“不可能三角”的“宿敵”，AI輔助技術撕開“第一道口子”_風聞

儘管，打破看得好病、看得起病和看得上病這個“不可能三角”，無法一蹴而就，但是在人工智能浪潮的推動下，“不可能”也在逐漸向“可能”轉變。

近日，國家醫保局在相關新聞發佈會上表示，目前已編制發佈17批立項指南。其中，為了支持相對成熟的AI輔助技術進入臨牀應用，國家醫保局在放射檢查、超聲檢查等項目中設立“AI輔助”擴展項，即同樣的價格水平下，醫院可以選擇培養醫務人員進行診療，也可以選擇使用AI參與診療行為，而且現階段不重複收費。

如此一來，AI輔助診斷被列入醫療服務價格構成，不僅向大眾發出了關於AI醫療應用的積極信號，同時也為AI輔助技術的臨牀應用鋪平了道路。

“不可能三角”裏，AI輔助先解決“看得上”

正如巴克萊一份報告提到的“AI路線圖”那樣，我們正處於人工智能三個階段之一的AI助理時代，這個階段主要是對聊天機器人和一些早期AI助理的廣泛應用。

而在相對更嚴肅且應用場景更復雜的醫療領域，基於醫學本身的高精度以及充滿不確定性的特點，AI技術應用的首發場景更聚焦於“輔助角色”。

目前，在診斷方面的應用主要有病史採集、體格檢查輔助、建議輔助檢查、初步診斷、病歷書寫等，以上場景主要由聊天機器人介入，獲取關鍵信息進行輔助判斷，從而協助醫生完成病歷整理和書寫，不僅能提升醫療全過程的效率，還能降低人為錯誤，提高患者安全性。

以百度推出的靈醫大模型為例，其通過API或插件嵌入的方式，在200多家醫療機構中展開應用，顯著提升了診斷的準確性和效率。而騰訊藉助醫療大模型推出的AI輔助臨牀決策方案，可以幫助醫生快速分析臨牀資料，從中提取關鍵信息，以做出診斷和治療決定。

這其中，醫學影像輔助診斷更是商業化應用潛力最大的方向之一。一方面可以將AI與CT、X光機相結合；另一方面可以促成網上問診再到實際成交的轉化。

而阿里健康開發的肺結節篩查系統就是很好的例子，該系統可以在秒級別內對CT圖像進行分割、定位、分類和風險評估，輔助醫生診斷肺癌。此外，據京東披露，其旗下京東健康皮膚醫院基於大模型的AI輔診準確率超過95%，專病隨訪服務患者付費轉化率已達20%。

圖源來自Pixabay圖庫

手術應用方面，AI輔助技術也是潛力無限，可以覆蓋術前規劃與訓練、術中輔助、術後監控與康復三個階段。

術前規劃與訓練階段，AI可以通過對患者影像數據的分析，生成三維模型，幫助制定更為精確的手術方案；而在術中輔助階段，基於AI的導航系統能夠即時顯示患者的解剖結構，幫助外科醫生更準確地進行操作；術後階段，AI則可以幫助監測術後感染情況，及時提供干預措施，改善患者的康復效果。

具體應用方面，比如馬斯克的Neuralink項目，該項目通過腦機接口技術，連接大腦與外部設備，能夠治療神經系統疾病並恢復感覺和運動功能。手術中，機器人可以高精度植入微型電極，減少對大腦組織的損傷。

整體來看，AI輔助技術在診斷和手術兩大場景中的實際應用已經逐漸具象化。隨着AI技術的加持，醫療救治全過程的效率明顯提升，“不可能三角”中的“看得上”一角也開始得到顯著改善。

“看的好”背後的風險，仍亟待解決

“不可能三角”中頗為重要的一角——“看的好”卻仍然面臨着不少的難題和挑戰。畢竟醫療工作是一個高度專業化的領域，醫生和護士們都經過了長期的專業學習和實踐經驗積累。

目前，在輔助醫療領域被廣泛應用的大模型就在可靠性和準確性上遭遇挑戰。以GPT-4為代表的多模態基礎模型就存在“幻覺”或“事實編造”問題，即可能輸出錯誤的、不準確的、不真實的信息。

儘管，英偉達高級科學家Jim Fan認為這是源於大模型與傳統網絡搜索之間的區別，而AI領域的專家Karpathy也認為AI幻覺不算是一種缺陷，並將大模型稱之為“造夢機”。

然而，AI診斷輔助工具或治療建議LMM的準確性問題依然不容忽視。若醫生基於這些不準確的信息做出醫療決策，將直接威脅患者的健康，並可能削弱醫生的專業判斷力。

圖源來自Pixabay圖庫

準確性不足是一方面，而技術的複雜性也導致責任歸屬變得模糊化。

由於AI輔助系統進行決策時往往依賴於複雜的算法和大數據分析，而具體的算法和數據溯源存在不確定，這種“黑箱”特性使得追溯具體決策邏輯時難度驟增。因此，當AI醫療方案導致患者受損時，很難確定是技術故障、算法缺陷還是數據問題導致的錯誤判定。

而且，醫療過程中涉及的多方參與者也使得責任劃分更加複雜。畢竟，AI醫療輔助系統的開發、部署和使用過程中，往往有多個參與方，包括AI技術供應商、醫療機構、醫護人員和患者等。

而AI技術供應商內部又細分為數據採集、算法設計、故障測試等多個環節，每個環節在系統開發和應用過程中都扮演着不同的角色。如何明確界定這些角色和責任，成為了一個亟待解決的問題。

因此，為了儘可能提升醫療大模型的可信度，AI技術應用的風險管理需要貫穿AI全生命週期，包括預設計階段、設計開發階段、部署階段以及貫穿這幾個階段的測試和評估活動，以全面識別、分析、評估、管理、治理AI應用風險。

AI醫療，平衡“三角”的關鍵

拋開“看得上”和“看得好”兩角來看，“看得起”也十分關鍵。而人工智能與醫療行業的深度融合，正在成為推動我國醫療體系實現“AI普惠”的重要力量。

正因為不確定性、信息不對稱，以及涉及範圍廣等特點，醫療系統的複雜性使得醫療普惠一直在路上。而數字化技術的應用能弱化行業信息差特性，並加快三醫協同治理，促進中國式現代化醫藥衞生體制不斷完善。

不僅如此，在醫藥終端領域，AI大模型、生物數據庫等數字技術正深刻影響着藥物研發的各個階段，從早期發現到動物實驗、臨牀試驗，均展現出巨大潛力。

這些技術不僅顯著提升了研發效率，縮短了研發週期，還促進了生物醫藥創新從跟隨式、同質化模式向突破性、引領性方向的轉變。

圖源來自Pixabay圖庫

因此，AI技術的深入應用有望引領行業跳出傳統思維框架，圍繞患者需求進行資源與服務的高效整合，最終孕育出一系列既具備健康價值又彰顯普惠特性的優質產品。

儘管AI技術與醫療領域的深度融合已成為大勢所趨，但目前眾多企業仍在經歷轉型期的挑戰與陣痛。據阿斯利康全渠道總經理劉謙透露，2024年上半年，無論是醫院市場還是零售市場，醫藥經營企業普遍面臨着銷售增長與利潤增速的雙重放緩。

在此背景下，面對日益激烈的行業競爭，利用AI技術賦能平台，打破傳統商業模式中的“不可能三角”，推動企業的持續健康發展，已成為行業內廣泛認同的發展路徑。

從市場規模增長來看，AI醫療的市場潛力確實不容小覷。前瞻產業研究院數據顯示，中國AI醫療市場規模從2019年的27億元快速增長至2023年的88億元，年複合增速達34%。

而且，AI醫療行業企業數量一般，行業仍處於快速發展初期，行業格局尚不穩定。這對於剛入局和已入局企業來説，藍海市場的機遇正待挖掘。

因此，隨着越來越多的企業入局，AI技術的革新力量將得到充分體現。長遠來看，AI不僅可以是醫療服務的輔助工具，更能是推動醫療體系升級的關鍵力量。未來，醫療行業中存在的“不可能三角”，也將被AI所平衡。

作者：琴聲奏響時

來源：港股研究社