IBM折戟医疗 沃森败在哪里

钱丽娜 石丹

当AI随着5G商用的落地被更广泛地应用成为可能，国内外不少医疗企业和医疗机构开始在AI领域大展拳脚。近期，外媒再曝IBM沃森率先入局医疗却踏步不前，其沃森医疗计划宣告失败。

沃森是IBM的“天之骄子”，更是人工智能领域的翘楚。公开资料显示，1997年，IBM研发的计算机深蓝（Deep Blue）战胜国际象棋冠军Garry Kasparov。2011年，这家公司以创始人Thomas J. Watson名字命名的计算机，继续着对人类智能极限的挑战。2014年初，IBM投资10亿美元专门建立“Watson Group （沃森集团）”。沃森在2015年4月成立了Watson Health部门，之后收购了大量医疗数据公司。

2016年9月，美国著名的德州大学MD安德森癌症中心（UT MD Anderson Cancer Center）癌症研究中心宣布中止与IBM在人工智能沃森 （Watson） 项目上的合作。2018年，IBM人工智能医疗部门沃森健康被曝大幅裁员。

IBM沃森是人工智能领域的翘楚，而今受挫，不禁让人对医疗领域人工智能的应用前景产生了怀疑。

时光倒流回2012年，时任MD安德森基因组医学部主席的Lynda Chin博士决定在癌症治疗中采用人工智能，以此来提升临床治疗的效率。

此前一年，IBM的沃森系统因为赢得了智力挑战赛Jeopardy！（《危险边缘》）而获得了全球关注。凭借沃森强大的自然语言理解能力，IBM打算将其应用在医疗健康领域，向AI医生的角色发展。

Chin博士选定沃森来开发临床决策系统——Oncology Expert Advisor（OEA，肿瘤专家顾问）。双方于2012年6月签订合约。MD安德森为该项目支付6200万美元，开发的目的是“作为一个试点解决方案，让MD安德森通过相关数据的分析，深入了解患者的治疗成果”，即理解数据在肿瘤解决方案中的作用。

而实验一旦成功，未来OEA将为那些无法获得专家治疗的病人提供同一级别的癌症治疗方案，从而在全球范围内提升癌症治疗的水平。

那么IBM是怎样训练沃森的专业技能的呢？官网显示，沃森通过利用自然语言处理和先进的机器学习算法，搜索涵盖300 多份医学杂志、250 多本教科书和150 万页文本的语料库，借助从文献得来的相关证据，为发现的治疗方案提供补充。

沃森从患者的病历中提取关键特征，在与 EMR（电子病历） 集成时，使用自然语言处理来读取和理解病历中的所有患者数据，结合此前在安德森癌症中心获得的专家培训，得出经过排序的治疗方案，供医生参考。当医生选定某一种治疗方案时，它还会给出采用此方案的病例数、生存率、不良反应发生率等相关信息，帮助医生总体评估该方案的疗效与风险。

2012年起，安德森癌症中心为沃森提供训练数据，涉及病人的症状、基因序列、病理报告，这些信息与内科医生的报告、重要期刊论文整合，帮助医生制定诊断和治疗策略。

这是一个看上去很美好的模式。

不仅仅是MD安德森选择了沃森，IBM的合作名单中还有纪念斯隆-凯特琳癌症中心 （Memorial Sloan Kettering Cancer Center）、梅奥医院（Mayo Clinic）等著名医疗机构。2017年3月28日，百洋智能科技成为沃森健康（Watson Health）中国地区的战略合作伙伴，将沃森肿瘤会诊中心引入中国医院。

但是正当人们对沃森满怀期待时，它却像亚特兰蒂斯那般悄然消失在人们的视野中，随着安德森项目被审计，以及沃森健康部门的裁员，这件事情似乎打开了潘多拉的魔盒。

《商学院》记者就沃森健康部门裁员、与MD安德森癌症中心终止合作、系统诊断精确度、在医疗领域的突破及在中国医院部署等情况向IBM中国相关负责人发去采访提纲，至记者发稿，对方并未正面回复。

IBM败在了哪里

安德森与沃森的实践给后来者的启示是，这是一个在错误的时间用错误的方式，展示了一个错误定位的产品。英特尔医疗与生命科学负责人李健博士说，“从某种意义上说，医生有一点像厨师，除了知识积累和临床实践，还要靠经验取胜。医疗本身更像是科学与艺术的结合，所以医疗AI的训练不是靠机械式的灌输就能掌握的，更何况是复杂的肿瘤疾病领域。”

要理解AI能在医疗行业做什么，首先要理解医疗行业的诊疗特性。医疗行为大致可以分为两类，一类是标准化、流程化的诊疗。这其中有大量可描述、可追踪的指标和标准的治疗方案和标准的SOP流程，病人的预后也可以跟进。“在这个层面，人工智能可以发挥很大的作用，比如帮助医生减轻工作量，降低医疗成本，提高诊疗效率。”李健说，“比如医学影像领域用深度学习作为辅助手段，可以帮助医生提高影像识别的准确率。”

另一类则是像糖尿病、高血压、肿瘤等非标准化的疑难杂症领域，导致疾病的成因有环境、遗传、基因突变、生活习惯等各种因素，颇为复杂，医生需要吸纳各种信息后进行综合判断。因此，如果仅仅依靠机器阅读文献获得医疗方案很难令人信服。

“目前，医学资料库中良莠不齐是普遍现象，只有少量的文章有真正价值，很多文章引用的数据也常有矛盾，如果不是专家，机器根本无从判断。另外，在肿瘤治疗临床实践中，每个医生都可能有自己的看法，不同的医生对同一个图像还会有不同的看法，甚至不同國家和地区的肿瘤病人都有很大差异性，所以说这是一个综合学科的问题。” 李健说，“因此复杂性疾病领域的创新不能用过于标准化和小样本的方式去解决，至少目前的这种方式不可行。”