如今，AI與醫療的融合日趨緊密，其更多地以賦能設備、臨床的模式，體現在醫學影像、智能穿戴、管理系統等各領域中；其背后的數據、算法科學則整在經歷更大挑戰。怎樣的情形需要AI的介入？其在慢病診療方面所發揮系統性價值或許可以說明一些問題。

以糖尿病為例，患者數與全周期健康管理的需求決定了AI的存在形態。“我國糖尿病患者人數占比11.6%，且正以每年2%的速度遞增。”寧光院士在2019世界人工智能大會上的介紹。患者數激增但醫生人數不足，使得AI輔助糖尿病管理成為一種必須。基于龐大的患者需求，開發了一系列AI醫療產品：能自我評估糖尿病患病幾率的“瑞寧知糖”，可進行糖尿病并發癥評估、控制早期病情的“瑞寧知心”等，其功能大部分都整合在APP內。

這是一種方法的改變，完全沒有推薦藥品、完全沒有推薦患者更多的檢查，但確是我們現在的醫改方向。患者可以取得什么樣的結果呢？從糖化血紅蛋白來說，其比率已經從30%提高到51%；而綜合管理率上來看，血糖、血壓、血脂三個指標已經從9.8%提升到了20.6%。

我們過往的思維是推理思維、實驗的思維，這在數學課、物理課里都曾提及；但是到了信息時代就要掌握要計算思維。為什么要學會計算思維？就是要讓機器也具備構造世界的能力，只有具備了構造世界的能力，才能讓計算機按照你的模型去做你想要的工作。

AI醫療也將在算法升級下實現新的迭代。第一財經記者也了解到，除了華為早已在進行AI芯片的產品開發外，聯影醫療也在近期通過了AI醫療芯片研發、并實現了在PET診斷設備上的應用。AI醫療芯片將給這一產業帶來創造性的變化。它將通過具有爆發式的運算能力，使得設備掃描速度更快，體積也更小，功耗更低。

根據國家有關文件，下一階段，AI醫療的主要賽道一方面在于要建設國家級醫療數據資源服務平臺，推動醫療AI的數據訓練級以及測試級；另一方面則是要加快醫療影像輔助系統、臨床輔助應用，推動醫學影像數據采集標準化規范。

無論是從資本、技術還是政策層面，AI醫療將進入新的發展期。而AI醫療的普遍應用的場景也涉及3方面類別，其一是醫療機構內部全流程的信息化管理體系；其二是AI技術在連接醫療機構與患者之間的功能、和及分級診療體系；其三是AI輔助疾病診斷、臨床醫療決策體系。

但AI在深入、持續應用在醫療領域的過程中仍存許多難題。“AI落地的場景及產品不夠多，最大原因是在于樣本不夠、數據無法標準化，那么其產品的總結能力就不高。”同濟大學醫學院影像系主任王培軍表示。盡管數據受限，但在樣本沉淀數最多的影像領域，AI醫療仍能承載一定使命。

以某細胞瘤141例的數據樣本為例；早期患者可以通過磁共振檢查來看是否有增強、壞死，AI影像分析還能注明是否有水腫區域；再進一步做了進行基因檢測后可以看到，該結果顯示的特征和某細胞瘤很多生物信息是相關；而這是我們放射科醫生肉眼所不容易判斷的。

上述數據缺乏的難題究竟能否得到解決？AI技術必須和臨床場景結合才具備實用性；AI發展階段的臨床數據庫標準建設很重要；要將產、學、研、用放在一個開放的平臺上，多方同心協力；要具備醫療與工程相結合的意識。另有業內人士認為，為了降低風險，AI醫療領域的安全保障機制、安全和服務管理辦法等仍需完善。“這方面則可以參考國家衛健委在2017年2月份發布的15個限制臨床應用的技術管理規范。

高學成也提到，當下亟待突破的應該是醫療健康數據的互通共享，這也包括了將數據格式、數據質量、開放借口等標注化，并建立其背后的標準規范體系、安全技術體系、數據生命周期管理。此外，AI醫療領域的下階段發展還將面臨一定的社會倫理風險，比如人（醫生職業自由與設計者、制造者）在責任認定所面臨的風險，患者隱私保護所面臨的風險，以及醫生主體性地位面臨的道德等風險。