圖為京東方移動健康IoT平台事業群AI醫生與移動健康研究院副院長王玉峰發表演講

人民網北京11月7日電 京東方全球創新伙伴大會·2018（BOE IPC·2018）在北京盛大開幕，全球相關領域專家學者、企業高管齊聚北京，共同探討物聯網細分領域應用、技術及未來趨勢。京東方移動健康IoT平台事業群AI醫生與移動健康研究院副院長王玉峰參加移動健康論壇並發表演講。

以下為演講實錄：

大家下午好，歡迎回到移動健康分論壇，剛才我們APP3.0已經發布了，預計明年會有超過20款硬件接入我們的產品。隨著越來越多的健康檢測產品進入家庭，人們對家庭場景裡的健康自查自測開始有了更多的需求。我們也一直在思考，未來家庭場景下的健康服務會是怎樣的，我們簡單歸納四個方面：

首先，我們希望實現精准便捷的生命數據採集。比如：如果在家中就能進行C反應蛋白和白細胞總數等炎症因子檢測的話，感冒生病時，自己在家裡就能初步判斷感冒發熱的類型，省去了醫院數小時的奔波。其次，實現真正的全生命期健康數據管理,讓數據真正為我所用。第三，足不出戶就能獲得全方位的健康服務。比如，通過移動app可以邀請遠程牙醫生和耳鼻喉醫生進行虛擬會診，通過一種新型的健康檢測設備能讓醫生身臨其境的遠程“查看”狀況。第四，在AI支持下獲得聰明的健康建議。比如，對於希望減重的人群，AI醫生會結合個人的飲食、運動、睡眠、乃至腸道菌群的個性數據給出最佳的減重建議，並全程跟蹤管理。我們要實現以上的服務場景，核心是要構建一個開放、精准、AI賦能的移動健康IoT平台。

移動健康IoT平台的核心能力，將主要體現在“兩端”。一端是實現生命數據採集的IoT檢測終端，另一端是實現數據分析與智能決策的AI健康雲端。下面我會和大家分享我們在這“兩端”上的技術實踐和思考。首先，在健康IoT檢測終端方向上，我們的重要發力點是生物芯片技術。

生物芯片是指在硅基，玻璃基，或高分子材料等芯片載體上，搭載特定的生物試劑，從而實現針對包括細胞，蛋白，核酸，和小分子等在內的生物標志物的檢測平台。通過微加工等技術，生物芯片實現了將通常在實驗室內復雜的生物檢測流程集成到了微小的芯片結構上，極大提高了檢測效率，並使自動化的操作流程成為可能。從檢測樣品來看，生物芯片可以實現血液、尿液、唾液、呼吸道分泌物等生物樣本的檢測。從檢測技術平台來看，生物芯片上可以實現生化診斷、免疫診斷及分子診斷等檢測手段。基於以上兩個維度我們看到利用生物芯片技術可以對流感、糖尿病、心腦血管等多種健康問題進行快速檢測診斷。

更進一步，我們以生物芯片技術為基礎，面向不同的檢測需求開發“陣列、磁珠、微流控等”多技術手段融合的檢測終端產品，形成家庭場景下的即時檢驗技術能力。我們希望通過研發多指標、微型化和智能化的即時檢驗終端產品，將以往隻有在醫院才能完成的檢測項目更多的帶入社區和家庭。

與此同時，生物傳感技術與可穿戴技術的融合，催生了大量諸如戒指、手環、手表、心電貼等可穿戴式的生命體征檢測設備。這類檢測終端具有更好的連續體征監測能力，可以對諸如血氧、心率、睡眠、血壓等生理參數進行連續監測，形成的連續時間線數據與生物芯片等及時檢驗設備獲取的醫療級時間點數據，整體構建了家庭場景中多層次的量化生命數據。

在現實需求中，特點人群的健康問題往往需要對一組生命參數的持續監測與閉環管理。例如針對慢性呼吸系統疾病人群的運動問題，他們需要運動康復但運動不能過量，需要圍繞運動、呼吸、血氧、心率變異性及空氣質量等指標，構建整合的健康IoT終端解決方案。未來，我們將與生態鏈合作伙伴一起，面向不同人群及場景的健康需求，積極推出整合的健康IoT終端解決方案，並在技術上實現連續、實時、融合的生命數據採集與閉環管理。以上是我們在健康IoT檢測終端方向的一些實踐和思考。歸納起來：我們以生物芯片技術為基礎研發多參數、微型化的家用即時檢驗終端產品，配合可穿戴生物傳感技術，實現家庭場景點線結合的醫療級生命參數採集能力。進一步的，我們需要對於採集的健康數據如何進行解讀分析，預測潛在疾病風險，並基於算法進行個性化健康干預。這一切都有賴於一個AI賦能的健康雲平台的支持。

我們正在構建的健康雲平台主要有三大核心能力。首先，是服務連接的能力。在雲端實現用戶、醫生、線上健康服務、及線下診療機構業務流程連接。第二層是健康大數據管理能力。個體全生命周期健康數據被匯聚到雲端形成完整的個人電子健康檔案，檔案數據不但包括家庭場景採集的健康檢測數據，也將包括從BOE數字醫院、智慧診所等醫療機構獲取的檢查檢驗等臨床數據。個體的電子健康檔案數據會在充分的授權與隱私包含機制下進行分析，以便讓用戶獲得個性化的健康服務體驗。此外，臨床指南、醫學文獻、以及各類專業知識庫等開放數據也將匯聚於雲端。第三層是智慧健康決策的能力。主要通過AI醫生服務引擎，賦能醫患兩端，幫助醫患更好的進行健康決策。具體的講

AI醫生引擎，通過整合圖像識別、自然語言處理、知識圖譜等多項AI技術能力，正在形成覆蓋健康服務多場景的AI算法及系列產品，具體包括：導診推薦、評估預測、影像判讀篩查、用藥指導、慢病管理、患教隨訪六個核心場景。例如，在評估預測方面，目前AI醫生引擎主要以糖尿病、眼底疾病以及心腦血管疾病的篩查及風險預測為切入點。我們自主開發的眼底影像分析算法，未來有潛力對個體發生心腦血管疾病的風險進行早期預測。在患教隨訪方面，我們將開發健康知識問答服務，以自然語言交互的方式將科學有益的健康知識精准送達用戶。同時，我們也將為醫生開發智能隨訪AI助手，幫助醫生自動回答專科領域的常見診療咨詢問題，提升醫生的服務效率。

這裡要特別提到，京東方目前在醫療影像AI方面也做了不少工作，我們目前更多關注在眼底影像的識別、篩查與輔助診斷方面，我們在醫療影像AI方面，已經擁有業界領先的糖尿病視網膜病變和青光眼單病種檢測系統，基於大量高質量臨床標注數據開發的AI眼底疾病篩查系統算法檢測精度達到了業界領先水平。后續，我們將開發具有更先進水平的多病種AI眼底疾病篩查系統，實現同時診斷多種常見的眼底疾病，精准給出病灶的位置、類型等信息，輔助醫生決策。從而更好的滿足實際臨床需要。

當前，以深度學習為代表的人工智能技術在影像識別、語音識別等感知型學習任務上取得的了驚人進展，醫療影像輔助診斷領域的應用也由此有了迅速發展。深度學習方法端到端的黑盒特征，使得基於其開發的算法雖然性能優異，但很難給出醫學邏輯上的直觀解釋。當越來越多的健康醫學決策由深度學習算法參與完成時，人們不禁會問，這一決策的醫學邏輯是否合理，是否與經典的臨床指南和專家共識相兼容。下面的兩篇報到分別是《自然》和福布斯針對人工智能黑盒問題的探討。人工智能算法的可解釋性在醫學領域應用時有著現實的意義，人們希望AI算法知其然，更知其所以然。相比較而言，人工智能傳統的決策樹技術，以及近年來不斷發展的知識圖譜技術，恰恰能與深度學習模型形成應用互補。

基於此，我們採用數據加語義知識雙驅動的技術思路，圍繞AI醫生服務引擎，提出綜合運用深度學習/機器學習、規則知識庫，以及知識圖譜技術的技術路線。機器學習方法在疾病分類及預測等數據驅動模型構建過程中仍然是主要方法，但分類預測及健康干預方案的選擇結果將進一步參考從臨床指南、專家共識抽取的規則化專家知識。同時基於醫療健康大數據學習得到的醫學圖譜中所表達的概念實體及語義關系將在智能問答等應用領域提供模型解釋及語義支持能力。

這張圖展示了BOE健康雲端平台的總體技術架構。以上我從技術的視角和大家分享了移動健康IoT平台在IoT檢測終端以及AI健康雲端“兩端”上的工作和思考。

展望未來，隨著生物傳感以及人工智能技術的快速發展，政策空間的打開，以及消費升級推動下健康服務市場的不斷成熟，京東方移動健康事業迎來了巨大的發展機遇期。借用《孟子》的一句話，"雖有智慧，不如乘勢，雖有镃基，不如待時"。BOE移動健康IoT平台作為一個開放共贏平台願意與各位合作伙伴一道乘勢而為，共創共享健康物聯網發展的新機遇。

謝謝大家。

分享讓更多人看到