如何让人工智能更好地理解医生？

6 月，「KnowingAI 知智」主办了「AI+医疗——如何让人工智能更好地理解医生」主题活动。在主题演讲之外，「KnowingAI 知智」特别设置了圆桌讨论环节，希望 AI 医疗从业者能从不同切入点的不同视角，共同探讨 AI 与医疗结合的机遇与挑战。

现将内容整理如下，以飨读者。

▼ 圆桌嘉宾 ▼

杨琼，拍医拍智能 CEO

王瑞，汇医慧影 创新产品总监

赵卫国，推想科技 产品总监

刘昌芳，Atman 产品负责人

侯姝萌，森亿智能北京分公司副总经理

吕晓艳，解放军 302 医院 影像科副主任医师

▼ 精华观点 ▼

1、当把产品和平台做起来之后，再对接上 AI，便是一件水到渠成的事情。

2、从科研角度看，医生是追求高科技、追求新技术的团体，然而站在行政职务层面又是一个相对保守的团队。由于工作身份的双重属性，一方面医生是非常愿意接触新鲜事物的；另外一方面要考虑是否合法合规。

3、医学上能做分析判断，人工智能就可以逐渐逼近这个结果。目前医生无法做到的，人工智能也是没有办法做到。

4、我们这些公司都属于在交叉型行业衍生出的类型应用，交叉型人才是最稀缺的。作为人工智能+医学影像的公司，想要做好（工作）的话首先要懂算法、其次需要具备一些医学的背景，可能还要懂一些数学。

▼ 现场实录 ▼

在不影响原意的情况下，「KnowingAI 知智」进行了编辑整理。

1、KnowingAI：AI+医疗公司是如何与医疗或其他机构进行合作的，彼此之间如何建立信任？

Atman 刘昌芳：我们和强生的合作是水到渠成的。强生之前有一个 20 人的团队一直在做机器翻译的项目，但翻译量太大了。2016 年 10 月谷歌发布神经网络翻译系统之后，强生发现这个系统翻译出来的句子可读、修改一下就可以用，就从全球找了 16 家供应商招标采购。

我们虽然是一家初创企业，但大部分同事都是来自微软的技术专家。当时我们参与竞标，强生给了我们机会。正是因为这个机会，我们进入了医学领域。

推想科技 赵卫国：医院对技术的态度是既包容、开放，同时也是非常的严谨的。其实我们早期受到过一些老师的质疑，像是许多医生早期都研究、使用过 CAD，但是 CAD 没有帮他们解决问题。在他们看来，深度学习可能一样无法帮助他们解决问题。

通过不断与医生共同打磨产品、不断深入临床工作，他们逐渐发现深度学习确实是与原来印象中的 CAD 是不一样的，是可以帮助解决问题的。就这样我们一家、一家（医院）建立信任，也和包括同济医院等优秀的医院进行合作，逐步打磨出现在的产品。

拍医拍科技 杨琼：我们和很多医院进行过合作，不过其实不同的医院会有一些不同之处。像是我们与北京协和、上海九院的合作，契机是最开始在会议上同大家进行交流，双方觉得还不错，后期就会一起尝试做一些科研方面的合作。

像是我们的儿保产品方面的合作，最开始甚至都不是从 AI 上切入的。因为医生在很多实际的工作中有很多需求，哪怕是一些小工具都能为他们提供非常大的便利、提高工作效率。我们先通过帮医生提供这些工具和平台，来取得他们的信任。让他们觉得我们是非常愿意花心思，静下心来琢磨他们的实际需求的，通过这样的方式一步步地建立起与对方之间的信任。当把产品和平台做起来之后，再对接上 AI，就是水到渠成的事。医生一是严谨，二是追求效率，（产品）一定要能在真正的工作上帮助到他们。

除此之外我们还有一个感受，是很多原来从事 AI、大数据的人投入到这个行业，可能对医疗并不了解。医疗本身是一个高门槛的行业，如果我们不具备医学知识，就会遇到沟通上的障碍。最开始的时候为了能够突破这个门槛，我们在公司内部做了大量的交流，邀请医学专家来做分享，为我们解开许多困惑。平时也会通过看书吸收各种医学方面的知识。当我们逐渐建立了医学知识，能和医生进行沟通的时候，很多事情就慢慢顺畅起来了。

森亿智能 侯姝萌：我们公司是在 2016 年 4 月成立的，应该是在座公司里面最年轻的一个。公司大部分是技术人员。

医疗这个圈子大家也知道，他本身的专业性，包括深度都是非常深的。我们几个创始人完全没有相关背景。从最开始面向的客户是医院的科室，再是整个医院的院企、最后是第三方产业的药企和保险公司。在得到客户认可、拓展客户方面来说，森亿只有一条「路子」，就是陌拜再加上技术过硬。

我们一直不太对外宣传我们自己是 AI 公司。因为过多的讲自己是 AI 公司，可能会把它的功效谈得神乎其神。站在医生、医院、药企的角度，其实并不能 Get 到你的点。反而是产品在业务流程、市场推广、研究成果上能够提供帮助，客户才更容易地接受。

2016 年底，我们开始和医院谈合作。森亿的知名度没有比其他大数据公司高，如何得到客户的认可？靠现场 PK。医院会提供一份完整的文书给我们，我们会用 AI 引擎现场完成文本结构化、标准化，结果好与不好由医生现场判断。这种直观的感受，是为了让客户能够从心底接受我们。

包括后来我们与药企、与国家健康医疗大数据进行合作，基本上全部靠的是过硬的技术，也没有过多其他的宣传。

汇医慧影 王瑞：我们最初做医学影像人工智能的时候，是希望能让产品尽快落地。不仅是为了帮助医生、也是为了帮助医院和患者。但在这个过程之中，我们发现医生和医院是非常复杂的矛盾体。比如医生作为一名院长，是属于政府部门的职务，但又承担很大的科研压力。

从科研角度看，医生是追求高科技、追求新技术的团体，然而站在行政职务层面又是一个相对保守的团队。由于工作身份的双重属性，一方面医生是非常愿意接触新鲜事物的；另外一方面要考虑是否合法合规。

基于这样的情况，我们作出了一些改变。第一，通过不断地了解医生的实际需求，不断推进产品落地，同时还针对医院的科研需求做一些产品化，服务于影像、科研、论文发表等工作。放射类产品上线后有 400 多家医院里的 1000 多位医生使用，基于这个产品衍生累非常多的论文。在帮助医生发表文章的同时，拉近我们跟医生真正的距离，让他们相信我们。

第二，考虑到医院作为行政机构的特殊性，我们也需要不断地了解政策。其实政府对于医疗影像是有一些特殊政策和利好的消息。不断地了解这些利好消息以及地方上的特殊政策，与地方进行深入合作，同样是推进分级诊疗和人工智能产品落地的过程。

作为一家产品公司、技术公司，我们既要了解医院和医生的现状，解决他们科研的需求，真正的帮助医生，推进 AI 技术在医疗领域的应用；另一方面我们要了解当地政府，更好促进医疗体系的工作。

2、KnowingAI：吕主任，了解到这些人工智能公司的情况之后，您最希望人工智能对您的工作带来哪些改变？

解放军 302 医院 吕晓艳： 我们科（影像科）以治疗传染病患者为主，肝脏病变、肺结节的患者都比较多。像肺结节这一块应用很多，但是受制于系统更换，目前还没有应用。当下我们比较关心的问题是：能否从肝脏、肝硬化结节中把肝癌筛选出来？

还有一个需求是能不能图像输入进去，就会得到一份完整的报告？肺结节的筛选已经把我们从繁重的工作中解脱了一部分，希望以后能有更先进技术进一步为我们提高工作效率。但是在精准诊断方面是不是会有一定困难？就像从正常的肺里筛选出结节比较容易，但是让它定性会比较困难？

KnowingAI：吕主任的问题刚好对应两个方向，一个是图像，一个是基于图像的语言表达，刚好对应了咱们今天邀请到的两类公司，还请各位为吕主任做一下解答。

汇医慧影 王瑞：精准诊断一是和科室的数据量有关，二是和数据质量有关，这个问题现在是可以解决的。

关于有没有一些肝癌的产品可以落地，这方面我们的科研团队正在和医院开展合作，合作的内容就是利用人工智能在医学影像里支持肝癌早期的诊断，这是可以实现的。

关于良恶性的鉴别，我们在肺结节的项目中已经有一些突破。此前我们的产品主要是做筛查，目前我们可以做到良恶性的鉴别。解决好数据来源，做好数据标注，良恶性鉴别在算法和产品上应该很快就可以实现。

森亿智能 侯姝萌：吕主任刚刚问到的能否直接生成文字报告，这部分其实是属于语义生成的。另外一部分吕主任提到的其实是辅助诊疗，就是机器能不能通过过往病例学习诊断逻辑，在面对新病人的时候，能够给出诊断结果。这就需要过往的诊断数据和包括影像、检查结果、生命体征、住院病历等等在内的即所谓 Patient-Level Data 的数据。

我们现在在做的工作可能没有涉及到影像，而是在解析影像的报告，因为这一部分是文本的数据；另外一部分是我们会在北上广的大型三甲医院去学现有数据，解析之后再建立模型，或是在单病种上出一些小的 CDS（Clinical Decision Support，临床决策支持）模型。

其实森亿的创始团队在美国的时候都有在做 CDS 模型，但回国后发现国内的「底层建设」是比较差的。一是数据质量本身不够高；二是可用分析的数据很少。所以 2016 年回国时，往回倒了两步，从最开始数据的解析到数据的治理，做完数据治理之后再在这个数据之上，逐步做数据模型的训练。在未来 2-3 年会有一些模型可以做出来。

拍医拍科技 杨琼：关于吕医生之前提到的良恶性诊断的问题，我的理解是医学上能做分析判断，人工智能就可以逐渐逼近这个结果。目前医生无法做到的，人工智能也是没有办法做到。

举个肺结节方面的例子，如果我们仅仅是看影像片子，本来就很难判断它到底是不是肺癌。它只是初筛，后续还要做采样等进一步检查，来判断是不是癌症。因为人工智能目前还不能突破医疗环节。也就是说要融入到环节中去，结合病理数据和其他历史数据一起分析，才能够做一个更加精准的判断。

从病种上看，有些疾病相对来说比较容易判断，比如很多眼部疾病通过眼底图就能得出结论。包括我们做骨龄判断，就是通过 X 光片可以直接判断骨龄。如果疾病本身是从影像就可以准确判断的，那么使用 AI 来解决是相对比较容易的。

在医疗领域，很多的问题是比较「大」的，人工智能只是其中的一个环节。一个大系统的建设需要高质量的数据和各部门的数据协同，很多时候数据在某一个科室是有的，而在另一个科室是没有的，数据不全就是难以分析。

像这种底层的大系统建设，工作量更大也更有意义。如果这些东西建设的比较好，再把 AI 融入到里面去，就是一个水到渠成的事情。

推想科技 赵卫国：用深度学习做良恶性诊断，最大的问题在于是否能获得优质数据。一个结节到底是恶性还是良性，我们很少能获得这部分数据。虽然这一点很不利，但是是可以突破的。推想的产品通过分阶段来解决，第一步是检出；第二步提取能帮助鉴别的数据；第三步是定性，这部分是基于深度学习、基于病理数据去做的。

另外关于报告生成，首先是我们需要什么样的医疗报告？如果是基于各个医院临床的报告，那就是对大数据有用，我们需要的是可交流的大数据。这个报告也可能临床上一些专家正在推行的，是可研究、能为临床提供帮助的报告。虽然推想是立足于影像的公司，但通过影像也延伸出很多工作，包括自然语言处理、病灶分类、分割、模型等等。临床报告有涉及，报告生成也在做，效果还不错。

还有肝脏诊断，刚才杨琼老师也提到如果疾病特别复杂，深度学习、CAD 只能帮助医生解决单一目的或者单一病种。推想一直也在探索这部分，像是有些病灶能够直接区分是囊肿还是其他疾病。肝脏结节的分期对于治疗也有很大帮助，早期结节能够逆转，到一定阶段就回天乏术。这部分研究非常有意义，不过需要大量的数据。如果医院有精确、集中的数据，我觉得这个事是可做的，也是可以做好的。

Atman 刘昌芳：关于基于机器的写作，我们现在在做的一部分工作是创作型写作，通常给机器 20 篇科幻小说，它就会写出一篇全新的科幻小说；另外一部分是一些药企会做很多临床实验，有大量实验报告需要撰写，我们基于标准的报告能够生成文本式报告，这个是我们机器学习团队正在做的事情。

大家都说「有多少智能背后就有多少人工」，最终报告生成这件事落实的可行性还是要靠数据标注和数据的有效性。很多人也都意识到了这个问题，相信通过共同努力是可以解决的。

3、KnowingAI：在这里提几个和公司业务更相关的问题。目前人工智能技术规模化运用到医疗行业存在哪些挑战？面对海量非结构化数据我们是如何处理的？作为人工智能和医疗交叉的公司，我们最需要哪种人才，如何寻找到这些人才？

汇医慧影 王瑞：其实影像数据是不太一样的，都是标准化的非结构数据。标准化是因为设计之初已经有一些标准，文件本身是标准化的。虽然它仍然是非结构化的数据，但我们把它进行分布式存储，可以满足高并发的访问，这样让医院可以很好地利用这些数据。

人才方面，虽然技术和产品是核心，公司也要有市场、销售、医学顾问等辅助性人才的存在。公司最缺什么样的人才？我们这些公司都属于在交叉型行业衍生出的类型应用，交叉型人才是最稀缺的。作为人工智能+医学影像的公司，想要做好（工作）的话首先要懂算法、其次需要具备一些医学的背景，可能还要懂一些数学。

森亿智能 侯姝萌： 关于处理大量未标注的、非结构化数据，森亿一直在做这件事。创始人团队在美国学的、做的就是医学信息学，是医学与信息化之间的交叉学科。当时学习期间也是在纽约长老会医院做医学知识图谱、自然语言处理相关的工作。回到国内也没有更换方向，一直在做医学的自然语言处理。后来这部分技术能够实际落入产品，再把产品推销出去。

关于人才招聘，我们的感受是招人太难了，复合型人才本身就是非常高的要求。我们在外有兼职医生团队，对医生的资历要求都很高；对内我们有技术团队，有传统的 HIT（Healthcare Information Technology，医疗信息化）团队，因为把产品做成了类似过去的 HIS、EMR 的系统，是直接推到医院里对接全院数据的，负责这部分的团队是由原来最大的 HIT 厂商的员工组成的。我们 AI 的团队也蛮神奇的，其中一位是原来上海瑞金医院的主治医生，他对 AI 非常感兴趣。

因为我们还为药企提供服务，需要从药企出来、对数据熟悉，懂得药物研发、熟悉药物上市的复合型人才，这样的人才在市场上太难找了。国内为数不多的专业化人才组成了我们现在的团队，边学习边进步，我们基本是这样一种状态。

拍医拍科技 杨琼：关于非标准化的数据如何进行结构化，其实拍医拍在成立之后在这方面吃了很多的苦头，我们总结下来就是六个字：坚持、合作、专注。

最开始做医疗单据的时候，感觉这些数据「太不标准」。每个医院的版面不一样，用词也是不一样的。刚开始觉得很困难，把事情做下去，依靠的就是「坚持」二字。后来我们看到同行也在做同样的事情，彼此之间分享经验，大家就做得越来越好，也就是「合作」。

把东西整理好，仍然需要技术手段解决很多问题。问题本身也很难，只有「专注」地把它做下去。最开始效果不好，很有挫败感。专注做下来到一定时刻就会突破临界点，就会好很多。

对外人才方面，总结下来我们需要三类人：

第一类是能站在别人的角度，去理解别人的人。因为很多时候我们和医生打交道，需要跨越自己的认知边界，站在对方的角度去思考，这一点很重要。做产品时要把自己当成小白，如果把自己当成非小白，做出来的产品就不是一般用户所需要的。做医疗产品也是一样，很多时候我们总觉得已经把事情做得很好，结果并不适合医生，所以我们一定要能够站在对方的角度上思考。

第二类是服务能力很强的人。去为别人服务，不仅要有服务意识，还要有很强的服务能力。因为国家医疗状况太不均衡，我们很多项目在有些医院推行效果比较好，但在有些医院效果怎么都不好。不同的医院状况差别挺大的，如果没有足够强的服务能力，特别是在服务基层医院的时候，我们的产品应用一定会大打折扣。

第三类是不挑活的人才。不挑活就是需要学什么，就去学什么，不太去想喜欢还是不喜欢。遇到需要解决的问题，即使以前再小白也要去学，和我们学医学知识是一样的。

推想科技 赵卫国：关于结构化（数据）和非结构化（数据），我们为什么要去重视它？医疗信息化后确实能够产生大量数据，大量数据的背后是不是「金山」？如果不能产生成果，那就是垃圾，所以我们一定要把非结构数据转化成结构化数据。

再谈标准化。医学影像本身是非常标准化的，数据的结构化该如何定义？标注是一种方法，像是通过影像组学等方法方便我们识别某个特征，将影像转化为非常结构化的数据。

说到人才，一个公司需要多种人才，跨界型人才其实是特别稀缺的。他们在研发端能提供很好的建议，在医院能与医生有很好的交流。推想合作上线的医院很多，因此我们很需要跨界人才，懂医疗、懂信息、懂技术，能够将三方面统一协调。

Atman 刘昌芳：Atman 做多语言的大数据处理，结构化数据是我们必须做的工作之一。爬取几亿数据量，首先要进行数据清洗、对齐，文档数据还要处理成句子。这个工作渗透在我们整个工作的每一步环节，所以我们有一个大数据团队专门负责这个事情。

提到跨界人才，虽然我见过一位做得了手术，写得了代码的医生，但这种跨界人才确实可遇不可求。所以 Atman 希望能培养这种人才，而不是奢望在人才市场上能招聘到合适的人才。AI+医学是近几年才衍生出来的新兴行业，所以只要是具备学习能力和解决问题能力的人，我们都会容纳，给他机会和平台。我们每个人也都会去学习，我也是技术背景，写了十年代码，现在也在学习医学领域的知识。

4、KnowingAI： 在之前和吕主任的交流中，吕主任比较关心如何用 AI 技术是帮助到医生做科研工作。吕主任也可以提一些详细的问题，希望能得到各位的解答。

解放军 302 医院 吕晓艳：比如我现在要做某一项课题研究，听了大家的介绍，现在 AI 做得还是检索和提炼，它是如何为我们写出报告的？

像是肝癌的影像是多种多样的，如果病人想要确诊，需要做核磁共振。核磁有很多序列，平扫的、增强的，需要把序列结合到一起才能得出结论。肝癌的影像有很多种，信号区别非常多。写文章时每个病例的图像都不一样，分析之后如何总结？还是说 AI 只是帮助人们做一部分工作？

Atman 刘昌芳：我们在搜索上做得是跨语言搜索，可以搜中文或者英文，也可以对语言进行转化，找到想要的数据。图像识别不是我们的范畴，但能将报告处理成有一定模版的文档格式。

森亿智能 侯姝萌： 除了处理文本，森亿还有一个临床科研一体化的产品在医院里用。临床上是有很多数据零散在不同的系统里，做科研第一步、花费时间最长的是筛选出适合的病例。森亿的临床科研一体化平台可以对接医院所有的信息系统，以单个人的维度把每一次就诊的检验、影像、报告、病程记录等，按照时间序列串联起来，再对数据做拆解和标准化。

像是儿童先心病表达方式非常多，如何用临床语言将不同诊断表达的患者检索出来，是我们在最底层的 NLP 要做的事情。

完成检索后，会做实验设计、CF 表单等。森亿做的另外一件事就是「知识库」，可以将原始数据根据 CF 表单的设计进行自动填充，这就将临床数据转化成 Excel 表格形式的数据。将这部分数据和随访数据统一在同一个数据库里，导出后可以在 SaaS、SKS 中使用。

在这个平台上，也可以先将变量进行定性，做简单的统计。发表文章是会指定某一种统计软件的，数据可以导出到这个统计软件中，我们会为医生提供统计方法指南。

汇医慧影 王瑞：我们有一个针对影像学的科研平台，它的目的是把影像结果通过人工智能、机器学习的方法进行科研成果的总结和整理，包括论文的简单生成。

假设要做课题研究，有一百个影像结果，其中 50 个是正常人、50 个患有肺癌或是肝癌。将 100 个影像结果分成两组放到平台上，先取一部分作为训练集，留一部分作为测试集。医生只要对有效结果做标注勾划，平台会自动处理数据。

先把影像结果做较别，找到和命题有关的特征值，再进行统计学分析。后台有几种机器学习的算法可供选择，哪个算法最适合这个命题，结果的准确性就会更高。医生再将算法放到测试集上进行测试，验证这个算法是不是最优的。一般达到 70%-80% 的准确性，对于科研已经有很大的价值。

算法可以对影像结果做分析，也可以进行一些文章的简单输出。算法可以将题目、关键词、实验方法和实验结果写好，但是摘要和讨论还是需要医生来写。

推想科技 赵卫国：我们可以提供一个可视化界面，帮助影像特征进行梳理和整理。在科研的前期立项、问题解决、思路建设方面，我们也有相关的服务。整体而言就是面对什么样的问题，就用什么方式去解决。

5、KnowingAI：最后一个问题，我们是如何去理解 AI 技术和医生之间的关系？

汇医慧影 王瑞：这也是我们在进入市场时认真思考过的问题，有些医生觉得 AI 能帮助我们提高工作效率，这是一些比较积极的想法。有些医生也会担心自己会不会失业。我们也不能给出一个特别明确的答复，但是我们认为医学影像行业存在着几个问题：

第一也是最重要的问题，是医生的数量不足，所以需要提升效率的软件和新技术。这是客观的因素，所以利用科技来提高效率是不需要质疑的。

第二是影像科是以经验为主的科室。不能因为跨入新时代就一定要求它规范化、数字化，如果科技的引入能推动这个进程，让影像报告变得像检验报告一样规范，这就是时代的进步。

至于是不是要替代医生，我认为是根本不可能的。检验科会对数据进行整理和分析，还会将很多新技术引入其中，比如基因测序、分子 TCR 检测等等，都需要检验科医生做相关的数据分析。AI 能做到的是提升效率、做到一部分规范化，让医生更多时候去做决策工作。

影像科医生是一个特别重要的岗位，能为临床医生的治疗提供很重要的决策（支持）。（让技术）与影像科医生相互配合，提供很重要的参考意见，这也是我们希望做的事情。

森亿智能 侯姝萌： 关于 AI 代替医生这个问题，其实我从来不敢去想。我们的初衷是利用 AI 去赋能医疗，帮助整个医疗大环境提高效率，让医生有时间去做更有意义的事。AI 最开始能做的事情更像是一个「劳动者」，快速且能达到人类准确度，去帮人类做更多事情。

拍医拍科技 杨琼：AI 作为技术的一种，最终还是为人类服务的。我们常常调侃 AI 是增强智能，技术和人更像是矛与盾，两者相互促进。

AI 作用更强，医生就能从传统工作中解脱出来，去做更先进的工作，包括安慰病人、制定标准、搭建体系等等。人的能力更强之后可以研制出功能更强的 AI，更强的 AI 则能推动人类更向前一步，两者其实是相互促进的关系。

推想科技 赵卫国：AI 与医生、人类是合作的关系。推想早期的理念是和医生进行合作，产品是为医生服务的。现在会有用户和我们调侃，医生未来会不会失业？当然他看到的是 AI 帮他释放了一些低级工作的时间。

有些人会失业，这些人是不愿意接受 AI、不愿意接受新事物的人。但并不是说医生这个职业因为有 AI，就失业了。因为医生做诊断面对的是一个非常复杂的环境，AI 只能面对单场景，解决一小部分工作。但这一小部分能帮助医生更好的输出智力，帮我们鉴别疾病、提供更好的诊疗措施。AI 与人类之间相互促进，会形成非常好的良性循环。

解放军 302 医院 吕晓艳：从医生的角度看，我们很希望人工智能技术发展得更快速，成为工作中的助手。

因为诊断是很难的，而且特别容易漏诊。为了防止漏诊我们现在实行「双签」，即报告由年轻医生撰写完成后，再由经验丰富的医生审核，即便这样还可能会出现漏诊。尤其是肝硬化结节，从其中挑出某一个病灶来判断是否是早期肝癌是很困难的。往往是某一个序号发生了微妙的变化，或是稍微黑了一点、白了一点，用肉眼很难鉴别，漏诊真是太正常了。但漏诊后写报告的大夫会心里很别扭，因为结节长大可能会耽误患者治疗，对病人来说也很麻烦。所以我觉得 AI 要解决的第一大问题就是减少漏诊。

是如果说 AI 替代医生，这个我一点都不担心，因为这是不可能的。很多病人要做多学科会诊，人工智能要做的话需要把多学科数据综合到一起，但这是比较困难的。就算是医院里的大会诊，碰到疑难病例各个科室共同提出一个诊疗方案也是很困难的。将 AI 定位为医生的助手，我们非常欢迎。

谢谢！