当对视频的智能分析进入医疗领域，我们距离挽救更多生命还有多远

AI之于医疗影像，可以说是救世主一般的存在。超强的算力结合学习能力，让AI可以从无数医疗影像片中快速找到规律，将医生几十年之间的阅片经验转换成可复制、可普及的技术工具。除了极大地解放出医生的生产力，让紧张的医疗资源稍有缓和以外，还开始在某些疾病的发现上超越人类，像在最近的报道中谷歌和美国一家医疗机构合作利用人工智能诊断、监测乳腺癌，在转移性乳腺癌的监测中，谷歌人工智能系统就获得了99%的准确率，已经超过了人类病理专家的水平。

仅仅是图像上的识别就能带来如此巨大的变化，那么从今年开始，计算资源的提升让AI开始越来越多地进入视频领域，对视频的智能化分析，在医疗上又会造成哪些影响？

用视频分析帕金森病？

可能没你想象的那么神奇

实际上在AI分析视频进行智能辅助诊疗上，已经出现了相关的应用案例。几个月前，腾讯医疗人工智能实验室推出了一项名为“帕金森病运动功能智能评估系统”的帕金森病AI辅助诊断新技术。患者按照帕金森评判标准完成动作并拍摄视频，评估系统就可以通过动作的完成度，帮助医生用3分钟来判断患者是否患有帕金森症，而医生单独进行诊疗时，需要大量的沟通和30分钟左右肉眼观察。

用户不需要佩戴复杂的传感器，仅仅利用普通手机摄像头就可以完成拍摄。在家庭、养老院等等场景中就能完成远程诊断，极大的提升了帕金森诊断的便利性和效率。

当然，AI分析视频对于帕金森的辅助诊断目前来说还只是个例。原因在于，国际上对于帕金森的诊断有一套严格的标准，名为UPDRS（统一帕金森病评定量表）。其中关于动作部分有着很严格的标准，比如站立做起时的灵活度、手部动作静止时的震颤程度等等。

也就说，帕金森是一种可以“被结构化”的疾病。如何从视觉方面判断疾病，有着非常明晰的标准。而这种可格式化的疾病是非常少见的，我们不能通过人的动作判断感冒发烧，也不能用动作判断出扭伤骨骼。

所以说，目前这种通过动作分析进行智能辅诊的应用范围还是略窄的。

让人无感的视频智能分析，

或许会让急救医疗挽救更多生命

但讨论视频智能分析之于医疗的应用价值，并不能单独针对某一种疾病讨论。从效率和成本上来讲，医疗视频智能分析很难胜于单纯的图像分析。毕竟大部分可观测的疾病看的是静态的表征而不是动态。例如皮肤的创口红肿，明明通过拍张照片甚至几句描述就能判断，何必要录一段视频呢？

但视频这种介质则有一个图像不具备的特点，那就是存在的“无感性”。我们生活中随处都有视频监控的存在，但我们已经习惯了生活在这种记录中。这样一来，视频智能分析诊疗可以化医疗从被动到主动。

主动的医疗，就是我们在感到身体不适时会寻医问药、去医院、使用移动医疗App。但很多时候，我们没有选择主动去进行医治，甚至来不及去医治。尤其是一些突发性的疾病，如果身边没人发现，很可能在不知不觉间就对患者造成了无法挽回的损失。

但结合摄像头的存在和对视频的智能化分析，很可能改变这种状况。例如在养老院这种场景中，如果老人在周围无人的情况下突发昏厥，视频分析可以精准识别并且发出警报。甚至可以通过对昏厥整个流程的分析，判断出基本的疾病方向，例如摔倒可能导致的脑部损伤和身体骨折，或者捂住胸口可能心脏疾病，从而更好的进行救治，不会出现因为患者昏厥而无法了解疾病状况的状况。

在空巢家庭越来越普及的今天，这种通过对视频智能分析而连接急救医疗的系统带来的不仅仅是经济效益，更多的还有对人生命的保障。

难以推行的视频急救医疗，

在AI的前路上等你

而推行这种急救医疗系统，也面临着不小的问题。

首先就是识别模型的训练。与医疗影像这种有着细致数据的模型不同，需要急救的紧急状况本来就是模糊的。我们常常看到新闻说，有人在公众场合感到身体不适，坐下稍作休息后就离开人世。很多状况人类都无法看出异样，AI是否也会束手无力呢？更重要的问题时，精准的模型训练往往依赖大量数据训练。可急救医疗这种状况本身很难留下数据——否则也不会造成那么多悲剧了。

其次就是隐私的边界。视频智能分析起效的前提，很可能就是无处不在的摄像头。我们能够接受公共场合的摄像头，是因为信任整个国家的监控体系。但私人场合中的摄像头应该由哪一方推行，用户要如何信任供应商，数据的应用如何受到监督，都是难以解决的问题。

最后还有算力的限制。和一般的AI应用不同，视频智能化的急救医疗本身就在于“急”。很多AI应用可以等到数据上传到云端，再返回计算结果。可急救医疗承受不起这其中的风险：有人打王者荣耀导致网速慢了、电力系统突然跳闸导致没网了……这些突发状况不仅仅性命攸关，更会带来难以分辨的追责问题——室友下载电影占用网速导致我晕厥时没有被视频急救系统准确识别，最终我因病暴毙，室友需要为我的死负责吗？

其实这样看来，视频智能分析之于急救医疗应用，所要面对的问题和当前AI技术的发展是一样的：发展小数据甚至无数据学习，在尽可能少的数据下训练更精准的模型；本地计算，尽量提升本地算力并且收敛神经网络模型，让数据的分析在本地进行以提升计算速度和保护数据的安全。

这也说明了一个问题，AI不仅仅应该生长在适应自身的土壤中，用大量可供分析的兴趣数据促使商家多卖出几件商品，或是为某一篇文章增加一点点击量。那些需要技术突破的盐碱地之中，或许能够捕捉到商业之上的更多价值。