莊昱1,2? ?周程1,3*

1 ?北京大學(xué)??哲學(xué)系??

2??北京大學(xué)第三醫(yī)院??

3??北京大學(xué) ?醫(yī)學(xué)人文學(xué)院

近年來，人工智能（AI）正在加速融入醫(yī)療健康相關(guān)研究中。醫(yī)院是我國醫(yī)療健康領(lǐng)域重要的人工智能研究基地與產(chǎn)出基地。目前，對(duì)醫(yī)院主導(dǎo)人工智能研究現(xiàn)狀調(diào)查尚不充分。本文對(duì)醫(yī)院主導(dǎo)人工智能研究的現(xiàn)況進(jìn)行研究，分析醫(yī)院主導(dǎo)人工智能研究需要面對(duì)和跨越的技術(shù)性難題，并針對(duì)性地提出管理建議。

一、政策推動(dòng)醫(yī)院開展人工智能研究

我國高度重視人工智能在醫(yī)學(xué)中的研發(fā)與應(yīng)用，將其作為新一輪科技革命和醫(yī)療健康產(chǎn)業(yè)變革的核心驅(qū)動(dòng)力，并力圖在新一輪科技競(jìng)爭(zhēng)中搶占主導(dǎo)權(quán)。2022年，國家衛(wèi)生健康委員會(huì)與各省份簽訂的《共建高質(zhì)量發(fā)展試點(diǎn)醫(yī)院合作協(xié)議》中明確，要聚焦數(shù)字賦能，加強(qiáng)大數(shù)據(jù)、人工智能等跨行業(yè)新技術(shù)應(yīng)用，建設(shè)醫(yī)療、服務(wù)、管理“三位一體”的智慧醫(yī)院?！笆奈濉逼谀圏c(diǎn)醫(yī)院形成中國智慧醫(yī)院樣板；“十五五”期末，面向世界提供智慧醫(yī)院建設(shè)中國解決方案。

醫(yī)院采用人工智能技術(shù)開展研究，有機(jī)會(huì)產(chǎn)出引領(lǐng)性、顛覆性的科技進(jìn)步。人工智能研究范式可擴(kuò)展納入研究的數(shù)據(jù)模態(tài)，增加數(shù)據(jù)量，并加速信息采集過程。與此同時(shí)，醫(yī)院是醫(yī)療健康數(shù)據(jù)的重要生產(chǎn)基地；醫(yī)院研究者更加貼近患者，更容易提煉出具有重大科學(xué)意義的醫(yī)學(xué)問題及技術(shù)需求。

人工智能臨床應(yīng)用研究已成為國際醫(yī)學(xué)研究的重點(diǎn)方向和競(jìng)爭(zhēng)熱點(diǎn)。國際一流醫(yī)院也在努力布局人工智能的研發(fā)與應(yīng)用。2022年，美國《新聞周刊》（Newsweek）和德國Statista調(diào)查公司發(fā)布了“世界智能化程度最高的300家醫(yī)院”榜單。該榜單中排名前10位的醫(yī)院中，有5家醫(yī)院被特別地標(biāo)注了以“人工智能”為代表性領(lǐng)域。

二、醫(yī)院人工智能研究數(shù)量及質(zhì)量分析

2.1 樣本醫(yī)院

本研究選擇北京協(xié)和醫(yī)院、北京大學(xué)第三醫(yī)院、四川大學(xué)華西醫(yī)院、香港大學(xué)深圳醫(yī)院等14家國家公立醫(yī)院高質(zhì)量發(fā)展試點(diǎn)醫(yī)院作為樣本。這14家醫(yī)院感受到的政策推動(dòng)更強(qiáng)，因而具有典型性，也具備一定程度的代表性。

2.2 研究方法

本文采用定量研究方法，對(duì)發(fā)表文章和申請(qǐng)專利2個(gè)維度開展了研究。

發(fā)表論文方面，研究者對(duì)樣本醫(yī)院發(fā)表人工智能相關(guān)文章進(jìn)行了統(tǒng)計(jì)，采用關(guān)鍵詞法在前述文章中識(shí)別人工智能相關(guān)文章，中英文關(guān)鍵詞包括“人工智能（artificial intelligence）”“機(jī)器學(xué)習(xí)（machine learning，ML）”“神經(jīng)網(wǎng)絡(luò)（neural network）”“支持向量機(jī)（support vector machine，SVM）”“卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）”“殘差網(wǎng)絡(luò)（residual network）”等。

專利申請(qǐng)方面，研究者從國家知識(shí)產(chǎn)權(quán)局網(wǎng)站“專利檢索及分析”系統(tǒng)檢索了相同時(shí)間段內(nèi)獲批的、包含“人工智能”關(guān)鍵詞的相關(guān)發(fā)明、實(shí)用新型專利項(xiàng)目，并對(duì)其數(shù)量進(jìn)行統(tǒng)計(jì)。

2.3 發(fā)表論文分析

（1）論文數(shù)量

樣本醫(yī)院在2018—2019年、2021—2022年共發(fā)表人工智能相關(guān)研究文章3002篇，占比僅為2.25%。樣本醫(yī)院參與人工智能研究文章數(shù)從2018年的222篇逐年增長(zhǎng)至2022年1434篇（圖1），但2022年的同比增速（53.70%）遠(yuǎn)低于2019年的同比增速（86.04%）。結(jié)果提示，醫(yī)院參與人工智能研究可能遇到了一系列挑戰(zhàn)，發(fā)展可能進(jìn)入瓶頸期。

（2）發(fā)表語言

以中文作為發(fā)表語言的論文數(shù)占比從35.59%逐年下降至15.34%，且各年占比均低于全部領(lǐng)域文章中中文語言占比（圖2）。結(jié)果提示，醫(yī)院的人工智能研究更傾向于發(fā)表在國際期刊上。

（3）第一作者

本文以第一作者單位是樣本醫(yī)院的文章數(shù)量作為衡量醫(yī)院主導(dǎo)人工智能研究的指標(biāo)。樣本醫(yī)院主導(dǎo)發(fā)表了1728篇人工智能研究論文，占參與人工智能研究數(shù)的57.56%。結(jié)果提示，相當(dāng)多的研究并非由醫(yī)療機(jī)構(gòu)主導(dǎo)。

表1 樣本醫(yī)院主導(dǎo)人工智能研究發(fā)表論文數(shù)及在總發(fā)表數(shù)中的占比

（4）研究層次

約55%的研究（67.29%的中文文章和45.92%的英文文章）僅以“人工智能”或“深度學(xué)習(xí)”或“機(jī)器學(xué)習(xí)”作為關(guān)鍵詞（圖3）。結(jié)果提示，這些文章大多尚停留展望、討論人工智能可能應(yīng)用于某領(lǐng)域的較淺的研究層次上。

2.4 人工智能相關(guān)專利

2021年以來，多家試點(diǎn)醫(yī)院人工智能專利授權(quán)數(shù)實(shí)現(xiàn)了0的突破，總量也從2018—2019年的2件提高到了2021—2022年的46件（表2）。結(jié)果提示，人工智能研究轉(zhuǎn)化專利數(shù)量較少且不穩(wěn)定，并未形成穩(wěn)定的人工智能研究計(jì)劃及產(chǎn)出。

表 2 樣本醫(yī)院人工智能相關(guān)授權(quán)專利數(shù)（單位：件）

三、醫(yī)院主導(dǎo)深度人工智能應(yīng)用研究的挑戰(zhàn)分析

3.1 學(xué)習(xí)曲線陡峭

（1）系統(tǒng)學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)范式

深度神經(jīng)網(wǎng)絡(luò)范式由一系列相互關(guān)聯(lián)的技術(shù)路線和細(xì)節(jié)構(gòu)成，知識(shí)容量較大。醫(yī)院研究者完成深度神經(jīng)網(wǎng)絡(luò)范式的系統(tǒng)性學(xué)習(xí)，往往只能利用工作之外的業(yè)余時(shí)間自學(xué)或參加相關(guān)培訓(xùn)班。

（2）學(xué)習(xí)程序編寫

①?編程環(huán)境配置的挑戰(zhàn)。人工智能的框架處在快速的更迭之中，前一代的功能可能在后一代版本中被直接取消。初學(xué)者需要花費(fèi)很長(zhǎng)的時(shí)間，才能找到對(duì)應(yīng)的解決方案。

②?編程和排除編程錯(cuò)誤的挑戰(zhàn)。人工智能研究則需要研究者從零撰寫程序，包括導(dǎo)入中層框架，加載必要基礎(chǔ)模塊等；排除程序錯(cuò)誤通常會(huì)花費(fèi)比編寫程序更多的時(shí)間。

③?多模態(tài)數(shù)據(jù)挑戰(zhàn)。研究者不得不學(xué)習(xí)將這些數(shù)據(jù)導(dǎo)出、輸入到人工智能程序中需要的編程技能。

3.2 計(jì)算機(jī)相關(guān)英語語言能力

當(dāng)前，高質(zhì)量的人工智能入門書籍都以英文書寫，由于翻譯、出版存在周期，這些著作中援引的學(xué)習(xí)資源甚至中層框架都發(fā)生了變化。這也從側(cè)面印證了前文的發(fā)現(xiàn)，即越來越多的人工智能研究成果以英語語言發(fā)表在國際期刊上。

3.3 迭代計(jì)算產(chǎn)生時(shí)間和硬件成本

迭代成本主要可以分為時(shí)間成本和硬件成本2類，且這2類成本可以在一定程度上相互轉(zhuǎn)化。

（1）時(shí)間成本

機(jī)器學(xué)習(xí)算法通過自動(dòng)迭代計(jì)算來獲得神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)參數(shù)解，使用成本較低、普及度較高的中央處理器（CPU）計(jì)算需要耗費(fèi)較長(zhǎng)的時(shí)間。

（2）硬件成本

相比CPU，使用價(jià)格更高的圖形處理器（GPU），可以大幅減少計(jì)算需要付出的時(shí)間成本。由于多數(shù)醫(yī)學(xué)圖像的辨析度較高、圖層數(shù)較多，醫(yī)院主導(dǎo)人工智能研究幾乎難以避免地需要添置GPU，有時(shí)還需要添置與之匹配的專門的計(jì)算平臺(tái)。對(duì)醫(yī)院的人工智能技術(shù)潛在研究者而言，獲取與研究設(shè)想相匹配的計(jì)算硬件資源是一項(xiàng)難度相當(dāng)大的挑戰(zhàn)。

3.4 將臨床數(shù)據(jù)轉(zhuǎn)化為高質(zhì)量研究數(shù)據(jù)

（1）臨床生產(chǎn)的數(shù)據(jù)同質(zhì)化水平不高

在質(zhì)量同質(zhì)化較低的醫(yī)院中，生產(chǎn)圖像的平臺(tái)科室只需確保圖像中包含有助于醫(yī)師診斷疾病的部分即可。在人工智能技術(shù)中，圖像的背景、亮度、色溫，乃至研究興趣區(qū)在畫幅中的位置、大小、角度等因素都可能產(chǎn)生噪聲，干擾信號(hào)的提取。

（2）儲(chǔ)存、脫敏、提取、傳輸?shù)葦?shù)據(jù)處理相關(guān)問題

靠近采集端的數(shù)據(jù)的體量遠(yuǎn)大于經(jīng)過提取后的結(jié)構(gòu)化數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行提取、傳輸、備份等操作會(huì)產(chǎn)生可觀的成本，因此，醫(yī)療機(jī)構(gòu)往往不愿在挖掘數(shù)據(jù)中進(jìn)行更多的投入。

（3）數(shù)據(jù)標(biāo)記

缺乏大規(guī)模高質(zhì)量標(biāo)注訓(xùn)練數(shù)據(jù)集是現(xiàn)階段制約我國人工智能臨床應(yīng)用研究發(fā)展的關(guān)鍵因素。實(shí)際上，在傳統(tǒng)的數(shù)理統(tǒng)計(jì)方法的研究中，研究者也需要花費(fèi)相當(dāng)多的工作量識(shí)別和標(biāo)記圖像關(guān)鍵點(diǎn)。因此，固然標(biāo)注數(shù)據(jù)是當(dāng)前人工智能技術(shù)應(yīng)用中需要關(guān)注的問題，卻不是伴隨人工智能技術(shù)而新出現(xiàn)的問題。

3.5 人工智能的可解釋性較弱，使臨床應(yīng)用信心不足

①?深度神經(jīng)網(wǎng)絡(luò)的研究結(jié)果往往由一系列對(duì)模型擬合能力的指標(biāo)和預(yù)測(cè)能力構(gòu)成，對(duì)熟稔傳統(tǒng)數(shù)理統(tǒng)計(jì)的醫(yī)院研究者而言，對(duì)人工智能結(jié)果進(jìn)行解釋和闡釋的難度較大。

②?一些旨在解決可解釋性挑戰(zhàn)的可視化算法（例如GradCAM）的技術(shù)難度很高。醫(yī)院研究者及團(tuán)隊(duì)很難依靠自身力量將這些技能內(nèi)部化。

掌握?qǐng)F(tuán)隊(duì)資源、確定團(tuán)隊(duì)技術(shù)路線的團(tuán)隊(duì)帶頭人，面對(duì)人工智能可解釋性較弱的特性，將很難下決心組織開展深層次研究與應(yīng)用。

四、從政策推動(dòng)到研究產(chǎn)出的管理建議

4.1 抓住研究范式轉(zhuǎn)變機(jī)遇，引導(dǎo)投入研究資源

雖然人工智能面臨著可解釋的挑戰(zhàn)，但也應(yīng)認(rèn)識(shí)到，沒有一種研究方法是完美的。只有面向人工智能研究投入資源才可能逐步克服和優(yōu)化解釋問題。

國家層面，應(yīng)面向人工智能發(fā)展過程中的難點(diǎn)和痛點(diǎn)，通過設(shè)置綜合醫(yī)院的國家人工智能醫(yī)學(xué)研究中心，設(shè)置互聯(lián)網(wǎng)醫(yī)院、智慧醫(yī)院等樣板醫(yī)院，培育公立醫(yī)院在發(fā)展人工智能中的良好的競(jìng)爭(zhēng)文化，實(shí)現(xiàn)“彎道超車”的政策推動(dòng)目標(biāo)。

醫(yī)院層面，優(yōu)化人工智能研究領(lǐng)域的資源投入，通過開設(shè)人工智能課堂、組建院級(jí)人工智能計(jì)算共享平臺(tái)，設(shè)置專門孵育項(xiàng)目等方式，面向人工智能的技術(shù)性挑戰(zhàn)，審慎組織，跨越人工智能技術(shù)性障礙。

4.2 面向人工智能技術(shù)，布局多模態(tài)數(shù)據(jù)資源

醫(yī)院應(yīng)主動(dòng)布局多模態(tài)數(shù)據(jù)資源結(jié)構(gòu)，采取更加開放的態(tài)度，允許研究項(xiàng)目獲得小規(guī)模的患者數(shù)據(jù)作為數(shù)據(jù)集。創(chuàng)新條件較好的醫(yī)院可搭建人工智能數(shù)據(jù)平臺(tái)，允許經(jīng)研究團(tuán)隊(duì)標(biāo)注的小規(guī)模樣本集對(duì)院內(nèi)研究者開放，供研究者熟悉和優(yōu)化改進(jìn)數(shù)據(jù)集。

醫(yī)院內(nèi)的研究團(tuán)隊(duì)可根據(jù)研究資源主動(dòng)參與多模態(tài)數(shù)據(jù)布局。資源較豐富的醫(yī)院研究者團(tuán)隊(duì)可嘗試使用無監(jiān)督學(xué)習(xí)聚類等機(jī)器學(xué)習(xí)算法，提前對(duì)數(shù)據(jù)進(jìn)行小規(guī)模嘗試性歸類與標(biāo)記。掌握研究資源不豐富的研究者可在使用傳統(tǒng)統(tǒng)計(jì)方法進(jìn)行病例研究的同時(shí)，留意收集該病例的多模態(tài)數(shù)據(jù)，逐步嘗試納入多模態(tài)數(shù)據(jù)并應(yīng)用人工智能方法拓展研究。

4.3 培養(yǎng)人工智能協(xié)調(diào)員，推動(dòng)人工智能研究走向深入

部分高質(zhì)量發(fā)展試點(diǎn)醫(yī)院也已啟動(dòng)了高校、科研院所和醫(yī)療機(jī)構(gòu)之間的合作。但無論是研究建議還是實(shí)踐，均未聚焦擔(dān)任團(tuán)隊(duì)間“橋梁”的院內(nèi)工作角色。醫(yī)院應(yīng)著力培養(yǎng)了解人工智能的基礎(chǔ)框架、知識(shí)點(diǎn)，具備初步的人工智能研究能力的人工智能協(xié)調(diào)員，更好地溝通研究需求與研究方法，不斷推動(dòng)人工智能研究走向深入。

五、結(jié)語

醫(yī)院參與和主導(dǎo)的人工智能研究數(shù)量正在逐年增加，醫(yī)院研究者對(duì)人工智能研究范式的熱情越來越高漲，投入也越來越多。醫(yī)院主導(dǎo)人工智能研究仍面臨重要的技術(shù)性挑戰(zhàn)：人工智能技術(shù)學(xué)習(xí)曲線陡峭、迭代成本高、高質(zhì)量多模態(tài)研究數(shù)據(jù)難得和可解釋較弱。醫(yī)療機(jī)構(gòu)應(yīng)當(dāng)主動(dòng)響應(yīng)政策推動(dòng)，調(diào)動(dòng)內(nèi)部資源，主導(dǎo)人工智能技術(shù)內(nèi)部化。未來，可通過培養(yǎng)人工智能協(xié)調(diào)員，培育人工智能高端人才，面向人工智能技術(shù)布局多模態(tài)數(shù)據(jù)資源，促進(jìn)研究產(chǎn)出。

作者：

莊??昱??北京大學(xué)第三醫(yī)院管理助理研究員，北京大學(xué)哲學(xué)系在讀博士。主要研究領(lǐng)域：科學(xué)技術(shù)哲學(xué)。

周? 程??北京大學(xué)哲學(xué)系教授、醫(yī)學(xué)人文學(xué)院院長(zhǎng)。國務(wù)院學(xué)位委員會(huì)科學(xué)技術(shù)史學(xué)科評(píng)議組成員。研究領(lǐng)域?yàn)榭茖W(xué)社會(huì)史、科學(xué)技術(shù)與社會(huì)、創(chuàng)新管理與科技政策。

文章源自：

莊昱, 周程. 從政策推動(dòng)到研究產(chǎn)出——淺析醫(yī)院主導(dǎo)人工智能研究的技術(shù)性挑戰(zhàn). 中國科學(xué)院院刊, 2023, 38(4): 643-653.?DOI:10.16418/j.issn.1000-3045.20230111001