IBM折戟醫療 沃森敗在哪里

錢麗娜 石丹

當AI隨著5G商用的落地被更廣泛地應用成為可能，國內外不少醫療企業和醫療機構開始在AI領域大展拳腳。近期，外媒再曝IBM沃森率先入局醫療卻踏步不前，其沃森醫療計劃宣告失敗。

沃森是IBM的“天之驕子”，更是人工智能領域的翹楚。公開資料顯示，1997年，IBM研發的計算機深藍（Deep Blue）戰勝國際象棋冠軍Garry Kasparov。2011年，這家公司以創始人Thomas J. Watson名字命名的計算機，繼續著對人類智能極限的挑戰。2014年初，IBM投資10億美元專門建立“Watson Group （沃森集團）”。沃森在2015年4月成立了Watson Health部門，之后收購了大量醫療數據公司。

2016年9月，美國著名的德州大學MD安德森癌癥中心（UT MD Anderson Cancer Center）癌癥研究中心宣布中止與IBM在人工智能沃森 （Watson） 項目上的合作。2018年，IBM人工智能醫療部門沃森健康被曝大幅裁員。

IBM沃森是人工智能領域的翹楚，而今受挫，不禁讓人對醫療領域人工智能的應用前景產生了懷疑。

時光倒流回2012年，時任MD安德森基因組醫學部主席的Lynda Chin博士決定在癌癥治療中采用人工智能，以此來提升臨床治療的效率。

此前一年，IBM的沃森系統因為贏得了智力挑戰賽Jeopardy！（《危險邊緣》）而獲得了全球關注。憑借沃森強大的自然語言理解能力，IBM打算將其應用在醫療健康領域，向AI醫生的角色發展。

Chin博士選定沃森來開發臨床決策系統——Oncology Expert Advisor（OEA，腫瘤專家顧問）。雙方于2012年6月簽訂合約。MD安德森為該項目支付6200萬美元，開發的目的是“作為一個試點解決方案，讓MD安德森通過相關數據的分析，深入了解患者的治療成果”，即理解數據在腫瘤解決方案中的作用。

而實驗一旦成功，未來OEA將為那些無法獲得專家治療的病人提供同一級別的癌癥治療方案，從而在全球范圍內提升癌癥治療的水平。

那么IBM是怎樣訓練沃森的專業技能的呢？官網顯示，沃森通過利用自然語言處理和先進的機器學習算法，搜索涵蓋300 多份醫學雜志、250 多本教科書和150 萬頁文本的語料庫，借助從文獻得來的相關證據，為發現的治療方案提供補充。

沃森從患者的病歷中提取關鍵特征，在與 EMR（電子病歷） 集成時，使用自然語言處理來讀取和理解病歷中的所有患者數據，結合此前在安德森癌癥中心獲得的專家培訓，得出經過排序的治療方案，供醫生參考。當醫生選定某一種治療方案時，它還會給出采用此方案的病例數、生存率、不良反應發生率等相關信息，幫助醫生總體評估該方案的療效與風險。

2012年起，安德森癌癥中心為沃森提供訓練數據，涉及病人的癥狀、基因序列、病理報告，這些信息與內科醫生的報告、重要期刊論文整合，幫助醫生制定診斷和治療策略。

這是一個看上去很美好的模式。

不僅僅是MD安德森選擇了沃森，IBM的合作名單中還有紀念斯隆-凱特琳癌癥中心 （Memorial Sloan Kettering Cancer Center）、梅奧醫院（Mayo Clinic）等著名醫療機構。2017年3月28日，百洋智能科技成為沃森健康（Watson Health）中國地區的戰略合作伙伴，將沃森腫瘤會診中心引入中國醫院。

但是正當人們對沃森滿懷期待時，它卻像亞特蘭蒂斯那般悄然消失在人們的視野中，隨著安德森項目被審計，以及沃森健康部門的裁員，這件事情似乎打開了潘多拉的魔盒。

《商學院》記者就沃森健康部門裁員、與MD安德森癌癥中心終止合作、系統診斷精確度、在醫療領域的突破及在中國醫院部署等情況向IBM中國相關負責人發去采訪提綱，至記者發稿，對方并未正面回復。

IBM敗在了哪里

安德森與沃森的實踐給后來者的啟示是，這是一個在錯誤的時間用錯誤的方式，展示了一個錯誤定位的產品。英特爾醫療與生命科學負責人李健博士說，“從某種意義上說，醫生有一點像廚師，除了知識積累和臨床實踐，還要靠經驗取勝。醫療本身更像是科學與藝術的結合，所以醫療AI的訓練不是靠機械式的灌輸就能掌握的，更何況是復雜的腫瘤疾病領域。”

要理解AI能在醫療行業做什么，首先要理解醫療行業的診療特性。醫療行為大致可以分為兩類，一類是標準化、流程化的診療。這其中有大量可描述、可追蹤的指標和標準的治療方案和標準的SOP流程，病人的預后也可以跟進。“在這個層面，人工智能可以發揮很大的作用，比如幫助醫生減輕工作量，降低醫療成本，提高診療效率。”李健說，“比如醫學影像領域用深度學習作為輔助手段，可以幫助醫生提高影像識別的準確率。”

另一類則是像糖尿病、高血壓、腫瘤等非標準化的疑難雜癥領域，導致疾病的成因有環境、遺傳、基因突變、生活習慣等各種因素，頗為復雜，醫生需要吸納各種信息后進行綜合判斷。因此，如果僅僅依靠機器閱讀文獻獲得醫療方案很難令人信服。

“目前，醫學資料庫中良莠不齊是普遍現象，只有少量的文章有真正價值，很多文章引用的數據也常有矛盾，如果不是專家，機器根本無從判斷。另外，在腫瘤治療臨床實踐中，每個醫生都可能有自己的看法，不同的醫生對同一個圖像還會有不同的看法，甚至不同國家和地區的腫瘤病人都有很大差異性，所以說這是一個綜合學科的問題。” 李健說，“因此復雜性疾病領域的創新不能用過于標準化和小樣本的方式去解決，至少目前的這種方式不可行。”