中國成人致死率最高的疾病，救治率是如何提高的

頂級醫院、醫療AI公司、算力供應商，正嘗試用數據、算法和智慧算力的組合，來打通中國成人致死率最高疾病，在急救中的堵點。

腦卒中，我國每年有300萬人新發。其中，缺血性腦卒中大約佔所有腦卒中的70%左右。救治每晚一分鐘，就多一分致殘致死風險。現代醫學干預原則是，儘快打通血管，在腦組織徹底壞死前干預治療。

影像學分析環節是救治中的"堵點"之一，腦卒中的臨牀表現多樣、病因複雜，影像學評價給出準確的評價耗時長，一般需要從業多年的資深醫師，才能快速、準確地給出診斷結果，爲臨牀救治提供一個準確的答案。一般，做完影像以後，評估過程需要30-60分鐘。

醫療AI公司安德醫智，用治療腦卒中最權威的醫院——天壇醫院的病例數據，基於浪潮的智慧算力，訓練出了一套影像輔助診斷模型。搭載了這套模型的人工智能醫學影像輔助系統，能在3分鐘內提供影像評估報告，輔助醫生快速精準判定血栓位置和出血風險，爲腦卒中贏得黃金救治時間。這是醫療AI應用落地的一個縮影。

01、一臺非典型腦卒中手術

8時2分，一輛救護車載着一名患者駛入吉大一院，躺在擔架上的患者已口角歪斜、身體麻木。這是一名中風病人，這個病更爲專業的名字是腦卒中，由於腦部血管阻塞，大腦缺血而引起部分腦組織損傷。

中國每年新發卒中病人約300萬，《中國卒中雜誌》的數據顯示，這個病通常呈現高致死率和高致殘率，46%的腦出血患者在發病1年內死亡或嚴重殘疾。

最終，患者在入院1小時14分後，完成了血管再通手術。三週後，他康復並恢復了正常的生活。

這是一個幸運的結果，也是一次急救取得的勝利，在這次救治中，更詳細的流程是：

8時5分，病人進入急診卒中綠色通道，卒中救治團隊開始就位。

8時10分，醫生給患者查體，綠色通道的護士開始給病人抽血，開通靜脈通路，做心電圖。

8時25分，也就是入院23分鐘後，多模式的影像評估開始。一個軟件在3分鐘內，出具了結合多項體徵數據得出的報告。

8時33分，專家們判定患者符合取栓指徵，出血風險較小。

8時35分，家屬簽署知情同意書。

8時41分，手術開始。

9時16分，手術結束。

三分鐘得出報告，得益於一款醫學人工智能輔助診療產品。醫療AI公司安德醫智，基於天壇醫院的上萬例臨牀影像數據，以及浪潮信息的智慧算力，訓練出了影像輔助診斷模型。它大大縮短了救治時間，爲這次成功救治奠定了基礎。

爲什麼縮短救治時間在腦卒中的案例裡如此重要？事實上，在肉眼看不到的地方，患者的腦組織正遭遇驚險的生死時刻。

人的大腦包含1000多億個神經元，它們的運轉依靠腦部血管提供的血液循環。正常每100克腦組織每分鐘血流量爲70毫升，低於20毫升時，神經元缺血就會導致人出現偏癱和失語等症狀。當每分鐘血流量降至8毫升且持續6分鐘，腦組織就會發生不可逆的死亡。

每分鐘血流量在8毫升～20毫升的區間被視作"半暗帶"，腦卒中手術救治就是要在"半暗帶"腦組織還未梗死時打通血管。早1分鐘打通血管，約190萬個大腦神經細胞就能活下來，腦卒中不可逆的損傷機率就會降低。

這是一個與時間賽跑的過程。在這項"打通血管"的大工程裡，最重要的環節是完成腦卒中的影像學分析。

腦卒中的臨牀表現多樣、病因複雜，影像學評價給出準確的評價耗時長，醫生們，需要給出腦實質改變的診斷，顱內外供血動脈的改變，腦實質內毛細血管水平的血流動力學改變，以及病因及發病機制分型分析。

中國卒中學會的專家王春娟指出，大血管閉塞的腦卒中患者，從入院到血管再疏通的過程中，其中入院到穿刺時間，是延誤最長的步驟。更直白說，診斷病情，判斷受影響的部位，制定更爲準確的治療方案並實施，是整個救治流程中最耗費時間的步驟，也是血管再通工程最大的"堵點"。

醫療AI被行業用來探索解決堵點，縮短救治時間。

在吉大一院的這臺腦卒中手術中，基於浪潮智慧算力的支持，人工智能醫學影像輔助診斷系統的應用，加速影像學評估決策，將評估時間縮短到了3分鐘。

基於高水平的醫院數據，訓練出來的醫療AI技術，應用到醫療力量相對薄弱的地區，則能讓這樣的成功救治，擴展到全國。"不是所有的病人都能被及時送到有雄厚資本和實力的大型醫院，在偏遠地區，基層醫療機構的資源薄弱，醫師們很可能因爲無法快速、準確判斷病情而耽誤救治時間。"一位關注醫療AI普惠的業內人士評價。

數智前線獲悉，一家位於西部小縣城的二甲醫院，醫師儲備和設備資源都較爲薄弱，已經應用了這款產品。2021年春天，他們接待過一例中風病人，基於CT影像，人工智能給出的結構化報告顯示該患者中風險，血腫擴大概率65.56%。

該醫院影像科主任介紹，腦出血患者很容易出現血腫擴大，尤其是在24小時內，會嚴重影響患者的預後。儘早治療，就可以抑制血腫擴大，改善預後，但經驗沒那麼豐富的醫生判斷腦出血後預測血腫擴大，有時候會拿不準。

醫療輔助決策軟件這時候的介入，對這些偏遠地區縣級醫院的醫生來說，"心裡就會非常有底，相當於身邊多了一位頂級專家和他會診"，他說。

02、算力和數據助力醫療AI產品成熟

腦卒中醫療AI方案的成熟和落地是一個縮影，醫療AI行業正基於高水平數據和智慧算力，形成更多成熟的解決方案，並逐漸被一些醫院落地和認可。

高質量數據決定醫療AI高度，數據來源曾是醫療AI發展的一大瓶頸。以業界最有名的IBM旗下的醫療AI產品Watson爲例，由於數據質量和數量的不足，尤其對於罕見病的診斷——在某肺癌病種的分析中，沃森只用了635個病例對算法進行訓練，這使它被行業詬病產品的實用性。

除了豐富的數據，數據的分類、標註、訓練均需人工進行。動脈網在《2022醫療AI行業報告》中提及，單個數據標註成本在10～30元不等，耗時20～40分鐘，要獲得高質量的標註，難度很大。爲了解決這個瓶頸問題，2020年開始，隨着大量醫院自發加入的單病種影像數據庫、第三方測試數據庫逐步構建，數據量才呈指數增長，AI企業面臨的難度驟減。

在腦卒中場景裡的輔助決策AI訓練中，算法所用的數據來自國內在腦卒中領域的行業佼佼者天壇醫院。天壇醫院在腦卒中領域的治療水平，位居國際領先水平。據瞭解，我國平均腦卒中治療複發率約爲10%左右，國外先進水平大概在7%左右，而天壇醫院腦卒中治療複發率僅爲2%左右。

腦卒中的醫療輔助決策軟件正是基於天壇醫院的上萬例臨牀影像數據訓練而來，"頂級醫療機構高質量的數據，成爲優質AI產品的質量保障。高質量的數據才能誕生高智商的AI"，安德醫智中國區CEO李晶珏說。

智慧算力在醫療AI行業產品的進化過程中也扮演了重要角色。浪潮方面的相關人士告訴數智前線，以腦卒中治療場景爲例，醫療AI軟件對算力的需求分別在訓練和推理兩個場景。

在訓練場景裡，主要需要運用算力，把天壇醫院的數據沉澱爲模型，讓頂級醫生們的經驗能凝聚到AI產品中。在模型開發與訓練的過程中，AI公司遇到的瓶頸主要有幾點：第一是算力的瓶頸，醫療影像數據的計算量很大，單個病例的文件就能達到GB級數據，對上萬個病例的數據進行學習，計算規模大，一般的設備處理速度難以匹配。

此外，爲了更貼合醫院和醫生的使用場景，當下醫療AI公司們，正在努力拓展覆蓋的病種範圍，從單個病種的產品向更大範圍的解決方案發展。要實現多種疾病的精準診斷，相應的AI模型複雜度高，計算量大，單次耗時長。這也對計算資源提出了新的要求。

第二是資源的調度。參與算法訓練的工程師們，需要針對身體各部位開發相應的模型並進行訓練，訓練任務多、使用人員多，經常涉及多線程作業，需要合理分配和調度計算資源。

基於這些問題，浪潮的智慧算力以浪潮AI服務器與AI資源平臺AI Station整體解決方案的形式，解決了算力瓶頸和資源調度等難題。腦卒中的解決方案裡，AI服務器能大大縮短海量影像數據的吞吐時間，支持規模更大、複雜度更高的模型訓練。它的計算性能是原計算平臺的3倍，通過16顆AI芯片，大大加快了模型的並行訓練速度，將主要模型訓練速度提升10倍以上。

對AI公司的工程師們而言，浪潮的AI資源平臺AI Station則能夠對計算力資源進行統一管理，簡化工作流程，提升了訓練效率。例如，安德醫智近80位工程師能夠同時使用計算平臺， GPU使用率由原來的30%上升爲75%，主要模型訓練速度提升10倍以上，訓練時間由2周多降爲2天。

當基層的醫院來使用產品時，智慧算力在推理場景裡的效用也體現出來了。醫院此時接觸到的是一個整體的解決方案——訓練好的軟件被裝載到浪潮的AI服務器中。新的病例在應用訓練好的算法時，能大大提高推理的效率，3分鐘就能夠生成基於病人影像數據的診斷參考報告。而在腦卒中治療中，時間代表的就是生命，算力的提升也大大提升了救治的成功率。

"基層醫院一般信息化能力較弱，以整體解決方案的形式進入，大大降低了醫院使用產品的門檻，他們不用再花精力去配置IT資源。"接近浪潮的人士告訴數智前線。

03、大規模商業落地前夜

近年來，醫療AI市場規模急劇擴大。動脈網報告指出，醫療AI市場規模2022年首次超過百億，預計在3～5年內將維持40%的高增長率。

2020年是這個市場發展的分水嶺，國家出臺的管理條例爲產品落地，奠定了基礎。

2019年6月，國家藥品監督管理局（NMPA）醫療器械技術審評中心發佈了《深度學習輔助決策醫療器械軟件審批要點》，其中提出醫療AI產品要拿第三類醫療器械審批。該文件對醫療AI的適用範圍、質量控制、能力和使用風險以及數據來源都有規定，也爲醫療AI產品形成商業閉環，打下基礎。

2020年1月，第一張三類證發放給科亞醫療，人工智能醫療器械的審批框架逐漸完備，多家醫療AI公司的產品通過NMPA醫療器械審批，獲得三類證，醫療AI商業化落地進程由此加速。

國家藥監局醫療器械技術審評中心評審二部副部長郭兆君，在2021年世界人工智能大會健康高峰論壇上曾分享，審批管理的一些原則："判斷一個AI產品到底屬不屬於醫療器械，主要包含三個方面的判斷：首先，考慮產生的數據是否來源於醫療器械；其次，設備的核心功能是不是對醫療器械數據進行處理、調查、測量分析等；最後，這個產品本身也需要用於醫療的用途。"

一個AI算法到底屬於什麼類別，需要考慮算法的成熟度。對於算法在醫療應用中成熟度低，也就是未上市，或安全有效性尚未得到充分證實的人工智能醫用軟件，若用於輔助決策，如提供病竈特徵識別、病變性質判定，用藥指導、治療計劃制定等臨牀診療建議，按照第三類醫療器械管理；若用於非輔助決策，如進行數據處理和測量等提供臨牀參考信息，按照第二類醫療器械管理。

清晰的管理類別判定，有助於人工智能企業完成審批，分步驟完成產品的商業化落地。郭兆君介紹，部分企業的人工智能軟件尚未完全符合三類醫療器械的要求，可先申請二類證，保證商業化的順利進行，待臨牀試驗等流程設計完畢之後再進行三類證的申請。通過這種折中的方法，人工智能企業能夠一定程度上提前開始商業化部署。

數智前線獲悉，多家醫療AI公司都持有三類證，並持續在不同病種增加三類證持有數量，增強自身的行業壁壘。

諮詢機構沙利文指出，中國醫療產業正由醫療信息化1.0逐步發展爲醫療智能化3.0。在3.0階段，醫療智能產出，可客觀衡量醫療行爲和效果的指標與證據，提升醫療參與者的決策效率和精準度，實現醫療行業各環節的降本增效。

實際上，要有明確的指標衡量醫療AI產品的價值點，真正實現降本增效，精準決策，是一個緩慢長期的過程。動脈網的報告認爲，當下主流AI產品處於商業化的過渡期。

一方面，這些算法模型仍然需要不斷學習，來提升進入不同場景裡的準確度和可複製性。

例如，不同醫院拍攝CT影像的標準可能並不一樣。有的醫院影像所檢測的部位只有頭部，有的醫院影像信息可能除了頭部還包括頸部。AI軟件要能基於不同規格的影像準確識別影像裡的病理特徵，做出判斷，就需要再訓練調優。這種"終生學習"的過程也意味着它需要持續的數據，以及龐大的算力來"餵養"。"算法不需要推倒重來，這是一個能夠適配更多的醫院，並提高準確率的過程。"業內相關人士對數智前線說。

另一方面，醫療AI公司們也在完善產品序列，開發覆蓋更多病種、適用更多身體部位的AI產品。例如業界發現，影像學和電子病歷數據的結合，較單一維度數據，可能有助於更好區分某兩種特定類型疾病的病理和成因。這一趨勢對算力、存儲都帶來了新的挑戰，有待行業內從算力和算法模型層面形成更好的解決方案。

雖然市場對新技術的認可有滯後性，但從基層使用產品的醫生端的反饋來看，基層醫生們對人工智能輔助診斷產品接受度在逐漸提高。

安德醫智的AI產品搭載在浪潮的AI服務器，已經逐步進入更多的基層醫院。西部某縣應用了該產品的影像科主任，分享使用感受時表示，在基層醫院裡，醫生的更大的痛點是輔助診斷環節。"有的人工智能目前是做輔助篩查、輔助分診，這個作用類似於護士站的護士，對醫生看病的幫助意義不大。我們現在用的人工智能輔助診斷系統，可以做出明確的診斷報告，比如對24小時血腫擴張的出血區域、體積、風險等都能進行細緻的風險評估和預警，醫生在得到詳細的診斷提示後，才能更加從容、準確地治病救人。"

由此可見，人工智能技術在醫療行業的研發和應用，有利於分級診療制度的建立，基層的醫療機構的診療水平也得到持續提升。

總體來看，在高水平醫院、AI算法企業、智能算力企業的共同協同和努力下，AI醫療產品正在爬坡，它在一些場景的應用，已經讓基層醫療機構享受到了診療水平的提升， 行業正逐步進入良性循環階段。