AI硬件和技术的快速进步已推动各行业进行大规模投资，以加速研究、提高效率并转变业务运营。然而，医疗机构在广泛采用AI方面却相对滞后。它们在资金、执行以及跟上持续创新步伐等方面面临着重大挑战。
我在超级计算2025大会上了解到了这些挑战的诸多细节。会上，我与医疗公司代表、临床医生、技术人员以及公立和私立大学的代表进行了交流。直接听取那些因AI采用停滞而受影响的人们的意见，突显了这些挑战的真正复杂性。
但我也了解到，尽管存在这些障碍，AI在医疗保健领域仍具有变革潜力。它可以帮助提高诊断速度和准确性，加速药物发现，增强临床决策能力，并最终重塑全球范围内的患者护理和治疗效果。
通过了解所面临的挑战，医疗机构可以采取策略，确保有效采用AI。
在医疗环境中采用AI的三大挑战
以下是医疗机构在实施AI解决方案时面临的一些关键挑战：
长期资金
建设最先进的AI基础设施需要大量的前期资本，以及用于升级、维护和引进专业人才的持续资金。但医疗机构依赖于拨款和短期资金，这往往限制了其大规模部署和维持AI的能力。来自联邦拨款、慈善和企业捐赠以及大学项目等来源的资金通常资助的是研究，而非实际应用。此外，这些资金往往周期短，并施加严格的合规要求，从而拖慢了进展。
AI专用硬件和数据中心系统的快速演进加剧了这一挑战。缓慢的拨款流程、采购周期和部署时间表意味着，技术在被资助和安装时往往已接近过时。因此，医疗机构面临着财务和运营压力，硬件生命周期缩短，以及扩展集群的困难。它们被迫管理异构系统、接受性能权衡或提前更换设备，这凸显了对更灵活、面向未来的投资策略的需求。
多学科技能短缺
在任何行业中，AI模型的开发、部署和验证都需要专业人才。医疗机构尤其需要兼具深厚医学领域专业知识，并能胜任AI伦理专家、政府事务专家或AI安全专家等技术前沿岗位的人员。然而，临床医生和研究人员虽然拥有关键的医学知识，但通常缺乏设计和实施大规模AI及机器学习模型所需的培训。
相反，许多AI工程师对模型必须运行的复杂生物学和临床环境缺乏足够了解。如果不了解该领域的细微差别，他们在解释数据或判断决策时应考虑或忽略哪些参数时会遇到困难。
聚合且不一致的数据集
医疗AI的一个主要障碍是患者数据分散在医院、大学、电子病历系统和国家边界之间。临床数据以不一致的格式被隔离存储，并受不同法规的约束，这使得大规模整合变得困难。因此，AI模型通常无法访问足够多样化、标准化和可互操作的数据集。
即使机构内部聚合了数据，这些努力也是有限的，无法解决整个生态系统范围内的互操作性挑战。而快速增长的数据源，包括历史记录、影像系统、可穿戴设备和患者报告信息，又使问题更加复杂。这些数据难以整合和协调，阻碍了为AI和高级分析创建全面、可靠数据集的工作。
加速医疗领域AI应用的潜在方法
我相信有一些策略可以帮助加速医疗机构的AI应用并扩大其影响。虽然这些策略可能复杂且具有挑战性，但值得花时间去实施。
持续、长期的投资策略
成功的AI应用需要持续、长期的资金支持，以实现可扩展的基础设施部署并减少重复劳动。以下是一些有用的方法：
- 简化采购流程： 通过简化审批、减少文书工作和最小化完成采购所需的步骤，创建一个一致、可预测且更快速的采购系统。
- 建立战略合作伙伴关系： 与能够支持基础设施建设的科技公司建立长期合作伙伴关系。在某些情况下，可以共同创新专门针对医疗行业需求的解决方案。
- 汇集跨利益相关者的投资： 设法将来自多个拨款和资金来源的资金合并到一个单一的投资池中，从而实现更高效的分配。
提升AI素养的技能培训
医疗领域最关键的AI技能提升需求之一是培养伦理专家和安全专家。这些专业人员必须深刻理解确保患者数据受到保护的重要性以及复杂性，并确保AI模型在其整个生命周期中符合伦理标准。
另一个基本要求是加强数据科学家和机器学习工程师的医学领域专业知识。负责结构化数据、构建数据管道和开发模型的人员必须精通临床工作流程、专业术语和医学细微差别。这样，他们就能更独立地工作，减少对医生基础指导的依赖，并最终为临床工作人员腾出宝贵的时间，让他们专注于患者护理。
数据聚合与互操作性
改善数据聚合和互操作性仍然是一个关键且复杂的问题。取得进展需要跨电子病历供应商统一数据格式和临床参数的标准，并建立协作框架，使机构能够安全地聚合和共享数据。在通用标准和治理模型支持下开展集体努力，对于创建高质量、有代表性的数据集至关重要，而这些数据集能够有效地为AI驱动的医疗解决方案提供动力。
AI有潜力成为医疗机构和患者的真正游戏规则改变者，为改善医疗服务、运营效率和临床结果提供非凡的机会。通过解决这些结构性挑战，该领域的组织可以加速进步，并释放这项技术的全部变革力量。
【全文结束】