AI(人工智能)技术可以在上海一些三甲医院的急诊大厅或医务人员办公室找到，从几秒成像的智能CT辅助影像诊断系统到带血压测量和脉搏测量的自助诊断仪。

随着新兴技术的发展，医疗行业作为AI与垂直行业紧密结合的关键领域，已经越来越多地应用于实际应用中。

根据前瞻产业研究院发布的报告，2016年中国医疗AI市场规模已达96.61亿元，预计2018年将达到200亿元。

上海交通大学人工智能研究院副院长王彦峰告诉记者，目前ai在医疗领域还没有产生革命性的创新，但这些已经开始使用的场景，对于提高医生的诊疗效率是毋庸置疑的。AI可以帮助医生完成冗余和低技术含量的工作，成为超级助手，充分发挥医生的医疗专长。

医学成像领域是人工智能的焦点

从全球范围来看，美国、英国、日本等国家都非常重视AI在医疗领域的应用。

中国信通院《人工智能发展白皮书产业应用篇》显示，美国FDA(美国食品药品监督管理局)实施“数字健康创新行动计划”，重构数字健康产品监管体系，单独设立AI和数字医疗评估部门，加速AI医疗发展；英国NHS(国家卫生服务系统)正计划在整个卫生服务领域大规模扩展AI，用于日常运营和治疗；日本厚生劳动省从2016年开始规划AI医疗相关政策，包括医疗费用的修改、采用AI医疗的激励措施等。预计2020年AI医疗保健系统将全面实施和推广。

我国也相继出台《关于促进和规范健康医疗大数据应用发展的指导意见》、《新一代人工智能发展规划》、《“十三五”卫生与健康科技创新专项规划》、《关于促进“互联网+医疗健康”发展的意见》等文件，规范和引导AI技术在医疗领域的应用。

在4月份上海发布的12个首批AI试点应用场景中，来自复旦大学附属肿瘤医院和上海市第十人民医院的单位入选。

记者在采访中发现，AI在医学影像技术中的应用在一些医院已经成为成熟领域，这也与全球数据一致。

由于医学影像诊断具有存储、传输和相对标准化的特点，也成为AI研发中最早的应用领域。《环球市场洞察》的数据报告显示，从应用细分来看，AI医疗影像市场作为AI医疗应用领域的第二大细分市场，将以超过40%的增速增长，2024年将达到25亿美元，占比25%。

“随着AI技术的发展，机器对图像的理解能力上升到了一个新的高度，医疗数据中有相当一部分来自图像数据。利用深度学习对图像内容进行检测、分类和量化，达到了很高的准确率。”王彦峰告诉记者。

技术在发展，但国内仍然存在医疗资源分布不均的问题。截至2018年底，我国每千人医生数量为2.4人，医生密度低也使得医院无法满足患者的高需求。

这种表现在影像领域更为突出。据《中国人工智能医疗白皮书》介绍，以肺结节检测为例，某三甲医院平均每天接收约200例肺结节筛查患者，每个患者在检查环节会产生约200~300张CT图像。放射科医生每天至少需要阅读40，000张图像。与智能机器不同的是，人每天长时间的机械读片，精力和准确率都会下降，容易导致误诊。

同时，影像检查数量每年30%的增长和影像医生资源的稳定增长(4%)也使得影像诊断有了发展空间。

上海市第十人民医院放射科主任唐光宇直言不讳地告诉第一财经记者，即使是像他这样经验丰富的老教授，也不能保证长时间看电影没有遗漏什么。对于肺结节患者，th

“有些病人一个肺里有许多结节。这种情况下，即使95%的结节都没问题，漏掉一个也可能带来严重后果。”唐光宇说，至少AI在医学图像识别领域帮了医生很多。“可以提高医生30%~50%的诊断效率，比如解放一些老专家，让他们有更多的时间进行深入研究。”

但是AI不会有疏漏吗？唐光宇表示，医生可能需要更加关注AI系统的“过度诊断”。因为AI识别很灵敏，偶尔会有过度诊断。这时候医生最后的筛查就更重要了。

003010显示，根据第三方统计，从2018年100家与AI相关的非上市公司预计营收来看，1/10是AI医疗公司，这10家AI医疗公司中有6家属于AI医学影像领域。融资方面，AI医学影像是融资最多的医疗领域。

而中国市场上大致形成的AI医学影像产品，大部分都在医院处于试用阶段，这个领域的公司还没有盈利。“AI医疗企业如何盈利，是一个值得思考的问题。如何在公共服务体系下建立盈利模式，是他们未来面临的挑战。”王彦峰认为。

不仅在医学影像领域，在上海的一些三甲医院，也已经开始使用引导机器人、智能助手等ai辅助手段。

在上海第十人民医院

类似情况还出现在复旦大学附属肿瘤医院。数据显示，过去一年，该医院年门诊量达144.72万次，如何有效分配资源成了他们亟需解决的问题。如今，他们在挂号环节就利用AI实施了定向分级。

“其实有很大一部分病人是不用挂专家号的，我们能否在病人挂号前分析病人病情，为其匹配相应专家，避免号源浪费呢?”复旦大学附属肿瘤医院副院长吴炅对包括第一财经在内的记者表示，这种情况下就出现了“精准预约”的预约挂号模式，通过患者上传的真实病例资料，让AI引擎有了“分诊功能”。

在该项服务下，每位患者平均节省2.5小时的就诊时间，患者挂专家号的等待时间平均减少7.4天，到诊率提高了7%。专家门诊的效率平均提高了3.5倍左右，并且有效打击了黄牛号的现象。

可以发现，上述的诸多“AI+医疗”的应用场景，目前还是处于比较基础的图像、语音等AI应用层，并未出现深度学习的场景，这也和人工智能以及医疗行业发展的自身特点有关。

“目前‘AI+医疗’的运用主要还是为了提高医生能力，代替医生完成冗余重复、低技术含量的环节为主。”王延峰说，以智能辅助诊断为例，虽然如今应用得越来越多，但是仍处于起步阶段。AI的深度学习依赖海量数据提升模型性能，但医疗数据获取和标注的难度远比公共数据要大。另外，部分公众对于智能化诊断的接受程度相对较低，基层医生也习惯于传统的诊疗模式。

不过，王延峰认为，未来我国“AI+医疗”的应用前景可期，尤其可以在诊断、推理、管理、手术、护理、病历、培训等多个领域充当医生的“超级助手”。“比如AI护理机器人可以补充我国护理人员缺口。培养年轻医生过程中，智能模拟系统以及已经运用比较多的智能辅助影像系统，都可以提高这些经验不足的年轻医生处理问题的能力。”