21世纪经济报道记者 闫硕 北京报道
随着技术的发展，AI正成为重构医疗生态的核心力量。
医疗AI兼具巨大社会价值与商业潜力。京东健康探索研究院（JDH XLab）首席科学家王国鑫表示，医疗AI不仅是效率工具，更是重塑医疗行业的新质生产力，将在解决医疗资源供给方面发挥巨大价值。
随着行业的深入探索，医疗大模型已经在具体场景中发挥实际价值。以互联网医疗头部企业京东健康为例，京东互联网医院已有超80%的医生问诊单使用了AI服务，帮助医生降低误诊风险，释放更多临床精力，让医生可以专注投入到更有价值的工作事项中。与此同时，京东健康旗下医疗AI数字人的人工替代率最高已超90%，过去一年服务用户人次超过3500万。
“人工智能的上限目前仍未达到，今天我们要思考的是如何从行业大模型走向专家模型。未来的医疗AI有几个核心方向，首先是个体要从治病走向健康管理，我们可以通过AI技术向用户提供健康陪伴助手，让个体避免生病；其次还要解决医生的培养问题，支持医疗行业发展；另外，未来的医疗有可能是AI决定的医疗。”王国鑫认为。
多位专家均向21世纪经济报道记者表示，AI是一种生产力工具，最大的改变是生产关系。AI改变了业务流程，但并不改变要解决的问题。在医疗领域，要解决的问题就是提高医生水平、降低诊疗成本、让患者少生病甚至不生病。需要指出的是，这场技术革命在落地实践中仍面临多重挑战。
医疗AI仍处早期阶段
目前无论是从技术还是行业的层面看，医疗AI均处于早期阶段，王国鑫认为，整个行业正共同推动技术生态合作，共同培育市场。
王国鑫表示，对于AI带来的变革，首先是在已有的工作方面，可以提高效率。无论是分诊、导诊，还是患者管理、病理质控等相关技术，在新一轮大模型技术爆发之前，包括京东健康在内的一些企业其实已经在推进了，但大模型可以对这些技术进行全面优化。
其次，仍是在已有的技术或项目方面，但更倾向于独立的替代。比如药师咨询、科研助手，以前的模式不是通过技术产品，而是人工服务，目前AI正在实现相关工作的替代。
此外，在AI原生方面，即以前做不到的，有大模型之后可以完成的工作，目前有很多产品、很多技术在持续探索中。主要聚焦在两方面，一方面，对医生而言，传统的工作流程是否可以被改造，另一方面，对患者而言，其就医过程、健康管理等方面能否被重构。
在医疗AI加速变革的过程中，商业化是企业必然要回答的问题。
王国鑫表示，短期来看商业化包括几方面，一是作为医生的成长工具，比如今天的医生培训是一个老大难问题，如何降低医生培训成本，同时提升AI的能力，这是很重要的一点。
二是过去的患者已经被传统的互联网医疗信息所淹没，今天可以为他们提供更简单、直接的医疗服务，有更强的统一入口。此外，在辅助诊断方面，通过提升医生的工作效率，可以把互联网医疗向三甲医院辐射，并提升边远地区的服务能力，惠及更多患者。
而中长期的商业模式，则是做用户型的医疗服务产品，即“为每一个人提供个性化的医疗，这是医疗AI长期商业模式最重要的立足点。”王国鑫说。
当前的治病流程是患者认为自身某方面出现了问题，然后去医院，医生不仅要考虑如何治疗病症，还要考虑卫生经济学、合规、指南等多方面信息。
王国鑫表示，患者能够处于今天的疾病状态，并非无迹可寻。我们可以通过一些健康服务智能体，为用户提供随身的健康陪伴助手，一站式解决用户健康问题——不仅仅是医疗问题，而是帮助用户日常健康管理，从而避免走向需要治疗的状态。
“当前AI更多解决的是效率问题，强调如何让医生轻松一些，本质上没有回答可以为患者带来什么。长期来看，我特别看好医疗AI的个性化医疗和全生命周期的健康管理概念。所有的医疗AI最终都需要回答如何实现患者少生病，而不是患者生病了如何挂号，这是短期的商业模式。”王国鑫强调。
场景落地仍存挑战
需要指出的是，当前AI落地医疗场景仍存多重挑战。
在医疗领域的某些场景，面临两个比较重要的问题，一是不一定有正确答案，二是不一定有唯一答案。
有业内专业人士向21世纪经济报道记者指出：“医疗场景具有开放性，甚至某些时候医生所做的诊断、治疗和患者最终的结果之间是否呈因果关系也不确定。在这个过程中，如何模拟医生的诊断路径就变得极其重要。”
该业内人士表示，在产品设计上，最重要的诊疗决策都需要采用辅助模式运行。我们可以把AI生成结论的过程、证据、推理链路展示给医生，帮助其快速理解。今天的医疗AI替代目标，是能够在没有医生介入的情况下，确定整体的诊断和治疗方案，同时白盒化给出推理路径，再由医生进行最终的决策。
从技术层面看，王国鑫认为，AI落地医疗场景最大的挑战是医疗数据量质双缺，高水平的医疗数据极难获得和训练。这也是目前有如此多的AI产品与医院、互联网医院以及患者合作的本质原因，如果我们可以像培养一位初级医生那样在医院训练一个AI，那么将会推动AI快速发展。
“未来我认为每个医生都应该有一个AI助手，一方面成就医生，同时也成就AI。另外，数据还存在信息孤岛的问题，在全球化过程中，即便拿到了全球的数据，在训练AI时仍会存在问题。”王国鑫说。
在数据隐私方面，上述业内专业人士指出，大模型所需要的数据天然去ID化，即不需要知道患者或医生的名字，大模型技术是顺应数据隐私的。但是在医疗实践中，很少有数据脱敏的流程，很少有医院存在完全不涉及用户隐私的数据。
王国鑫认为，今天医疗AI在数据上实际上走两条路，一是通过数据合成完成训练，但要符合真实的医疗环境，二是和特定医院签战略合作，将单一科室的数据脱敏之后开展训练。“我认为前者是更有希望的技术链路，即便是医疗影像也在走数据合成的赛道。”
幻觉是所有大模型做行业应用都绕不开的问题。据王国鑫介绍，京医千询走的是两种技术路线：一是安全围栏，二是检索+推理技术。
“首先，我们要让大模型知道什么能做什么不能做，其次是当模型在某些场景容易犯错时，我们需要反复校验。”王国鑫表示，我们可以做一个验证，对于一道数学题，让大模型先给答案再给出推理过程，和先给推理过程再给答案相比，前者出错的概率更高。因此我们可以拉长大模型的推理过程，给它更多的信息，让它反复校验以达到最终目的。
本文链接：医疗AI的下一站：技术潜力如何跨越现实鸿沟？｜ AI医疗浪潮⑬http://www.llsum.com/show-9-38861-0.html
声明：本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。