回归数据价值是关键
对于AI医疗公司来说，单一的算法开发如今似乎很难支撑起一家公司数据的价值重新回归。
“实际上，人工智能是一种知识的表达。”杨吉江谈到，人工智能其实是一个交叉学科，既是计算机科学的分支，又涉及心理学、哲学和语言学等。如果研究机构或公司只是单纯研究算法，那么很难实际应用。不同来源的数据与算法结合，才是人工智能的根基。
自然语言学习、深度学习、虚拟助理等，都是AI的具体研究领域。在医疗方面，图像分析的应用也比较广泛。
杨吉江认为，从发展阶段上看，人工智能从早期推理到后面的数据驱动，数据是最主要的。例如，有AI＋医疗影像的公司与业内专家探讨，开始回归数据，在数据采集、数据管理上花费很大的力气，而不是“虚幻的”去做诊断。
对AI医疗来说，数据的重要性不言而喻。AI在小样本集上做的诊断或推定，被认为是不可持久的模式，因为一旦再扩大一点范围，换一个病种、换一个地方，结果可能就出现偏差，正确率下降。
“为什么人工智能突然爆发？实际上这跟大数据的发展也有一定关系。我们现在手上都有很多数据，但如果不去有效地利用，就不具有价值。”杨吉江说。
杨吉江有过400万个数据清洗完后，剩下20多万个的经历；从某医院拿到的200万个眼科数据，清洗过后也差不多只剩下20万个。作为AI医疗的基本素材，数据的准确性和质量非常重要。但“干净”的数据并不容易获得，需要很大的工作量。
即便数据量足够大，在面对每个个体的差异时，AI医疗依然没法保证100％的准确率，一旦出现问题就是误诊、漏诊。因此，多位与会人员亦表达了类似的观点，即人工智能在医疗领域的角色目前仍是辅助。
针对临床决策的辅助系统，融合大量医学指南与医生的经验智慧，针对治疗目标及治疗的实时效果进行决策建议，大大提升科室的综合决策诊断水平。
迈瑞发现，作为光信号的血氧参数以及电信号的心电参数间，其实有着紧密的联系。把两个数据“拧在一起”，在多参数联合分析作用下，对心率、脉搏监测准确性大大提升，并极大地增强了报警的准确性。这样“智能报警”的结果，则是让致命性心律失常误报次数大幅下降65％，其他心律失常误报次数下降50％。同时，对于心率准确性提升30％，脉率准确性提升30％。
点评：但截至目前，没有人能保证人工智能能达到100%的准确率，但是有哪个医生能保证自己能达到100%的准确率吗？如果人不能达到，就要求AI一定达到，是不是对人工智能太过苛求？现阶段让人工智能在医疗的过程中提高数据的分析利用效率，给医生的分析判断提供参考就是最大的贡献。其它的可以在实践中慢慢进步
