人工智能应用在医疗四大领域，未来将出现AI蓝海

【编者按】 随着渐趋成熟的 人工智能 技术的发展，人工智能被应用在各个领域当中。 相比于受到技术和法律限制的 无人驾驶 汽车等人工智能产业，智能医疗显然更容易落地。 人工智能在医疗健康领域中的应用已经非常广泛，主要分成了虚拟助理、医学影像、药物挖掘、营养学等四大方面。 本文介绍了人工智能在这四方面的应用。

本文首发于凤凰文创，作者王晗；亿欧编辑整理，供行业人士参考。

---

随着渐趋成熟的AI（人工智能）技术向各行各业进行“AI+”式的转变，“AI+医疗”作为能够产生划时代变革，且直接关乎人类福祉的领域，自然而然成为许多巨头的关注点。虽然谈及当前“AI+医疗“的具体应用，主要集中在机器学习辅助诊疗及分析这类领域，但相比于受到技术和法律限制的无人驾驶汽车等人工智能产业，智能医疗显然更容易落地，也具备成为下一个“AI蓝海”的条件。

当前，人工智能在 医疗健康 领域中的应用已经非常广泛，从应用场景来看，主要分成了虚拟助理、 医学影像 、 药物 挖掘、 营养学 等四大方面。随着当下语音识别、图像识别等技术的逐渐提升，基于这些基础技术的泛人工智能医疗产业也走向成熟，进而推动了整个智能医疗产业链的快速发展和一大批专业企业的诞生。

一，虚拟助理：人类医师的得力助手还是替代者？

在医疗领域，虚拟助理可以根据和用户的交谈，智能化地通过病情描述判断病因。 因此虚拟助理主要分成两类，一类是包括Siri等的通用型虚拟助理，另一类是专注医疗健康类的专用虚拟助理。通用类虚拟助理上市时间早，资本支持度高，数据规模大。而医健类虚拟助理的专业属性强、监管风险高。

虚拟助理是目前较受资本青睐的人工智能医疗健康细分领域，目前在国外用户所熟知的医健虚拟助理是Babylon Health，而国内在虚拟助手上，也有大数医达和康夫子崭露头角。

目前，监管部门要求虚拟助理在轻疾方面仅仅能够提供一些咨询和建议，不能提供诊断，在重症方面只能提议立刻前往医院或代拨医院急救电话。 业内医师也同样对该应用有一定质疑，因为患者并不完全了解身体所出的状况，表达的时候会漏掉一些关键信息，同时咨询的时候会使用大量的非专业词汇，虚拟助理可能没有办法去挖掘真正有用的信息作出更准确的判断。

以上是虚拟助理目前的存在的问题。虽然如此，虚拟助理的成本更低，有助于控费，人类医生无法穷尽所有的疾病，而理论上人工智能可以，因此完全可以成为人类医师的得力助手。而对于未来，随着机器学习的迅猛发展和医疗检测手段的智能化，很多人对虚拟助理能够替代人类医生充满着希望。

虚拟助理代表企业：Babylon Health

Babylon Health是一家位于伦敦的初创公司，该公司正研发一款类似Siri的医健类虚拟助理应用。Babylon在过去两年建立了一个庞大的医学症状数据库，总共拥有3万6500个案例，在看医生前，利用语音识别来询问用户一系列问题。相比人工全科医生的诊疗，这种光速般的症状诊断和热情温柔的声音，是帮助Babylon Health降低价格、保持5英镑月费的最重要方法。

Babylon Health的诊疗主要需要经过两个步骤，第一个步骤是自然语言处理，也就是听懂患者对症状的描述，知道哪里不舒服。然后根据疾病数据库里面的内容进行对比和深度学习，对患者提供医疗和护理建议。这个阶段局限于肾脏、肝脏、胆固醇和骨科等较小范围的领域。在第二个阶段，随着更大规模数据库的加入和更长时间的训练，Babylon Health将提供更多种类的疾病建议。

二，医学影像：辅助及代替医生看胶片

医学影像与人工智能的结合，是数字医疗领域较新的分支和产业热点。医学影像包含了海量数据，即使有经验的医生有时也显得无所适从。医学影像的解读需要长时间专业经验的积累，医生的培养周期相对较长，而人工智能在对图像的检测效率和精度两个方面，都可以做得比专业医生更快，并可减少人为操作误判率。

近年，图像识别技术的性能在“深度学习”的帮助下得以迅速提高。 在人工智能辅助诊断过程中，人工智能也会自己做出深度学习，在病历库中寻找案例，作为判断的依据。

在医学影像企业中，人工智能技术的加入对创业团队的核心竞争力也有非常大的影响。根据研究机构对医学影像初创企业的调查，拥有人工智能技术，整个团队能显著减少人力成本，如果没有人工智能技术，那么就要组件一支人力成本不菲的客服团队和医师沟通，技术人员和非技术人员的比例为1.1：1，规模也达到了30至50人。

在中国，如今分级诊疗和远程医疗的大背景，使中国的医学影像创业团队更多地投入资源搭建云平台，长期看能否有人工智能的技术实力也是核心竞争力的一部分。

医学影像代表企业：Enlitic

在国外，该领域已经出现了数家较为知名的初创企业。Enlitic就是一家比较知名的人工智能医学影像企业，虽然创立于2014年，但次年就被MIT Technology Review（《麻省理工科技评论》）评为2015全球最智慧的50家公司之一，获得总计1500万美元的融资。

Enlitic开发了从X光照片及CT扫描图像中找出恶性肿瘤的图像识别软件，利用深度学习的方法对大量医疗图像数据进行机器学习，自动总结出病症的“特征”以及“模式”。 目前其正在研发一种小型超声设备，这套系统主要依靠软件来运行，包括用人工智能专家开发的技术来梳理一系列图像，从而提炼出可以自动进行疾病诊断的功能。活跃度全球第一和第三的专注人工智能的风险投资机构，也纷纷成为该智能医学影像初创企业的投资人。

三，药物挖掘：大幅度降低药物研发成本

一般情况，一种新药的开发平均需要10年时间，耗资数十亿甚至上百亿美元，而这也是造成药物费用高企的重要原因之一。但是，人工智能为人们提供了一个更低成本检测药物的安全专家。

首先，在新药筛选时，可以获得安全性较高的几种备选物。 当很多种甚至成千上万个化合物都对某个疾病显示出某种疗效，但又难以判断它们的安全性时，便可以利用人工智能的搜索算法挑选新药的最佳备选者。

其次，对于尚未进入动物实验和人体试验阶段的新药，也可以利用人工智能来检测其安全性。人工智能可以通过对既有药物的副作用进行筛选搜索，由此选择那些产生副作用几率最小和实际产生副作用危害最小的药物进入动物实验和人体试验，节约时间和成本。

药物挖掘代表企业：Atomwise

在这一领域，Atomwise是比较有代表性的公司。Atomwise公司用超级计算机分析已有数据库，并用AI和复杂的算法来模拟药品研发的过程，在研发的早期评估新药研发风险，让药物研究的成本降至数千美元，并且评估可以在几天内完成。Atomwise软件平台运行在IBM的蓝色基因超级计算机上，其强大的计算能力使得它们可以完成很多任务。2015年，公司宣布在寻找埃博拉病毒治疗方案方面有一些进展，它们用时一个星期就找到了这种药物，并且成本不超过1000美元。

Atomwise还为制药公司、创业公司和研究机构提供候选药物预测服务。Atomwise的服务可以预测哪些新药品有效或无效。在合作伙伴方面，Atomwise除了与Merck公司和Autodesk进行一些保密项目外，也持续与学术界和企业客户开展研究工作，通过辅助制药企业、生物科技公司和其他相关研究机构开展药物挖掘工作获取收入。

四，营养学：机器学习给你更精准、个性化的营养学建议

医学专家通过分析标准化饮食的结果，发现即便食用同样的食品，不同人的反应依然存在巨大差异。这表明，过去通过经验得出的“推荐营养摄入”从根本上就有漏洞。基于血糖管理是精准营养的基石，接下来，研究者开发了一套机器学习算法，分析学习血样、肠道菌群特征与餐后血糖水平之间的关联，并尝试用标准化食品进行血糖预测。

研究结果表明，机器学习算法可以给出更精准的营养学建议，成功控制餐后血糖水平，结果优于传统专家建议。 合理的膳食搭配以及更安全的有机食品需求成为新的食品产业增长点，也迅速成为被新技术推动变革的传统领域。

营养学代表企业：Nuritas

目前较知名的将人工智能应用于营养学的初创公司是位于都柏林的Nuritas。Nuritas通过新开发的人工智能与分子生物学相结合的新技术在食品领域引起了巨大的轰动。Nuritas通过建立食品数据库识别肽（食品类产品中的某些分子）可以作为食物的补充或新的成分。

Nuritas目前的收入来自toB端。 传统的食品制造商主要关注成本控制与安全，并不擅长识别食品中有利人体健康的肽。Nuritas为食品制造企业提供数据挖掘服务（采用了机器学习），并按销量收取佣金。未来计划推出面向消费者的toC端个性化营养方案，针对每位消费者的情况制定不同的方案，收取服务费。