大家好，又见面了，我是你们的朋友全栈君。
大数据时代下的人工智能医疗十问十答 -陆讯
1、怎么理解大数据时代下的人工智能健康医疗？ 2、智能医疗相比于传统医疗有什么优势和劣势吗？ 3、国内外人工智能医疗的知名公司（医院）有哪些？ 4、人工智能在医疗领域有哪些应用场景？处在阶段？ 5、人工智能医疗如何保障用户的安全问题？ 6、人工智能医疗行业的产品经理从业方向都有哪些？ 7、如何成为一名合格的人工智能医疗产品经理？ 8、您所负责过的人工智能医疗产品都是怎样的？ 9、5G会怎样影响智能医疗行业的发展？ 10、医疗行业智能化的未来会是什么样？
Q1. 怎么理解大数据时代下的人工智能健康医疗？
2025年的一个清晨，一个常态处于上午脑暴、下午撕逼、晚上邮件的产品经理还没醒，由于紧急发布，两天没合眼了，他的颈环检测到颈部有点僵硬，手环检测到他的体征数据也出现了异常。
贴心的手环将异常数据上传到了云端，云端进行100多项体征数据分析后发现这个产品经理生病了，并自动生成了治疗建议传给手环，手环收到云端返回的信息后，向公司的OA系统提交了病假单，同时给他的主人预约了医生服务，确认医院、科室、医生、时间后，手环开始和颈环沟通，让其预测主人睡醒时间，并唤醒净水器准备开水，等待主人使用，同时记录主人的身体异常报告，以预测下一次病变可能的时间点…
这就是医疗大数据！这还只是一个小插曲，医疗大数据了解我们的生活、甚至情感；它通晓主人身体节律、协助制定计划；它洞悉主人生活细节、深谙医疗异常诊断，时刻提醒主人规避身体风险，周到体贴。
Q2. 智能医疗相比于传统医疗有什么优势和劣势吗？
早在08年，IBM就提出了“智能医疗”的概念，主要是把物联网和AI技术结合应用到医疗领域，实现医疗信息互联、共享协作、临床创新、诊断科学以及公共卫生预防等，现在由于大数据和5G技术的发力与应用，智能医疗再次变成焦点。
一、智能医疗的优势： 就优势来说，智能医疗应用场景很多，也是一个不断发展的过程，个人觉得最根本优势是在于医疗资源和医疗数据层面的解放，也就是说智能医疗可以缓解医生资源紧缺和实现数据集中管理。
1、缓解医生资源 智能医疗解决未来医护人员稀缺的问题，人类医生的培养过程非常复杂，而且成本相对较高，培养时间较长。即使经过了10多年的培训也不一定能成为一个临床非常好的医生，还需要大量的经验。
人工智能就不同，随着计算速度加快、算法改进，它可以把目前医学的一些常见病快速的给出一些指导，哪些是什么病，哪些需要深入研究，哪些检查需要进一步做，往哪个地方考虑，都可以给医生一些帮助，进而有效地解决医生资源不足的问题，而且智能医疗可以在全世界的任何地方全年无休地提供医疗服务。
2、数据集中管理 智能医疗时代有两种表现：数据多和终端多，智能医疗可以使传感器设备和家用医疗设备自动或自助采集人体生命各类体征数据，同时可以将现有的院内、院外和基因医疗数据进行整合，实现数据的广泛共享和深度利用，以较低的成本对亚健康人群、老年人和慢性病患者提供长期、快速、稳定的健康监控和诊疗服务。
二、智能医疗的劣势： 1、智能医疗短时间内难以传递医生面诊的温度 特鲁多医生曾对临床医学做出过客观的评价：“有时治愈、常常缓解、总是安慰”，所以病人不能被治愈是常有的事，但是缓解和安慰是必不可少的，这也是医生的本职工作，也体现了医生对生命的尊重，体现了一个医生对病人的人文关怀和高尚情操。
而智能医疗在短时间内解决人机关怀问题是比较困难的，AI医疗的冷冰冰到有温度还需要时间，对病人心灵交流、疾病呵护、以及术后的护理都需要医生的情感参与。
就目前而言，智能医疗对病人的关怀安慰还远达不到医生的面诊，我去过线下医院看过很多病人，他们到了医院第一时间总是问医生，我的病怎么样了，是不是快好了，其实都是在心理上寻求安慰，医生们的回答大部分也都是心理上的疏导，所以患者对医生的依赖程度依旧很高。
2、智能医疗的隐私保护面临前所未有的威胁与挑战 传统的信息泄露诸如手机号码、身份证信息的泄露也会给用户造成很大的威胁和损失，在人工智能医疗领域只会有增无减，甚至威胁可能会更大，用户丢失的不仅仅是单个维度的信息，可能是全部的重要数据信息，包括个人的疾病史、是否畸形、基因是否有缺陷，有无家族遗传病史等。
这些数据信息的非法共享与传播极快，一旦被暴露，不法者很容易进行数据欺骗、身份窃取或其他攻击行为，从而会影响一个人的正常生活，甚至婚姻问题。
3、智能医疗依赖的大数据依旧割裂、非标准化 对于医院和诊所来说，很多数据仍然是没有自动化的，还存在医生使用纸质文本录入，患者服用药品后效果跟踪是丢失的，电子病历也不完善，很多数据仍然是非标准化的。
这一系列的问题都将阻碍医疗机构的数据挖掘处理和深入分析，更重要的是医院信息系统数据缺少统一的标准，这就对医疗行业的数据共享和数据联盟造成很大的困难，这也是技术、利益、政策交错复杂的问题，最终导致医院数据割裂，成为各自的信息孤岛，所以医院数据的自动化、医院成为数据管理和决策中心依然面临发展缓慢的问题。
Q3. 国内外人工智能医疗的知名公司（医院）有哪些？其优势都在哪些方面？
Google DeepMind – 推动人工智能的发展
和IBM 沃森医疗一样，DeepMind最近似乎并不顺利，名气很大，但由于种种原因实际曝光的AI产品并不多，不过并不影响其实力与地位，DeepMind与NHS医院合作开发了一款AI眼部诊断工具，通过对眼部OCT图像的扫描，可识别出50多种威胁到视力的眼科疾病，准确率高达94%，超过了人类专家的表现，相信不久会有更多的医疗领域产品，其优势就是各种资源丰富。
Enlitic – 利用深度学习使医生更快更准确
Enlitic利用深度学习从数十亿的临床案例中提炼出可操作的建议从而制定解决方案，帮助医生利用医学界的集体智慧，他们深度学习技术可以包含广泛的非结构化医疗数据，包括放射学和病理学图像、实验室结果(如血液测试和心电图)、基因组学、患者历史和电子健康记录等。他们开发的恶性肿瘤检测系统在一项临床试验中的准确度比专业的放射科医师高出了50%多，他们的优势是有极大数据资源优势和专业的数据科学家团队。
Arterys – 世界上第一个在线医学影像平台
一个真正的医学影像网络平台，以改变临床护理与诊断确定性为目标，他们的产品包括AI助手心脏MR图像分析、AI探测肺结节的分割和追踪、AI可视化助手，以及肝脏病变的纵向追踪。胸部x光检查助手等，主营业务是为医疗机构提供更精准的3D血管影像，并提供量化分析，他们的优势是有一个云分析平台，可以为用户提供SaaS分析服务，它具有可视化、可量化和深度学习三大功能。
腾讯觅影 – 腾讯的医学解决方案专家
腾讯觅影主要涉及AI影像和AI复诊，就目前AI影像来说已经能对食管癌、肺癌、糖尿病、乳腺癌、结直肠癌、宫颈癌等进行早期筛查；AI辅诊可以进行智能导诊、病例智能管理、诊疗风险监控等。他们的优势在于腾讯的AI技术能力以及大数据深度学习能力，有着丰富的自然语言理解、语音识别、交互等基础能力作为后盾。
阿里健康 – AI Doctor You ET医疗大脑
阿里健康的医疗解决方案也是平台开放式的，主要是三大平台。临床医学科研辅助平台：提供智慧病例库矩阵、临床科研数据矩阵、多源异构医疗数据处理、大数据科研辅助分析引擎开发服务等；AI医疗开放平台：面向不同设备，提供多部位、多病种AI辅助筛查应用引擎；临床医师能力训练平台：提供沉浸式医师仿真教学培训系统，脱敏病例虚拟病人等服务。其优势是基于阿里云和AI能力的强大应用拓展能力。
百度AI – 医疗大脑
百度医疗大脑的对标产品是Google和IBM的同类产品，他们通过海量医疗数据、专业文献的采集与分析进行人工智能化的产品设计，模拟医生问诊流程，与用户多轮交流，依据用户的症状，提出可能出现问题，反复验证，给出最终建议。在过程中可以收集、汇总、分类、整理病人的症状描述，提醒医生更多可能性，辅助基层医生完成问诊。他们的优势是大量的搜索引擎医疗数据和AI技术能力支撑，他们可以基于百度医疗大脑逐渐打造开放的医疗智能平台。
推想科技 – 推动科技，想医所想
推想科技主要针对肺部、心脑血管、肝癌等领域进行模型搭建，目前他们推出肺部、胸部、脑卒中辅助筛查产品和医疗影像深度学习中心，帮助医生完成个性化、差异化的深度学习，他们的优势是每日AI可以完成肺癌辅助筛查近万例，累计辅助诊断病人数已超过450万 ，同时已经和超100家顶级医院合作并受到医生的一致好评。
DeepCare羽衣甘蓝 – AI口腔影像领跑者
DeepCare聚焦于口腔医学领域，目前具有公司全球首款口腔影像AI辅助分析系统，并已在口腔医院应用，正在进入基层医院、体检中心和口腔诊所，他们可以进行数据查询及管理、病灶区标记、辅助诊断并自动化生成报告等，他们的优势是团队基因比较强大，背景牛逼、专业性强。
LinkDoc – 人工智能与医疗大数据解决方案提供者
LinkDoc主要围绕医疗大数据一体化、医学影像智能诊断、标准化智能随访、一站式医学科研等提供解决方案，他们的使命是推动中国新一轮人工智能发展，让人人皆可享有精准的医疗服务，他们的优势是整合医疗机构、药企行业、保险行业、患者院外提供关联性、一体化的服务。
依图医疗 – 人工智能，关爱健康
依图六大核心业务领域分布在安防、医疗、金融、智慧园区、零售、城市等，就医疗来说，他们励志成为人工智能变革医疗领域的引领者，提升医疗生产力，扩展医疗新边界，他们的医疗智能产品解决方案主要是医疗大数据智能、临床智能决策等，包括遍布胸部、肺癌多学科、乳腺x线、乳腺超声、甲状腺超声、儿童生长发育及就诊流程等智能诊断系统，以及智能互联网医疗平台，从智能预诊、智能转诊到智能辅诊的完整服务。
第四范式-智能医疗
他们提出的是智能健康中心，从健康智能应用、中枢管理到智能组件都有所涉及，从服务层面来说，有着个人、社区、医疗机构、科研机构、保险机构健康的一体化服务，包括糖尿病、心血管病、风湿病、胰腺病智能管理等，此外他们还有平台级AI OS，为智能健康提供平台级的全生命周期管理和全方位的工具支撑，他们的优势在于平台易于使用、能力组件丰富、功能个性制定、应用运行稳定。
以上都是在AI医疗领域有一些作为的公司，事实上AI医疗领域的公司多到几百家，风口往往是浮躁的开端，尽管AI在医疗领域的应用比其他领域有一定的优势，但AI医疗发展过程中也会面临巨大的挑战，甚至出现玩了很久，最后验证出是个伪需求，或者因为实力问题而终结。
到目前为止大部分的AI医疗产品都在完善中，目前还没有绝对稳定的、准确率极高的产品，只有范围值内的满意度，在AI领域，只要数据生产资料在增长、算法在优化，算力在进步，就意味着产品在精进，但这需要时间，并不是所有的AI医疗企业都能一路走到底，同时随着时间的推移竞争关系也会不断的加剧，就比如AI图像识别和AI辅助诊断，相当一部分公司都有所涉猎，如果未来找不到差异化，一地鸡毛的事情或许在AI领域也会出现。
Q4. 人工智能在医疗领域有哪些应用场景？分别处在什么阶段？
深度学习是人工智能的基本方法，所以它适合做一些经验累积性的工作，比如比对看片、药物研发等，医疗健康领域也被认为是人工智能落地最有潜力的领域之一，但实现人工智能医疗的真正落地，需要创新的应用场景，就目前来看，AI医疗的应用场景有以下四类：
智能预警：习惯监督、风险识别监测、早期预测、早期预防与干预等。 智能诊断：医学影像与诊断、疾病筛查、机器人诊断、虚拟医生、助理护士等。 智能管理：生活健康管理、电子病例管理、康复医疗管理、医院管理等。 智能研发：药物研发、医学研究、临床试验研究、病情病种研究等。
若说所处阶段，目前AI图像识别、辅助诊断、药物研发等稍稍领先，其他的应用场景都在路上。
Q5. 人工智能医疗如何保障用户的安全问题？
人工智能技术与医疗领域融合不断加速， 数据资源、计算能力、算法模型等基础条件成熟的同时，也必然导致医疗安全问题如影随形，科学技术本身无善恶之分，这些安全问题可能贯穿产品设计、研发测试、数据集构建、算法训练等整个医疗产品的生命周期，这里主要探讨用户信息安全问题及防御风险策略。
1、隐私数据脱敏加噪
对于用户的信息安全，现在普通的医学研究做法是进行隐私数据脱敏，把敏感信息隐藏掉，然后把数据进行发布，但是这样有非常大的风险，因为虽然不知道用户的名字，但是可能知道用户的性别及一些其他特性，通过这些特性，其实有很大概率能够反映出来这个人是谁，所以很多问诊平台将用户的治愈案例公布吸引其他患者进行咨询问诊，某种程度上也是对用户隐私的欠考虑。
所以如果要真正的解决用户的隐私问题，可能还是要从理论和数学上去解决这个问题，在近几年有一项差分隐私的技术出现，就是在发布数据的时候不仅仅只做匿名化。
更重要的是把数据做一些扰动，让不法者没有办法判断到底这个人是谁，简单讲就是在数据里加入一些噪声，但这样也会带来一些问题，加完噪声之后有可能导致数据不可用，完全变成随机的数据，所以这里也伴随着一个技术难点就是所加噪声和可用性之间的平衡，目前都是尽力的保证用户隐私，同时让加入的噪声越来越小，不影响数据的正常使用。
2、深度学习安全防护
AI技术和互联网一样，都是一把双刃剑，都具有两面性，虽然有时制造麻烦，但同时也可以安全防护，尽管医疗信息泄露事件频频发生，但如果能主动利用人工智能技术，打造完善的安全防御机制，实现对网络攻击的智能化响应。
就可以依靠机器算法，快速收集、处理海量数据，通过对不同数据的分类、处理，来有效识别潜在的网络安全隐患；同时借助深度学习技术，人工智能可以不断学习成长，不断提高安全防护水平，实现对网络攻击的自主防御。
事实上，用户安全问题远不止这些，还比如注入攻击漏洞、安全配置错误、数据非法窃取、数据污染、对抗性输入等等，伴随着AI医疗的推进，也必然会产生各种各样稀奇古怪的安全问题，和计算机病毒一样，人工智能背后的操作者是人，人类行为的不确定性也将注定会不断的产生安全隐患，同时也会不断的修复安全漏洞。
Q6. 人工智能医疗行业的产品经理从业方向都有哪些？他们都在做什么？
AI 医疗的应用场景非常多，远超过我们现在认知的样子，他们从事的方向就是基于“AI 各种医疗业态”下的解决方案，在做的大部分还是延续“互联网 ”时代的一些事情，只不过有一些新的能力要求，就工种而言，也对应有技术型、数据型、体验型、策略型、商业型AI产品经理等。
事实上，人工智能医疗领域最紧缺的是算法工程师，大部分有一定规模的社招平台，在AI领域招聘的技术人员算法居多，好的算法工程师一票难求，在这里我对“千军易得，一将难求”有很深的体会，从产品的角度，初级阶段AI产品大都和技术挂钩，我个人觉得随着AI的发展，AI PM的需求量和需求类型也会随着改变，我姑且大胆的把AI医疗产品分为三个阶段：
第一阶段：技术型和数据型AI产品经理比较受欢迎
此阶段的PM有一定的技术背景，熟悉掌握AI底层技术实现、封装各种对外开放SDK，有一定的架构水准，可以将影像识别、自然语义、机器学习、认知计算、生物信息学等技术运用到产品中，他们应该是早期的AI产品奠基石，其次是数据PM，数据产品侧重点在数据分析上，包含数据的采集、分析、可视化等，这类产品经理有研发和数据分析的背景，也是第一阶段很缺少的产品。
第二阶段：体验型和策略型AI产品经理开始受青睐
随着AI的进一步发展，AI医疗产品越来越多，体验也越来越重要，用户开始慢慢接受了AI产品，产品的业务逻辑也越来越复杂，产品线规划和设计就慢慢重要起来，需要策略产品经理去权衡好用户感受和用户价值之间的关系，同时交互、UI、用户研究也会慢慢凸显出价值，所以这个阶段又会有大量相关岗位放出，AI的招聘市场会回归体验和策略时代，至于时间要看“AI ”的发展步伐。
第三阶段：商业型产品经理需求慢慢变大
这个阶段意味着AI医疗领域进入了成熟期，如果说体验型PM更多强调的是给用户创造价值，那商业型PM更多的是想着如何把流量变现，比如智能医疗器械怎么卖，图像识别产品怎么推广，各种系统如何服务C端、B端用户，这类产品经理一般需要对商业模式比较熟悉。
Q7.如何成为一名合格的人工智能医疗产品经理？
1、对医疗行业的理解
人工智能和互联网本质没有什么区别，都是工具，这些工具对于商业来说就是基础设施，就像生活中的水煤电，所以任何“互联网 ”或者“AI ”都离不开对行业的理解，就比如金融行业来说，信托、私募、基金、股票、房贷、商贷这些概念是怎么样关联业务的；清算、风控、催收、征信每个环节又是怎么体现在产品里面的，这些都需要对行业有一定的了解；
医疗行业也是如此，分级诊疗、健康干预、远程会诊、医疗控费、基因测序是什么意思，医疗机构、医生、药企、药店、保险等之间的多重映射关系如何理解，这些都需要从行业角度有一个全盘的认知，甚至于对政策、技术、资本利好的研究。
2、优秀的主动学习能力
面对新领域，初始阶段都是新人，如果说有差距，那一定是由于学习力的不同慢慢拉开的，通过学习可以提升一个人的认知层次，就像Andrew Ng说的那样，其实很多情况下我们并不知道下一步要做什么，这时候就需要大量的学习和阅读，多和某些领域的专家谈话。
我有一个很深的体会，我每次听复旦、同济教授公开课的时候，经常有脑洞大开，醍醐灌顶的感觉，而这些公开课的理论都会在工作和生活中建立关联，所以当我们读了足够多的书、听足够多的公开课或者和足够多的专家交谈时，我们的大脑的就会接收足够多的输入信息，新的创意自然也会随之产生。
3、 基础数据分析能力
AI领域有相当比重的用户需求会来自大数据分析本身，用户心理和行为依靠深度学习获取，就像天猫精灵为什么越用越懂你，数据诠释着用户的行为轨迹，所以数据分析能力在解决问题的过程中，在动手实践与探索过程中，都会大有用武之地。
我们要做的就是产品上线前后，分析使用数据，挖掘使用场景，找到产品改进点、突破点甚至引爆点，用丰富的交互场景推动AI创新，就数据分析能力本身而言，我们需要从数据的认知、收集、整合、表达、挖掘等五个方面的能力全面提升，这也是为什么任总在走访高校时总是呼吁校长在基础学科里加入《统计学》和《离散数学》的原因，数据分析能力应该在学校里就具备一定的基础。
4、 多渠道获取AI资源信息
我们可以多渠道获取一些有关AI医疗方向的信息资源，比如：
第三方AI报告：艾瑞、易观、前瞻经济学人、BAT研究院等有很多AI医疗的报告，总结非常到位。 订阅AI资讯：虎嗅、36kr、即刻等资讯订阅、时时关注AI知名自媒体，钛媒体AI融资情况等。 收听AI音频：喜马拉雅和荔枝里经常有脑洞大开的AI医疗应用场景，碎片化时间都可以获取。 参加AI会展：活动行、互动吧经常发布AI大会和展览会，每次都有新发现，对于一线城市是资源利好。 感受AI产品：AI会展里会有一些AI产品，真实体验、感受流程和思考能否再缩短触达路径。
这些都是不错的信息获取手段和路径。
5、需要一定的技术认知
经常看到论坛有人争论产品经理要不要懂技术，我看到也很忧心，移动时代的产品经理会画原型、逻辑不错、沟通还可以似乎就可以胜任了，但在AI和大数据时代，不懂技术的产品经理可能会有些被动，在AI新兴阶段，会出现技术能力大于产品能力的现象，这也是为什么算法工程师需求远大于产品需求的原因。
懂技术的AI PM会操纵数据库、会爬取自己想要的信息、有扎实的数据挖掘和分析功底, 某种程度上也培养了他的数据敏感度和积极性，所以我觉得产品经理可以不懂技术，但牛逼的产品经理不能不懂，何况当今国内外公司的互联网创始人大部分都有技术背景。为了瞻仰前辈，我打造了一面“领袖墙”，这面墙是我研究互联网大佬的版图。下图是我书房墙壁上的互联网大佬2015年的座次图。
在互联网时代的20位大佬中，其中15位有技术和写代码背景，大佬如此，何况与你，更何况在AI时代，所以有技术背景对成为AI PM来说是一种很大的优势。
Q8. 人工智能医疗产品都是怎样的？
我负责过的医疗数据产品包括血压、血糖、体脂等智能硬件产品，通过数据回传了解一个人的体征节律，来预测一个人的健康状况。也负责过皮肤医疗大数据产品，每个人都有脸，就用户群体来说，有头有脸的人就是我们的用户，无论你的皮肤处于什么样的状态。皮肤发生病变，我们有疗肤解决方案；皮肤干燥、缺水、暗斑、油腻，我们有护肤解决方案；即使你的皮肤什么问题都没有，我们还有美肤解决方案。所以人工智能在皮肤领域的应用规模之大是不敢想象的，平台的使命也是解决10亿皮肤亚健康的问题, 以下分享几点关于“AI 皮肤医疗”的心得：
一、疗肤层面解决方案：AI 图谱识别 医疗科普 处方诊断
通过AI识别用户病变图谱，给予病情知识科普、诊断疏导、用药处方等医疗服务。AI在皮肤医疗领域解决的几个问题：
1、 解决皮肤科医生资源稀缺的问题
全国皮肤科医生2万 ，但皮肤病患者近1.6亿，所以皮肤科医生资源非常不足，高峰时期，一个皮肤科医生一天线下门诊可以接诊超过60 病人，皮肤科也有天然的优越性，经验丰富的医生是可以直接通过患者上传的病变图谱进行诊断的，通过“互联网 医疗”手段可以缓解区域性皮肤科医生的资源不匹配的问题，但依旧很难缓解医生资源紧缺的问题，在“AI 医疗”时代就可以通过病变图谱识别皮肤病类型，给患者输出诊断报告。
2、 解决医生机械化诊断重复病种的问题
下图是基于千万级病例图谱库Top9大类病种分布，仅仅痤疮类皮肤病占比30.14%，就意味着医生每天都会频繁、机械的诊断痤疮类皮肤病。
痤疮类皮肤病极易复发，所以复诊率也居高不下，就皮肤科在线问诊来说，有的医生一天诊断同一病种可多达几十例，我们传统的做法是将平台数据库Top100病种和诊断内容进行模板化包装，医生识别病人上传的病变图谱后，给予模板化快速解决，这样会带来一些问题，比如医生过于依赖模板导致诊断同质化问题，比如模板本身的内容生硬问题，长此以往用户的心理预期也会降低，但AI就可以通过深度学习结合病人病情快速给出重复病种因人而异的不同诊断，数据越大，准确率越高，直到远远超过医生，这一天越来越近。
3、 解决医生临床经验不足误诊率问题
皮肤病所覆盖的病种是数以万计的，就比如[皮炎] 这类皮肤病，其子类病种就有上百种，下图是皮炎病例库的Top13细分病种分布情况：
这些皮炎的细分病种临床表现和图谱样例均不同， 面对这么庞大病种，极少皮肤科医生可以跨科室深入诊断多个皮肤病，且有的病种还有一定的相似度，经验尚浅的皮肤科医生对于分清这些图谱也有一定的难度和误判，但AI就可以结合患者的临床图谱大数据，进行数据喂养，通过深度学习进行病情的精准定位并进行全方位良恶性判断，快速给出不同病种的细致诊断，从而提高医生诊断效率和准确率。
4、 解决病人对皮肤病没有认知的问题
皮肤科的医生患教时间并不长，大部分局限在门诊，离开医院后，很有可能就不知道自己啥情况，忘记医生的医嘱和医托，对自己的病情也没有个细致了解，常见的皮肤病还好，关键是很多病种是非常罕见的，就比如“颜面播散性粟粒性狼疮”，告诉别人自己得了什么皮肤病就有难度，更不用说它的临床表现和注意事项了，AI就可以通过该类图谱数据整合，进行深度学习，不但可以让用户了解这种病的病状、病因、诊断、治疗情况，而且可以实时匹配与病人最相似的康复病例，同时根据病人的情况给出最新的、适合病人的注意事项和治疗方案等。
5、解决病例智能化管理的问题
目前国内医院的病案，依赖病案室人力或数据公司进行整理。科室的医学科研，提取病案特征信息也是通过人工完成。需要投入大量的人力与资金，准确率也不能得到保障。通过深度学习的人工智能技术可以实现病案智能化管理，自动提取病案特征信息，不仅对医院的数据做标准化处理而且可以为科研提速，做这件事还有腾讯觅影、博识医疗云等，采集临床数据，输出结构化电子病历，让沉淀的数据真正的帮助到医生，就像下图腾讯觅影的病例智能化管理示例图。
二、护肤层面解决方案：AI 图谱识别 精准护肤解决方案
中国皮肤亚健康用户大约10亿，每个人的皮肤亚健康表现都不一样，就像前面说的AI可以解决病变皮肤的精准医疗问题，AI也可以解决亚健康皮肤的精准护肤问题，AI通过终端获取用户的脸部图谱信息，通过图像检测来评估个人皮肤状态，如肤质、肤色、肤龄、毛孔、皱纹、眼袋、黑眼圈、痘斑痣等。
连接精准护肤服务，甚至是精准药妆服务，而现实传统的智能测肤可能仅仅是一个流程，从拍照测肤、智能分析、护肤科普到产品推荐，如果测肤阶段没有专业到皮肤肌理层面的深度学习，就很难让用户买单，单单目前的这些表面参数肯定是远远不够的，比如皮肤的色素沉积、敏感程度、耐受程度等，都需要AI深度学习给予反馈。
事实上，脸部的特征数据远不止这些，当一份权威的数据报告可以征服用户，并真正做到高级别的准确度时，用户买单的心理预期也会被满足，商业模式自然会诞生。
Q9. 5G会怎样影响智能医疗行业的发展？
5G的特性是：超高速率、超大连接、超低延时，每个特性都可以解决某个领域的痛点，那基于5G的这三驾马车，也会给智能医疗行业的发展带来巨大的积极影响：
1、让远程诊疗、护理成为可能
互联网在线问诊其实已经部分解决远程医疗、医疗资源分布不均匀的问题，使得西部偏远地区的患者足不出户就可以看到上海的专家医生，但5G的助推可以更上一个台阶，5G网络可以支持近200多亿个连接设备和传感器，可以秒传以G为单位的海量数据，那就意味着患者在家中通过医疗传感器就可以和医生实时互动，生命体征数据实时回传医生，医生和护理人员就可以动态远程监控管理患者。
进行远程看护、诊断、甚至手术，从而缓解病房紧张、医生紧缺的压力，同时医患还可以通过网络屏幕终端实时建立聊天室，科幻片里的屏幕互动将不再科幻，最终可能颠覆整个医疗的运作模式。
2、让老弱病残实时救助成为可能
人口老龄化导致留守老人在加剧，如果让老年人配备生命体征健康监测终端，实时监测老人起居、饮食、睡眠、运动等体征信息，那么当发现老人呼吸异常、睡眠异常或者意外摔倒待在原地不动时、终端系统就会发出及时的警告，关联老人的护理人员或者子女，免去子女的担心；残障人士亦如此，再者路上突发紧急事故，120救护车将事故人送往医院的同时，将事故人的心电图和生理数据即时回传到医院数据处理中心，进行实时排查鉴定，实现病人未到院，方案已输出，降低事故人的死亡风险，这些都可以通过5G高速率、大宽带、即时联来解决。
3、让个人健康管理、医疗个性化成为可能
5G的助推，使得个人健康管理成为可能。通过移动终端对整个身体进行监控，将用户每天的生活作息、健康状态，甚至内心波动，情绪情感进行收集、跟踪、学习、预测，使得健康和智能可穿戴设备以及智能家电间的数据实现共享；利用社会不均衡医疗资源以众包的方式远程诊断，解决看病难题，用户所有健康信息集成到移动终端，通过移动终端与各个健康设备、药店、医疗机构进行交互，实现患者大病去医院，小病自己诊断，缓解医院医生的压力。
Q10. 医疗行业智能化的未来会是什么样？
这个问题太大，也是仁者见仁智者见智的问题，我想从四大利好和四大角色谈起，就目前在数据、政策、资本、技术利好的前提下谈谈医院、医生、药店、药企四大角色的未来。
1、数据利好：
就健康医疗信息数字化本身来说，经过时间的积累和不断的发展，数据也达到了一定的级别：
A、院内数据：
HIS系统等数据积累，主要集中在卫宁健康和金蝶医疗的数据系统里。 l 医学影像信息系统PACS(Picture Archiving and Communication Systems) l 临床信息系统CIS（Clinical Information System ） l 放射学信息系统RIS (Radiology Information System） l 实验室信息系统LIS（Laboratory Information System） l 医院管理信息系统HMIS (Hospital Management Information System)
B、院外数据：
l 轻问诊数据：平安好医生、微医、好大夫在线、春雨医生等第三方产生的轻问诊数据。 l 智能体征数据：血压仪、血脂仪、体脂仪、手环、颈环等智能硬件采集的健康数据。 l 体检健康数据：爱康、美年大健康、妙健康、优健康等健康及体检报告数据。
C、基因数据：
基因测序数据：数据集中在华大基因、贝瑞和康、药明康德、博奥生物等入场较早的企业。 以上这些数据都极具价值，一旦联合或者部分打通，会加速推动医疗数据指数级增长，为AI健康医疗的发展提供基础数据生产资料。 智能化推进的同时也会产生更多的终端数据收集器，全方位的收集有健康意义、有价值的生命数据，通过这些海量的数据，进行数据喂养，训练算法模型，以结果进行算法优化，提高医疗产品服务能力，同时基因数据与个人健康数据及临床数据相结合，可以给到基于个人的个性化健康解决方案。
2、政策利好：
根据艾瑞咨询的报告，从2015年后，每年都会有促进各省市政府将健康医疗大数据提升至战略层面的政策驱动。
2017-2018年中国健康医疗大数据相关项目梳理
3、资本利好：
下图是2019年4月14日的近30日行业融资数据情况，从持续观测钛媒体的数据来看，医疗健康在Top5内摆动，其中医药智能化、辅助决策、健康管理比重都比较大，多为利用AI、语义识别、数据模型，挖掘诊疗信息，连接院内院外平台等类别的企业。其中融资领域受人工智能热潮影响，预计未来将会有更多资本进入AI医疗健康领域，为其发展助力。
4、技术利好：
技术的三辆马车：物联网技术、大数据技术、5G技术都为医疗行业智能化的实现增加马力，物联网技术让众多医疗终端设备的数据采集和互通成为可能，医疗物联网中数据规模庞大，而且增长速度极快，传统的数据库技术难以有效处理这些海量数据。
智能医疗可以实现高效和可扩展的医疗大数据存储与处理，并通过互联网为用户提供方便快捷的医疗服务；大数据技术让云数据可以被大计算成为可能，大数据技术又会结合深度学习、认知计算、生物信息学、区块链等技术与实际应用场景结合，搭建行之有效的数据模型；
5G技术让数据传输没有延迟、连接万亿设备成为可能，是数据物流的保证，这三辆马车都将助力医疗行业的智能化进程。
新技术赋能医院、医生、药店、药企四大角色智能化成为可能：
1、未来医院：
未来各种技术及数据生产资料的助推会让医院发展数字化，加速医院打造数字医疗，患者数据集中存储和医院之间的数据合作将使得医院成为巨大的数据处理中心，同时患者可以自主和医院医疗数据库发生关系，医院只需要进行精细智能管理决策即可。
HIS系统也会迎来一场巨大革命，会出现一个新型的智能化系统，未来系统一定是实现医院运营、病例、医患、科研一体化的系统，医院的规划、战略、营销都参与医疗大数据，数据将成为医院最大的资产，也将决定医院未来的发展，同时医院也会基于大量病例数据给出全科疾病的预测分析，给用户提供早期的疾病预警，形成新的医疗健康运作模式。
2、未来医生： 在技术全方位应用的情况下，医生的角色会出现很多波动，很有可能会出现昨天发表的论文，明天就被颠覆了，这也是每个医生都必须面临的问题，传统的公立医院有些医生对学术发展视而不见，常年坚持传统经验，导致医疗水平裹足不前，在未来不善于学习、习惯用经验看病的医生或许会逐渐被边缘化。未来医生的角色会慢慢的从门诊诊断转变为数字诊断，医生在未来可能会成为一位医疗数据专家。
3、未来药企：
机器学习算法加速新药研发，AI深度学习之所以这么高效率，其实有两点：强大的关系探索能力和强大的计算能力，人工智能可以快速发现药物与疾病之间的对抗关系，也能挖掘基因与疾病之间隐藏的秘密，然后对药品化合物进行智能筛选，筛选出抗性好、活性高的药品化合物，大大地提高了临床试验的效率。
在古代，张仲景的《伤寒杂病论》、李时珍的《本草纲目》、孙思邈的《千金要方》都是他们呕心沥血一辈子有了这部当时的巨作，或许面对现代的AI深度学习可能不值得一提，留下的只是历史意义。
这不是笑话，这很严肃。被打脸、被颠覆或许也是AI时代的一个特色，古代的神农尝百草，其实就是人工筛选药物的过程，现在换成人工智能了，其效率将远超前人的积累。目前而言在全球有至少百家企业以上在探索人工智能药物研发，未来药企也将数字化、智能化。
4、未来药店：
未来的药店会成为智慧药房，新的技术也会推进药店管理和慢病管理，就慢病管理而言，每个科室都有慢病患者，皮肤科尚且如此，其他科室慢病患者就更不用说了，慢病患者买药一般都是通过大医院购买的，但未来药店可以通过技术助推为医院分担一些压力。
通过“AI 终端”的方式，互通慢病患者的体征数据，对慢病进行风险分析，向患者提供饮食建议，甚至医生干预，把慢病服务和体征数据连接起来，解决目前慢病管理不及时、不准确、购药难的现状，同时做到会员管理、精准提前营销，提高整体运营效率、药品周转率和降低库存，成为真正意义上的智慧药房，这里的核心点是“连接个人生命体征数据”。
举个例子：
互利网购药平台“叮当快药”，我网购两次药品后，然后他们就会定期的通过短信和Push给我推送其他药品。这种运营手段作用大吗？我认为不大，因为他们并没有和我的体征数据进行连接，只是在碰运气而已，我一个健康的人会时不时的买药吗？这是一个值得思考的问题，和以下推送触达有所不同。
l “每日优鲜”推送菜品，预测你购买的蔬菜够吃几天，精准补货推送，复购率很大。 l “星多客”推送理发，预测你理发频次和门店依赖程度，精准推送理发券，一推一个准。 l “瑞星咖啡”推送咖啡，预测你喝咖啡的频次和时间段，精准推送优惠券，转化也不错。
为什么他们推送效果会很好，其实很简单，掌握了用户行为动机和刚好满足他的需求，就像比笔头插入笔盖那样自然，那叮当快药可以获得高转化率吗，当然可以，就是连接用户的体征数据，进行精准推送，这个精准在大数据的帮助下或许会极其精准。
重慢病对药品的需求或许是乞求，掌握了数据后，或许会超越其他服务的精准，所以药店应该让药品出现在需要的病人那里，这是自然而然的事情，一旦实现，未来药店比拼的将是服务能力和提升用户满意度的能力，而不是疯狂推广药品，强推促业绩。
新技术在医疗领域的落地推进或许与商鞅变法图强有一定的相似度，必然会打破既有的游戏规则，影响多方的使用习惯和利益链条，在执行过程中也会遇到各种问题，解决问题有多大，面临的困难就有多大，技术还只是其一。
但不破不立，从便民利民的角度，或许药店获取药品处方权、医保支付也只是时间问题，所以对于“互联网 医疗”和“AI 医疗”，我想用我最喜欢的一句话来结尾“士不可不弘毅、任重而道远”…
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/191894.html原文链接：https://javaforall.cn
