圖片來源@Unsplash
文｜鈦資本研究院
中國的醫療人工智能進入了價值驗證的階段，市場開始向醫療人工智能企業要結果。怎么得到這個結果，如何落地是擺在企業面前很關鍵的問題?？深A見，該賽道都在重新做調整或洗牌。
訊飛醫療是科大訊飛孵化的獨立子公司。過去三年，訊飛醫療在醫療人工智能領域的很多賽道進行了嘗試，找到了一些值得深耕的方向，同時聚合了一些被驗證為現在還不能作為商業化探索的方向，包括語音電子病歷、醫學影像、全科輔診等。
目前訊飛醫療已經開始把重心從四面開花逐漸向基層醫療進行聚焦，訊飛醫療副總裁劉洋在鈦資本新一代企業級科技投資人投研社第26期，分享了在這個過程中的一些思考。
基層醫療目前主要承擔著兩類工作，一類是基本診療服務，一類是基本公共衛生服務。
先看基本診療服務。根據國家發布的衛生統計公報，2018年中國整體的醫療費用上漲了10%，均次門診費用、人均住院費用都在上漲，其中基層的均次門診費（不管是社區還是鄉鎮）相比平均漲幅大幅偏高。目前基層在醫療費用的實際增長上，從門診層面看有新的增長空間。
但有一個奇怪的現象。從2013年到2017年，雖然國家一直在大力推進分級診療，總診療人次也在逐年增長，但基層診療比例卻在逐年下降。是什么原因造成的這種現象呢？
一是在過去的五年里，國家投入了大量的設備、人才和資金在縣域公立醫院的改革上，所以縣級醫院服務能力有比較強的增長，引流了鄉村兩級的診療；
二是在于實際就診習慣，基層居民在鄉鎮衛生院或社區衛生服務中心看完病后，如果沒有解決問題，大概率會到縣醫院或省醫院進行就診，這也一定程度上造成基層診療比例下降。
所以，雖然現在大力推進分級診療，但還不能真正做到把大量就診留在基層解決。
再看與家庭醫生相關的基本公共衛生服務。
近些年，國家慢性病人群的比例增長非?？欤瑥?003年到2013年增長了幾倍到十幾倍，如此多的慢性病患者帶來了大量的基本公共衛生服務工作。每年80億的診療服務，加上全國有十幾億人家庭醫生簽約服務，是什么樣的團隊在支撐這樣的工作呢？
從《2017年中國衛生和計劃生育統計年鑒》可以看到，全國不到40%的執業醫師和助理執業醫師分布在基層，但承擔了全國每年50%左右的基礎診療服務。
如果細看基層醫生的學歷構成會發現，城市的情況略好些，例如社區衛生服務中心醫生的本科及以上比率超過40%，但在農村就非常糟糕，略好的鄉鎮衛生院本科以上醫生的比例也只有不到15%、村衛生室只有2%。整體而言，本科以上的醫生只有不到16%扎根于基層，基層全科醫生僅17.1萬人，而這些人還承擔了繁重的診療服務。
這使得基層醫生面臨著非常尷尬的情況：一方面是基層醫生能力還不足，導致居民不能一直信任基層醫生；
另一方面，基本公共衛生服務工作占據了基層醫生的大量時間和精力，導致他們沒有時間學習和提升。這形成了惡性循環，導致整個分級診療最終難以落實。
所以，從2009年醫改以來，國家每年都會出臺類似增強基層的政策，包括推行分級診療、家庭醫生、醫聯體等等。也提了很多目標，包括簽約率、基層診療占比，這兩個指標目前都很難達到。基層診療占比希望到2017年實現65%以上，但現在還差約10%沒有做到，縣域就診率要做到90%，也沒有完全達到。
這些制度或指標現在難以達成的一個核心原因，就是基層提供診療服務的醫生能力不夠。
所以2018年下半年，出臺了一個非常有意義的《關于鄉鎮衛生院和社區衛生服務中心的服務能力標準》，會給未來基層醫療服務體系的建設和規范帶來深遠影響。其中非常清楚地定義了鄉、社區等基層醫生應該具備的服務能力，診療層面、公共衛生層面以及基層醫療機構管理層面等多方面的能力。
此外，在2019年初出臺了《關于鄉鎮衛生院和社區衛生服務中心能力評價的指標》以配合此標準的考評，這就具有了很強的操作性。
諸如在診療上要求有明確的標準體系，例如，對于A類的鄉鎮衛生院，診療能力達到A級，醫生就要對基層常見的一百種疾病都做到診治，而且對例數也有很多要求，比如某種疾病必須要完成50次以上的診治才算是鄉鎮衛生院對這種疾病有診治能力。
這不僅為基層醫生的建設指明了方向，也給基層醫生帶來非常大的挑戰。2019年國家也下達了一些醫療服務和保障能力提升的補助資金。可以看出，國家層面對提升基層能力已經感到非常急迫，所以未來一兩年內還將有大量的資金和政策傾斜于基層醫療能力的建設。
下面從投資特征、需求特征、業務特征三個層面，大致分析一下過去十年，國家和社會資本對于基層建設或投資的變化。
各個階段的劃分其實并不是非常嚴格，在2010年之前，大部分的投入都是放在基建、基礎設施、網絡建設上面，典型的特點是政策驅動、國家財政支持，靠專項資金進行專項建設。這時候除了基本診療、標準工具，也存在一些遠程醫療。
2010年后，隨著“四梁八柱”政策的驅動，國家開始非常重視全國信息化的標準，尤其是衛生領域的信息化，那時出臺了全民健康信息平臺包括電子病歷等等一系列的標準。
所以，這階段很多地方的硬件建設、軟件建設、運維都是按照標準進行，大部分都是以地方財政支持，優先規?；⒛艹善鲂б娴捻椖?。這時候經過市場的拼殺，也涌現了一系列的公司。這階段的業務主要集中在基本公共衛生服務、基本診療，以區域的HIS、LIS、PACS等為主，也開始做家庭醫生簽約、移動健康醫療的應用。
到了2015年后，經過七八年的洗牌，涌現出了一些新的機會和新的競爭對手，以前不做醫療或不做醫療信息化的公司也開始進入這個領域，比如互聯網公司。
所以這階段很多基層的項目是以投資驅動的，像騰訊、阿里都在布局互聯網醫院這樣的項目，投資顯得更多元化。很多項目因為互聯網的引入，不再以項目建設為主，而是轉為以服務運營。能看到一些個性化的互聯網+醫療服務，很多做互聯網醫院的開始上線藥品流轉，提供線上的服務，有些公司開始花重金、重資本投線下的連鎖基層醫療機構，這一輪的醫療人工智能大致也是從這時候開始火起來。
現在是一個更好的時代，因為現在做人工智能或互聯網應用的基礎要比前些年好很多，至少現在去任何一個地方都不用考慮有沒有HIS、電子病歷系統，能見到的客戶都具備這樣的基礎條件，網絡、存儲也不再是問題。
當然，更好的是通過過去十年的建設，各級醫療機構、主管部門手里都積累了大量優質且種類繁多的醫療健康數據，這些給人工智能在該領域的應用帶來了非常好的基礎。
總的來說基層能力提升有三種方式：
一是傳統的培訓和指導?，F在國家每年也在組織大量的人力做規培，還有相關的考試要求、學分制，也組織了一些專家到基層做指導，但時間效率低下，而且專家指導也不是優質資源使用的最優方式，所以不能作為常態；
二是遠程?，F在國內每個省都在建各種各樣的互聯網遠程醫療，遠程醫療更多側重于醫療機構內部之間的服務形態，“互聯網+”更強調C端發起的線上服務，都是可以提高基層醫生服務效率的方式。但遠程醫療能解決連接問題，對核心能力提升發揮的作用還是有限的；
三是靠工具。像CDSS（臨床輔助決策），就是基于醫生的一些標準化錄入，通過規則輔助醫生進行更好的診斷和治療。還有基于語音助手的虛擬助手，比如基層醫生在做基本公衛過程中會有大量與患者、簽約居民的語言溝通，有大量簡單機械重復的工作可以靠助手解決。
隨著技術的發展，我們相信不論是過程還是形式都將有非常大的變化。未來最好的形式就是用人工智能等技術，給基層醫生作為輔助，在短時間內把診療水平和服務效率提升到新的臺階上，從根本上解決分級診療落地的問題。
從2016年人工智能逐漸進入到醫療行業以來，業內做了非常多的嘗試，但是前幾年大部分目光聚焦在了醫院。存在的問題是，不管是用深度學習還是用大數據技術，目前訓練出來的系統，在短期內很難超越醫院尤其是三甲醫院醫生的水平。
但是在基層就不一樣，尤其是鄉村兩級工作的基層醫生，或像城鄉結合部等基層里本科以下學歷的醫生，與他們的能力相比，AI目前是可行的，而且這個人群數量大概在百萬以上，也具有很大的市場前景。
目前全國的基層執業醫生約115萬，有近76萬人是在鄉村工作，還有大量僅僅拿了村醫證并沒算在內。在全國的300多萬的執業醫生里，本科學歷以下的有150萬，其中有90多萬是在基層工作。
所以從學歷或工作地作為能力參考的話，粗略估計要服務的人數大概174萬，而他們要承擔全國80億次診療的近40億次，覆蓋了7億居民基本診療服務的，這是一個非常巨大的用戶空間。
基層輔診的市場空間是否值得投入呢？有兩個基礎數據值得關注：第一，國家每年投入在基層醫生培訓的經費，平均下來大概可以達到3-5萬/人，尤其是針對貧困山區還有能力特別差的醫生，假如把培訓費折現成服務費，哪怕一人一萬服務費的效果或收益都要高于一般意義的培訓。
估算一下，全國每個縣里至少有400個醫生，全國有2800多個縣、80%在中西部，所以約有2200個區縣是有市場需求的。
按照前面的價格估算，當然這里也可參考目前市場里實際投標和一些項目里的資金，比如去年全國整體在AI輔診領域投入大幾千萬，今年至少目前能看到的市場空間在是在幾十億。再往后，隨著產品的迭代，未來產品價值增加，市場增加，所獲取的市場空間會更多，總體來看基層輔診未來將會發展成為一個每年將近百億的市場。
短期來說，這是一件新生事物，很大一部分的資金來源是政府專項或定向資金。中期看，隨著產品不斷地完善，對于基層醫療能力的提升會越來越明顯，基層醫療機構的收入也會增加，到那時可能會出現一些toB的業務，當然最終產品會面向C端提供一些健康服務，那樣每年的市場將會達到千億。
從產品的成熟度角度來看，大概可以分三個階段：
第一階段，更多是基于基層門診電子病歷和檢驗檢查結果，通過深度學習建模的形式來提供輔助診斷，目前能看到的產品形態大部分也是這樣；
第二階段，可能也就不超過兩年的時間，考慮數據模態的會更多，將跳出單純文本的病歷，更多考慮綜合基層的影像、心電等等數據后，多模態數據輔診的能力和效果會提高；
第三階段，肯定會結合居民全生命周期的健康檔案提供輔診，產品也將從醫療機構內慢慢通過醫生輻射到居民端，這是未來產品形態上的一些發展趨勢。
這并不是一件非常容易的事情，目前很多客戶認為人工智能已經到了一個非常成熟的階段，經常會拿AlphaGo或AlphaZero的故事來講，認為人工智能技術已經非常成熟，不管是輔診還是語音識別、圖片識別、人臉識別都是一個成熟的隨時可以拿來用的組件。其實其中還有非常多的技術問題沒有解決，還是有相當高的門檻。
首先是核心技術層面。目前來看，業界還沒有一個深度學習的模型能夠真正做到像合格的全科醫生一樣自己學習，并能做基于循證的推理，包括IBM的沃森、訊飛醫療都沒有達到那樣的理想狀態，現在可行的是通過一些條件的限定，還有產品層面的改進，盡可能減少對核心技術的訴求。具體講兩個問題還沒有得到很好的解決：
第一，從海量的語料庫里自動化提取知識、建立可計算的知識工程，在全世界的研究界來看，都是一個還沒有真正解決的挑戰性問題。拿對話系統為例，目前所有的對話系統或者聊天機器人，都很難跳出“偏槽”技術框架。
所以很難做到開放場景下的真正的對答如流，做得好的基本上都是在一些限定領域的流程性對答。在醫療領域，醫療里的知識工程建設難度要遠遠高于聊天機器人，AlphaGo或Alphazero系統和這個比較起來不是一個數量級的難題；
第二，如何利用人類臨床循證醫學的邏輯來進行推理。對于計算機來說，理解醫學問題和用人類醫生級別的思維進行推理也是非常困難的。
用深度學習系統構建的輔助診斷模型，往往會給很多臨床專家一種醫學上不可解釋的現象，所以目前來看還會受到一些臨床專家的質疑，尤其是對于臨床循證依據的表現或引用，并不能做到很好的自圓其說，這也是需要在技術層面不斷攻關的。
其次，是數據層面。目前大量的輔助診斷系統，不管是影像輔診還是基于病歷自然文本，靠自然語言理解技術或是一些深度學習技術構建系統，在訓練時的數據集都是從三甲醫院或二級以上醫院獲取的，所以數據的標準化還有數據質量是能夠得到保證的。
但在基層應用時，會發現大量的不合規數據或質量低下的數據。例如，質控不合格的影像，還有就是基層病歷里往往既沒有寫主述、現病史、有的甚至沒有寫診斷，直接把處方開出來了。這樣的數據即使電子化后，機器也無法處理，核心診療過程信息缺失嚴重。
所以在基層應用輔助診斷，在數據層面也有兩個要解決的問題：
第一，如何讓醫生愿意并且盡可能寫標準合規的電子病歷，這不僅僅要靠技術解決，可能也要靠產品還有一些管理手段來解決；
第二，用三甲醫院數據訓練的深度學習模型如何在基層應用，比如影像輔助診斷模型，到基層用時你會發現絕大部分鄉鎮衛生院沒有CT，大部分都是DR設備，二期基層拍的片子可能存在相當比例不合規，獲取到的片子里有相當多含有異物或體位不正的問題，這都給系統帶來非常大的應用挑戰。
如果在一開始設計系統時沒有考慮基層應用的魯棒性，直接帶來的問題是醫生覺得系統不好用，或根本沒用，這對于AI醫療從業者來講，都不知道應該找誰哭，但這是基層無法回避的現實問題。
假如數據解決了，技術也解決了，下面面臨的問題就是選擇怎樣的技術做輔診。在輔助診斷或者臨床決策系統里，早期的臨床輔助決策大部分是基于專家系統或知識庫的專家系統來做的，這跟現在在做的基于人工智能或基于深度學習的輔助系統到底有什么區別呢？
簡單講就是，一種是基于“規則”的，一種是基于“概率”的。這兩種方式在基層應用的過程中，各有優劣，但是至少訊飛目前認為基于深度學習的系統，從易用的角度來講可能會更好一些。
第一，基層醫生所需要的病種模型是全科而非?？?，因為傳統知識庫模型，尤其是從三甲醫院打磨出來的專家系統，大部分都是專科或少數幾個科室的，而且大部分疾病都是疑難雜癥，這樣的系統在基層應用時具有非常大的局限，很難把基層所面臨的很多問題都覆蓋到。
而對于機器學習來講，可以一開始就按照全病種進行訓練的，所以比較容易在短時間內構建出一種多病種的輔診能力，當然輔診的核心效果，包括合理率或合規率還需要不斷訓練優化。但是從時間角度，這樣的方式可能更加優于傳統的單病種專家系統的簡單疊加；
第二，知識庫系統一般來講都要配合一個結構化的電子病歷進行操作，因為很多的決策點都是基于一些特征指標或是特定的數值進行下一步推算。
但在基層醫療機構里，很多醫生在寫病歷時，因為都是一些基層的常見病、多發病，并不會用非常強結構化的電子病歷，所以在錄入一些SOAP時，都是以自然文本描述的非結構化數據，基于深度學習自然語言理解的AI系統會更加有優勢；
第三，對于數據質量要求不算特別高，尤其是有些關鍵信息缺失的數據，深度學習系統的穩健性會更好一些。因為是基于大量的數據訓練出來的系統，所以對一些有信息缺失的病歷也有一些處理和相應的處理方法，包括現在在做的，對于缺失的數據會自動提示醫生是哪一方面的數據缺失或是哪些關鍵信息的錯誤，讓醫生及時補充完善，以保證后續應用；
第四，主要是未來的發展與成本層面。當然如果有足夠的專家，不計成本，基于傳統知識庫的系統一定是最好的，對于AI或者基于深度學習系統而言，可以一定程度上脫離專家的持續投入，在后續的不斷應用過程中，通過診療過程數據的積累，不斷優化和調整系統，所以從長時間的成本和效率，深度學習的方法更加具有優勢。
訊飛醫療人工智能輔診系統從2016年開始籌備，在2017年參加了國家執業醫師的考試測試，考了456分，目前也是全球唯一一個通過國家執業醫師考試筆試測試的AI系統，超過了全國96.3%的人類考生。
對于知識點的題不用講肯定是滿分，系統在知識理解、多知識應用和推理層面的病歷題方面表現得非常好，在一些人文、倫理題方面的表現還一般。
訊飛醫療當然并不僅停留在AI參加考試層面，在實際應用領域，我們在2018年就基于醫考相關技術，打造了AI基層全科輔診系統-“智醫助理”，目前已經在安徽省5個區縣做了區域示范應用，在這個過程中我們也一直在探索商業模式。
目前那5個區縣現在大概覆蓋了1000多家的基層醫療機構，有約4000多名的鄉村兩級的醫生在使用系統，覆蓋率是100%。
系統在其中做了非常多的引導性工作，幫助基層醫生盡可能完善病歷數據，因為如果數據不完整，AI很難發揮效益；所以通過語音、自然語言理解核心技術公關和產品層面的優化，不斷地幫助基層醫生盡可能把病歷書寫的簡單、高效，同時保證病歷的質量，目前累計完成了190多萬次的輔診意見。
把基于深度學習的人工智能輔助診斷系統應用于鄉村兩極的能力提升是一個非常好的路徑，而且是前些年投資界還有業界都沒有太關注的一個領域。目前看這個賽道玩家還不多，但現在也慢慢地受到衛生主管部門的重視，不管是在近期的政策，還是資金的撥付層面上都得到了驗證。
但在人工智能醫療這條賽道上，要做好坐十年冷板凳的準備。因為AI輔診已經非常接近于醫療服務的本質，也就是說已經接近于臨床服務層面。
所以從某種意義上講，非常像新藥研發或藥械研發，這里需要投入大量的人力、資金和時間進行積累，在這個過程中，會嘗試不同的數據集、建模方法、深度學習模型，看哪種方式最優。
這過程將非常漫長，且目前來看在產品內核研發的效能提升上已經進入了一個無人區狀態，就是從學術界找不到能借鑒的前例，大部分都需要自己主動進行探索需要不懈的堅持。
就像2003年科大訊飛想使用機器代替人進行普通話考試評分，所有的考試專家都嗤之以鼻。當時覺得怎么可能呢？
機器怎么可能比人類判別的準。大概是2003年開始立項，兩年后在安徽省試點，2008年全國推廣，到現在做到了每年600萬人次的測試。
這件事堅持了將近15年，但也真正實現了收獲。AI輔診尤其在基層也類似，不能指望是一個兩三年就能賺大錢的業務，但是我們堅信經過積累，隨著產品核心能力的準確度和易用性的提升，未來可以期待。
2019年7月，互聯網健康醫療產業聯盟研究編制發布了《5G 時代智慧醫療白皮書》，指出：隨著5G正式商用的到來以及與大數據、互聯網+、人工智能、區塊鏈等前沿技術的充分整合和運用，5G 醫療健康越來越呈現出強大的影響力和生命力，對推進深化醫藥衛生體制改革、加快“健康中國”建設和推動醫療健康產業發展，起到重要的支撐作用。
雖然我國的5G醫療健康還在起步階段，但已經在遠程會診、遠程超聲、遠程手術、應急救 援、遠程示教、遠程監護、智慧導診、移動醫護、智慧院區管理、AI 輔助診斷等眾多場景，得到了廣泛應用。
人工智能醫療健康在5G時代將取得較大的進步，特別是根據《“健康中國2030”規劃綱要》，中國2020年實現每千人口醫生數2.5人，2030 年實現每千人口護士數4.7人；此外，人們對于健康的觀點已經從“治療為主”轉為“預防為主”。這些都為人工智能發揮其規模化技術價值、帶來醫療健康服務的普及，奠定了市場基礎。
科技企業把人工智能應用于醫療健康，這首先是一個商業行為，必然在追求為人民帶來普惠醫療健康服務的同時還要實現商業價值?；鶎釉\療是經過了訊飛醫療的摸索后，找到的可以規模化商業化的人工智能醫療健康應用場景。雖然看起來在基礎診療中普及人工智能還需要一定的時間和大量的工作，但或許并不需要十年之久。
一方面，5G的啟動為基層診療中的人工智能應用鋪平了“高速路”；另一方面，前不久互聯網醫療剛被納入醫保支付范疇，這為大量企業進入，打開了商業之門。
有理由相信，2020年將是互聯網醫療健康以及人工智能醫療健康的商業化啟動之年，人民日益追求的健康快樂生活將是最大的社會需求。關注和切入人工智能醫療健康創業，當下正是一個好的時機。
【鈦媒體作者介紹：鈦資本是專注于企業級科技的投資銀行和管理咨詢服務平臺。微信公號：tmtcapital】
