華爲、螞蟻等爭相搶灘AI醫療|聚焦

《科創板日報》7月1日訊（記者 黃心怡）華爲、螞蟻等大廠正在加碼佈局AI醫療健康。

6月30日，瑞金醫院宣佈與華爲開源了病理大模型“RuiPath”， 並與海內外的12家醫療機構共同啓動RuiPath病理大模型的全球多中心計劃，協同推動病理大模型持續迭代。

螞蟻集團在收購好大夫後，持續佈局AI醫療。最新推出的AI健康應用“AQ”，提供健康科普、就診諮詢、報告解讀、健康檔案等上百項AI功能。

此外，科大訊飛、百川、Kimi等也紛紛看中了AI醫療這一賽道。從落地場景來看，名醫智能體、AI診療、新藥研發等是被重點關注的方向。

弗若斯特沙利文預測，中國AI醫療市場規模將從2023年的88億元增至2033年的3157億元，年複合增長率達43.1%。

不過，《科創板日報》記者在採訪中獲悉，高質量的醫療數據缺乏，以及數字化建設成本高昂等，仍在一定程度上影響了AI在醫療領域的應用。

▍AI智能體落地：爲名醫打造數字分身

AI應用於醫療服務，已經有很長一段時間。但此前小模型由於其泛化能力有限。

螞蟻集團AI醫療總經理劉軍偉認爲，大模型時代與此前階段的區別在於，AI將成爲生產力。比如，醫生AI分身既可以幫助醫生解決問題，也可以快速響應用戶的需求。螞蟻集團的AI健康應用AQ，就整合了全國近200位名醫“AI分身”。

“偏遠地區的老百姓，如果要想掛到大專家號，甚至進行在線專家問診，是很困難的。通過AI能力打造專家醫生分身，偏遠山區的老百姓就可以享受24小時隨時溝通。在不影響工作的情況下，專家也可以收到很多用戶的反饋或者用戶的需求。”

劉軍偉介紹，爲專科名醫打造AI分身，不僅需要形象和聲音相似，關鍵環節在於大模型對醫生科室診療經驗的針對性學習，讓智能體真正接近醫生本人的問診邏輯，這是在訓練模型、安全評估等一系列深度合作中完成的。當AI涉及到診療診斷等深入問題時，AI會爲用戶匹配醫生來做二次判斷，在有必要時建議掛號就診。

“我們希望AI扮演把所有類型的服務串聯起來的角色。大模型的關鍵進化還在於改變了交互方式，不需要任何門檻，一句話就可以。AI主要做的是諮詢，可以幫你直接喚起互聯網醫院和線下的陪診。”

▍大模型能否走入臨牀應用？

華爲於今年3月組建了醫療衛生軍團。《科創板日報》記者瞭解到，華爲希望大模型不止於問答諮詢，而是能直接在醫生的診斷環節發揮作用。

此次瑞金醫院與華爲打造的RuiPath病理大模型，正是AI在診斷方面的一大探索。該模型是基於對百萬數字病理切片等數據進行訓練，能識別病理切片中的病竈區域。

中國工程院院士、上海交通大學醫學院附屬瑞金醫院院長寧光認爲，AI真正走向實際臨牀應用，是醫療行業有待跨出的、非常重要的一步。“我們爲什麼一直在發佈，臨牀總是不應用？這是所面臨的非常重要的問題。“

這是爲何瑞金醫院選擇開源RuiPath病理大模型。目前RuiPath超越傳統小模型，已覆蓋19個常見癌種，覆蓋中國每年全癌種發病人數90%的癌種。但在寧光看來，還有10%腫瘤未能覆蓋。

“我們能否通過開源的方式，真正可以覆蓋百分之百的癌種。只有這樣纔可能達到臨牀應用級的大模型，這就需要大家一起來提高和打磨。”

在寧光的期望裡，應該集上海所能、集上海所強，所有醫院一起合作攻關，這樣纔可以在上海形成垂直化大模型生態。

“在衛建委和上海申康醫院發展中心的支持和領導下，可以有更多的醫院、更多的模型。而每家醫院對別家醫院的模型，都給予更多的關心支持和率先的使用。相信這樣就真正可以看到，不是一家一家醫院在發佈、在使用，而是整個上海在使用。也只有如此，纔可能提高垂直化醫學大模型在上海乃至全國，甚至全球的應用。”

▍數據仍是最大挑戰

瑞金醫院病理科主任助理笪倩表示，在病理人工智能的落地過程當中存在多重挑戰，比如數據切片和掃描的質量不合格，會影響模型的精度，數據格式不統一就會形成數據孤島。

笪倩提到，中國約有5000家醫院具有病理科，但不足5%的醫院將數字化應用於日常的診斷過程當中，導致數據的規模很小，影響了智慧化的發展。

在算法的層面上，傳統的模式數據標註依賴於病理學的專業知識，導致非常的昂貴而費時，並且具有個人的主觀性。

笪倩稱，在算力層面上，100萬張的切片對應的是一個PB的數據，單張的主流GPU顯存僅爲80個GB，這導致投資成本很高。在存力方面，三甲醫院病理數據的增量非常大，也使得存儲的成本非常高，數字化建設的門檻高居不下。以瑞金醫院爲例，每天的增長切片量爲6000張，所以每年的數據增量達到1.5個PB。

望石智慧創始人&CEO 周杰龍認爲，醫藥創新的問題分爲水面之上和水面之下：水面之上是研發挑戰的問題，創新難度大，怎麼突破創新的過程，避免“專利撞車”；水面之下，醫藥行業作爲數據密集型產業，很多藥企有非常多數據，但今天這些數據沉積在很多數劇倉裡，沒有實現數據價值最大化。”

“相對於其他行業，醫藥領域在數字化層面可能更偏落後，面臨更大的挑戰：一方面，業務每個環節的數據記錄可能未必規範，導致很多的數據之間沒有打通，或由於保密性原因無法辦法共享，導致數據浪費，知識無法沉澱。另一方面，對於工具層面，雖然目前已經有非常多的工具，但這些工具就好像散佈在系統裡面的一個個點，沒有形成從設計目標出發，構建一條系統化的工具鏈。”周杰龍表示。

望石智慧也在與亞馬遜雲科技等廠商合作，推進數據治理方面的技術探索，包括：數據結構化治理、模型輸入/輸出安全控制策略、基礎設施和各種高性能計算平臺的支持等。

周杰龍表示，在醫藥領域裡，需要訓練和學習化學、生物、模態醫藥的垂類大模型，基於底層的垂類生成模型，再融合文本模型，最終走向智能體（Agent）之路。通過多個智能體（Multi-agents）的方式提高集體智能和決策的方式。