ai医学期刊

医疗包括多项内容：挂号，检查，影像读取，报告解读，诊断，开药，支付，住院，手术等等，各个环节都有对应的痛点，本篇文章仅说明下辅助诊断。 诊断是医疗中的一个核心环节，当前中医与西医给出诊断的方式不同。西医给出诊断依赖于：1）患者体征 2）患者描述 3）检查数据，其中1，3是主要判断依据。而中医则通过体征查看，脉象诊查，患者描述的方式确认诊断。在这个过程中，医生获取患者信息，解读信息的时间比较长，同时也存在误诊的可能的性。当前市场上的辅助诊断工具本质上就是为了解决上述问题。 AI实现辅助诊断分为两大类：一种是由专家基于个人经验搭建知识库。这种相对比较精确，但是覆盖面小，只适合特定领域的辅助诊断。第二种就是使用机器学习算法，从医院和网上抽取数据，构造一个更为全面的知识图谱。但是受限于没有数据规划，以及当前技术水平，在精确度上有所不足。在当今社会，基本上提供辅助诊断服务的公司大部分是第二种。 基于底层数据的类型，可以将辅助诊断模型分为：文本诊断类型，图像诊断类型。文本类型的实现逻辑，大体上是使用算法，从医学文献，病例，网上医疗信息中获取并生成结构化数据。而图像诊断类型则是从医院影像资料库，以及网上开发影像库中获取。 综合市场上做文本辅助诊断的公司玩家由：平安好医生，微医等在线问诊平台，watson，百度医疗大脑，康夫子等服务提供商。图像辅助诊断等玩家有：阿里ET医疗大脑，腾讯觅影，依图科技等公司。如上面所说，医生在诊断过程中极度依赖检查或者观察得到的信息数据，这些数据基本上都在医院，可使用性比较差。这就导致现阶段的文本辅助诊断模型效果精度无法达到医生要求。而图像辅助诊断，由于处理的业务比较单一，主要使用的是ct／mri数据，同时图像识别技术相对于NLP，更能支撑诊断，反映在市场上的结果就是这个赛道上有太多的玩家。 现阶段辅助诊断工具发展的并不好，总结原因有如下几点： 1）国家已经高屋建瓴的规划了医疗数据的开发时间表，并在政策上，对医疗数据的开放，逐步扫清了障碍 2）医院，尤其是三甲医院，为了自身发展，也会准别升级内部信息系统，统一数据规范 3）后续数据的开放和使用应该会是以联盟的形式进行，尽可能拿到门票 3）技术升级有赖于整个技术领域的发展，在此之前可以结合公司所具备的资源，选择特定的领域尝试进行辅助决策