資本熱捧：人工智能坐診離我們還有多遠？

周敏

過去的2年來，人工智能已成為政府以及各類資本的寵兒，AI開始與各垂直細分行業有了更深層次的結合。在醫療領域，隨著醫療大數據的厚積薄發和人工智能技術的發展，中國迎來了醫學人工智能時代的風口。有機構稱，2017年中國醫療人工智能市場規模將超130億元。

風口上的醫療人工智能，真的能代替專業的醫務人員坐診嗎？

國內醫學AI公司已近150家

HC3i中國數字醫療網日前發布了一份《2016—2017年度人工智能+醫療市場分析及趨勢報告》，預計到2025年，人工智能應用市場總值將達到1270億美元。

其中，醫療行業將占市場規模的五分之一。中國正處于醫療人工智能的風口：2016年中國人工智能+醫療市場規模達到96.61億元，增長37.9%。2017年將超130億元，增長40.7%。2018年有望達到200億元。

近日，青島市物價局批復關于IBM開發的醫生會診人工智能產品沃森（Watson）腫瘤機器人的收費，引發業界關注。醫院可根據自愿原則，與病人雙方協商并簽訂協議確定具體收費標準。這意味著，醫療AI產品作為醫療服務項目，其商業化臨床應用和推廣受到主管部門認可。

美國臨床腫瘤學會在5月份的年度會議中披露的數據顯示，IBM的沃森給出的癌癥治療方案，大部分時候與醫生的建議十分吻合。IBM公司也宣布，其用于幫助醫生診斷和治療患者的癌癥護理產品，已在分布全球的9家新醫療中心投入使用。

研究人員表示，沃森如今在針對不同癌癥推薦治療方案時，已經表現得十分出色。在印度進行的一項研究顯示，在治療肺癌時，沃森給出的治療建議96%的情況下與醫生的方案相吻合；治療直腸癌和結腸癌時，與醫生建議的吻合率也分別高達93%和81%。

此外，在泰國進行的一項研究中，針對結直腸癌、肺癌、乳腺癌和胃癌，沃森給出的治療建議也達到了相似的吻合度。而且，沃森在臨床試驗中篩選乳腺癌和肺癌患者的速度要比人類快78%，將篩查時間從110分鐘縮減到了24分鐘。

IBM沃森健康總經理Rob Merkel介紹，沃森產品目前已在13個國家開展臨床應用，并將很快推廣到20多個國家。其中沃森腫瘤和沃森基因解決方案，分別于去年8月和今年6月被引進中國市場。

除了IBM持續開發Watson Health來代替醫生為病人坐診外，從全球醫療AI布局方面看，還有谷歌 Google收購DeepMind成立DeepMind health，與英國NHS、皇家自由意愿合作開發輔助決策、視覺疾病機器學習。

在一些可以標準化、量化和結構化的情況下，人工智能有辦法通過不斷的學習和更新來完成工作。例如病理切片分析，每一個切片放大到40倍后再分析，對于病理學家來說是一個耗時耗力的工作，谷歌表示這套人工智能系統可以用10億像素級的拍攝效果自動檢測和定位腫瘤的大小，對于人類病理學家來說，這是一個非常有益的補充。

在大數據和人工智能的基礎上，英特爾先后與美國的一些醫療機構合作，共同開發了帕金森項目和協作式癌癥云。英特爾還與專注帕金森疾病研究的MichaeIJ.Fox基金合作，借助AI擴展人類基因庫，從而實現疑難病癥的診療。

國內，則有阿里發布ET醫療大腦，騰訊投資碳云智能、思派網絡等醫療人工智能公司，百度宣布要做醫療大腦，等等。

越來越多的公司開始利用人工智能來解決醫療難題。火石公司創造發布的《醫學人工智能產業圖譜和投資趨勢分析》報告顯示，中國已經成為全球領先的AI研發中心（全球兩個引擎——美國、中國），國內企業主要分布在北京、廣州和長三角地區。

基于對海量數據的分析和學習能力，人工智能在醫學領域應用的優勢顯而易見。比如，要培養一名醫生，通常需要8年。但最新研究表明，人工智能醫生僅通過4年的訓練，就學習了200本腫瘤領域的教科書、300種醫學期刊、超過1500萬份文獻和60多萬條臨床試驗信息，并開始在肺癌、乳腺癌、直腸癌等多個領域向人類醫生提出建議。

根據上述報告，醫療人工智能公司從1998年的3家增長到2016年的36家，2017年，據不完全統計，目前國內的醫學AI公司達到144家。

數據生成和共享的速度迅速增加，也是醫療人工智能發展的動力。據國際數據公司IDC預測，到2020年醫療數據量將達40萬億GB，是2010年的30倍，但其中80%為非結構化數據。

風險投資方面，報告顯示，國內人工智能領域相關投融資記錄共93筆 ，其中57筆披露明確金額。輔助診療獲投最多 ，其后依次為語音交互（13.2億元）、醫學影像（11.6億元）、健康管理（11.3億元）、信息化管理（4.5億元），但目前投資智能醫療機器人、藥物研發和虛擬助手較少。

近三年，全球醫療+人工智能融資活躍度逐年升高，從國內外投融資輪次及時間分布熱力圖來看，中國跟全球的距離非常近，基本上實現同步走，投資增長最快的時段為2013年到2016年，尤其是2016年總共投了25.8億元。

從數據看，A輪B輪融資金額較大，大多處于初創階段；行業集中度較低，尚未形成壟斷或者出現“獨角獸”。

技術、數據瓶頸制約多

對于國內醫學人工智能圖譜，火石公司做了九項分類，分別為：醫學影像（25家）、智能機器人（9家）、虛擬助手（5家）、藥物研發（3家）、輔助診療（41家）、健康管理（37家）、語音交互（8家）、信息化管理（25家）、其他（3家）。

從應用來看，目前醫療AI落地最多的是影像領域，AI幫助醫生更快、更準確地讀取病人影像數據，以做出更精確的診斷。火石公司稱，影像輔助診斷結合病理分析的準確率高達99.5%，市場空間巨大，融資金額達到30多億元，創業公司活躍度最高。endprint

不過，上海市兒童醫院影像科主任楊秀軍在接受采訪時卻說，目前兒童醫院沒有采用市面上任何一家智能影像公司的產品。“有的智能診斷產品針對某一種病，比如開發出一種軟件能更簡便快捷地診斷皮膚癌。但絕大多數的病變不是那么簡單的，比如有些患者確實患病，但其CT、磁共振或其他影像檢查中，沒有看到有異常的影像表現。還有，面對同一種影像異常，不同人的診斷會有不同。”

楊秀軍認為，想用一個軟件來診斷疾病，甚至替代醫生，只是一個夢想。人工智能可能在某些方面、某幾種疾病上，對醫生有所幫助。“比如我們把全球范圍內已經報道的某種腫瘤的影像尤其CT、MRI等進行統計學分析，形成影像組學，那么人工智能在這個領域潛力很大。”

計算機是否會取代放射科醫生呢？斯坦福大學醫學物理部主任邢磊認為，近期來看可能性不大，因為這一過程中還需要人來進行質量控制和最終決策。但是，技術確實會帶來巨大的幫助，除了提高效率之外，它可以提高質量和精度，促使很多醫生去想很多以前想不到的問題。

丁香園創始人李天天也有著同樣的看法，目前他們正與中南大學湘雅二院、大拿科技三方合作人工智能輔助診斷皮膚病應用，“不可能把所有皮膚病都列入，我們只選了紅斑狼瘡。” 李天天表示，第一階段幫助建立疾病采集及解讀；第二是處方建議及醫學建議；第三做醫生管理和患者教育。“現在還處在第一階段，因為準確性沒有達到想象的高度，因此需要不斷調整算法。”

平安創投董事總經理張江認為，目前的醫療AI尚處于早期，仍存在著較多技術壁壘未能突破，實際應用尚存在不確定性。“計算機不能應付復雜環境，無法處理模糊的、連續的、不完美的數據，認知層面的知識表達、信息補足瓶頸仍待突破。數據缺失、缺乏統一標準、醫患不信任、監管空白都制約著發展，且目前亦無清晰的盈利模式，買單方不明確。”

悉尼科技大學工程與信息技術學院教授操龍兵認為，雖然各醫院都有大量的病人醫療數據，但彼此之間并不共享，數據是碎片化的，無論是健康人還是非健康人的數據都非常缺乏。

據了解，獲取醫療人工智能所需的數據，成本很高，數據來源的正當性也常受質疑。

就在7月4日，英國信息委員會（ICO）做出裁決，判定英國皇家自由醫院在與谷歌分享數據時，未能充分保護患者隱私。2016年年初，皇家自由醫院曾將大約160萬名患者的信息交給谷歌子公司 DeepMind 進行醫療試驗，以期找到發現腎臟損傷的全新方法。之后，皇家自由醫院雖然沒有被處以罰款，但是簽署了承諾書，保證改變處理數據的方式。英國數據保護官伊麗莎白·德納姆在一份聲明中稱：“科技的進步，不該以犧牲民眾最基本的隱私權作為代價。”

在中國國內，獲取醫療數據同樣面臨著巨大的難題。醫院內部人士表示，原則上，把醫院的數據拿出去是不可能的，涉及到病人隱私、醫學倫理、法律等多個方面。

AI醫療的發展，有三個主要的部分：數據、模型、算法。在數據方面，除了需要大量的高質量數據以外，數據的標準化也至關重要。

不過，目前國內各醫院系統并不相連，也沒有統一規范的臨床結構化病歷模型標準，不同醫院的病歷書寫存在差異，非結構化的數據導致高效率的大數據挖掘很難實現。而且，由于國內臨床病歷缺乏規范，不少診斷細節在病歷中無法體現，此外，與國外患者離院后延續性的隨訪體系不同，國內患者離開醫院失訪率非常高，臨床病歷和高度碎片化的數據實際價值有限。

雖然數據不集中、不規范是目前智能醫學發展的最大障礙之一，但邢磊認為，國內在這一方面還是有很多優勢的，畢竟政府可以很高效地進行協調、協商，設法解決這個問題。

AIRDOC創始人兼CEO張大磊表示，“數據標注的問題應引起重視。實際上，人工智能80%的時間是在做數據預處理工作，醫療領域的標注是一個瓶頸。未來2到5年之內，小樣本學習理論層面會獲得足夠的突破，但近一兩年還是要大量醫生去做標注。”

張大磊稱，另一個制約因素在于數據質量。醫生是高度個性化的工作，非技術結果如果處理不好，很可能產生數據污染。“不管在美國還是中國，大多數醫院里拿出來的數據都缺乏標準化。同樣一個病，10個大夫會給出5種或3種診斷意見，到底誰對誰錯，有時候很難說。處理過程中，往往有很多技術之外的因素存在，這些因素如果不處理好，很可能產生數據污染。”

第三則是交互問題。總體來說，病人和醫生交互環節越多，各方面的信息質量越差。在處理這些數據時，丟失的信息會對結果判斷產生影響。endprint