人工智能会取代医生吗？医学影像或能率先商业化

【编者按】 人工智能 发展越来越快，独角兽工作室举办的“2017人工智能如何改变 医疗 论坛”上，多位业内人士就此话题做了探讨。对于人工智能对医疗行业的影响，文章提到 人工智能在医疗领域有巨大的想象空间，未来将极大简化当前繁琐的看病流程，解放医生，也解放病人。但医生不会完全消失，但其职业方式将发生重大变化。未来的医院，将成为病人、医生、算法三者共生、互相协作的场所。

本文发于“健康点”，作者卜艳/李家辉；经亿欧编辑，供行业人士参考。

---

《连线》杂志创始主编凯文·凯利认为，未来十多年科技和商业社会最大的变化趋势将是人工智能的商业化，人工智能将会被广泛地应用于经济生活的方方面面。

方正证券近日发布的《 互联网医疗 深度报告》（以下简称“方正证券报告”）显示，虽然安防和 智能投顾 领域最为火热，但率先落地的可能会在医疗领域。

不久前，斯坦福大学在《Nature》上发表了一篇文章：利用 深度学习 算法诊断皮肤癌，将其诊断结果与24位资深皮肤病专家的诊断结果做对比，准确度达到91%；北卡罗来纳大学的研究人员近日已经开发出了一套深度学习算法，可以预测婴儿的自闭症。这种预测方法具有81％的准确率，远超准确度只有50%的传统行为问卷调查法。

人工智能在医疗领域的发展速度已经远远超乎人类的想象。这一新技术带给人们兴奋和喜悦的同时，也不免带来了几分担忧和恐惧。越来越多的人想知道，人工智能在未来会完全替代医生吗？人工智能在医疗领域很快就能实现商业化吗？近日独角兽工作室举办的“2017人工智能如何改变医疗论坛”上，多位业内人士就此话题做了探讨。

人工智能会取代医生吗？

IBM堪称“ AI +医疗”的翘楚。在医疗领域，IBM Watson可以在17秒内阅读3469本医学专著、24.8万篇论文，69种治疗方案、61540次试验数据、10.6万份临床报告。通过海量汲取医学知识，包括300多份医学期刊、200多种教科书及近1000万页文字，IBM Watson已在短时间内迅速成为肿瘤专家。

2013年，Watson与斯隆凯特琳癌症中心（MSKCC）合作，推出肿瘤解决方案Watson for Oncology。2014年底和2015年底，Watsonfor Oncology先后进驻泰国曼谷的康民国际医院（Bumrungrad InternationalHospital）和印度第三大医院系统马尼帕尔医院（Manipal Hospitals）。2016年8月，IBM与我国21家医院签署IBM Watson for Oncology的合作意向协议，并于同年12月成立联合会诊中心。

随着人工智能技术的逐渐成熟，IBM Watson以肿瘤为重心，逐渐将服务半径伸向慢病管理、 精准医疗 、体外检测、精准医疗等九大医疗领域，逐步实现人工智能作为一种新型工具的价值。

思派网络创始人马旭广认为，人工智能目前还是作为医生的辅助工具，“可能今后医生就不存在了，但起码今天所有的AI都应该是帮助医生提高效率，解决医生不愿意做的，又脏又累的工作，这样的AI才有前途，才有机会。”

复星同浩基金合伙人乔继英表示，人工智能在医疗领域的应用，需要得到医生或医疗相关人员认可才能够推行。“医疗和买衣服不一样，买衣服不好可以退，医疗试错成本非常高，人工智能在医疗领域应用时的准确率，怎么具体应用都非常重要，人工智能医疗的创业公司一开始要有医疗从业人员的参与。”

人工智能的特点是能够处理大量数据和信息，这就需要足够的原始数据进行支持，但在医学很多领域缺少足够的原始数据。IBM沃森健康负责人Phil Wu以沃森为例，谈到面对所谓经验上的东西沃森是支持的，沃森所提供的医疗方案背后都有实证支持。“面对疑难杂症，这点沃森解决不了，疑难杂症没有一个标准化，沃森无法实现学习。”

这样看来，短时期内医生并不用过分担心自己会被人工智能抢了“饭碗”。长远来看，医生这个行业将会因为人工智能的出现而变得竞争愈发激烈。“因为让AI学习的病例仍然需要医生来产生，一些高水准有研究性强的医生将会越来越吃香，而某些低水准的医生将会被取代。”一位AI从业者说。

著名 大数据 专家，阿里巴巴集团原副总裁徐子沛曾写文章表示，人工智能在医疗领域有巨大的想象空间，未来将极大简化当前繁琐的看病流程，解放医生，也解放病人。“但我不认为医生会完全消失，但其职业方式将发生重大变化。未来的医院，将成为病人、医生、算法三者共生、互相协作的场所。”

医学影像 可能率先商业化

方正证券报告指出，从全球创业公司实践的情况来看，AI+医疗的具体应用包括洞察与风险管理、医学研究、医学影像与诊断、生活方式管理与监督、精神健康、护理、急救室与医院管理、药物挖掘、虚拟助理、可穿戴设备以及其他，其中以下面四种模式为主流：

首先是AI+辅助诊疗， 即将人工智能技术用于辅助诊疗中，让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案。辅助诊疗场景是医疗领域最重要、也最核心的场景，人工智能+辅助诊疗潜在市场空间巨大，至少是万亿级以上的营收规模。

在AI+辅助诊疗的应用中，IBM Watson是目前最成熟的案例。2012年Watson通过了美国职业医师资格考试，并部署在美国多家医院提供辅助诊疗的服务。目前IBMWatson提供诊治服务的病种包括乳腺癌、肺癌、结肠癌、前列腺癌、膀胱癌、卵巢癌、子宫癌等多种癌症。

其次是AI+医学影像 ，是将人工智能技术具体应用在医学影像的诊断上，主要分为两部分 ：一是图像识别， 应用于感知环节，其主要目的是将影像这类非机构化数据进行分析，获取一些有意义的信息； 二是深度学习， 应用于学习和分析环节，是AI应用的最核心环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握“诊断”的能力。

如今，AI+医学影像已经走出实验室，下一步将迎来商业化浪潮。贝斯以色列女执事医学中心（BIDMC）与哈佛医学院合作研发的人工智能系统，对乳腺癌病理图片中癌细胞的识别准确率能达到92%，与病理学家的分析结合在一起时，它的诊断准确率可以高达99.5%。国内的DeepCare对于乳腺癌细胞识别的准确率也达到了92%。

第三是AI+药物挖掘，是指将深度学习技术应用于药物临床前研究 ，达到快速、准确地挖掘和筛选合适的化合物或生物，达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。通过计算机模拟，AI可以对药物活性、安全性和副作用进行预测。借助深度学习，在心血管药、抗肿瘤药、孤儿药和常见传染病治疗药等多领域取得了新突破。目前，已经涌现出多家AI技术主导的药物研发企业。

“现在新药研发越来越难，过去用人工智能从事新药研发数据不够、算法也不够，未来在这一领域可能会有大的突破。”乔继英表示，新药研发多年来“10年10亿美金”的“魔咒”或许有望打破。

第四是AI+健康管理 。目前从全球AI+医疗创业公司来看，主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。乔继英表示，个人健康管理，仅有简单的信息反馈是不够的，如果可以在更有效、更低成本层面实现个人健康管理，这也是未来的一个方向。

其中，“AI+医学影像”被多位业内人士认为最有可能率先实现商业化。

马旭广个人特别看好图像识别在医疗领域的应用，“只要比对足够多的影像，AI就能够提高诊断效率，提高诊断准确性，这是我坚信AI在医疗过程中发展最快的领域。”

Phil Wu对此表示认同，“人工智能在医学影像领域有可能最早落地，但要实现精准的医学诊断，还需要更多数据、案例的录入，但影像图片确实是一个很好的切入点。” Phil Wu透露，沃森将有影像学肿瘤方案产品在2018年上线。

2015年，IBM以10亿美元收购医学影像公司Merge，Merge Healthcare是美国最有影响力的医疗影像公司，不仅拥有大量的医学数据和图像（CAT扫描、乳房摄像），还有世界顶尖的技术平台。该平台可以帮助医生和医院存储并分析医学图像。IBM相关负责人此前曾表示，Watson与Merge的结合可以提供对影像的深度解读，帮助医疗提供者和研究人员节省时间。出售这种医学影像的深度解读便是其盈利方式。

顺为资本合伙人李锐认为，图像智能识别可以降低医生的工作量，这是业界已经达成共识的，但是在综合诊疗上人工智能是否能给予医生很好的建议和意见？IT和互联网出身的人对此有很大的信心，但医生背景的人目前还有很多疑虑。“我也比较保守，去年投的几个公司都是医生加互联网的团队，或是创始人既干过医生也干过互联网。”李锐说。

乔继英认为，无论是治疗皮肤病还是癌症，图像可能只是一个参数，而治疗疾病需要多个参数。“从投资人角度来说，光看图像还不足以让我做出判断。我们更希望至少能解决一个小的问题，能做出一个临床辅助诊断。”

商业化挑战

IDC Digital预测，截至2020年，医疗数据量将达40万亿GB，预计约80%数据为非结构化数据。显然，人工智能在医疗领域有无限想象空间。

但是，人工智能在医疗领域实现商业化依旧面临诸多挑战。即便是在医疗领域渗透最广的Watson，其商业化路径仍在探索。“AI+医疗”的商业化还会面临一个医疗行业从业者都无法回避的问题，那就是医疗行业的公益性。“医疗行业不纯粹是商业行为导向，当医生应用人工智能来做辅助诊断的时候谁来付费？”邓侃表示，这个问题他经常被投资人问到。

互联网医疗创业大浪中，糖尿病领域的企业多如牛毛，利用人工智能做糖尿病管理，也是不少创业公司正在尝试的事情。慧控糖就是其中一家。慧控糖创始人杨枫认为，人工智能做糖尿病管理，个性化数据特别珍贵。“我们的经验是先从个性化数据这样的小数据着手，服务好每一个患者，这样患者更容易买单。患者愿意买单，你已经活下来了，等到数据大的时候再去发现规律。先有服务，后有数据，再有大数据。”

乔继英认为，AI适合解决的商业问题特征包括“行业存在持续痛点、流程重复、可进行数字化信息输入，问题可以细分并且有边界。”如果能为之提供解决方案，自然有人愿意买单。“医疗里的付费方包括保险、药企、医院等医疗服务机构、医生、患者。其中，医生是用户和决策者，患者是使用者，付费方是保险机构，整个链条比较长和复杂，不过把链条挖到底，总能找到愿意付费的那一方。”

“现在全世界都要做人工智能，国内的数据基础大，可能我们的速度更快，所以在人工智能领域国内企业有弯道超车机会。”杨枫对未来很乐观。