医疗大数据及AI在医疗行业的应用探讨

要评估医药行业大数据结合 人工智能 技术对未来的影响，我们至少需要知道大数据的核心价值在哪里，以及人工智能技术将给人类医药行业带来怎样的变革。基于真实世界的大数据+人工智能是我们所追求的，而现实情况下大数据存在诸多局限性则往往会误导我们的判断甚至是产生偏倚。

人类医学的起源富有浓厚的宗教色彩，经过300多年的发展逐步形成基于循证医学证据为基础的学科，其一直遵循自身发展规律，即使我们拥有最先进的影像设备、智能病理分析软件及先进基因检测方法的今天，临床经验仍在医疗实践中发挥重要的作用。

人工智能（Artificial Intelligence，AI）诞生于上个世纪50年代，旨在通过计算机模拟人脑进行决策判断。50-70年代人工智能发展的早期，通过机器模拟人对结构化的数据或逻辑进行判断，对非结构化的决策问题能力十分有限。伴随模糊数学在决策逻辑中的应用和发展，机器获得分类决策功能。

最具有代表性的是1972年美国对感染患者应用抗生素开发的Mycin专家系统，临床非结构化的判断问题，通过专家的个人知识和经验撰写规则，为机器判断提供依据。Mycin系统是人类第一次将人工智能应用于临床医学问题的决策判断，系统开发以失败告终， 一方面临床问题的复杂性和多样性远远超越专家系统Mycin的判断范围，另一方面基于专家个人经验构建规则的稳定性和外延性均无法满足临床需要。

伴随机器计算能力的指数级提升、存储技术的发展、图像模式识别技术、人工神经网络算法的进步、医疗行业的数字化发展，我们形成海量存储的大数据，但大数据驱动AI在医药行业的应用升级，我们仍在路上，让我们拭目以待。

21世纪临床研究证据是现代医学决策的基石，大数据驱动人工智能技术应用于临床成为未来趋势。对结构化的数据决策，在未来5-10年机器辅助医生诊疗能带来显而易见的效果；对非结构化的医学问题，通过对有效真实的临床数据集训练，基于数学算法模型决策将代替人为决策的偏倚。

目前，大数据驱动人工智能决策系统，无论用于预防、诊断、治疗或随访的疾病管理系统，都有非常大的应用障碍。原因不在于技术的先进程度，而是医学学科的人文属性本身特点所决定。就中国医药行业而言，巨大的挑战是数据结构和数据存储标准统一性问题，数据真实性问题，就同一临床问题表述规范问题等等，将成为制约人工智能在医药行业应用的障碍。 因此，大数据+AI推动医药行业提高疾病管理效率和疾病管理质量，将成为未来大数据+AI推动医药行业变革的突破口。

一、中国医疗数据的特点

有人类活动的地方就会产生数据，数据本身因为存储技术和移动互联网的普及逐步被行业所重视，被誉为最重要的生产资料。尽管数据是未来最重要的资产，但因数据格式、数据质量、数据真实性、数据的连续性、数据的时效性等原因，即使采用最先进的数据挖掘技术也无法重现数据背后的价值所在。这也是中国当前医疗行业数据无法被有效利用的主要原因，具体分述如下：

1.1、数据格式的统一性问题

中国约有3万家医疗机构，每个医疗机构都有自己的医院信息系统，就患者基本信息、患者的症状和体征及辅助检查信息存储格式不下于200种，多种多样的数据格式无法实现数据共享，更无从谈起基于真实世界数据的 机器学习 形成决策规则。数据格式不统一不仅仅表现在存储格式方面，还表现在同一疾病的不同表述问题。

国际上，关于疾病编码ICD-9,10尚且在并行使用，由于每个医院数据是隔离的，医院主体无动力去升级系统，更无动力去共享疾病诊疗方面的数据。中国目前的医疗法律法规环境，共享出医院诊疗数据、用药数据等信息，将极大增加医院的经营和医疗纠纷等风险。如何有效解决医药行业数据格式问题，需要国家立法，推动数据互联互通尚有很长的路要走。

1.2、数据记录的完整性问题

推动完整记录疾病信息本身而言，似乎在中国当前是十分艰巨的任务。当我们期望通过完整有效数据驱动AI决策，发现临床医生在采集记录信息时，存在十分大的差异。如一个慢阻肺的中老年病人，不可能被详细记录神经系统体征；一个普外科手术患者的病例数据，不可能详尽记录内科症状和体征等；中国医生在实际的日常工作中，记录的病例数据是碎片化的、绝大多数是不完整的、且局域网存储是不能共享的，利用机器数据挖掘价值有限。如临床数据具有一定的标准和相对准确完整的数据结构，机器可以通过海量数据的学习、配比和发现，将帮助医生提供更好医疗决策支持。

1.3、数据的有效性问题

医疗行业数据最大的特点是具有时效性，数据的生命周期更短且迭代更新的速度远远快于工业的行业数据。具体表现在临床数据使用需要特定的背景才具有意义。例如，数据库记录肺癌患者的数据，患者在化疗前和化疗后同样CRP（C反应蛋白）指标具有不同的意义，患者的基因突变的数据价值在手术患者中和非手术患者中是完全不同的意义，同一种肿瘤还存在异质性问题。机器可以解决的是相同条件下，同质性数据比对、匹配和建模决策问题，但在人类疾病而言犹如天下没有相同的二片叶子一样，我们需要区别对待。

在此，我们有必要提醒大家，当前医疗环境下的大数据（尤其是非结构化或半结构化的数据）是需要谨慎使用的数据。我们需要考虑数据的时效性、有效性及其使用条件，方可以结合人工智能进行决策。

1.4、数据的真实性问题

数据真实性体现在采集的客观性，数据的可追溯性，数据的稳定性等方面的属性。由于国内医疗体制的问题，现病史采集信息真实性、客观性、可追溯性、稳定性方面都逊色于西方医疗系统。不同医疗机构的实验室检查、影像诊断等存在很大的差异，短期内很难做直接比较，离机器学习的标准数据集也有巨大的差距，尚待完善。

1.5、数据的连续性问题

大数据不仅仅体现在量，在质方面要达到机器学习的数据集要求方才能和AI结合，以推动半结构化或非结构问题的辅助诊疗决策。记录数据的不连续性问题同样困扰机器通过模型算法的学习效率和学习质量。 垃圾数据往往产生垃圾结果，和模型算法再先进或优化都无关。因为数据记录的碎片化、不连续，无法还原数据背后的真实世界。

1.6、数据丰度与安全性问题

我们国家有13亿人口，伴随人口老年化进程的加速，能够涵盖绝大多数疾病数据。就数据丰富程度而言，中国是独一无二的疾病数据库所在地。丰富的疾病数据能否产生有效的结果，前提是数据的可靠性。因各种各样的原因，不能形成有效的数据集，即使结合再强大的数据挖掘技术、人工智能技术产生的结果也会脱离实际太远。同时，国内患者数据隐私保护立法尚不完善，政府、社会、企业和个人对数据隐私保护问题认知有待提升。

二、如何打造标准化的 医疗大数据 平台

由于目前中国医疗领域的大数据存在着诸多问题，如果不能夯实这一基础，我国医疗AI+大数据应用将无从谈起；换而言之，我国迫切需要建立标准化的医疗数据平台。标准化数据平台包括5个维度：标准度、互联度、更新度、丰富度、量度。

2.1标准度

    所有的数据必须有统一的标准。数据的内容、专业名词及存储格式等做到统一。

2.2互联度

   不同数据来源实现互联互通，消除数据壁垒。

2.3更新度

    数据持续按照标准质量进行汇总与更新。

2.4丰富度

    医疗大数据涵盖范围很广，既包括就诊前的数据，也包括就诊过程产生的数据，还包括诊后康复期数据；既有来自患者的，也有来自医生的，还包括正常人群的数据；同时还包括各种疾病类型的参数数据。

2.5量度

    原始的医疗大数据必须通过集成及处理才能有应用价值，而数据处理的效率及成本要可控。

另外，从标准化数据平台的操作原则上我们要做到数据隐私保护、数据安全性及数据伦理上的把关。对于数据拥有者、数据处理者及数据应用者要责权利明确，监管机制到位。同时我们也要加强立法，对数据拥有者予以隐私权保护，2016年6月国务院发布《关于促进和规范健康医疗大数据应用发展的指导意见》，并正在推动和试点多项法律落地。再者医疗大数据不能抛开医学伦理，违背医学道德，必须把患者或数据拥有者的利益放在第一位。

庄子曰：水之积也不厚，则其负大舟也无力。我们必须牢牢把握住5个标准化维度及把控住操作方面的3个原则，才能打造出标准化的医疗大数据平台，并在此基础上推进AI在医疗领域的实际应用。

三、大数据+人工智能在医药行业具体应用场景分析

医 疗行业大数据结合人工智能技术，首先会在垂直细分的医药行业产生积极推动作用。 2017年美国FDA批准同意使用RWS（真实世界研究，Real World Study）数据作为药物审批的证据；临床实践过程中产生的大数据应用于临床科研需求越来越重要；基于大数据+AI技术在临床疾病辅助诊疗流程中应用，将推动疾病管理效率和管理质量的提高，从而优化诊疗流程为临床医生节约时间。大数据结合人工智能技术将为药企药物研发、市场学术推广提供决策依据和支持；医疗大数据+人工智能也可以为医疗支付和医保控费提供智能决策支持。

3.1大数据+AI应用于临床科研

临床实践过程中产生的大数据结合人工智能技术将进一步提高临床科研的效率，节约成本，提高临床科研投入和产出比。但是在实际应用过程中，临床实践形成的大数据并不等同于临床试验数据，人工智能技术也不等同于统计分析技术。临床实践中，形成的医疗数据集属于“临床数据集”，而临床试验采集的数据属于“研究数据集”。

二者形成的条件存在巨大的差异，前者是患者没有根据研究目的进行研究设计，包括严格的入组标准和排除标准情况下形成临床数据集；后者是根据研究目的进行研究方案设计，依照入排标准纳入患者收集的研究数据集；我们需要纠正的是“临床数据”不等于“研究数据”；临床数据是根据临床疾病诊疗需求记录的数据集；研究数据是根据研究目的，通过研究设计入组研究对象收集的数据集；如果将临床数据简单作为研究数据分析，会产生严重的选择性偏倚和混杂因素的干扰，即使采用最先进的AI模型算法，也是得出错误的结论。

但我们同时也要看到，临床研究在真实世界问题研究中，存在局限性。比如心跳骤停患者观察脑复苏治疗措施的研究方案设计，存在不可能实现的问题。我们无法判断入组患者何时发生心跳骤停，也无法按照设计方案进行研究入组等。临床大数据应用于科研关键是进行数据清洗，根据研究目的需求科学对大数据进行分层，利用AI技术进行抽丝剥茧揭示数据背后的本质，相信大数据+AI将极大降低临床科研的成本，提高临床科研投入产出比。

3.2、大数据+AI应用于辅助诊疗

人工智能技术应用于辅助诊断系统（CDSS）自上世纪70年代的专家系统开始，但一直都没有解决问题是知识规则构建问题。 大数据需要通过严格的准入筛选清洗，才能形成机器有用的训练数据集，通过有效的训练数据集，结合AI模型形成知识规则尚未看到成熟的产品。

医学知识库构建不同于关系数据库，其复杂性远远超越AlphaGo的运算范畴。机器擅长结构化的算法模型进行匹配决策，即使神经网络算法面对人类非结构化的知识体系仍然束手无策。我们的判断通过临床大数据对临床诊疗进行辅助诊断已经开始，但融合AI实现智能决策支持尚远。

通过数据驱动融合AI，为临床细分疾病领域的部分预防、诊断、治疗、随访等工作提供优化支持，将越来越被临床医生或医疗健康工作者所喜欢。但是，机器企图系统替代医生，在十年内是不可能实现的目标。

当前，主流的病理分析系统、影像读片系统等等，在自己构建的数据集进行验证可以达到85-90%的阳性诊断率，仍然有无法接受的假阳性诊断率存在。如果系统用外部实际患者数据进行验证，诊断的阳性率、阴性率、假阳性率、假阴性率均无法满足实际需要。在此，大数据+AI在CDSS中应用尚处于早期阶段。但在细分领域仍然有很好机会展现大数据+AI的辅助诊疗价值。诸如，流感趋势预测、疾病分期与预后判断等等，大数据+AI会体现更好的优势。

3.3、大数据+AI服务应用于药企

大数据可以补充临床研究数据不足的问题。 在药物研发中，可以采用RWS（Real World Study真实世界研究）数据进行药品的审批。2017年FDA首次批准RWS数据可以作为证据申报进行审批。但需要提出RWS数据是建立在数据的完整性、科学性和真实性基础上，才能通过处理形成分析数据集。另外，大数据+AI可以为药企的市场推广及目标患者选择等方面所应用，提供药企目标药物的可及性及推广的针对性。伴随中国医药企业市场的快速发展，无论是新药研发还是仿制药的生物等效性研究，大数据+AI均可以发挥积极作用。在市场推广方面，中国正由市场驱动向数据证据驱动方向转换，大数据+AI将为药企从研发到市场推广提供助力。

3.4、大数据+AI在医疗支付领域应用

医药行业大数据结合人工智能技术，在医疗支付领域应用将会加速。不仅体现在单病种的医保控费方面的监控，在单药的药物经济学评估方面也表现卓越。大数据驱动模型建立，将改变医疗支付方式、支付成本效益控制、临床路径的标准化流程控费、同类药物药效经济学评估等。

医疗支付领域，临床费用数据深度与治疗流程融合，将对传统的药效经济学评价体系产生颠覆性作用，形成更精细更具有可操作性的支付管理体系。对医院、医保、行政管理部门、药企的药品经济评估产生直接推动作用，但使用数据的前提是数据的完整性，能否打破不同医疗机构、不同部门、不同区域的地方数据保护主义，将成为大数据+AI在医疗支付领域的关键。这同样需要政府主管部门牵头，确立医疗支付大数据生产资料社会共享属性，以推动医疗支付和医疗成本的集约化管控目标的实现。

四、大数据+AI在医疗行业应用代表性案例

4.1医疗机器人

医疗机器人目前主要分为两种：康复机器人及手术机器人；而又以手术机器人更有代表性，其技术含量较高，目前主要是国外厂商为主导，国内目前尚在起步阶段。

美国NASDAQ上市的Intuitive Surgucal（ISRG）达芬奇手术机器人是当今最先进的微创外科治疗平台，它使外科手术的精度超越了人手的极限，对整个外科手术观念来说是一次革命性的飞跃，目前广泛运用在各种类型的手术中，包括普外科、泌尿科、妇科、胸外科、心血管外科，并在诸如心脏瓣膜修复的手术应用也在逐步增多。达芬奇手术机器人的优点是显而易见的：

首先，它突破了我们常规理解的微创的极限，它可以遵照医生的指示，在手术部位切开几个非常小的切口，动刀快而准，病人的痛苦明显减少、流血也减少，恢复时间缩短；

其次，它突破了手术医生眼力的极限，智能微创手术有可以进入人体内部的特殊镜头，从而产生三维立体图像，并可使手术视野放大20倍，保证了手术操作的准确性；

再者，它突破了手术医生的人手极限，机械手臂自由活动度明显增加，大大提高了手术医生的操作能力，可以将控制柄的大幅度移动按照比例转换成患者体内的精细动作，在手伸不进的区域，机器手可以在360度的空间下灵活穿行，完成转动、挪动、摆动、紧握等动作，且机械手上有稳定器，具有人手无法比拟的稳定性及精确度；

另外，达芬奇手术机器人还突破了人力的极限，由于基本是自动化，最大限度的减少了操作人员，甚至完成一台高难度的外科手术只需要1名外科医生、1名麻醉师以及1到2名护士。

使用达芬奇手术机器人的医生需要经过专项的培训认证，在2017年2月国内首家达芬奇手术机器人国际培训中心在上海长海医院落成启用。目前国内顶级三级医院已经基本普及开展机器人手术，手术量逐年递增，尤其在泌尿外科领域。

ISRG也并未停下脚步，正在通过已有病例库逐渐累积为数据库，为今后机器的自我学习及深度学习累积样本，不断升级完善智能系统，未来机器人手术发展将展现更广阔的空间。

4.2、医疗数据整合及智能分析应用

当前，医疗行业已经进入数字化拐点，并且进入以数据为基础的智能服务阶段。但由于医疗数据的复杂性，及各层级医院和区域医疗信息相对孤立缺乏联合协作，使得医疗数据难以整合聚拢。 为此，成立于2014年的零氪（LinkDoc）科技，近些年累计投入超过10亿元，覆盖国内几百家最顶级的医院，开展医疗数据整合及智能分析应用，建立起肿瘤患者结构化电子病历数据约200万份，辅助医生进行临床科研和诊疗。零氪(LinkDoc)自主研发结构化引擎DRESS，通过核心算法，用AI技术驱动数据的智能结构化处理，配套一些做标注、质量控制的系统。

医疗大数据的难点在于：机器不能完全掌握所有医生的表达方式和习惯，就连在数据规范做的最好的美国，Google都承认算法是永远写不出医学数据背后的业务特征。因此零氪(LinkDoc)配备了组建自己的专业团队来标注清洗数据，而不会全盘交给机器处理。同时零氪(LinkDoc)也非常重视数据集成的合规性，包含现场脱敏、患者知情告知的签署；并配备超过200人的专业的患者随访团队，弥补了以往没有后面患者康复情况、缺失继续治疗结果的问题。

这样零氪(LinkDoc)科技较好实现了临床数据的完整链，建立起患者的多维度数据；较好的把控了数据质量环节，使数据真正做到结构化、标准化、可溯源，在此基础上，推出临床科研解决方案、影像诊疗辅助、药企RWS服务、医药产业洞察、金融支付咨询等更多维度拓展。

2016年，国家卫计委、中国医师协会牵头组织“国家结构化数据标准制定”项目，零氪(LinkDoc)科技作为技术支持方，积极参与其中并推动我国临床诊疗病历结构化和规范化的发展进程， 推动国家及行业的标准制定。这一工作将为我国医疗领域AI及大数据的应用铺平道路。2017年，零氪(LinkDoc)科技又协助中国医师协会胸外科医师分会和人民卫生出版社，出版我国首部胸外科疾病术语集——《胸外科疾病标准化诊疗术语》，规范肺部疾病、食管疾病、纵隔疾病、胸壁疾病、胸膜腔疾病、胸部创伤等胸外科300余条诊疗术语，对推动和促进我国医疗术语的统一规范具有里程碑意义。

4.3影像学诊断

通过让机器实现包括CT、X光、MRI、病理切片、心电图、内窥镜等在内的视觉图像识别，借助标准化的医学影像学大数据及临床大数据，通过自我学习及深度学习，实现推理诊疗决策，并辅助医生诊断或者进行鉴别诊断参考意见。

当前，AI在医疗领域应用相对较为成熟的也是在医学影像方面。医疗行业80%~90%的数据都来源于医学影像，医学影像是医生进行疾病判断的重要依据。 “AI + 医学影像”，即计算机在医学影像的基础上，通过深度学习，完成对影像的分类、目标检测、图像分割和检索，协助医生完成诊断、治疗工作的AI辅助工具。利用AI技术处理复杂、繁琐的病历及影像图片，提高医疗的效率，减少误诊，可以解放医生去做其他更有意义的事情。

成立于2006年雅森科技，是国内一家致力于医学影像智能分析的创新企业，专注于脑、甲状腺、心脏、肺、肾及全身骨的的医疗影像分析，进行3D重构和重切，并采用各类数学算法进行医疗图像处理、机器训练、大数据库比对、标准生物物理影像模型的开发与应用，将海量数据可以转化为高效的诊断能力。

阿尔茨海默病患病人数在我国快速增长，其真正成因至今仍不明确，尚无可以阻止或逆转病程的有效治疗措施。诊疗中面临的最大问题在于没办法在早期发现患病的前兆，单独看核磁、脑电图、量表数据都很难发现问题，雅森将三者数据结合构建神经网络模型，综合运用机器训练、统计分析和深度学习的方法，通过三方面的交叉验证，找出患者是否患病与输入信息之间的关系，进行综合的诊断预测。这样可以提前3-5年发现疾病发展的特征，从而提前预警、干预治疗，其治疗效果将远高于中度或重度时期采取的药物治疗。

4.4、医院管理及诊疗模式重构

大数据+AI也在深刻的转变着我们旧有的诊疗模式，如我们现在的远程医疗或者互联网医院， 给患者带来了更加便捷的就诊体验；如药械不良反应监测、医院管理等都能够比以往更加高效更加科学；又如从区域的三级医院到二级医院到社区医院的医联体运营，或者专病诊疗中心运营，或者医院及保险公司的联合体，所有相关医疗资源的更有效配置及运转，都离不开大数据+AI背后的支撑。

医院大数据主要包含HIS（医院信息系统）和CIS（临床信息系统）两大系统中。HIS的主要目标是支持医院的经营管理与查询业务，提高医院的工作效率，包括门诊收费、药房药库、住院收费、人力资源、财务查询等。CIS的主要目标是支持医院医护人员的临床活动，收集和处理患者的临床医疗信息，为患者提供更好的服务，包括门急诊和住院医生工作站系统、电子病历系统（EMR）、护士工作站系统、护理病历系统（NIS）、影像归档和通信系统（PACS）、实验室系统（LIS）、药物咨询系统等。

根据患者的就医记录大数据分析出患者就诊时段，相应的该时段就诊患者的诊断、年龄层、性别、药品使用情况等，并针对这些属性，按正态分布进行医疗资源合理优化配置，按诊断配置医生，按用药做好药品准备，从而达到相应服务资源在各个层面的投放。

医生可以通过用药辅助支持系统，防止用药差错及配伍禁忌等；通过临床决策支持系统医院可以降低医疗事故率和差错。 

此外医疗机构不同，医疗护理方法和效果就不同，治疗成本也存在着很大的差异。通过对患者体征数据、医疗费用数据和各诊断的治疗结果数据在内的大型数据集的分析对比，可以帮助医生判断最有效和最具有成本效益的治疗方案，减少过度治疗或治疗不足的情况发生。

4.5、健康管理

通过直接穿在身上或是可以整合到使用者随身衣服或配件的一种便携式设备，通过软件支持以及数据交互、云端交互来实时监控患者的身体指标参数，辅助医生远程了解患者的疾病风险、动态及康复情况，采取有针对性、及时性的治疗方案及护理方案。

 可穿戴设备目前已经较多的应用在人们日常健康管理上，通过设备对人体的感知、人机交互以及后台的数据处理及分析，涉及到包括语音识别、眼球追踪、骨传导技术、裸眼3D技术、云计算、人体芯片等技术。实际生活当中应用例如：iWatch手环、小米与Heapsylon联合推出的小米智能鞋等等可以进行健康生活管理；在临床上应用的可穿戴设备比如Medtronic的FDA批准的血糖实时监控系统（CGM），由可丢弃式连续血糖监测探头（探头通过贴在腹部的极细小的金属实现无痛快速刺入）、射频发射器和接受显示器组成。这种测试法的采集信息量是指血监测的100倍。

4.6基因测序

每个人都能从自己的父母身上遗传到30亿个基因密码，要掌握自己的健康状况，必须先对这些密码进行剖析，基因检测就在做着这种解码工作。目前高通量测序技术的运算层面主要为解码和记录，较难以实现基因解读，从基因序列中挖掘出的有效信息十分有限，全基因组分析需要花几周的时间，这个时间对很多临床医疗服务而言过长。通过人工智能来自动分析个体基因序列信息，自动给出有用的临床信息和临床判断，就能及时地精准诊断或计算出人体罹患癌症、心脑血管疾病、糖尿病等多种疾病的风险。

沃森肿瘤专家(Watson for Oncology)是IBM研发的认知计算系统，目前主要应用在辅助肿瘤诊疗领域，是目前全球唯一以实证为基础提供医生治疗方案建议的超级人工智能，是IBM联合MSK(纪念斯隆•凯瑟琳癌症中心)基于NCCN(美国国立综合癌症网络)癌症治疗指南和其在美国100多年癌症临床治疗实践经验，历时超过4年培训的高科技成果，其治疗方案的准确率、科学性目前已经超过了MSK医生的平均水平。

WfO作为诊疗的辅助工具，而不是替代医生来做决策。WfO带有自学习功能的认知技术，它通过医学个案，医学研究报告，医学期刊等来源吸收癌症治疗知识，能帮助分析您的病情，根据全球最新最权威的肿瘤临床数据，几秒内即可提供给您精准、规范、个性化的诊疗建议，每种意见会有充足的文献证据进行支撑，避免过度治疗与错误诊疗的发生，提高治疗效果。目前WfO正在与国内的拓普基因合作，实现基因检测与AI的融合，为国内患者提供个体化的诊疗方案。

4.7新药研发

AI在可以重构新药研发的流程，提升药物临床前研究中的效率与成功率问题。药物研发需要经历靶点筛选、药物挖掘、临床试验、药物优化等阶段，将人工智能与超大规模云计算相结合，实现对小分子药物重要特性的快速、准确预测，应用在药物设计和药物固相筛选等领域，达到缩短新药研发周期、降低研发成本、提高新药研发成功率的目的。

人工智能与药物挖掘结合的典型案例是美国硅谷的Atomwise，其通过IBM超级计算机，在分子结构数据库中筛选，评估出820万种候选化合物具备潜在治疗价值，其研发成本仅花费了数千美元，研究周期也仅需要几天。2015年，Atomwise基于现有的候选药物，应用AI算法，不到一天时间就成功地寻找出能控制埃博拉病毒的两种候选药物，以往类似研究需要耗时长达数月甚至数年时间。

国内的3D Medicines成立于2010年，专注于肿瘤 精准医疗 ，通过对肿瘤生物学特征、临床诊疗及药物研发数据进行整合并挖掘运用，开展肿瘤早期筛查、肿瘤精准诊断和精准药物研发服务。其抗肿瘤新药研发管线涵盖免疫治疗及其它靶向药物治疗，目前合作开发的全球第一个皮下注射抗PD-L1肿瘤免疫治疗新药项目已经进入中国、美国和日本的同步临床开发阶段。就总体而言，目前国内AI+药物挖掘虽已经在逐步落地，但由于受限于AI算法需要大量的时间和数据积累，短期内仍然很难真正地对药物研发工作起到实质性推进作用。

五、总结

大数据+AI尽管在各行各业的应用取得了很多进展，但是机器究竟是如何认知长久以来都被称为“黑匣子”，人们能够轻松辨认的层级只有输入层（A）和输出层（B），而在输入层与输出层之间的，虚拟神经元处理信息并互相连接的层级中，我们无法确认这个系统是如何运行的。

这个AI共性问题同样也时刻困扰着医疗领域AI的应用。随着人们对人工智能的依赖程度越大，只有弄明白每一次逻辑推算的方式，才能确保机器的行为具有可预测性，人工智能的技术发展将会发生一次大的飞跃。所以说大数据+AI的应用任重而道远，尤其在医疗这个关乎人民健康的特殊领域，我们需要多一份热情，更需要多一份冷静。

我们要看到，在大数据+AI落地环节我们还将面临认证与监管环节，这块尚不成熟；在有关保护患者隐私权的法律规定（如我国自2010年正式施行的《中华人民共和国侵权责任法》第六十二条规定，医疗机构及其医务人员应当对患者的隐私保密，泄露患者隐私或者未经患者同意公开其病历资料，造成患者损害的，应当承担侵权责任，这对医疗人工智能公司获取足量的患者数据造成较大的执行阻碍及成本压力；另外随着人工智能技术的不断进步，人类所产生的数据类型越来越多（例如基因数据），保护每一个人数据安全的法律体系尚未建立，这将是医疗人工智能产品落地过程中的隐形挑战；此外由于医疗人工智能产品的价格普遍较高，可能会首先被收入水平较高的群体使用，尤其当癌症等致死率较高的病症通过人工智能手段找到治愈方法后，价格问题会加剧患者间的机会不平等，这将是潜在的医疗领域道德伦理的风险；凡此种种， 我们除了要有问题导向思维，更要有在发展中解决这些困扰发展问题的决心和意志。