隨著AI技術的發展，想靠著這個技術，標榜自己與眾不同的時代，已是過去式。大眾對于AI已經不陌生，而且在生活中能實實在在感受到。時至今日，科技公司們也很難找到哪家風投或者合作伙伴，對這種機器學習技術，不感興趣。

　　但是，想要用AI技術來革新醫療保健行業，比起其他行業，其門檻明顯更加高昂，即使蹭著AI這個熱點，其熱度下降得很快，因為在醫療行業，一個算法的錯誤，往往意味著生與死的差別。

　　關于醫療AI時，我們應當以如何心態去看待，他們現在的應用集中在哪些?關于這些問題，筆者梳理和編譯了mobihealthnews最新的深度文章，以饗讀者。

　　還未到將全部身家押在AI上的時候

　　在過去的五年當中，采用各種AI技術的數字醫療公司如雨后春筍般涌現。 CB Insights今年跟蹤報道了106家主打AI技術的醫療公司，報告指出自2015年1月以來，其中有50家公司開展了首輪公開募股。報道對象公司的交易量從2012年的20次，上升到了2017年的60次。2017年還出現了一些新的獨角獸，如 iCarbonX以及腫瘤為重點的 Flatiron Health。

　　從虛擬護士到藥物發現，CB Insights梳理了106家人工智能企業

　　在最近一次調研中發現，有半數以上的醫院，5年內引入AI技術的打算，另外有35%的醫院打算在近兩年就引入。近日，波士頓的Partners HealthCare也宣布與GE Healthcare展開為期十年的合作，將深度學習技術整合到他們的網絡中來。然而AI在醫療上的應用，絕不會在改善臨床醫生工作流程和加快保險理賠上止步。

　　為期兩天的Light Forum會議剛剛閉幕 ，該會議匯聚了眾多企業CEO、醫療信息技術專家和斯坦福大學的醫生。在會議期間，曾在醫保及醫療補助服務中心任職行政管理人員的Andy Slavitt表示：“當前我們正著手解決的是生產力問題。我們需要照顧到那些資源短缺的人們，而不是一味追求商業模式和過多繁雜的問題，或者總嘗試發明新工具，這是不能夠真正改善生產力的，我認為這才是數據和機器學習的落腳點。”

　　醫院調研的受訪者表示，AI技術可能在人群健康狀況、臨床決策支持、診斷工具和精密醫學上影響較大。即便在藥物開發上，AI也可以使數據收集和試驗進度更快更精準，并縮減成本。但是現在也還未到將我們全部身家都押在AI上的時候。

　　Roam Analytics的首席科學家及聯合創始人Andrew Maas在Light Forum與會期間表示：“人類的大腦依舊是功能強大的決策官，盡管計算機也有著不可限量的前景，但是目前它們的可靠程度，還不足以讓我們完全信任。”

　　蘋果、谷歌以及微軟，這些巨頭正在做什么?

　　每個人都為AI魅力所傾倒，但是還要多久，我們才能看見它為醫療行業帶來真正意義上的轉型呢?最近，我們已經見識到了AI應用在了從最簡單的手機app到最復雜的診斷任務，其形式也從自然語言或圖像識別，到依靠強大的算法處理幾十年積累的醫學研究數據庫等的方方面面。

　　如同醫療行業的其他技術一樣，進入這個行業會面臨監管障礙、與傳統醫院IT系統的互操作性問題，以及獲取關鍵醫療數據方面的障礙等諸多挑戰，AI技術想要在這個行業里立足生根，不越過這些高峰是不可能的。

　　但是這并不是讓我們停止創新，而是懷著更嚴謹的態度進行創新。數字醫療從業者們已經開始意識到，要解鎖AI的真正潛力需要建立戰略合作伙伴關系，還需要高質量的數據，并對統計數據有一個清醒的認識。

　　隨著醫療行業對AI認識的漸漸成熟，其實最大的技術難點還并不在于創新過程中遇到的監管障礙、關鍵數據獲取等挑戰。

　　就在本月中旬，Google方面宣布，他們已經將自己本用于翻譯和圖像識別的消費級機器學習技術，應用到了醫療領域。他們的研究團隊Google Brain將與斯坦福大學、加州大學舊金山分校等知名學府展開合作，旨在從數以百萬計的患者身上獲取數據。

　　如同Google的CEO Sundar Pichai在前兩周的Google I/O 開發者大會上所表示的，這個科技巨頭的行動還遠不止此，去年他們成立了Tensor計算中心，Google稱之為AI-first數據中心。

　　“Google現在已經把所有的AI工作歸攏到了Google.ai，這個部門是諸多團隊和努力的結晶，他們都專注于使AI能造福每個人。”Pichai表示，“Google.ai將重點關注三個方面：研究、工具和基礎設施，以及應用型AI。”

　　去年11月，Google的研究人員在JAMA上發表了一篇論文，表明Google經過大量眼底圖像數據訓練的深度學習算法，可以在診斷糖尿病性視網膜病變上，具有90%以上的高準確性。Pichai透露他們正在積極將AI應用到病理學上。

　　他說：“病理學涉及到龐大的數據問題，然而機器學習已經做好準備去解決它。我們構建了神經網絡，來檢測癌癥是否擴散到了相鄰的淋巴結。這個工作還處于早期階段，不過它已經顯示出了能將準確度從73%提升至89%的能力。當然我們仍需要警惕的是，我們的診斷也存在很多誤報，不過這個問題我們已經交諸病理學家來解決，他們能夠提高診斷準確性。”

　　除開Google，另一個例子就是蘋果公司最近也收購了一家名為 Lattice的AI公司，該公司有著開發醫療應用算法的技術背景。

　　微軟自然也不甘落后，幾個月前，他們推出了醫療 NExT計劃，將AI、云計算、研究以及行業合作伙伴關系整合到了一起。此項計劃包含了基因組學分析和健康聊天機器人技術的項目，并與匹茲堡大學醫學中心建立了合作伙伴關系。

　　幾周前，微軟和數據連接平臺供應商 Validic建立了合作伙伴關系，將患者參與度納入到了 HealthVault Insights研究項目中。

　　將患者數據應用到真實診斷中

　　巨頭公司們在發力，初創企業們也是各顯神通，我們現在已經見識到了各種各樣的AI應用形式，從 Ginger.io的行為健康監測和健康分析平臺 Sensely的虛擬助理，到 Ava等公司推出的可穿戴設備和各種APP，再到Clue公司最近推出的生育預測窗口。另外一個典型是Buoy Health最近推出的醫學專用引擎，Buoy的數據庫涵蓋了18000份臨床文獻和17000余種病情，患者樣本逾500萬人。

　　除了癥狀檢索以外，Buoy首先會要求用戶輸入年齡、性別和癥狀等篩選條件，然后在細分數據后決定接下來的問題，從而不斷縮小搜索范圍，大約使用兩三分鐘后，問題越來越具體，并為用戶提供可能的病癥列表和接下來的選項。

　　另一個十分具有前景的領域就是醫學成像。去年11月，以色列的機器學習成像分析公司Zebra發布了新平臺，使人們可以通過互聯網隨時隨地上傳和接收他們的醫學掃描分析。

　　Zebra成立于2014年，致力于開發算法，使電腦自動識別醫學圖像，診斷從骨科到心腦血管疾病等多種疾病。該公司現在已經穩步建立了自己的數據庫，并結合深度學習技術，以開發算法來實現自動醫學診斷。另一家以色列的同類型公是AiDoc，這家公司剛剛融資了700萬美元。

　　然而，不論一家科技公司規模多大或者技術有多先進，只有將患者數據應用到真實診斷中才是王道，這也是噱頭和有效算法之間的分水嶺。所以也就不奇怪，為什么還有那么多公司還處于AI摸索學習階段。

　　風投公司8VC的CEO Joe Lonsdale在斯坦福的 Light Forum會議期間表示：“最初的難點就在于創建數據。”

　　加州大學伯克利分校公共衛生學院的生物統計學教授Maya Peterson則給出了更為明晰的觀點。她在近期舊金山舉行的HIMSS大數據和醫療分析論壇期間說道：“真實世界的數據都很復雜，而我們還沒有完全理解他們之間的聯系。在探索更加復雜的領域中，機器學習在某種程度上過于野心勃勃了，這可能不是一件好事。”