“Al+医疗”人工智能的下一个风口？

【#第一文档网# 导语】以下是®第一文档网的小编为您整理的《“Al+医疗”人工智能的下一个风口？》，欢迎阅读！

“Al+医疗”人工智能的下一个风口？

作者：文／丁 毓

来源：《上海信息化》 2017年第3期



文／丁 毓

当IBM的人工智能Watson仅用几分钟就完成癌症诊断并开出处方， “AI+医疗”引发了舆论热潮。现在，AI在医疗健康领域创造了很多机遇，人工智能的下一个风口即将到来。

近年来，渐趋成熟的AI（人工智能ArtificialIntelligence，简称AI）技术正逐步向

“AI+”转变，医疗作为人们生活的重要部分，自然而然成了新的关注点。图像识别、深度学习、神经网络等关键技术的突破，带动了人工智能新一轮发展， “AI+医疗”概念被推向高潮。

Al渗透医疗健康各领域

当AI技术被应用于医疗健康领域并发挥作用，所产生的化学反应创造了很多机遇。比如：应用于早期筛查、诊断、康复、手术风险评估场景，提供临床诊断辅助系统等医疗服务；通过数据分析，帮助医疗机构提升运营效率；进行医学影像识别，帮助医生更快、更准地读取病人的影像数据；用医疗数据分析，助力医疗机构大数据可视化及数据价值提升；在药企研发领域解决药品研发周期长、成本高的问题；在健康管理服务方面，通过包括可穿戴设备在内的手段，监测用户个人健康数据，预测和管控疾病风险；在基因测序领域，将深度学习用于分析基因数据、推进精准医疗等。

就目前全球创业公司实践的情况来看， “AI+医疗”的具体应用以辅助诊疗、医学影像、药物挖掘、健康管理四种模式为主流。

首先是AI+辅助诊疗，即将人工智能技术用于辅助诊疗中，让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案。辅助诊疗场景是医疗领域最重要、最核心的场景。

此外，高精准率电子胶片的推广、放射科经验丰富医师的缺乏，使得人工智能技术在医学影像方面有着巨大的发展空间。医学影像的解读需要长时间的经验积累，即使是老道的医生，有时在面对海量数据时，也会判断失误。人工智能在图像识别的速度和精度上，都胜于人力操作。因此，AI+医学影像将非常具有潜力。AI+医学影像是将人工智能技术具体应用在医学影像的诊断上，主要分为两部分：一是图像识别，应用于人工智能的感知环节，其主要目的是将医学影像这类非机构化数据进行分析，获取一些有意义的信息；二是深度学习，应用于人工智能学习和分析环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握“诊断”的能力。

同时，AI+药物挖掘也是人工智能在医学健康领域的主要模式。它是指将深度学习技术应用于药物临床前研究，达到快速、准确地挖掘和筛选合适的化合物或生物，缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。通过计算机模拟，人工智能可以对药物活性、安全性和副作用进行预测。借助深度学习，AI+药物挖掘可以在心血管药、抗肿瘤药、孤儿药和常见传染病治疗药等多领域取得突破。

最后是AI+健康管理。目前从全球“AI+医疗”创业公司来看，主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。其中，风险识别就是通过获取并运用AI进行分析，识别疾病发生的风险及提供降低风险的措施；虚拟护土就是运用AI技术，以“护土”身份了解病人饮食习惯、锻炼周期、服药习惯等个人生活习惯，进行数据


分析并评估病人整体状态，协助规划日常生活；精神健康管理运用AI技术从语言、表情、声音等数据切入，对个体进行情感识别；健康干预运用AI对用户体征数据进行分析，定制健康管理计划。

可见，AI已渗透到医疗健康的各个领域， “AI+医疗”催生出很多可能性，在医疗资源有限的情况下，为人们提供更多、更全面、更有效率的医疗服务。

创新技术开拓市场

在智能医疗领域，IBM、微软、谷歌等科技巨头纷纷介入，一些创业公司也加入其中。 “AI+医疗”更是受到众多投资者的一致看好。

IBM很早就在AI+辅助诊疗领域有所布局。在AI+辅助诊疗的应用中，IBM的人工智能Watson是目前最成熟的案例。201 1年2月14日，Watson问世，开始了医学知识的“学习”和“研究”。在学习了各种肿瘤领域的教科书、医学期刊和文献后，Watson开始被应用在临床上，在肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌等领域向人类医生提出建议。2015年，Watson仅用10分钟就为一名60岁女性患者诊断出白血病，并向东京大学医科学研究所提出了适当的治疗方案。当前，Watson提供诊治服务的病种已经包括乳腺癌、肺癌、结肠癌、前列腺癌、膀胱癌、卵巢癌、子宫癌等多种癌症。当然，IBM的“AI+医疗”产品不仅仅停留在实验室，目前已逐渐打开了市场。比如在2016年下半年，就有21家中国医院引入IBM的认知技术，以辅助癌症诊疗。2016年12月26日， “浙江省中医院沃森联合会诊中心”成立，这也意味着Watson在中国医疗领域的商业试应用正式落地。

AI+医学影像也已经走出实验室，迎来商业化浪潮。MedyMatch是一家以色列的人工智能医疗公司，专注于中风诊断。他们研发了一款可以从普通断层扫描中提取图像的软件，该软件运用了深度学习技术，方法是向计算机导入系列图例，从而设定读图基准，随后把系列图片上传到计算机，计算机可以从中“学到”流血的样子。图例培训计算机经过这种训练后，可以自己阅读图像。软件的具体应用场景为急诊室与监护室，利用MedyMatch开发的算法在云端处理图像，在图像上做笔记，为医生标注出重点。在做完以上工作后，软件会将原图与处理后的影像图片一同发送至医生的平台。对于中风这种类型的疾病，诊疗的速度非常重要，而借助

MedyMatch的软件，医生可以在3—s分钟内对中风类型做出判断，从而缩短诊疗时间，使患者得到及时的救治。2016年，MedyMatch获得200万美元种子轮融资，并计划于2017年上半年将人工智能产品推向市场。在盈利模式方面，MedyMatch正在积极探索多种盈利方式，其中一种是订阅，每次使用该软件进行图像分析时，医院需要支付不到10美元的使用费。

在AI+医学影像领域，国内一家名为DeepCare的人工智能公司走在技术前沿，商业模式也有所创新。DeepCare是一家专注于医学影像识别和筛查的科技公司，其技术核心就是算法+有效临床数据。目前他们采取的是类似SaaS（软件即服务Software as a Service，简称SaaS）的模式，客户每年按照使用的模块进行付费。付费方式可以是钱，也可以用数据抵付。也就是说，如果每年提供一定数量的数据，DeepCare的客户就可以免费或以很低的价格来使用算法模块，为客户提供疾病的高效率、高精确度诊断。2016年，DeepCare获得了峰瑞资本600万元天使轮投资。

“AI+医疗”领域的创新目前不断受到资本市场的高度关注。可以预测，2017年人工智能将在医疗行业实现爆发，同时进入更多细分市场。

应用落地仍面临问题

尽管“AI+医疗”已经火遍全球，但还面临很多应用落地的问题。


首先是数据总量和质量问题。机器学习所用到的数据其实是训练学习模型的教材，教材的质量最终决定了学习的成果。人工智能需要在人的监督下完成智能学习，想让它不断提升，就需要人工做好标识。比如Google就用大致l万个小时的、经过标注的对话训练了一个神经网络。但现阶段的数据，不论是从总量还是标记数量上来说，都还远远不够。如果靠人工对数据进行标记，又需耗费大量人力。

其次是监管问题。训练人工智能的数据从哪里来？最庞大的医疗数据储存地必然是医疗机构，但这种涉及到患者隐私的高度敏感问题，也必然是政策高度监管的地带。目前，我国在AI健康医疗大数据和算法的使用监管领域的法规，与美国、英国、澳大利亚等国家相比，还有很多不完善和滞后的地方，因此，下一步我国在对“AI+医疗”领域的法规进行制定和完善的同时，既要利用好后发优势，又要确保患者信息安全。

最后， “AI+医疗”能真正普及，还要跨越观念问题。基于人文伦理的传统观念影响，许多人很难相信人工智能可以比人类做得更好，因此，接受“AI+医疗”这一事实的过程可能比想象的要长。

随着人工智能技术的不断进步，其所适用的医疗应用场景也将会越来越多，虽然仍有问题需要解决，但“AI+医疗”在全球都呈现了迅猛发展的态势。2017年2月9日，百度关停医疗事业部，裁撤的原因除了百度医疗事业部业绩不佳，医疗020烧钱难盈利之外，更主要的是“AI+医疗”的发展势不可挡。裁撤之后，百度医疗事业部智能小e团队和拇指医生团队转入AI体系，押宝“AI+医疗”。医疗健康的发展一直是民心所向。随着人工智能技术与医疗不断融合，医疗智能化时代将全面开启。

本文来源：https://www.dy1993.cn/dltG.html