医疗人工智能已实现辅助诊断，慢性病管理和制药等领域潜力巨大

随着AI技术的发展，想靠着这个技术，标榜自己与众不同的时代，已是过去式。大众对于AI已经不陌生，而且在生活中能实实在在感受到。时至今日，科技公司们也很难找到哪家风投或者合作伙伴，对这种机器学习技术，不感兴趣。

但是，想要用AI技术来革新医疗保健行业，比起其他行业，其门槛明显更加高昂，即使蹭着AI这个热点，其热度下降得很快，因为在医疗行业，一个算法的错误，往往意味着生与死的差别。

关于医疗AI时，我们应当以如何心态去看待，他们现在的应用集中在哪些？关于这些问题，动脉网梳理和编译了mobihealthnews最新的深度文章，以飨读者。

还未到将全部身家押在AI上的时候

在过去的五年当中，采用各种AI技术的数字医疗公司如雨后春笋般涌现。 CB Insights今年跟踪报道了106家主打AI技术的医疗公司，报告指出自2015年1月以来，其中有50家公司开展了首轮公开募股。报道对象公司的交易量从2012年的20次，上升到了2017年的60次。2017年还出现了一些新的独角兽，如 iCarbonX以及肿瘤为重点的  Flatiron Health。

从虚拟护士到药物发现，CB Insights梳理了106家人工智能企业

在最近一次调研中发现，有半数以上的医院，5年内引入AI技术的打算，另外有35%的医院打算在近两年就引入。近日，波士顿的Partners HealthCare也宣布与GE Healthcare展开为期十年的合作，将深度学习技术整合到他们的网络中来。然而AI在医疗上的应用，绝不会在改善临床医生工作流程和加快保险理赔上止步。

为期两天的Light Forum会议刚刚闭幕 ，该会议汇聚了众多企业CEO、医疗信息技术专家和斯坦福大学的医生。在会议期间，曾在医保及医疗补助服务中心任职行政管理人员的Andy Slavitt表示：“当前我们正着手解决的是生产力问题。我们需要照顾到那些资源短缺的人们，而不是一味追求商业模式和过多繁杂的问题，或者总尝试发明新工具，这是不能够真正改善生产力的，我认为这才是数据和机器学习的落脚点。”

医院调研的受访者表示，AI技术可能在人群健康状况、临床决策支持、诊断工具和精密医学上影响较大。即便在药物开发上，AI也可以使数据收集和试验进度更快更精准，并缩减成本。但是现在也还未到将我们全部身家都押在AI上的时候。

Roam Analytics的首席科学家及联合创始人Andrew Maas在Light Forum与会期间表示：“人类的大脑依旧是功能强大的决策官，尽管计算机也有着不可限量的前景，但是目前它们的可靠程度，还不足以让我们完全信任。” 

苹果、谷歌以及微软，这些巨头正在做什么？

每个人都为AI魅力所倾倒，但是还要多久，我们才能看见它为医疗行业带来真正意义上的转型呢？最近，我们已经见识到了AI应用在了从最简单的手机app到最复杂的诊断任务，其形式也从自然语言或图像识别，到依靠强大的算法处理几十年积累的医学研究数据库等的方方面面。

如同医疗行业的其他技术一样，进入这个行业会面临监管障碍、与传统医院IT系统的互操作性问题，以及获取关键医疗数据方面的障碍等诸多挑战，AI技术想要在这个行业里立足生根，不越过这些高峰是不可能的。

但是这并不是让我们停止创新，而是怀着更严谨的态度进行创新。数字医疗从业者们已经开始意识到，要解锁AI的真正潜力需要建立战略合作伙伴关系，还需要高质量的数据，并对统计数据有一个清醒的认识。

随着医疗行业对AI认识的渐渐成熟，其实最大的技术难点还并不在于创新过程中遇到的监管障碍、关键数据获取等挑战。

就在本月中旬，Google方面宣布，他们已经将自己本用于翻译和图像识别的消费级机器学习技术，应用到了医疗领域。他们的研究团队Google Brain将与斯坦福大学、加州大学旧金山分校等知名学府展开合作，旨在从数以百万计的患者身上获取数据。

如同Google的CEO Sundar Pichai在前两周的Google I/O 开发者大会上所表示的，这个科技巨头的行动还远不止此，去年他们成立了Tensor计算中心，Google称之为AI-first数据中心。

“Google现在已经把所有的Ai工作归拢到了Google.ai，这个部门是诸多团队和努力的结晶，他们都专注于使AI能造福每个人。”Pichai表示，“Google.ai将重点关注三个方面：研究、工具和基础设施，以及应用型AI。”

去年11月，Google的研究人员在JAMA上发表了一篇论文，表明Google经过大量眼底图像数据训练的深度学习算法，可以在诊断糖尿病性视网膜病变上，具有90%以上的高准确性。Pichai透露他们正在积极将AI应用到病理学上。

他说：“病理学涉及到庞大的数据问题，然而机器学习已经做好准备去解决它。我们构建了神经网络，来检测癌症是否扩散到了相邻的淋巴结。这个工作还处于早期阶段，不过它已经显示出了能将准确度从73%提升至89%的能力。当然我们仍需要警惕的是，我们的诊断也存在很多误报，不过这个问题我们已经交诸病理学家来解决，他们能够提高诊断准确性。”

除开Google，另一个例子就是苹果公司最近也收购了一家名为 Lattice的AI公司，该公司有着开发医疗应用算法的技术背景。

微软自然也不甘落后，几个月前，他们推出了医疗 NExT计划，将AI、云计算、研究以及行业合作伙伴关系整合到了一起。此项计划包含了基因组学分析和健康聊天机器人技术的项目，并与匹兹堡大学医学中心建立了合作伙伴关系。

几周前，微软和数据连接平台供应商 Validic建立了合作伙伴关系，将患者参与度纳入到了 HealthVault Insights研究项目中。

将患者数据应用到真实诊断中

巨头公司们在发力，初创企业们也是各显神通，我们现在已经见识到了各种各样的AI应用形式，从 Ginger.io的行为健康监测和健康分析平台 Sensely的虚拟助理，到 Ava等公司推出的可穿戴设备和各种APP，再到Clue公司最近推出的生育预测窗口。另外一个典型是Buoy Health最近推出的医学专用引擎，Buoy的数据库涵盖了18000份临床文献和17000余种病情，患者样本逾500万人。 

除了症状检索以外，Buoy首先会要求用户输入年龄、性别和症状等筛选条件，然后在细分数据后决定接下来的问题，从而不断缩小搜索范围，大约使用两三分钟后，问题越来越具体，并为用户提供可能的病症列表和接下来的选项。

另一个十分具有前景的领域就是医学成像。去年11月，以色列的机器学习成像分析公司Zebra发布了新平台，使人们可以通过互联网随时随地上传和接收他们的医学扫描分析。

Zebra成立于2014年，致力于开发算法，使电脑自动识别医学图像，诊断从骨科到心脑血管疾病等多种疾病。该公司现在已经稳步建立了自己的数据库，并结合深度学习技术，以开发算法来实现自动医学诊断。另一家以色列的同类型公是AiDoc，这家公司刚刚融资了700万美元。

然而，不论一家科技公司规模多大或者技术有多先进，只有将患者数据应用到真实诊断中才是王道，这也是噱头和有效算法之间的分水岭。所以也就不奇怪，为什么还有那么多公司还处于AI摸索学习阶段。

风投公司8VC的CEO Joe Lonsdale在斯坦福的 Light Forum会议期间表示：“最初的难点就在于创建数据。”

加州大学伯克利分校公共卫生学院的生物统计学教授Maya Peterson则给出了更为明晰的观点。她在近期旧金山举行的HIMSS大数据和医疗分析论坛期间说道：“真实世界的数据都很复杂，而我们还没有完全理解他们之间的联系。在探索更加复杂的领域中，机器学习在某种程度上过于野心勃勃了，这可能不是一件好事。”

好算法千金难求

机器只能从给定的数据中进行学习，所以研究人员、工程师和企业家们都为构建更大更高质量的数据库，忙得焦头烂额。

上个月，Verily与斯坦福大学医学院和杜克大学医学院展开合作，启动了Baseline Project研究，收集了大量表型健康数据，从而制定明确的人体健康参考标准。

这个项目旨在收集10000名参与者的数据，每个参与者将被追踪4年，用所收集的数据建立人类健康“基线”图，并探寻从健康到疾病转变的玄机。

数据的收集形式多种多样，包含了临床、自我报告、医学图像、传感器和生物样本等等。该研究的数据库将建立在Google计算基础构架之上，并储存于Google云端平台。

“如果政府愿意实现数据共享，那么局面将会明朗许多，”Roam Analytics（旧金山的一家机器学习分析平台公司，专注于生命科学领域）的首席科学家Andrew Maas在Light Forum上表示：“如果私人部门愿意这样做并收集大量数据，这也很好。把数据交给我们，我们将回馈很惊人的成果。但是如果因为人们的惧怕，数据不能被有效收集，那我们将一事无成。”

患者数据和算法的可用性是区分空头支票和有效实践的试金石。让我们把目光转向IBM的Watson Health，他们通过众多伙伴关系积累了大量数据，为认知计算模型带来了洞悉患者健康的能力。但是由于还没有实际证据证明其有效性，公众对其的态度也是两极分化。

在Light Forum会议期间，同时身任斯坦福大学计算机科学系主任和Roam Analytics首席科学家的Chris Potts表示：“Watson 可能是在医学领域最有前景的。”但是其他人却不以为然，比如Social Capital的CEO Chamath Palihapitiya就称其为一个笑话。

但是正如我们之前报道的诸多合作所表明，这些质疑并没有影响到Watson吸纳新合作伙伴的能力。就在前两周，他们加入了MAP Health Management，将自己的机器学习技术引入到了药物滥用障碍治疗，同时IBM的研发部门正与Sutter Health展开合作，他们将基于还未充分利用的EHR数据，开发预测心力衰竭的方法。

IBM Watson Health实际上于2011年成立，当时他们靠机器算法拿下了Jeopardy比赛，这次成功，给了他们继续开发运用这项技术的信心。

Watson副总裁兼首席策略官Shiva Kumar在Light Forum会议上表示：“我们必须大力发展医疗领域的AI技术，因为这个行业太具复杂性，不同专科之间有着很多差异。我们只得加强机器学习，使系统了解医学语言。第一步是自然语言处理。AI已经具备充分的知识来给出医疗见解了吗？它能够在对话过程中给出最好的答案了吗？我们还得和病人进一步对话，吸收经验和数据，持续推进技术开发。”

Kumar表示，为了实现这个目标，解决非结构化数据的问题对IBM Watson而言是首当其冲的。

“我们倾向于使用词汇认知技术，因为它超越了机器学习和深度学习。这能赋予AI以洞察力，并能自主整合和学习。

“医疗行业是具有特殊性的，它受到了严密监管，很多数据都不能自由使用，所以这是一个有很多技术改进空间的领域。但是归根结底，成功与否还得取决于他们业内人士。”

人工智能在医疗领域应用路径

有很多专家预测，AI技术将在医疗行业掀起轩然大波。Allscripts Analytics首席医疗官Fatima Paruk博士向Becker’s Hospital Review透露，她预计AI首次在医疗上的应用应该在慢性病管理领域，其次就是借由患者健康及环境或社会因素数据可用性的提高带来的技术发展。接下来，将基因数据整合到临床护理管理中，将使精密医学成为现实。

事实上，那些较晚涉足AI这场技术竞赛的行业，可能被它影响得最深，比如制药企业，他们已然开始了变革。

Light Forum会议期间，辉瑞前任董事长兼CEO，现Lux Capital合伙人Jeff Kindler称药企是“创新者困局的典型例子”，因为他们的财政状况从未严峻到迫使他们改变商业模式。

但是AI的潜力实在是难以让人错过，尽管这意味着还得花费大量成本与医疗从业者们沟通，以寻求AI的着陆点。

“如果你和消费者们对话，他们不了解制药企业，也不懂什么AI或者大数据，他们只会想着‘交给他们我就完了’，那么我们如何才能跨越这个信任鸿沟呢？”Kindler说道：“从历史上看来，由于数据的不可用，药企和医疗设备生产商从未泾渭分明。但是随着AI技术的逐渐强大，操作成本和花费将得到分离，而且也不再重要，因为他们在为提高疗效而服务。”

疗效是药物开发的命门，特别是在FDA对AI技术的鼓励之下，AI可能更容易对行业产生影响。

辉瑞制药的战略与数据创新副总裁Judy Sewards指出：“我们在一个推广新产品需要花12年的行业中生存，在这期间，需要1600名科学家跟进研究，进行3600场临床试验，并涉及数以千计的患者。我们不得不思索，AI是否可以加快这一进程，使其更加智能化，将突破性药物与最需要他们的患者联结起来？”

Sewards同时透露，他们与IBM Watson合作展开的免疫学研究，是将这一想法转化为现实的举措。“有些人可能会担心，AI会在将来某天取代医生和科学家，但实际上，它们更适合充当研究助理或者辅助的角色。”

德勤生命科学与医疗保健部门负责人Rajeev Ronanki向Becker Hospital Review表示 ，推动机器学习技术进一步发展需要三股强大力量的集结：数据的指数级增长、更快的分布式系统，和更快识别并处理数据的算法。

Ronanki预测，当这个三重奏得以实现时，首席信息官们可以更加洞悉预期收益，从而改进人力决策。依靠AI工具以及设备和进程中的AI自动化，可以进一步发展领域深处的特异性专长。

Ronanki引用IDC的报告，向Becker’s表示：“我们预计AI技术将保持增长势头，用于人工智能的花费将上升到313亿美元。”

Roam Analytics的CEO及联合创始人 Alex Turkeltaub表示：“基本上，我们现在还一无所获，尽管我们多多少少构想了些商业模式，但是我们现在能做的也只是一般的数据统计，很难将数据整合到一起并加以管理。大多数甚至最前沿的深度算法还是上世纪60年代开发的，它们还基于17世纪的老套思路。我们必须得寻求更好的方法。”

辉瑞制药的Judy Sewards特别强调了一点：“在我们行业你必须要做到百分百的正确，任何闪失都与患者的生命安全息息相关。” 

备注：以上为动脉网编译整理内容，摘取核心观点。

参考资料1，参考资料2