放眼全球，人工智能（AI）方興未艾，醫療健康成為AI開發炙手可熱的重要領域。自2018年起，我國皮膚病學領域陸續發布了多款AI產品，在醫療AI研發的競技場上大放異彩。

　　醫療AI研發，我們有哪些既有經驗和路徑可循？近日，記者專訪了中日友好醫院副院長崔勇教授，他是中國人群多維度皮膚影像資源庫項目（CSID）項目發起人兼專家組組長，同時參與了皮膚AI應用的研發，從皮膚病學專業這個小切口進入，以其為樣本，探討醫療AI研發的個中奧妙。為什么要研發一款AI產品？研發成功后能否落地推廣？崔勇認為，AI很火，但在一片火熱中更要對這些問題保持理性思考。

　　“我們來看看它可能是什么。”崔勇拿出智能手機，打開他參與研發的AI皮膚應用，用連接在手機上的便攜式皮膚鏡，對著記者手部的一顆深色丘疹拍了一張照片，圖像上傳至云端后，這款AI產品很快給出輔助診斷結果：良性，可信度98%；前3位最可能疾病包括，色素痣（可信度43%）、血管瘤（可信度43%）、皮膚纖維瘤（可信度14%）。點開每一項可能疾病，都有詳細的疾病特征及診斷介紹。

　　2018年，我國皮膚疾病門診量約2.4億人次，但皮膚病專科醫生僅有2.8萬人，與巨大就診需求相比，皮膚科醫療資源嚴重不足。同年，崔勇聯手互聯網公司完成的一項針對1000名各級醫院皮膚科醫生的在線調查顯示，三甲醫院醫生對皮膚腫瘤良惡性診斷的正確率平均約為70%，而基層醫院僅約為30%。崔勇說，常見病易誤診，皮膚腫瘤易漏診，罕見病不認識，這就是我國基層皮膚病診斷面對的嚴峻現實。

　　“我國皮膚腫瘤的發病率以每年3%~5%的速度增長，其中黑色素瘤的5年生存率僅48%，而美國、日本分別達到93%和67%。除治療藥物療效存在種族和遺傳背景差異外，我國對于黑色素瘤的早期診斷不足是主要原因。同時，我國有銀屑病患者700萬人，白癜風患者1400萬人，對這些疾病的病程評估手段不足，缺乏科學的防控指導，嚴重影響患者身心健康。”崔勇說，CSID專家組研發皮膚AI的初心，就是從高死亡率的疾病、高發病率的慢病入手，切實賦能基層醫生，提高他們對于這些皮膚病的診療水平。

　　醫療AI的研發之路有哪些路徑可循

　　算法和數據是AI研發的兩大要素。可靠算法價值千金，優質數據更是千金難買。皮膚病學是依賴形態學直觀特征建立的學科，皮膚影像已經成為皮膚病輔助診斷和動態評估的重要手段。海量且高質量的皮膚影像數據是AI研發的基礎，但長期以來，我國皮膚影像數據一直處于“孤島林立”的狀態。任何一家醫院積累的數據，其廣度、豐度、深度都遠遠不足以支撐AI開發。

　　“數據標注是AI研發的另一個關鍵環節。”崔勇說。針對皮膚影像數據的深度學習會受到非皮損區域信息的影響，干擾核心信息的讀取，因此需要專業人員（主要是專業醫生）對目標區域進行標注，更好地建立特定區域影像信息與疾病之間的對應關系。“將標注區域的診斷結果告訴AI，AI在大量重復學習圖像共性特點的基礎上，通過算法建立自己的診斷思路，這個過程就相當于將專家的診斷經驗傳授給AI。”

　　據悉，為了實現數據標注的規范化，項目組制定了皮膚病分類分級標準并申請專利，將皮膚病分為皮膚腫瘤和非皮膚腫瘤，將皮膚腫瘤分為良性、惡性、交界性3類，每一類又分為多個不同層級。“有了分類分級標準才能對影像數據進行規范標注，基于神經網絡模式對標準化皮膚影像大數據進行深度學習，才能使AI具備對特定皮膚病作出分級分類判斷的能力。”崔勇說。

　　2018年，國家遠程醫療與互聯網醫學中心皮膚科專委會、中國醫學裝備人工智能聯盟皮膚科專委會聯合牽頭，建立了包括全國400家各級醫院的皮膚影像中心網絡。“這為AI的應用推廣打下了組織基礎。”崔勇說，通過多維度皮膚影像分析管理系統上傳皮膚影像，基層醫生可以在AI的協助下出具影像檢查報告，實現基層檢查、上級診斷。

　　“依托復旦大學附屬華山醫院醫聯體，皮膚AI應用跑了一圈數據，3個月時間里，基層醫生共調用了3000多次AI，輔助做出了1萬多份影像報告。”崔勇表示，對于構建新型遠程皮膚病學模式而言，培養具備熟練使用皮膚影像設備能力的基層醫務人員是必由之路。CSID依托全國皮膚影像中心網絡已經構建了教育和能力認證平臺，已培訓并認證基層醫院皮膚科醫生3000多人。

　　回顧皮膚AI應用的研發歷程，崔勇認為，專家主導、技術協同、資本融入，應該是醫療AI研發的可循模式。AI研發的方向和規劃，產品的推廣體系建設，都應由醫學專家從臨床需求的角度出發來把握，影像數據庫和影像標注的質量控制，也必須依靠專家的指導來完成，“專家團隊的缺乏是目前國內不少AI公司的共同短板”。

　　不久前，崔勇參與研發的皮膚AI應用成為國家衛生健康委統計信息中心評出的“醫療健康人工智能應用落地最佳案例”之一。崔勇說，CSID正在為其他醫學AI的研發提供可參考的協同模式。