機器人與互聯網的結合向來被眾人看好，在醫療領域，智能機器的應用更是屢見不鮮，可是在這繁榮的背后，更值得我們深思的是，基層醫療的發展，是否真正因為AI的深入而更好的發展。
遠程會診機器人屬于“互聯網+醫療”的模式。英特爾醫療與生命科學部亞太區總經理李亞東曾表示，這一模式提高了整個醫療系統運行的效率，比如在掛號、網上輕問診、在線支付等方面做了很多工作，取得了很多成績，但是還沒有走進院內，沒有觸及醫療本身。
李亞東指出，醫療健康的需求端急劇上升和供給端的嚴重不足都驅使人工智能等技術與醫療健康行業的結合。
有數據顯示，應用智能輔助診斷系統，可將醫生的看片時間平均減少4.25個小時，準確度提高到90%以上，這樣，不僅使醫生有更多的時間提高自身水平，還能夠把醫生“還給”患者，讓醫生有更多的時間對患者解釋病情病因。作為“基礎薄弱、人才缺失”的基層地區，AI 技術無疑可以為這些地方提高診斷率、分擔三甲醫院所承擔的就診壓力提供巨大的幫助。
但是廣大基層醫療機構是否能用得起看似昂貴、技術壁壘強的 AI 技術?本文將論述 AI 在基層醫療落地是不是靠譜，我們采訪了醫院放射科教授、AI技術創業公司創始人等，從“基層醫療需不需要 AI?”、“基層醫療從業者會不會用 AI?”、“基層醫療用不用的起 AI ?”等方面，探討“ AI 在基層醫療落地?”這一問題。
基層醫療需要 AI 嗎?
在我國，基層醫療機構是醫療體系的末梢神經，而硬件設施、人才缺失則是擺在基層機構面前的一道難題。2014年，全國醫療機構總診療人次超過76億，而基層醫療衛生的診療人次從2009年的62%下降到58%。在這樣的背景下，國家提倡分級診療，而基層首診是分級診療制度的重要基礎。
2015年3月，國務院辦公廳印發《關于進一步加強鄉村醫生隊伍建設的實施意見》，要求基層醫療衛生機構：社區衛生服務中心(站)3.5萬個，鄉鎮衛生院3.7萬個，村衛生室63.8萬個，診所(醫務室)20.5萬個。每千服務人口不少于1名的標準配備鄉村醫生。
2015年9月，國務院辦公廳下發了分級診療制度建設的指導意見，旨在解決醫療資源不平衡問題，其關鍵在于完善基層醫療建設，多級解決就診難問題。
理想條件下，一個患者就診順序是：通過社區內全科醫生診斷，獲得初步診療，根據病情再向上級醫院轉診。事實上基于患者自身原因，大多患者會直接選擇“更加靠譜”的上級醫院，其中最大的原因是對醫生的不信任。
騰邁智醫創始人曹繼平對此表示，這種不信任源于基層全科醫生本身經驗，一般大型醫院單個醫生接診數量較高，積累了豐富經驗;基層醫生和一般三甲醫院醫生接診數量有限，經驗較少。基層醫生缺乏診療經驗，診療能力進一步被質疑，分級診療更難以落實。
深圳市科恒力電腦軟件有限公司總經理車飛淪曾在自己的一篇文章中認為，智能診療最大的市場機遇是在基層，輔助基層醫生診療。三甲醫院的知名專家教授擁有精尖的專科技能、儀器設備，因此對于人工智能輔診的需求并不強烈，可以說是一個“可有可無的點心”。而基層醫療醫務人員能力不足，又需要承擔大量常見病、多發病、慢性病的病人，因此他們更需要提高診療水平和效率的工具。智能診療技術創新有助于推動原來需要專家才能做到的診斷、治療。讓基層醫生在缺乏高端儀器設備的情況下，也能為患者提供初步的診治工作。
推想科技 CEO 陳寬在接受雷鋒網采訪時表示，醫療人工智能產品在基層的產品需求其實是非常強烈的，這些產品可以幫他們降低漏診率，在基層的聯動醫聯體和三級分診中起到很大的作用，降低基層醫院搭建診斷團隊的門檻。基層醫院對 AI 產品的依賴度甚至要高于一般的三甲醫院。
基層醫療會用 AI 嗎?
基層醫療對于 AI 科技公司來說，是一個未開發的“巨大金礦”。但是，這塊金礦真有想象中那么好挖?設備條件落后，醫生專業知識的匱乏，這些既是人工智能在基層發揮作用的出發點，同時也成了難點。
AI 產品推進到基層醫療過程中存在哪些困難?基層醫院在應用 AI 產品時有哪些難點?陳寬從企業的角度表達了自己的觀點：基層醫療一方面是渠道比較難覆蓋，雖然基層的市場空間非常大，但相應的渠道挑戰也更大。第二，基層有很多的 IT 系統都是相對比較欠缺的，這個跟三甲醫院不一樣， IT 系統欠缺的情況下，怎么樣才能做到把 AI 系統對接上去。這是一個比較大的命題，包括我們有一些上線的基層醫院可能連基本的設備都沒有。醫生還是采取一個膠片閱片的方式，這就對 AI 的技術和產品的帶來了更大的挑戰。
騰訊架構平臺部高級工程師顏克洲在做乳腺癌病理圖像識別項目，他遇到的數據問題來自于醫生的習慣。“我們更需要波片掃描的數據，這個數據非常少，它需要把整個波片全部數字化，但是這個機器現在很多醫院沒有普及，很多醫生也比較抵觸使用這樣的機器，他們從醫學院開始接觸到的訓練都是使用顯微鏡。”
除了渠道和醫生工作習慣的問題， AI 在落地基層醫療的過程中，還有一個不可避免的因素——數據。
數據中存在大量的冗余數據，如果不處理好，很可能產生數據污染，清華大學教授張勤認為，醫療數據并不是越多越好，數據質量高才行。依靠高精尖儀器設備的技術、手術治療、價格昂貴新特藥等等醫學數據源，都是不適合基層醫療的，適宜基層的專家經驗、文獻資料才是基層智能診療系統所需的數據源。
醫療數據對于人工智能而言等同于維系生存和成長的主食，有了數據才能訓練人工智能機器，應用轉化也需要跟臨床數據相對接。對于國內企業而言，獲取數據的渠道主要是跟公立三甲醫院合作。此時，醫院與醫院的數據沒有實現互聯互通就成了主要的絆腳石。
湯衡指出：“中國醫院都有私有云，各個私有云都是獨立的，數據不共享。現在有一部分數據被互聯網掛號平臺占據，但數量少，數據質量達不到醫療研發級別。也有企業幫醫院做系統對接然后抓取數據，一般是有選擇性的抓取，無法獲得完整版的數據資源。”
基層醫療用得起 AI 嗎?
除了數據難題，醫療人工智能開始邁入產業化，但這一領域國內的審批和監管還處于空白階段。
學術界和院方人士又是怎么看待 AI 在基層醫療中遇到的商業化問題?近期在北京舉辦的北大醫學部影像醫學學系的學術年會上，北京大學人民醫院放射科原主任杜湘珂教授提出了一個現實性問題—— AI 的盈利和消耗是一個很大的問題，那么醫院的投入誰來承擔?
車飛淪表示，智能診療系統只是軟件基礎上使用人工智能技術切入醫療的一種工具。軟件的邊際成本(甚至價格)是接近于零的，所以智能診療系統的實際定價不應過高，尤其在基層。讓基層醫療機構花費上萬元、十幾萬元買一套系統，這不現實。
就此問題，陳寬在接受雷鋒網(公眾號：雷鋒網)采訪時也表示，企業在現階段也處在摸索的階段。 AI 產品從目前來看是比較難從病人的身上去收費的，現在還無法實現，這對我們企業的商業模式也形成了很大的挑戰，特別是在醫院可能自由資金比較少的情況下怎么樣能夠收費，這還需要結合政府政策、醫院方等各個方面。
AI 診療系統在商業模式有待探索。對此，高特佳執行合伙人湯衡認為，現階段應用層面的醫療人工智能企業商業模式創新已經遭遇瓶頸期，基本依靠篩查服務、分析報告來變現，后期的技術升級、數據積累是否能夠帶來一些質變還需要驗證。
湯衡表示：“未來是根據醫療器械、系統還是其他的方式進行監管還沒有定論。國內已經在臨床使用的產品基本都是打擦邊球，借鑒臨床同類項目的收費標準進行定價，也很難開出一個比較高的價格。”
AI 如何在基層醫療中落地，專家怎么說?
那么，在商業化變現、數據有效性等問題的背景下， AI 怎么才能更好地在基層醫療中站穩腳跟?北京大學公共衛生學院周子君教授在學術會議上曾表示，AI 在基層醫學影像中的醫療場景，未來需要一個整體的數據解決方案來解決基層醫療這個問題。鄉鎮衛生院的拍照水平、醫生水平可以通過培訓達到要求，但診斷確實是一個問題。未來能不能通過云的解決方案來用基層大數據進行診斷。
從篩查角度，基層是要解決早期發現的問題，如果基層是用 CT 解決的話，從經濟學角度來講，它不是一個成本效益很高的方法。如果用 AI-DR 來解決就很好了，即用低成本來解決，這樣就面臨了 AI 怎樣早期發現的問題。其次，我們不建議在 AI-DR 層面上把假陽性控制很好，其實假陽性可以放得高一點，下一步是用 CT 或者其他方法進行確診。這樣就可以節省大量的社會資本。我們現在有些方法，比如肺癌全人口篩查，乳腺癌全人口篩查，這個費用是非常高的。從經濟學角度講，這是非常不適合做的方法。
如果要用常規的檢查，假如基因家族史是高發的，再加上 AI 的診療技術，這可能把這個經過的代價拉高，所以，整個社會的成本就降低了，這是 AI 未來從數據的角度來應用的一個方式。這樣，分級診療就出來了，比如說基層，把所有的醫生都培養成像人民醫院那種那是不現實的，但假如全國通過 AI 這種方法，再結合專家的診斷，完全可以在很小范圍內把13億人口的健康問題解決了。
首都醫科大學教授顧湲從基層教育的角度提出，通過全科醫學服務模式的推廣和全科醫生隊伍的速成建設，讓包括村醫、鄉醫、城市全科醫生和護士、健康管理師等在內的數百萬基層醫療衛生服務人員盡快掌握“居民健康守門人”必須的本領，從而展現基層醫療的優勢與基礎作用。