2 从实验室到医院到底还有多远？
看来，在AI读片成为“普世”服务前，如何让AI真正从实验室走向医院，从科研走向临床，或许才是眼下更务实、也是更紧迫的思考。
首当其冲的，是AI的合法“身份”问题。
“我国对医疗器械有着严格的分类和监管，医疗产品需要有国家许可才能用于患者。在医疗产品用到AI前，需要先把AI注册成为三类医疗器械，门槛还是很高的。更何况，目前有关AI产品的审查机制尚不明确，因此还没有任何一款国内的AI产品可以直接用于临床” ，杨光教授解释道。
其次不得不提的，是谁来为AI埋单的问题。
在上述论坛上就有嘉宾提出，医院要实现AI看片，必然会涉及成本投入。那么，额外的成本投入是否会转嫁给患者？患者又是否愿意为AI埋单呢？如果不解决谁出钱的问题，AI都将很难在医院和患者层面得到大规模应用。
对此杨光教授认为，在医疗资源中，医生是最昂贵的资源之一。如果AI确实能在某些方面替代医生工作，就会使整个医疗体系中的医生数量占比下降。从这一意义来看，AI反而是节省了成本。
他同时指出，AI能否在医院临床中发挥实质性作用，另一个关键点在于是否可能进入医保。他相信，有朝一日当AI的可靠性、认知度达到一定程度，让医院和患者都能真正受益于AI，那么AI进入医保也将没有障碍。
另外，图像识别类AI无法跳脱的，还有数据问题。
影像类AI是典型的基于大数据的AI，自然会面临数据来源的问题。以上海市磁共振重点实验室为例，作为华东师范大学的一个实验室，并不掌握病患的影像数据，最初的AI模型训练也只能使用公开数据，数量有限。
但杨光教授的视野则更为广阔。他说，如果把数据比作金矿，那么现在的矿主就是医院。“我们既做科研也做工程，就相当于做矿山机械。我们的目标是面对同样的金矿，我们可以挖出更多金子，与医院分享这些多挖出来的金子，所以医院也愿意和我们合作。”
他坦言，确实有一些医院非常看重和保护自己手中的数据金矿，有这样的想法也很自然。矿主确实应该把金矿看管好，但如果不去挖掘的话，金矿是没有价值的，何况数据金矿是可以重复挖掘的。从这层意义来说，挖掘能力的价值和金矿的价值是同等重要的。
杨光教授强调，基于大数据的AI并不会受制于数据隐私保护意识和措施的提升，关键在于以更合理的方式实现数据共享。据他介绍，在美国，医疗数据可以通过一些中立的组织汇总在一起，再开放给全社会，这样就带动了整个行业的发展，而我国在这方面还相对欠缺。
他建议，政府应该推动数据共享工作，这并不意味着政府应该把所有数据汇总在一起。杨教授对算力智库表示，非常看好分布式的数据共享方式，通过隐私计算确保各方数据不出本地就能实现共享。
在政策方面，白皮书提出了3点建议。第一，出台引导政策，将AI医疗影像辅助诊断产品尽早纳入“医疗行业优先使用国产设备政策”。第二，加强基层诊疗，搭建AI影像中心和实验室建设。第三，将AI影像辅助诊断新技术使用明确纳入医院评分内容。
