究所所长孔德兴教授看来，扼住人工智能（以下简称AI）发展“咽喉”的关键在于“核心算法”，而当前，AI算法的发展情况尚不能满足医疗环境对此项技术的需求。
孔德兴认为，目前，AI领域缺乏能对小样本进行分析，并能将真实世界数据加以数字化的新一代AI。若不具备这一条件，AI技术可能在实验室中表现优异，而一旦进入医院，其准确率便将大打折扣。
此外，医院需尝试搭建一个支持AI医疗产品的信息化系统，用以打通不同医疗机构间的数据隔阂，消除不同产品间的影像格式差异。
以上问题既是挑战，也是机遇。孔德兴将其分成四个方面的具体问题，并尝试从“数理”角度给出解决方案。
问题一：精准性瓶颈
精准性瓶颈问题来自影像设备及医生认知的局限性。“现在的图像不是照出来的，是数学算出来的。”影像学的未来应走向彻底的数字化。
从临床角度来看，自基因发生异常到组织出现病变需要一年的时间；而从组织出现病变到肿瘤形成需要5~20年的时间。周期虽长，但若仅由医生通过医学设备进行观察，很多病灶将不可避免地被忽视。这不是医生的水平问题，而是由人类视觉极限所致。
因此，一方面，医生需借助更精准的设备，生成更详细的图像信息；另一方面，研究人员需应用数理方法，挖掘影像数据中包含的深层信息。对人工智能而言，这两方面的研究均有待深入。
问题二：分析方法缺陷
目前，通过计算机视觉来处理医学图像很难达到精准的效果，最常见的问题有“同病异像”“异病同像”“模糊边界”等。
针对这一问题，许多AI企业开出“药方”，如将电子病历等信息融入AI技术和产品中，为AI“构造”一个关联“上下文”的场景。而在实际应用中，缺乏从源头可控和图像分析一体化的角度处理，以及常用刚体的图像处理方法处理柔性对象等问题，这些均影响着AI识别图像的精准度。
问题三：数据孤岛
AI是一项以大数据、大模型等为基础的技术，但由于隐私保护、知识产权等因素的存在，不同医疗机构间的数据难以打通，这阻碍了医疗AI的高质量应用。
对于这一问题的解决，联邦学习（一种机器学习框架，能帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下进行数据使用和机器学习建模）或许能成为一个途径。通过运用这种分布式的计算模式，研究人员可在不改变数据属性、安全性的前提下将各医院的数据连接起来，用于人工智能的训练。
问题四：深度学习缺陷
大数据依赖、黑箱建模、真实数据迁移困难这三大问题是AI在医疗领域发展所遇到的特有问题，也是制约医疗AI发展的关键因素。目前对此尚无有效解决方案，而发展新一代深度学习算法或将成为一种方法。
AI在当下受到广泛关注，但因“经验+案例”模式仍是AI产品研发的主流方式，且理论、技术、方法尚未取得重大突破，因此，实现医疗AI的临床应用仍需要一定的时间。
另需注意的是，对AI医疗器械产品来说，严格的审批流程确有必要，这有利于医疗AI产业的长远发展。
对于医疗AI领域的市场价值，我们应理性评估。尽管获得审批并不意味着医疗AI产品一定能实现优异的商业化落地，但其必能为AI初创企业营造一种更为优良的发展环境，企业潜力或将由此而迸发。
（来源：中国医药报）
