资本热捧：人工智能坐诊离我们还有多远？

周敏

过去的2年来，人工智能已成为政府以及各类资本的宠儿，AI开始与各垂直细分行业有了更深层次的结合。在医疗领域，随着医疗大数据的厚积薄发和人工智能技术的发展，中国迎来了医学人工智能时代的风口。有机构称，2017年中国医疗人工智能市场规模将超130亿元。

风口上的医疗人工智能，真的能代替专业的医务人员坐诊吗？

国内医学AI公司已近150家

HC3i中国数字医疗网日前发布了一份《2016—2017年度人工智能+医疗市场分析及趋势报告》，预计到2025年，人工智能应用市场总值将达到1270亿美元。

其中，医疗行业将占市场规模的五分之一。中国正处于医疗人工智能的风口：2016年中国人工智能+医疗市场规模达到96.61亿元，增长37.9%。2017年将超130亿元，增长40.7%。2018年有望达到200亿元。

近日，青岛市物价局批复关于IBM开发的医生会诊人工智能产品沃森（Watson）肿瘤机器人的收费，引发业界关注。医院可根据自愿原则，与病人双方协商并签订协议确定具体收费标准。这意味着，医疗AI产品作为医疗服务项目，其商业化临床应用和推广受到主管部门认可。

美国临床肿瘤学会在5月份的年度会议中披露的数据显示，IBM的沃森给出的癌症治疗方案，大部分时候与医生的建议十分吻合。IBM公司也宣布，其用于帮助医生诊断和治疗患者的癌症护理产品，已在分布全球的9家新医疗中心投入使用。

研究人员表示，沃森如今在针对不同癌癥推荐治疗方案时，已经表现得十分出色。在印度进行的一项研究显示，在治疗肺癌时，沃森给出的治疗建议96%的情况下与医生的方案相吻合；治疗直肠癌和结肠癌时，与医生建议的吻合率也分别高达93%和81%。

此外，在泰国进行的一项研究中，针对结直肠癌、肺癌、乳腺癌和胃癌，沃森给出的治疗建议也达到了相似的吻合度。而且，沃森在临床试验中筛选乳腺癌和肺癌患者的速度要比人类快78%，将筛查时间从110分钟缩减到了24分钟。

IBM沃森健康总经理Rob Merkel介绍，沃森产品目前已在13个国家开展临床应用，并将很快推广到20多个国家。其中沃森肿瘤和沃森基因解决方案，分别于去年8月和今年6月被引进中国市场。

除了IBM持续开发Watson Health来代替医生为病人坐诊外，从全球医疗AI布局方面看，还有谷歌 Google收购DeepMind成立DeepMind health，与英国NHS、皇家自由意愿合作开发辅助决策、视觉疾病机器学习。

在一些可以标准化、量化和结构化的情况下，人工智能有办法通过不断的学习和更新来完成工作。例如病理切片分析，每一个切片放大到40倍后再分析，对于病理学家来说是一个耗时耗力的工作，谷歌表示这套人工智能系统可以用10亿像素级的拍摄效果自动检测和定位肿瘤的大小，对于人类病理学家来说，这是一个非常有益的补充。

在大数据和人工智能的基础上，英特尔先后与美国的一些医疗机构合作，共同开发了帕金森项目和协作式癌症云。英特尔还与专注帕金森疾病研究的MichaeIJ.Fox基金合作，借助AI扩展人类基因库，从而实现疑难病症的诊疗。

国内，则有阿里发布ET医疗大脑，腾讯投资碳云智能、思派网络等医疗人工智能公司，百度宣布要做医疗大脑，等等。

越来越多的公司开始利用人工智能来解决医疗难题。火石公司创造发布的《医学人工智能产业图谱和投资趋势分析》报告显示，中国已经成为全球领先的AI研发中心（全球两个引擎——美国、中国），国内企业主要分布在北京、广州和长三角地区。

基于对海量数据的分析和学习能力，人工智能在医学领域应用的优势显而易见。比如，要培养一名医生，通常需要8年。但最新研究表明，人工智能医生仅通过4年的训练，就学习了200本肿瘤领域的教科书、300种医学期刊、超过1500万份文献和60多万条临床试验信息，并开始在肺癌、乳腺癌、直肠癌等多个领域向人类医生提出建议。

根据上述报告，医疗人工智能公司从1998年的3家增长到2016年的36家，2017年，据不完全统计，目前国内的医学AI公司达到144家。

数据生成和共享的速度迅速增加，也是医疗人工智能发展的动力。据国际数据公司IDC预测，到2020年医疗数据量将达40万亿GB，是2010年的30倍，但其中80%为非结构化数据。

风险投资方面，报告显示，国内人工智能领域相关投融资记录共93笔 ，其中57笔披露明确金额。辅助诊疗获投最多 ，其后依次为语音交互（13.2亿元）、医学影像（11.6亿元）、健康管理（11.3亿元）、信息化管理（4.5亿元），但目前投资智能医疗机器人、药物研发和虚拟助手较少。

近三年，全球医疗+人工智能融资活跃度逐年升高，从国内外投融资轮次及时间分布热力图来看，中国跟全球的距离非常近，基本上实现同步走，投资增长最快的时段为2013年到2016年，尤其是2016年总共投了25.8亿元。

从数据看，A轮B轮融资金额较大，大多处于初创阶段；行业集中度较低，尚未形成垄断或者出现“独角兽”。

技术、数据瓶颈制约多

对于国内医学人工智能图谱，火石公司做了九项分类，分别为：医学影像（25家）、智能机器人（9家）、虚拟助手（5家）、药物研发（3家）、辅助诊疗（41家）、健康管理（37家）、语音交互（8家）、信息化管理（25家）、其他（3家）。

从应用来看，目前医疗AI落地最多的是影像领域，AI帮助医生更快、更准确地读取病人影像数据，以做出更精确的诊断。火石公司称，影像辅助诊断结合病理分析的准确率高达99.5%，市场空间巨大，融资金额达到30多亿元，创业公司活跃度最高。endprint

不过，上海市儿童医院影像科主任杨秀军在接受采访时却说，目前儿童医院没有采用市面上任何一家智能影像公司的产品。“有的智能诊断产品针对某一种病，比如开发出一种软件能更简便快捷地诊断皮肤癌。但绝大多数的病变不是那么简单的，比如有些患者确实患病，但其CT、磁共振或其他影像检查中，没有看到有异常的影像表现。还有，面对同一种影像异常，不同人的诊断会有不同。”

杨秀军认为，想用一个软件来诊断疾病，甚至替代医生，只是一个梦想。人工智能可能在某些方面、某几种疾病上，对医生有所帮助。“比如我们把全球范围内已经报道的某种肿瘤的影像尤其CT、MRI等进行统计学分析，形成影像组学，那么人工智能在这个领域潜力很大。”

计算机是否会取代放射科医生呢？斯坦福大学医学物理部主任邢磊认为，近期来看可能性不大，因为这一过程中还需要人来进行质量控制和最终决策。但是，技术确实会带来巨大的帮助，除了提高效率之外，它可以提高质量和精度，促使很多医生去想很多以前想不到的问题。

丁香园创始人李天天也有着同样的看法，目前他们正与中南大学湘雅二院、大拿科技三方合作人工智能辅助诊断皮肤病应用，“不可能把所有皮肤病都列入，我们只选了红斑狼疮。” 李天天表示，第一阶段帮助建立疾病采集及解读；第二是处方建议及医学建议；第三做医生管理和患者教育。“现在还处在第一阶段，因为准确性没有达到想象的高度，因此需要不断调整算法。”

平安创投董事总经理张江认为，目前的医疗AI尚处于早期，仍存在着较多技术壁垒未能突破，实际应用尚存在不确定性。“计算机不能应付复杂环境，无法处理模糊的、连续的、不完美的数据，认知层面的知识表达、信息补足瓶颈仍待突破。数据缺失、缺乏统一标准、医患不信任、监管空白都制约着发展，且目前亦无清晰的盈利模式，买单方不明确。”

悉尼科技大学工程与信息技术学院教授操龙兵认为，虽然各医院都有大量的病人医疗数据，但彼此之间并不共享，数据是碎片化的，无论是健康人还是非健康人的数据都非常缺乏。

据了解，获取医疗人工智能所需的数据，成本很高，数据来源的正当性也常受质疑。

就在7月4日，英国信息委员会（ICO）做出裁决，判定英国皇家自由医院在与谷歌分享数据时，未能充分保护患者隐私。2016年年初，皇家自由医院曾将大约160万名患者的信息交给谷歌子公司 DeepMind 进行医疗试验，以期找到发现肾脏损伤的全新方法。之后，皇家自由医院虽然没有被处以罚款，但是签署了承诺书，保证改变处理数据的方式。英国数据保护官伊丽莎白·德纳姆在一份声明中称：“科技的进步，不该以牺牲民众最基本的隐私权作为代价。”

在中国国内，获取医疗数据同样面临着巨大的难题。医院内部人士表示，原则上，把医院的数据拿出去是不可能的，涉及到病人隐私、医学伦理、法律等多个方面。

AI医疗的发展，有三个主要的部分：数据、模型、算法。在数据方面，除了需要大量的高质量数据以外，数据的标准化也至关重要。

不过，目前国内各医院系统并不相连，也没有统一规范的临床结构化病历模型标准，不同医院的病历书写存在差异，非结构化的数据导致高效率的大数据挖掘很难实现。而且，由于国内临床病历缺乏规范，不少诊断细节在病历中无法体现，此外，与国外患者离院后延续性的随访体系不同，国内患者离开医院失访率非常高，临床病历和高度碎片化的数据实际价值有限。

虽然数据不集中、不规范是目前智能医学发展的最大障碍之一，但邢磊认为，国内在这一方面还是有很多优势的，毕竟政府可以很高效地进行协调、协商，设法解决这个问题。

AIRDOC创始人兼CEO张大磊表示，“数据标注的问题应引起重视。实际上，人工智能80%的时间是在做数据预处理工作，医疗领域的标注是一个瓶颈。未来2到5年之内，小样本学习理论层面会获得足够的突破，但近一两年还是要大量医生去做标注。”

张大磊称，另一个制约因素在于数据质量。医生是高度个性化的工作，非技术结果如果处理不好，很可能产生数据污染。“不管在美国还是中国，大多数医院里拿出来的数据都缺乏标准化。同樣一个病，10个大夫会给出5种或3种诊断意见，到底谁对谁错，有时候很难说。处理过程中，往往有很多技术之外的因素存在，这些因素如果不处理好，很可能产生数据污染。”

第三则是交互问题。总体来说，病人和医生交互环节越多，各方面的信息质量越差。在处理这些数据时，丢失的信息会对结果判断产生影响。endprint