爲什麼寫
之前一直把精力放在知識圖譜本身的設計與實現上，並未側重對行業落地產品與市場需求分析。近日，反思許久，也算有所感悟，究其原因是確定不下要從哪個行業、或市場入手，舉旗不定。
關於知識圖譜落地行業，電商、金融、公安、醫療是信息化比較早的行業，可作爲前期切入領域，之前有進行相關分析，這裏不再贅述，詳情請訪問歷史文章。
同時，也想把知識圖譜行業產品分析作爲一個系列來做，這次就先說醫療行業，爲什麼是醫療？因爲上週被大佬從戰略層面、以及醫療行業本身進行了升維打擊，可以說是碾壓，慘不忍睹，以後有機會再細說，下面進入正題。
從國家戰略以及省市區規劃報告層面，事關國計民生的醫療行業，一直是AI發展所關注的重點。目前，中國醫療資源結構性失衡，三甲醫院專家雲集、人滿爲患，基層醫院專家難尋、門可羅雀；並且常年來，約佔醫院總數8%的三級醫院，承擔了約40%的診療和住院患者的重任。社會老齡化加速，醫療資源有限，我國醫療健康的具體情況可參見，規劃發展與信息化司發佈的《2018年我國衛生健康事業發展統計公報》。
在互聯網領域，BAT等巨頭一直熱衷走平臺戰略路線，並且一直是科技與行業發展的引領者。醫療AI方面，BAT也早已佈局，紛紛推出產品，例如：百度靈醫、阿里“Doctor You”與“ET醫療大腦” 、騰訊覓影。下面就來具體分析下以上產品，加深對醫療AI落地方向，與醫療行業需求的瞭解。分析BAT的產品，是因爲尊重其對行業發展與引領的影響力。
下面主要介紹並簡單分析百度靈醫、阿里“Doctor You”與“ET醫療大腦” 、騰訊覓影與知識圖譜相關的產品，主要參照各自產品官網介紹，如有錯誤或不當之處，歡迎交流指正。
百度“靈醫”
百度“靈醫”，主要切入方向爲臨牀輔助決策、醫療大數據治理與智能診前助手。
臨牀輔助決策面向醫生，根據針對場景與疾病的不同又拆分爲3個版本，分別爲標準版、基層版、專病版。
標準版面向大型醫院需求進行定製，針對輔助診斷、治療方案推薦、相似病歷推薦、醫囑質控、病歷內涵質控、醫學知識查詢等目標進行功能設計，同時滿足國家對電子病歷系統功能應用水平分級評價、醫療健康信息互聯互通標準成熟度測評等相關要求設計產品細節，嵌入醫生工作流，提升臨牀效率。
從以上產品截圖可以看出，百度靈醫臨牀輔助決策系統側重建設電子病歷，有利於NLP進行病歷分析、語義分析，方便信息抽取去推薦。結合搜索引擎技術進行知識檢索、病歷檢索；利用症語義向量相關性及疾病診斷模型進行疑似疾病判斷、治療方案推薦、相似病歷推薦等等。
由輸入框信息自動對醫囑進行風險分析及把控，基於傳統規則、NLP、推理模型對病歷全面分析，保證結果的準確度，同時利用知識圖譜基礎能力，對醫療知識精準、快速查詢。
以結構化電子病歷爲產品重點，應以覆蓋各層級評級要求爲基本要求，學習過往專家案例診療案例爲學習基礎，同時針對患者個人情況，生成滿足患者自身體質要求的治療方案，並且可以滿足現有醫院系統，可順利接入客戶現有系統，以滿足無縫接入，無論是API/BS/CS等都應該開發，並且設計開發系統之前應充分考慮開品的評價標準，前期設計方案或選用模型，應儘量以此標準爲依據選取方案，避免走偏。
在設計開發系統前，充分了解所面向用戶對精準度的要求，畢竟功能可以少，但如果對精準度失望，對企業的損失是將不可估量。所有質檢、審查功能要做到國家標準全覆蓋，精準度與語義理解度需絕對強化，提高系統風控能力。基於以上理解，還是要再說一句，功能可以少，但是需要精，因爲不知道哪個功能，將會滿足某個用戶的痛點需求，以此思維模式讓產品成爲用戶需求滿足的第一選擇。
基層版根據《“健康中國2030”規劃綱要》要求醫療單位實現分級診療，構建“基層首診，雙向轉診，急慢分治，上下聯動”的醫療體系，推動分級診療落地、加強基層醫療水平建設，減輕三甲醫院的醫療壓力。因此對基層版在標準版的基礎上增加了智能問診、病例自動生成功能等，滿足基層醫生實際使用習慣，提升基層醫療機構的診療能力。
問診與輔助決策不同，不在於有多麼高的精度，但病種覆蓋需要儘量全面，之前也提到行業知識圖譜的設計從廣度優先出發比從深度優先出發更具有優勢，所有的知識來源應儘量選擇具有說服力和權威的資料，嚴格把控知識質量，系統的設計遵循便捷性、與輕量性，考慮到用戶本身IT理解力，系統更需要便捷的可操作性。
專病版面向醫生在專病診療方面提升效率，降低疏漏可能性，也爲解決專病診治的行業性難題。
- 病情評估數據獲取複雜，導致醫生在繁忙的臨牀診療中，容易漏掉信息或無法及時處理信息，無法保障評估的實時、準確；
- 醫學指南與實際診療要求的不一致，導致臨牀決策缺乏參考。
針對當下醫生在專病診治上的挑戰，實現單病種質控，有效防止疏漏提升效率；並與三甲醫院合作共建輔助決策模型，優化臨牀決策。
醫療大數據治理是爲推動醫療AI的基礎性工作，也是實現病歷結構化的第一步，針對結構化病歷的分析，使得病歷數據可以更方便地再利用，成爲教學、科研、管理決策的重要資料。
結構化良好的病歷數據，可支持大規模病歷的自動抽取、分析，構建知識圖譜，從而進行高效、精確的輔助決策。然而數據的利用存在兩重困難：
- 數據分散，形態多樣：院內數據分散於不同系統，結構化與非結構化數據並存，缺乏統一規範的形式。
- 自由文本，難以利用：文本信息方便表達概念以及事件等，是臨牀治療過程的主要記錄形式，但不利於機器的理解和進一步分析。
所以進行醫療大數據處理是進行醫療AI化的基礎性工作，也是必要工作。
智能診前助手通過基於知識圖譜的多輪友好問答實現問診，瞭解患者病情，將患者和醫生精準匹配，致力於提高醫院線上服務水平、降低分診壓力，改善患者診前體驗。這塊可參考左手醫生，交互還是較友好。
阿里“Doctor You”與“ET醫療大腦”
Doctor You :臨牀診療輔助決策
臨牀醫學科研輔助平臺
中國醫學會誤診資料顯示，中國臨牀醫療誤診率爲27.8%，在臨牀科研數據中心，使用搜索引擎技術爲醫生提供快速、準確，多種組合方式的病歷搜索功能。通過數據倉庫、數據挖掘等方法，用海量臨牀科研數據來評價治療效果，發現診療規律，提煉最佳治療路徑，提高醫療科研的能力和水平。
- 以人爲核心的病歷矩陣。
- 以疾病爲核心的臨牀科研數據矩陣。
- 多源異構的醫療數據處理。
- 大數據科研輔助分析引擎。
針對單病的輔助診療系統，面對重大疾病進行檢測腫瘤基因、遺傳基因與傳染病等精準醫療手段，聯合多方能力，接入系統以建立聚合診斷系統，對相關疾病進行風險預測。
臨牀醫師能力訓練平臺
爲建立優秀的醫師培訓體系是衛生事業改革和發展的一項重要任務。鑑於此，開發沉浸式醫師培訓系統，提升醫師培訓的質量與效率。新打造的醫師培訓系統將從過往脫敏病例（使不能從病例中推斷患者個人信息）中挖掘疾病的臨牀路徑並自動構建虛擬病人，醫師用戶可在模擬場景中對虛擬病人進行診療，並從中獲取醫學知識，規範診療操作，提高臨牀思維。
- 沉浸式醫師培訓系統，自動構建虛擬病人。
- 醫師用戶可在模擬場景中對虛擬病人進行診療。
- 獲取醫學知識，規範診療操作，提高臨牀思維。
ET醫療大腦：解決醫療行業的核心問題
醫療質量管理
對臨牀數據和醫院運營數據的分析，結合各級部門對醫療質量標準的管理，綜合運用自然語義分析、智能算法能力，對病歷/病案質量，臨牀路徑標準等進行自動監測和分析。降低因各類“錯誤書寫”和“信息缺失”造成的醫療事故，提高醫療服務質量，實時對醫療機構的服務質量進行提示和統計管理。
精細化運營分析
利用智能分析算法，對醫療機構和區域醫療的運營核心指標（包括收入、利潤、門急診/住院、抗菌藥管理等700餘個重點關心的指標）、上級主管部門考察的重點指標（根據主管部門要求設置，並在雲端定期更新）進行跟蹤分析，跟蹤預測指標走勢，第一時間發現異常情況，並對核心指標的影響因素進行分析，找到影響核心指標的關鍵因素和科室，爲制定管理策略提供參考。
人工智能能力接入
面對各類單點的人工智能能力（圖像，語音，臨牀輔助決策等），通過“統一人工智能和數據集成平臺”，醫療機構可以實現一站式智能應用對接，提供可視化應用管理，安全數據對接，統一數據脫敏，和異構數據集成等能力。醫療機構和客戶可以因此安心對接人工智能算法。
智能資源調度
“牀位不夠用”；“CT排隊時間長”；“兒科急診排隊長” 等等問題每天在各類機構出現，利用歷史數據和城市級別的其他數據可以智能分析和預測機構面臨的醫療需求，有效優化資源的使用，讓合適的患者獲得合適的醫療服務。
從“Doctor You”與“ET醫療大腦”產品性質來說，“Doctor You”側重醫療本身以及疾病的診斷與治療，適用於科研者和醫生，而“ET醫療大腦”側重從醫療資源的調度以及宏觀調控，適用於管理者。
騰訊“覓影”
覓影的AI輔診包括3款產品：智能導診、病案管理、診療風險監控
智能導診技術爲患者提供移動端的智能導診服務，引導患者順利就醫，緩解醫院導診諮詢的壓力。智能導診技術面向醫院信息化服務商、各大醫院免費開放，支持文字、語音的人機交互方式。
覓影在醫療領域積累的醫學知識圖譜、診斷模型、病情理解、名醫專家庫等AI輔診基礎能力，切入醫院的疾病預測、輔助決策、數據分析等應用場景，提供一站式的開放技術。
疾病預測領域的分診導診這一細分場景，可以根據醫院需求定製，爲患者提供智能導診服務，緩解醫院導診諮詢壓力。
智能導診功能：
- 對醫學文獻、病歷、問答等醫療數據的學習，進行症狀推理。
- 問答聊天機器人，支持文字、語音雙輸入，問詢即出結果。
- 全病種預測範圍覆蓋全科室、常見疾病，基本滿足導診需求。
- 定製化接入根據醫院科室劃分、職能劃分和醫生資源分佈情況，提供定製化接入。
智能導診功能，問詢即出導診結果，患者通過醫院公衆號、小程序等接入端，簡要描述症狀或疾病，導診助手會追問引導其補充症狀，從而精準匹配科室，爲其推薦專業方向最相符的醫生，實現線上導診掛號一步到位。
病案智能管理通過深度學習技術，提取海量病案特徵信息，助力醫院的數據標準化和醫療數據管理，爲醫院科研提速。
目前國內醫院的病案，依賴病案室人力或數據公司進行整理。科室的醫學科研，提取病案特徵信息也是通過人工完成。 需要投入大量人力與資金，準確率不能得到保障。通過深度學習技術，實現病案智能化管理，自動提取病案特徵信息，爲科研提速。
通過AI輔助診療，對醫院數據做標準化處理，助力醫院完成工作量巨大而且推行困難的數據治理工作。同時基於人工智能技術和產品實力，根據需求，針對數據做定製化改造優化，輸出符合要求的標準化數據。
病歷結構化：基於自然語言理解技術和人工智能技術，充分理解病歷，高效、準確地按照需求提取出病歷特徵，並作結構化輸出。提升科研效率，節省筆數據整理需要消耗的費用。
診斷風險控制：通過診斷風險監控系統，提升診斷準確率，降低誤診風險。將醫學診療信息以輕便的方式共享給醫生。從高層面出發，全面管理並控制醫生團隊的診療水平，構建科學、精準和友好的診療風險監控。
輔助醫生臨牀診斷：AI輔助診療在診療風險監控的同時，及時、準確的給到醫生診斷建議和治療方案建議。提升診療效率。方便醫生日常診斷與鑑別診斷的工作。
診療風險監控基於深度學習模型建模，輔助降低醫生診療風險，讓專家的知識經驗便捷共享。通過AI診斷分析模型，提升診斷準確率。
輔診背景由於診斷的不確定性，門診診斷有誤診風險。診斷風險監控通過AI輔助醫生診療，給出精準建議，輔助醫生進行鑑別排除。降低高危疾病漏診風險。升醫院門診的診斷準確率，降低診斷風險。
結束語
傳統的醫療輔助系統，是基於醫學指南、醫生的經驗固化成的計算機系統，系統自我學習能力差，缺乏自我修正和提升能力。而醫療AI有望打破這一困境，結合人工數據標註，實現自我迭代學習，讓機器從普通與典型病案數據中總結治療與用藥經驗，結合治療的實際情況及患者後續隨訪的數據，不斷修正和提升。
以上對BAT醫療AI產品的介紹與瞭解可看出，現階段的醫療AI,針對其所面向人羣與產品目標大致可以分爲以下3種：
- 面向醫生：提供臨牀建議與輔助決策。
- 面向管理者：優化資源配置與醫療服務監管。
- 面向消費者：提供個性化健康指導與就醫建議。
現階段AI醫療商業化條件不成熟，落地需科研與捐贈“雙管齊下”。根據《2019中國人工智能醫療白皮書》顯示，國內尚未有商業化落地產品，且國家相關產品審批標準尚未建立，客戶對產品效果半信半疑，產品落地依然走科研合作與捐贈路線，以此驗證市場並打磨產品。
ChangeLog
- Created on 19.07.14