现阶段医疗最主要的问题在于资源分配不均，同时各个环节处理效率比较低。AI技术可以帮助优化资源分配，提高医疗各环节的效率，提升诊疗效果
医疗包括多项内容：挂号，检查，影像读取，报告解读，诊断，开药，支付，住院，手术等等，各个环节都有对应的痛点，本篇文章仅说明下辅助诊断。
背景
诊断是医疗中的一个核心环节，当前中医与西医给出诊断的方式不同。西医给出诊断依赖于：1）患者体征 2）患者描述 3）检查数据，其中1，3是主要判断依据。而中医则通过体征查看，脉象诊查，患者描述的方式确认诊断。在这个过程中，医生获取患者信息，解读信息的时间比较长，同时也存在误诊的可能的性。当前市场上的辅助诊断工具本质上就是为了解决上述问题。
AI实现辅助诊断分为两大类：一种是由专家基于个人经验搭建知识库。这种相对比较精确，但是覆盖面小，只适合特定领域的辅助诊断。第二种就是使用机器学习算法，从医院和网上抽取数据，构造一个更为全面的知识图谱。但是受限于没有数据规划，以及当前技术水平，在精确度上有所不足。在当今社会，基本上提供辅助诊断服务的公司大部分是第二种。
基于底层数据的类型，可以将辅助诊断模型分为：文本诊断类型，图像诊断类型。文本类型的实现逻辑，大体上是使用算法，从医学文献，病例，网上医疗信息中获取并生成结构化数据。而图像诊断类型则是从医院影像资料库，以及网上开发影像库中获取。
现状
当前辅助诊断如需被医生接受使用，需要满足两个条件：准确以及可解释。
综合市场上做文本辅助诊断的公司玩家由：平安好医生，微医等在线问诊平台，watson，百度医疗大脑，康夫子等服务提供商。图像辅助诊断等玩家有：阿里ET医疗大脑，腾讯觅影，依图科技等公司。如上面所说，医生在诊断过程中极度依赖检查或者观察得到的信息数据，这些数据基本上都在医院，可使用性比较差。这就导致现阶段的文本辅助诊断模型效果精度无法达到医生要求。而图像辅助诊断，由于处理的业务比较单一，主要使用的是ct／mri数据，同时图像识别技术相对于NLP，更能支撑诊断，反映在市场上的结果就是这个赛道上有太多的玩家。
问题
现阶段辅助诊断工具发展的并不好，总结原因有如下几点：
数据
1）现阶段诊断所需要的核心数据都在医院内部，而不同检查的设备厂商不同，数据无法互动，也造成了数据结构的不一致，使用很困难
2）数据的安全隐私性问题
3）使用数据的法律法规完善技术
1）当前深度学习技术在图像识别领域有很大发展，支持了图像辅助诊断。但NLP现阶段水平无法支持文本辅助诊断的效果。
2）诊断需要综合患者的所有信息进行判断，单纯图像一点并无法保证最终诊断的准确性市场
现在很多医生对于辅助诊断工具还持谨慎观察的态度，也一定程度上影像了辅助诊断工具的推广
解决办法
1）国家已经高屋建瓴的规划了医疗数据的开发时间表，并在政策上，对医疗数据的开放，逐步扫清了障碍
2）医院，尤其是三甲医院，为了自身发展，也会准别升级内部信息系统，统一数据规范
3）后续数据的开放和使用应该会是以联盟的形式进行，尽可能拿到门票
3）技术升级有赖于整个技术领域的发展，在此之前可以结合公司所具备的资源，选择特定的领域尝试进行辅助决策
