从科研到临床，从申报到审批：AI医疗产品落地的机遇与挑战 | 贝壳大学闭门会
整理丨鹿柴
“5秒内完成数百张影像的初步诊断”、“将电脑端语音转换医疗文字的极速输入”、“AI算法将原来数小时的疑似病例基因分析缩短至半小时，精准检测出病毒的变异情况”等等。这半年多以来，我们似乎也熟悉了这样的字眼。
然而，在前几日的一次大会上，“网红医生”张文宏表示，“在整个疫情防控中，全部是靠人工，也就是靠传统智慧和城市管理实现的 ”。
一语道破真相，尽管现在人工智能已经应用于多个场景，技术还算成熟，但是人工智能在医疗等领域的建设还在起点。AI产品无论是从科学到临床，还是从申报到审批，每一个关口都是挑战。
近日，在贝壳大学《AI在医疗应用场景落地的机遇与挑战》线上闭门会上，贝壳社邀请到了浙江大学健康医疗大数据国家研究院副院长、浙大睿医人工智能研究中心主任吴健博士，浙江大学医学院附属第二医院神经外科主任张建民博士，致众科技股份有限公司副总经理史国齐做了分享。
贝壳社现将核心内容整理如下。
第二，科研最主要做的事情是挑一个比较困难的问题，尤其是别人没有做过的新的问题都可以研究。但是在临床里边，需要是几乎95%遇得到的场景，你都要能够做得非常好。比如，科研基本上大家做单病种，作为一个病种的某一个片段，病灶的识别、分割，预后的预测等等。在临床可能需要做的是全病种，而且做的水平都还可以，才能得到医生的认可和接受。
第三，数据上，科研里面的数据往往会很小，医生写文章几十例就可以了，人工智能产品大概需要10万例，就已经很好了。但是在临床，这样的数量很有可能是不够的。比如我们自己做糖尿病视网膜病变拿了15万的数据，15万的标注好的数据去做训练，做完以后在临床实验当中还会遇到问题。所以在科研的时候可以找一家公司帮忙把标准制定完，模型训练好，出一个结果就可以写文章了。但是在临床上还得统一不同派系的医生，大家学的东西不一样，掌握的指南也不一样。
第四， 科研当中往往不考虑一些突发状况，临床上会考虑一些意外。比方说把模型放在设备上面去做，因为拍摄人的不同，很有可能得到的数据是不一样的，比如在显微镜上看一个病理细胞，动一下桌子，聚焦的层面不一样了，最后结果可能就不一样。但是科研上，一旦采用了一些数据做出一个结果，它几乎是不变的，但是在临床使用中就要考虑这个问题。
还有一些细碎的不可避免的一些问题，科研可能完全不需要考虑易用性、可用性，但临床当中这些问题都要考虑。所以一个人工智能的产品，从科研最后走到临床，还有很多问题需要考虑。
人工智能在神经外科临床应用中有很多需求，简单举几个例子：
第一，通过人脸机器识别来筛查早期垂体生长激素瘤。因为人脸是有特征性的，比如说嘴唇、鼻子，额头等大小及比例，列上相关几个关键要素，通过AI人脸设别，通过和临床上经过专家检查、化验及磁共振检查加以证实的病人去比较，两者之间确实有相当大的一个吻合度。
结果还是不错的。可以用来做筛查。
第二，胶质瘤，它的不同的部位，不同的形态，不同的磁共振等检查信息与病人的病理诊断是否有关联也在研究中，特别对于比较少见，不典型的病例，如果我们有足够多的病例加以总结，特征提取，加上AI的自学习能力，会有助于提高我们的诊断水平，从而指导我们的治疗方案。我们目前还在搜集更多的基于病理诊断的数据。
第三，脑梗病人的血栓特性的识别用于指导治疗。同样一个脑梗，血栓的类型性质不一样，治疗的方法不一样，最后得到的效果也是不一样的。希望通过大数据来分析，从而用人工智能来诊断评估，选择合适的治疗时机和方法。
第四，帕金森氏病的治疗。许多帕金森氏病病人经过药物治疗无效或效果不好的话，根据评估，可以通过脑深部电刺激植入电极去刺激（DBS）），得到比较好的治疗效果。但传统DBS的刺激是根据调节好的参数持续不变的给予刺激，而不是根据需要可以随时个性化调节的。目前有研究用人工智能，也属于脑机接口技术，通过病人不同状态的需要，采集到信号，再加以自动反馈刺激，也就是“按需刺激”，这就是人工智能开发的二代DBS设备。此外，也包括人工智能治疗癫痫。
所以在神经外科许多方面都很有前景。相信随着数据的积累，包括这些人工智能研究方面的进步，这些都会运用到临床，相信不是一个遥远的梦想。
从整个法规层面来看，我们的监管部门非常重视。 A I在医疗方面的应用，其实在促进我们产品的注册，但是实际上在这个过程中间还是会有很多实际的问题。
第一，医疗器械质量管理体系方面的意识是比较欠缺的。AI审评要点中对数据质量控制的要求非常高，所以说AI医疗器械企业的质量管理体系的合规性非常重要，但是做AI医疗器械产品的企业，往往做开发和测试的人员居多，他们可能并没有医疗器械行业质量体系方面一些意识。可能产品做好了，去做注册的时候才发现前期该做的规范性工作没有做。
第二，在审批要点里面，也对数据质量控制有很明确的要求，涉及到数据采集、脱敏清洗标注、数据集构建等一系列的工作，每个环节都涉及到对数据质量的控制，怎么样保证从医院采集的数据的合规性及可追溯性，都应该有相应的管理规范。目前可能很多企业在获取数据的时候，并没有去按照这样严格的规范来做。 另外，数据的泛化能力，如果说在做训练的时候数据只是来自于一家医院，可能泛化能力会比较差，在后期注册的时候也会存在一些问题。
第三，在整个注册的过程中，临床试验的成本费用、周期都是最大的。要在临床上去证明AI产品的有效性，那临床实验首先需要有代表性，通常情况下至少需要4~5家医院，并且要在多家不同区域的医院去开展。另外做临床的时候，可能还要根据产品的安全性级别来决定是采用前瞻性的临床试验，还是回顾性的临床试验。
第四，因为通常AI的产品基本上都是三类的产品需要在国家药监局注册。在做注册的过程中，除了检验报告、临床试验的资料之外，还有很多其他资料，包括综述资料、研究资料、软件文档、网络安全文档、风险管理资料等等。这些文件又涉及到很多不同的知识点，对于AI生产企业来说也是一个比较大的挑战，需要有专门熟悉法规和质量，同时又了解AI产品相关知识的人才，相结合起来，去完成注册材料的准备工作。
整个产品注册是一个系统工程，需要整体规划，保持各个阶段间的有效衔接和一致性，才能保证产品最终能够顺利拿到注册证，顺利上市。
文章评论(0)