医疗AI技术火热，但其商业模式的落脚点究竟在哪？

编者按：本文选自“动脉网”（ID：vcbeat），36氪经授权发布。

这是一个令人兴奋的时代。诸如基因组学和医学成像等的医学领域带来的信息巨浪如今扑面而来，我们将可以利用人工智能来分析这些数据，并提供医疗见解。

然而，随着医疗AI领域创新产品的激增，一些老生常谈的商业问题也初现端倪。比如，初创公司如何在这个领域实现盈利？以及医疗保健企业如何利用AI来扭转持续增加的医疗成本？最重要的是，医疗AI产品如何取得政府监管部门、保险公司、医生以及患者的信任？

海外知名媒体Xconomy对于医疗人工智能进行了深度报道，包括GE和IBM等大型公司在医疗AI上的相关工作，基因组学的编程马拉松（hackathon），以及医疗AI对患者和医生们的影响。动脉网（微信：vcbeat）整理编译，以飨读者。

技术浪潮背后的问题

不久前，Xconomy曾组织了一次餐会讨论，与会者均为圣地亚哥最为优秀的科技和生命科学大咖，该次讨论主要针对将AI与医疗结合起来带来的机遇和风险，而上述问题也在这次讨论中浮出水面。

 “作为医疗行业投资人，我最钟情的是科技方面的吸引力，”风投公司Domain Associates的合伙人Kim Kamdar在其圣地亚哥的办公室中表示，“这为我们公司吸引潜在共同投资人开辟了崭新的道路。”

对于医疗AI，目前的普遍共识是将机器学习技术和相关技术应用在医疗领域确实为时尚早，并且也很难预见这些创新成果将怎样发挥作用。这也正如Xconomy的资深编辑Jeff Engel在《AI将对医生和医疗机构产生的诸多影响》一文中提出的诸多质疑。

然而，毋庸置疑的是，医疗领域的转型浪潮正汹涌袭来，不论是小型初创公司，还是如IBM、GE这样的行业巨头，都争先恐后地想要在这个新兴领域占有一席之地。

如果有这么一个行业急需注入变革的新鲜血液，那首当其冲的就是医疗保健。仅美国而言，每年在医疗上的支出就超过3.2万亿美元，占了国民生产总值约18%的份额。

对于投资者而言，医疗行业尽管利润丰厚，但是也令人望而生畏。在这个行业中，患者、医疗服务提供者和保险公司都有着各自的利益出发点，并且监管问题错综复杂，以致一项投资可能需要10年或者更久才能看见回报。

说到这股人工智能浪潮中的潜力股，可能没有比Grail更好的例子了。这家初创公司是世界最大的基因测序公司Illumina的子公司，估值已逾10亿美元，该公司致力于提高诊断技术的灵敏度，以期使用常规血液样本来监测癌症DNA片段。

然而，在浪潮中翻船的事例也是屡见不鲜，个中典型如Theranos，这家靠风投资助的诊断科技公司在2015年还估值90亿美元，然而去年就暴跌到其十分之一以下。

医疗AI在圣地亚哥的热度相当高，这个城市有高度完善的生命科学集群，还坐拥两家基因测序巨头：Illumina和赛默飞世尔科技公司的生命科学解决方案团队。

同时，圣地亚哥还拥有不少神经网络技术方面的专家，伴随着HNC软件公司崛起，这是一家致力于为金融业提供分析工具的软件开发商，而今他们的软件已经被FICO公司用来预测信用卡诈骗等（HNC软件公司已于2002年被FICO以8.1亿美元A股交易额收购）。

大咖们作何看法？

Xconomy所组织的晚餐会谈邀请了包括Kamdar在内的当地投资人、数据科学家、医疗公司CEO、学术研究人员以及数字医疗公司高管等。餐会的开场问题就是对于致力于在医疗领域应用机器学习的初创公司们而言，是否已有一种行之有效的商业模式？

Calit2是一家总部位于加州大学圣地亚哥分校的电信及信息技术研究机构，对其理事Larry Smarr而言，浮现在他脑海的商业模型就是Illumina公司本身。Illumina是基因测序技术的先驱，并且越来越多地涉足基因组数据分析，也就是分析潜藏在基因代码中的生物学功能和基因变异。 

“他们公司在分析人类基因组上采用的云端解决方案的容量相当可观，” Larry Smarr说，“而这些数据也着实需要这种程度的分析手段。尽管过去我们没有采用这种分析，但是现在数据容量已经呈指数级增长。因此，我们如果脱离这些算法，根本就不要奢望从这些数据中得到任何医疗见解，这点在基因组学和微生物组学上体现得尤为显著。”

Illumina凭借着卓越的基因测序技术和数据服务，已经在很多基因组研究中心、临床研究机构，以及生物技术和制药公司找到了客户群体。但是这样的商业模式可以简单复制吗？打个比方，如果另一家公司做起了微生物组学数据分析的生意，境况能如同Illumina一般吗？ 

而后Smarr又将话题指向餐桌对面的Rob Knight，后者享有加州大学圣地亚哥分校儿科和计算机科学的联合任命。Knight现任加州大学圣地亚哥分校微生物组学创新中心的主任，他同时还是美国肠道计划的共同发起人，这项全民科学计划已经收集到了超过16000份粪便样本，以期帮助科学家们进一步了解微生物在人体健康上起到的作用。

 “首先需要记住，我做的这项事业是非营利性的，” Knight表示，“我认为这种模式绝对会走得很艰难。因为通常看来，那些将业务建立在出售基因测序的公司基本都没有取得什么好成果。举个例子，Celera公司就将商业模式转移到了诊断领域。”

 “我认为我们应该用某种方式将模式转移到实时反馈上，并且开发一个让用户了解微生物组学的交互界面，” Knight举例说，“比如，让用户即刻知悉刚刚吃下的那块面包对自己身体起到正面还是负面影响。” 

当然这个商业策略已经有公司开始践行，位于以色列特拉维夫的科技公司Nutrino已经开发出了应用程序和数据平台，帮助用户掌握他们摄入的食物对自身生理有着怎样的影响。 

“他们可以针对用户‘膳食足迹’产生的影响以及血糖表现，为其提供实时的指导，”位于圣地亚哥的DexCom公司高级副总裁Annika Jimenez说到，他们的公司专注于血糖连续监测技术和糖尿病管理。

“这种模式类似于保险付费，但是随着时间推移，他们会将商业模式转变到以企业和其他潜在客户为目标。” Jimenez表示。 

AI于医疗行业的关键优势就在于它极为强大的数据信息抓取能力，可以从数据的艾字节到泽字节中获取有用的医疗见解，这种数据规模远远超出了人类本身的理解能力。

 “对我而言，找到确切可行的商业模式似乎是一个长远的终极目标，”高通生命的总裁Rick Valencia坦言，他似乎对这个领域现今的创收模式持怀疑态度，“在短期看来，我认为你们这个问题的答案是‘没有’，至少在我目之所及的范围内，并没有发现什么行之有效的商业模式，我觉得现在还为时尚早。”

圣地亚哥的Analytics风险投资公司联合创始人及管理合伙人Navid Alipour表示，他们的公司所投资的CureMatch公司正在实施直面患者的模式，在该模式下，患者直接向CureMatch公司付费，而他们则针对患者的不同癌症病情，向其提供有针对性的前三种化疗药物组合建议。

这些建议是基于患者自身的医疗记录，旨在帮助癌症医生选择治疗方案。CureMatch方面表示，他们的超级计算机处理了数以百万计的包含三种化疗药物的组合，并分别评估了每种组合的药物间相互作用，再整合入基因数据，才得出为特定患者提供的药物组合建议。

Analytics风险投资公司所投资的另一公司CureMetrix，正致力于使用AI来分析针对乳腺癌的乳腺放射影像，当然他们的技术还得经过FDA审批才能在美国上市使用。

Alipour说：“将软件作为服务将成为一种商业模式。我们在墨西哥的一位机构投资人正把我们引荐给他们的政府高层。在墨西哥，乳腺癌是一种普遍的恼人问题，并且该国也并没有很多乳腺放射造影技术方面的专家。我们也正向他们全国范围进行授权，因为他们具有全国化的医疗体系。所以，有时候我们也得跳出美国范围以及我们的保险体系来思考这些问题。” 

将机器学习应用到诊断图像，以识别异常状况，这样的公司大大小小有不少家，而CureMetrix也只是其中之一，这种基于图像分析的模式似乎也是AI技术的终极应用了，Jimenez表示：“但是你还得去Strata数据大会看看，这个大会可以说是大数据和数据科学领域的大事件了，而大会主讲人们总是强调这种使用案例实际上是多么复杂。可想而知，我们或许还不止要等个10年。”

取代不是目的，利用才是！

那么，AI何时才能取代放射科医生？

Smarr表示，他对AI将取代放射科医生这一点持怀疑态度。相反，他认为这项技术将成为人类医生的助力，使哪怕最蹩脚的放射科医生也能诊断得比最优秀的人类同行更为精准。

“所以致力于AI技术在医疗上的应用，实际上是利用前所未见的海量数据来武装人类，拔高人类的智能水平，” Smarr补充道，“这真的可以在短期内提高生产力，不过这个短期也是说的数十年内。”

如DexCom这样的公司专注于普遍的糖尿病，而是holy grail则致力于重塑患者的行为习惯，Jimenez表示：“这也就意味着，通过血糖监测、胰岛素测量、患者行为和饮食情况等，可以将数据流整合起来，再辅以机器学习技术生成医疗见解，这样软件就可以及时向患者及其医生发出警示并提出建议。” 

“但是我们的技术成熟度也还仅处在提供些数字的阶段而已，” Jimenez补充 说，“因此，我们只是告诉了患者他们的血糖值是多少，当然，这对1型糖尿病至关重要。但是对于2型糖尿病患者，他们需要与app互动，并且要强制性地回应医疗见解。而这才是app开发的真正需求所在。”

或许，这项技术的终极目标是开发一个能切实满足需求的用户界面，用机器学习技术获取的医疗见解来根本改变糖尿病患者的行为习惯。

这个观点得到了Jean Balgrosky的赞同，他已经在多家大型医疗组织任职CIO长达20年，比如圣地亚哥的Scripps Health。她表示：“到最后，一切的机器学习技术都应该被人类所吸收利用，在医疗领域发挥帮助人类的作用。”

参考资料