刘博谈 | 还在卷检测项目？诊断AI+IVD风口赛道要不要考虑一下！ ...

Hello，大家好哇，我是刘博，自从去年11月ChatGPT推出以来，人工智能最近一段时间重新大火，我们之前讨论过AI在检验科落地的场景分析，但现在看来，还是我们的格局小了，并没有真正挖掘出AI，或者机器大数据训练（ML）在整个诊断环节当中可以扮演的相关角色，来，整起！

实际上，使用计算机来诊断自己的疾病这件事情并不新鲜，已经有十几年的时光了，现在，每年都有数千万人尝试使用谷歌/百度/腾讯医典等等来解决问题，但这样做的收效往往不大，而且，由于很多在线健康数据的质量很低，这种搜索往往是有害的（是否还记得魏则西事件？），有一些国家的政府甚至发起过“不要上网求医”的活动，来敦促人们不要使用互联网来解决自己的健康问题。

所以，ChatGPT并不是这个领域的第一个创新，如果我们把目光投向过去，就会发现，这十几年来，这一类‘智慧医生’已经在网站和智能手机应用程序中出现，帮助我们搜索健康信息。一般来说，智慧医生有两个主要功能：帮助患者自我诊断和自我治疗。它们通常为用户提供一份潜在的诊断清单，并建议他们应该多块的寻求治疗，如现在就去看医生或者在家进行治疗等等。

对于医疗这样主要依靠统计，而且比较保守的赛道而言，是不可能出现特别的突破性技术，因此，过去的总结对未来会具有很好的指导意义。我在这里总结了一下大模型在医疗行业可能的落地场景。

辅助诊断

哈佛医学院教授Ruth Haliu 团队对ChatGPT的诊断能力进行了测试[1]，结果显示，它在45个案例中的诊断正确率达到87%，并为67%的患者提供了合适的分诊建议，而现有的机器诊断正确率仅为51%。

由此可见，大模型对于给出症状描述的诊断建议已经达到了较高水平，通过分析医疗记录、病历资料、诊断报告等数据，提供有关疾病诊断、治疗方案和药物处方等方面的建议和指导，帮助医生更加准确地诊断和治疗疾病，提高医疗质量和治疗效果。在医学影像领域，多模态的大模型也可以用于CT图像的诊断，智能标记出存在症状的图像区域。

医疗信息系统流程简化

大模型可以利用其强大的自然语言理解和生成能力，帮助医生更加快捷地处理医疗信息。比如为医生提供智能化的语音助手服务，快速识别医生的语音输入，并自动生成相应的病历、处方等信息，从而减少医生的工作量和提高工作效率。此外，大模型还可以作为智能聊天机器人，为患者提供智能化的医疗咨询和客户服务，帮助医院和诊所更好地处理患者咨询和沟通事务。

智能健康管理

如今，患两种及两种以上慢性疾病，和每天需要医疗监护和健康管理的慢病群体越来越大，目前的医疗保健模式和家庭医生服务模式不仅无法满足患者需求，在某些情况下还可能延误诊治。大模型可以与可穿戴设备结合，对患者进行全天候的健康监测，进行实时健康风险评估，帮助患者做好健康管理。

在这里我给大家介绍一个落地案例，主角是科大讯飞。科大讯飞相信大家都了解，基本都用过他们家的翻译软件，当然，机器翻译是AI的一个落地场景，所以对于科大讯飞而言，AI是其业务的核心驱动引擎，所以其在医疗方面也有布局。

情况介绍

在我国，分级诊疗问题是非常严重的，大部分人有一些感冒发烧的小病，也习惯到大三家医院去花费大量时间排队。

当然，这里面有一个很大的原因就是大家对基层医院水平的不信任，这也是实际情况，对于大部分基层医院来说，由于医生的诊断能力有限以及其他原因，医疗数据实际上是没有发挥作用的，当然，如果医生很厉害，也不会在基层医院呆了，好医生哪里都缺。

所以，针对这个问题，科大讯飞推出其智慧医疗产品，可以根据症状提供诊断建议，如果医生的结果和机器提供的辅助诊断结果不一致，就会出现弹窗提示，这样协助医生提高其诊断能力，2022年，科大讯飞的智慧医疗修正了63.5万例的诊疗案例。

对于基层医院而言，在使用了科大讯飞的产品后，电子病历的完整度从原先的不到20%提升至80%的水平，在此基础上可进行慢病管理，例如去年甘肃省高血压等4类疾病进行了慢病管理。另外，在AI的帮助下，可以对医保的使用情况进行进一步的分析，找出骗保的行为，从而节约医保资源。

当前，科大讯飞的产品不仅可以实现96%的人300种常见病的辅助诊疗，更可实现接近1300种病种的全覆盖。

智慧医疗的训练数据库由三部分构成，第一部分是医学教材，包括医学生从本科到博士毕业的一共53本教材；第二部分是医学相关文献，包括几百万篇英文文献和几十万篇顶级医学杂志医学文献等；第三部分则是和医生合作的私有数据库，这里包括协和医院等高水平医师标注的几百万份病例。

此外，在每天的应用当中也保持着持续迭代提升的能力，如果诊断结果和医生诊断结果相匹配，则会标注匹配，如果不一致，则会上传做进一步的核对，并且根据核对结果进行修订。

目前科大讯飞的辅助诊疗是采用项目制的，一个区域几百万，这里面最大的难度是存在用户认知壁垒，对于这种形态的辅助工具，大家不是很理解，开始往往会觉得不必要，所以存在一个认知的过程，但在使用了之后，医生会发现自己对患者的情况掌握的更清晰和准确，诊疗的成功率也获得了很大的提高，这样就会更加乐意使用。

而在B端服务好了之后，就会慢慢的形成很强的用户粘性，而B端用户又会进一步将相关服务带到C端的人，这有点像过去互联网的KOL，但在这里，社区医生本身就是一个KOL。

当然，智慧医疗最终的目标还是要走向C端，C端的个人健康管理才是营收的大头，只不过对于更碎片化和原子化的C端用户而言，如何构建隐私化个人病例进行健康管理也是一个巨大的挑战。

先来谈谈优点方面，这条赛道最大的好处就是一个具有广阔前景的蓝海赛道。

为什么这么说？

首先，我们来谈一下广阔前景，在之前讨论IVD市场的文章当中，我们一直在强调不能触达用户的产品就是没用的产品（比如那些操作比较复杂，对人员要求较高的检测方法），但对于这一类‘智慧医生’产品来说，完全不存在这个问题，这类软件产品就是奔着竟可能服务更多的用户去的，而健康管理更是每个人都需要的刚需，从这个角度上来说，‘智慧医生’类产品的用户天花板是所有软件类产品当中最高的。

其次，蓝海赛道，这个赛道真没什么人，一方面来说，人工智能决策的壁垒很高，这不仅仅要对AI有所认识，对医疗本身也需要有足够的认识，它不是仅仅针对文献的纯粹的记忆，同时也需要理解；另一方面，私有训练用数据库也会带来很大的不同点，比如讯飞所使用的第三部分数据库。

谈完了优点，我们来谈谈缺点，还是以科大讯飞为例，它的优点是它是个AI公司，它的缺点也是它只是个AI公司。

为什么这么说？

因为所有的AI都要喂数据，数据的质量在其中至关重要，辅助诊断AI喂的肯定是IVD数据，作为IVD从业者，肯定能理解IVD产品本身在不同医院的非标化情况，为什么在国内，检测结果互认这么困难？除了有利益壁垒意外，不同实验室产出的检测数据可比性，可互换性差，也是不争的事实！

辅助诊断AI和自动驾驶是有一定可比性的，但对于自动驾驶而言，无论是视觉摄像头，还是激光雷达，产生的数据本身是标化的，但对于IVD设备而言，各家检测试剂产生的数据，可并不是标化的！

这意味着，辅助诊断AI的命门被下面提供数据的检测公司捏在手里面，检测公司的数据有些调整，或者做一点改动，AI就很有可能不准和胡说八道了。

当然，也有人会提出，能否不考虑检测数据呈现的过程，只根据呈现出来的情况进行诊疗。这明显是不可能的，如果真有那么简单的话，互联网诊断应该可以取得比较大的成功，而不会出现我们在开篇时提到的“不要上网求医”这种情况了。

对于疫情后的IVD公司而言，如何开辟新冠后的赛道，无疑是一个重中之重的事项，特别是在IVD集采大幕徐徐拉开的当下，收益降低已然是不可逃避的现实。

在之前我和一些厂家的交流当中，很多人问我，在Biomarker不能专利保护的情况下，如何才能保证自己产品的领先地位，当时我的回答是，应该在临界值方面多下功夫，现在，我有了另一个答案，应该在辅助诊断AI上，多下功夫。

毕竟检测数据，是IVD公司的最大产出，而数据本身的价值，已经被各大互联网公司证明了无数遍。与其等到检测数据这座金矿被AI公司抓在手中，自己最后沦为数据管道工具（当然，现在很多IVD公司也就干这个），还不如主动出击，去拥抱下一个时代！

参考文献

[1] https://www.statnews.com/2023/02/13/chatgpt-assisted-diagnosis/