“AI+医疗”的三个层次和面临的挑战

随着人工智能的发展，逐步成熟的AI技术渐渐向“AI＋”的工业应用转变。虽然相比于“AI＋金融”、“AI＋零售”的蓬勃发展，“AI＋医疗”还处在比较早期的阶段，但毫无疑问，智能医疗是人工智能领域最具有发展前景的领域之一。

IDC在其《全球半年度认知/人工智能支出指南》中将诊断和治疗系统列为2016年吸引最多投资的领域之一，并表示在未来五年内，包括药物研究和发现以及诊断和治疗系统的使用案例将获得最大的发展。

IDC预测医疗健康人工智能投资的年复合增长率为69.3％。同样，CB Insights将医疗健康列为人工智能中最热的领域，并将其作为今年的创业项目。

从目前的发展来看，“AI+医疗”目前可以分为如下三个层次：

智能问诊、精准医疗、药物研发

“AI+医疗“之所以有如此大的应用前景，主要原因在于其市场需求是巨大的。在传统的医疗行业中，医生培养周期长、误诊率高，医院资源有限、效率低一直都是难以解决的问题。

而随着技术的革新，智能医疗为解决这一问题带来了曙光，目前，最成熟的案例之一就是IBM Watson。

IBM Watson可以在17秒内阅读3469本医学专著，248000篇论文，69种治疗方案，61540次试验数据，106000份临床报告。

通过融合信息检索、自然语言处理、机器学习等技术和海量数据，IBM Watson能自主进行理解、推理和学习，在短时间内迅速成为肿瘤专家。

这组数据让我们看到了智能医疗的无限可能。一方面，它的出现和发展将大大提高人类医生的效率，降低时间成本，另一方面通过辅助医生做出相应的判断，在很大程度上也降低了误诊的几率。

21世纪初，人类基因组计划完成时提出了个性化治疗这个理念，旨在希望用测序得到的遗传标记来判断病人是否对药物有应答，以便针对每个病人进行治疗，然而，疾病往往是多诱发原因、多基因控制的，很难从一个简单的角度进行判断。

也因为这个原因，在近几年，个性化治疗逐渐走向了精准治疗。精准医疗强调在治疗时将个人基因、环境与生活习惯差异考虑在内，基于患者的遗传信息的诊断测试结合其他分子或细胞的分析结果，再针对性地选择适当的疗法，其重点不在于“治疗”，而在于“精准”。

但如果仅仅依靠传统医疗行业的方法来实现精准治疗，这就对数据和医生的经验有极高的要求，得到的结果无法量化，难以具有说服力。

智能医疗的价值由此凸显，如今人工智能中的两大核心技术：神经网络和深度学习让计算机系统能够自主学习经验数据对病情的分析并做出判断。

计算机强大的运算能力弥补了部分人类医生由于经验不足引起的误判，或是对罕见疾病的信息缺失和思虑不周，并且计算机还能够发现人眼难以察觉的细节，用数据说话，寻找出一些出人意料的规律，从而不断完善医生和计算机系统的知识体系，推进精准医疗的发展。

目前，精准医疗的主要进展集中在癌症治疗领域。

癌症是全球范围内危害人类健康的疾病，根据美国癌症协会最新发布的数据显示，2017年美国预计将出现新发癌症病例1688780例，癌症死亡病例600920例，这意味着每天新增4600例癌症患者，死亡1650例癌症患者。

虽然相比于过去十年，病人的存活率已经得到了显著提升，但这仍然是我们难以想象的一个数字。

贝斯以色列女执事医学中心（BIDMC）与哈佛医学院合作研发的人工智能系统，对乳腺癌病理图片中癌细胞的识别准确率能达到 92%，尤其是当这套技术与病理学家的分析结合在一起时，它的诊断准确率可以高达 99.5%。

而国内，3月29日，阿里云刚刚在云栖大会·深圳峰会上发布了ET医疗大脑，宣布正式进军“AI+医疗”领域。

ET医疗大脑学习了2万张甲状腺片源，成功帮助人类将判断甲状腺结节点的准确率由60-70%提升到85%。经过一年多的研究训练，ET医疗大脑已经能在医学数字影像、精准医疗等多领域担任医生助手的角色。

这让我们看到了精准医疗的必要性，随着计算能力的日益强大、人工智能技术的稳步发展，人类的医疗水平也必将会有步入新纪元。通过对精准医疗的研究和对计算机能力的应用，我们有理由相信会有数以万计的生命被挽救。

医疗领域目前最重要的痛点之一仍是药物挖掘与开发的时间成本。根据塔夫特药物发展研究中心（Tufts Center for the study of Drug Development）的数据，一款新药的面市从药物发现到获得FDA批准平均大约需要96.8个月。

虽然对专业技术的持续聚焦可以改善时间跨度，但新药研发的成本却仍在持续增加。德勤的数据显示，自2010年以来，12家主要制药公司的获批药物开发成本已经增加了33％，至约每年16亿美元。

如何才能降低新药研发的成本，增加研发成功的概率呢？答案只有一个，那就是依靠大数据和人工智能的力量。

以硅谷公司Atomwise为例，Atomwise通过IBM超级计算机，在分子结构数据库中筛选治疗方法，评估出 820 万种候选化合物，研发成本仅为数千美元，研究周期仅需要几天。

2015年，Atomwise利用AI技术，在不到一天的时间内对现有的7000多种药物进行了分析测试，成功地寻找出能控制埃博拉病毒的两种候选药物。根据该公司的统计，如果利用传统方法，这项分析需要花费数月甚至数年才能完成。

虽然智能医疗有望解决传统医疗行业的许多问题，但我们也不得不承认AI+医疗仍然存在很多阻碍。

在智能医疗有效降低医药研发成本与医生工作时间成本的同时，我们也不得不承认实施AI和机器学习算法本身成本可能非常昂贵。医疗健康是一个容错率极低的领域，为确保数据的真实合法，算法的准确有效以及计算机有足够的计算能力，都将花费不菲的金钱。

另一方面，想要AI+医疗有所突破和发展，相关领域顶尖人才的聚合也非常重要。2013年，Google收购DeepMind Technologies时支付了超过3亿美元，而当时他们的团队仅有十几个人。因此，人才培养的成本和聚集人才所支付的代价都是向智能医疗行业进军的企业所必须考虑的。

另外，智能医疗行业的信息获取也存在着一定的隐患。医疗行业的数据大多包含病人的隐私信息，将这些数据用于科研甚至实际应用是否合乎人情与法律也是必须考虑并加以解决的问题。

但尽管“AI+医疗”存在重重阻力，我仍相信它的发展势在必行。

人工智能将成为医生的最佳辅助，帮助医生更便捷的获取信息并做出更正确的判断，只有将人类的情感沟通能力与计算机的分析计算能力相结合，才能发挥出智能医疗最大的价值，真正的将技术应用于实际，实现人工智能领域研究的终极意义。