?人工智慧仍然處於早期

在多個研究中，人工智慧已經成功擊敗人類醫生，但在大規模落地前，醫療人工智慧還有很多課要補。

行業的狂歡和泡沫，是任何一個新技術浪潮的必經之路。

最後勝出的，必是那些創造了真實價值的技術和產品。

在2017年那場史詩級的圍棋對決中，人類戰力最強的棋手柯潔以0∶3敗於阿爾法狗，人類終被自己的模仿品——人工智慧（AI）超越。

接下來，它會在哪個領域戰勝人類？猜測落在醫療上。

人工智慧在多個醫療細分領域曾與人類醫生交手，2016年5月至今，比分結果是AI 6勝、3平、2負。醫生已然落於下風。

2017年歲末，斯坦福大學教授吳恩達領導的機器學習小組開發出一種名為CheXnet的演算法，能夠更敏銳地捕捉胸部X光片中的肺炎跡象，在診斷肺炎的比拼中，也一舉擊敗四名放射科醫師。

這些火種足以讓產業界信心爆棚。谷歌、IBM、英特爾等國際巨頭和國內的「BATK」（百度、阿里、騰訊、科大訊飛），都加緊布局，一大批初創公司也噴涌而出。

人口老齡化加劇、慢性病患者群體增長、優質醫療資源緊缺、公共醫療費用攀升等多重壓力，使AI入醫療被寄望成為這一全球性壓力的泄壓閥。

泄出的壓力也正是機遇的源頭。

尤其在中國，人口數量成為優勢，醫療數據的基礎大，可以給醫療AI提供充沛的燃料。

業內的普遍看法是，在該領域，國內企業有彎道超車的機會。

然而，AI的泡沫已然吹起，醫療能否獨善其身？

一、

現在很熱的人工智慧在醫療領域的應用發展到了什麼程度？

真正能像《終結者》里的超強人工智慧並沒有出現，在任何一個領域都沒有。

一般按照水平高低，人工智慧可以分成三大類：弱人工智慧、強人工智慧和超人工智慧。

現在所有的人工智慧研究都沒有突破弱人工智慧，包括全球最頂尖的alphaGo，包括深藍，包括watson。

其基本原理都是統計數據，從中歸納出模型，只能專註完成某方面的任務，與傳統工具沒有本質的區別。

目前的機器學習歸根到底只是高度擬合，與具有自主心智、獨立意識、機器情感之類科幻影片中人工智慧形象相比還差著好多個霍金。

需要擔心的其實並不是人工智慧的失控，是盈利目標裹挾下的商業道德失控。

二、

人工智慧在醫療領域的應用是目前最火熱，含金量也是較高的一個領域。

有機構調研數據顯示：目前國內有近200家從事醫療人工智慧的公司，累計融資金額超過180億元人民幣。

產品主要以軟體為主，業務面向主體包括醫院、藥店、葯企、研究機構、保險公司、移動醫療，可應用場景主要有醫學影像、疾病風險預測、藥物研發、健康管理等，不過都處於早期階段，例如，醫學虛擬助理類產品一般只能讓病人做選擇題，還達不到siri的水平。

百度、阿里、騰訊等BAT三巨頭在醫療人工智慧領域也都已經展開布局，但同樣，大多產品尚未成熟，演算法模型處於訓練優化階段，雖有商用試水，但沒有大規模成熟應用。

三、

醫療影像是人工智慧在醫療領域應用的熱門中熱門。

無他，

相對實現條件最成熟。

在醫療大數據中，超過 80%的數據來自於醫學影像，海量數據是建模的基礎。

一般做法是：從放射科提取圖像；對之進行圖像分割、提取圖像有意義的特徵區域；然後進行預處理、標註，將這些數據交給機器進行訓練，訓練好的模型就可以幫助醫生進行影像輔助決策了。

當前流行的機器學習在處理醫學影像識別上其實有天然優勢，利用數據量以及計算量作為模型驅動力，卷積神經網路（CNN）以及深度神經網路（DNN）等深度學習演算法已經超越傳統方法的圖像識別性能。

中國團隊在《cells》上發表論文，稱其主研發的精確診斷眼病和肺炎兩大類疾病的人工智慧（AI）工具，它的總體準確度達到了96.6%。

四、

當然，人工智慧還可以可以進行其他醫學數據收集，比如病歷文獻分析、診療結果把控等。

理論上來說，人工智慧可以實現流程自動化，提升流程效率，提高診斷準確度，將在包括醫學影像在內的諸多領域中發揮主要作用。

然而，想要投入大規模使用仍需要解決的兩個問題：一是標準數據來源，二是成本。

大型計算能力、存儲都是成本。

計算力和存儲倒是越來越便宜，

這也使得越來越多的AI得以民用推廣的原因（智能語音、拍圖購物啊背後全是AI）。

真正的瓶頸在數據的來源以和數據的質量。

無論你想要AI看皮膚腫瘤還是看眼睛，目前主流採用的都是基於神經網路訓練，

第一要點是需要海量數據進行訓練。

數百萬張統一標準、高質量的醫療圖像常常只是打底的基礎。

文章開頭說的那個例子中AI雖然整體的識別率高於醫生，但其實對惡性腫瘤平均符合率也只有75%，現場有的醫生數據是高於它的。

很顯然，它的模型還需要進一步訓練，以大力完善。

數據從哪兒來？

五、

真實世界中的醫療數據非常之分散。

一方面國內醫院出於數據安全和其他原因不願意共享和公開，另一方面缺乏統一的標準，不同醫院產生的影像數據質量參差，很難使用。

京津冀一些醫院已經實現影像互認，這只是對於人。對於機器來說，使用影像掃描設備不同造成的機器識別依然困難，比如CT排數不同，電流、電壓、掃描時間等參數不同，可能AI就需要重新訓練。

所以，現在很多做AI的公司主要在一線城市和三甲醫院合作，或採用一些公開的數據做初始訓練，想要臨床使用，這顯然遠遠不夠。

就目前的現狀，僅醫學數據質量的提升和共融共通，可能需要非常非常長的時間周期。

而，在數據採集的時候，誰來確保被採集者的數據安全問題？

六、

目前來說，AI依然是一個處於嬰兒期的產品，技術不完善，應用昂貴。

聽起來非常高大上的人工智慧醫療，在目前階段數據採集大多靠人工（有些可穿戴設備數據可以自動上傳）。

在數據處理的第二階段：數據的標註也是純人工在做。

數據標記員需要對每一張圖像進行人工分類、畫框、注釋、標記，以給機器學習提供先驗經驗。

這是一個隨著AI新興的崗位，純勞動密集型，就像工廠流水線的工人一樣，只是換成了電腦和滑鼠。

可以說，AI造成了一部分結構性失業又創造了另外一些需求。

七、

暢想一下，在現有的條件下AI可以做的事情也還是很多的。

智能醫療影像識別雖然不夠完美但是依然可以大量緩解醫生不足的問題，醫療助手可以對病人進行輕問診、減少過度醫療；還有人機協同的手術機器人、智能生物兼容的生理監測系統、基於人工智慧開展大規模基因組識別，高通量新葯研發等等。

放眼整個行業，一個逐漸清晰的場景就是，影像AI會率先支撐基層醫療。基層醫院用影像AI篩查以後，發現一些有問題或者看不準的病例，再交由上級醫院的醫生來確診。

再看遠些，醫療AI技術如果能夠突破應用關，將頂級醫生的診斷能力標準化後，交給基層醫院，為基層醫生提供輔助診斷，會在很大程度上改善醫療資源的緊張狀況。

麥肯錫全球研究所預測，大面積使用人工智慧診斷疾病可能不會太快發生，即使早已入局的巨頭們，也不過是入門級水平，這並不妨礙AI會成功滲入，成為醫療的底層技術，就像之前的IT技術一樣。

人工智慧和人類醫生比誰更聰明，可能還會持續。

《新英格蘭醫學雜誌》認為，這種爭論沒有意義，如何讓人工智慧和人類醫生一起，實現任何單一方都無法提供的臨床效果，才是關鍵。

行業的狂歡和泡沫，是任何一個新技術浪潮的必經之路。最後勝出的，是那些創造了真實價值的技術和產品。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！