人工智慧醫療的商業化之路還有多遠？

OFweek醫療網訊 《連線》雜誌創始主編凱文·凱利認為，未來十多年科技和商業社會最大的變化趨勢將是人工智慧的商業化，人工智慧將會被廣泛地應用於經濟生活的方方面面。

方正證券近日發布的《互聯網醫療深度報告》（以下簡稱「方正證券報告」）顯示，雖然安防和智能投顧領域最為火熱，但率先落地的可能會在醫療領域。

不久前，斯坦福大學在《Nature》上發表了一篇文章：利用深度學習演算法診斷皮膚癌，將其診斷結果與24位資深皮膚病專家的診斷結果做對比，準確度達到91％；北卡羅來納大學的研究人員近日已經開發出了一套深度學習演算法，可以預測嬰兒的自閉症。這種預測方法具有 81％的準確率，遠超準確度只有50％的傳統行為問卷調查法。

人工智慧在醫療領域的發展速度已經遠遠超乎人類的想象。這一新技術帶給人們興奮和喜悅的同時，也不免帶來了幾分擔憂和恐懼。越來越多的人想知道，人工智慧在未來會完全替代醫生嗎？人工智慧在醫療領域很快就能實現商業化嗎？近日獨角獸工作室舉辦的「2017人工智慧如何改變醫療論壇」上，多位業內人士就此話題做了探討。

人工智慧會取代醫生嗎？

IBM堪稱「AI＋醫療」的翹楚。在醫療領域，IBM Watson可以在17秒內閱讀3469本醫學專著、24．8萬篇論文，69種治療方案、61540次試驗數據、10．6萬份臨床報告。通過海量汲取醫學知識，包括300多份醫學期刊、200多種教科書及近1000萬頁文字，IBM Watson已在短時間內迅速成為腫瘤專家。

2013年， Watson與斯隆凱特琳癌症中心（MSKCC）合作，推出腫瘤解決方案Watson for Oncology。2014年底和2015年底，Watsonfor Oncology先後進駐泰國曼谷的康民國際醫院（Bumrungrad InternationalHospital）和印度第三大醫院系統馬尼帕爾醫院（Manipal Hospitals）。2016年8月，IBM與21家醫院簽署IBM Watson for Oncology的合作意向協議，並於同年12月成立聯合會診中心。

隨著人工智慧技術的逐漸成熟，IBM Watson以腫瘤為重心，逐漸將服務半徑伸向慢病管理、精準醫療、體外檢測、精準醫療等九大醫療領域，逐步實現人工智慧作為一種新型工具的價值。

思派網路創始人馬旭廣認為，人工智慧目前還是作為醫生的輔助工具，「可能今後醫生就不存在了，但起碼今天所有的AI都應該是幫助醫生提高效率，解決醫生不願意做的，又臟又累的工作，這樣的AI才有前途，才有機會。」

復星同浩基金合伙人喬繼英表示，人工智慧在醫療領域的應用，需要得到醫生或醫療相關人員認可才能夠推行。「醫療和買衣服不一樣，買衣服不好可以退，醫療試錯成本非常高，人工智慧在醫療領域應用時的準確率，怎麼具體應用都非常重要，人工智慧醫療的創業公司一開始要有醫療從業人員的參與。」

人工智慧的特點是能夠處理大量數據和信息，這就需要足夠的原始數據進行支持，但在醫學很多領域缺少足夠的原始數據。IBM沃森健康負責人Phil Wu以沃森為例，談到面對所謂經驗上的東西沃森是支持的，沃森所提供的醫療方案背後都有實證支持。「面對疑難雜症，這點沃森解決不了，疑難雜症沒有一個標準化，沃森無法實現學習。」

這樣看來，短時期內醫生並不用過分擔心自己會被人工智慧搶了「飯碗」。長遠來看，醫生這個行業將會因為人工智慧的出現而變得競爭愈發激烈。「因為讓AI學習的病例仍然需要醫生來產生，一些高水準有研究性強的醫生將會越來越吃香，而某些低水準的醫生將會被取代。」一位AI從業者說。

著名大數據專家，阿里巴巴集團原副總裁徐子沛曾寫文章表示，人工智慧在醫療領域有巨大的想象空間，未來將極大簡化當前繁瑣的看病流程，解放醫生，也解放病人。「但我不認為醫生會完全消失，但其職業方式將發生重大變化。未來的醫院，將成為病人、醫生、演算法三者共生、互相協作的場所。」

醫學影像可能率先商業化

方正證券報告指出，從全球創業公司實踐的情況來看，AI＋醫療的具體應用包括洞察與風險管理、醫學研究、醫學影像與診斷、生活方式管理與監督、精神健康、護理、急救室與醫院管理、藥物挖掘、虛擬助理、可穿戴設備以及其他，其中以下面四種模式為主流：

首先是AI＋輔助診療，即將人工智慧技術用於輔助診療中，讓計算機「學習」專家醫生的醫療知識，模擬醫生的思維和診斷推理，從而給出可靠診斷和治療方案。輔助診療場景是醫療領域最重要、也最核心的場景，人工智慧＋輔助診療潛在市場空間巨大，至少是萬億級以上的營收規模。

在AI＋輔助診療的應用中，IBM Watson是目前最成熟的案例。2012年Watson通過了美國職業醫師資格考試，並部署在美國多家醫院提供輔助診療的服務。目前IBMWatson提供診治服務的病種包括乳腺癌、肺癌、結腸癌、前列腺癌、膀胱癌、卵巢癌、子宮癌等多種癌症。

其次是AI＋醫學影像，是將人工智慧技術具體應用在醫學影像的診斷上，主要分為兩部分：一是圖像識別，應用於感知環節，其主要目的是將影像這類非機構化數據進行分析，獲取一些有意義的信息；二是深度學習，應用於學習和分析環節，是AI應用的最核心環節，通過大量的影像數據和診斷數據，不斷對神經元網路進行深度學習訓練，促使其掌握「診斷」的能力。

如今，AI＋醫學影像已經走出實驗室，下一步將迎來商業化浪潮。貝斯以色列女執事醫學中心（BIDMC）與哈佛醫學院合作研發的人工智慧系統，對乳腺癌病理圖片中癌細胞的識別準確率能達到92％，與病理學家的分析結合在一起時，它的診斷準確率可以高達99．5％。國內的DeepCare對於乳腺癌細胞識別的準確率也達到了92％。

第三是AI＋藥物挖掘，是指將深度學習技術應用於藥物臨床前研究，達到快速、準確地挖掘和篩選合適的化合物或生物，達到縮短新葯研發周期、降低新葯研發成本、提高新葯研發成功率的目的。通過計算機模擬，AI可以對藥物活性、安全性和副作用進行預測。藉助深度學習，在心血管葯、抗腫瘤葯、孤兒葯和常見傳染病治療葯等多領域取得了新突破。目前，已經湧現出多家AI技術主導的藥物研發企業。

「現在新葯研發越來越難，過去用人工智慧從事新葯研發數據不夠、演算法也不夠，未來在這一領域可能會有大的突破。」喬繼英表示，新葯研發多年來「10年10億美金」的「魔咒」或許有望打破。

第四是AI＋健康管理。目前從全球AI＋醫療創業公司來看，主要集中在風險識別、虛擬護士、精神健康、在線問診、健康干預以及基於精準醫學的健康管理。喬繼英表示，個人健康管理，僅有簡單的信息反饋是不夠的，如果可以在更有效、更低成本層面實現個人健康管理，這也是未來的一個方向。

其中，「AI＋醫學影像」被多位業內人士認為最有可能率先實現商業化。

馬旭廣個人特別看好圖像識別在醫療領域的應用，「只要比對足夠多的影像，AI就能夠提高診斷效率，提高診斷準確性，這是我堅信AI在醫療過程中發展最快的領域。」

Phil Wu對此表示認同，「人工智慧在醫學影像領域有可能最早落地，但要實現精準的醫學診斷，還需要更多數據、案例的錄入，但影像圖片確實是一個很好的切入點。」 Phil Wu透露，沃森將有影像學腫瘤方案產品在2018年上線。

2015年，IBM以10億美元收購醫學影像公司Merge，Merge Healthcare是美國最有影響力的醫療影像公司，不僅擁有大量的醫學數據和圖像（CAT掃描、乳房攝像），還有世界頂尖的技術平台。該平台可以幫助醫生和醫院存儲並分析醫學圖像。IBM相關負責人此前曾表示，Watson與Merge的結合可以提供對影像的深度解讀，幫助醫療提供者和研究人員節省時間。出售這種醫學影像的深度解讀便是其盈利方式。

順為資本合伙人李銳認為，圖像智能識別可以降低醫生的工作量，這是業界已經達成共識的，但是在綜合診療上人工智慧是否能給予醫生很好的建議和意見？IT和互聯網出身的人對此有很大的信心，但醫生背景的人目前還有很多疑慮。「我也比較保守，去年投的幾個公司都是醫生加互聯網的團隊，或是創始人既干過醫生也干過互聯網。」李銳說。

喬繼英認為，無論是治療皮膚病還是癌症，圖像可能只是一個參數，而治療疾病需要多個參數。「從投資人角度來說，光看圖像還不足以讓我做出判斷。我們更希望至少能解決一個小的問題，能做出一個臨床輔助診斷。」

商業化挑戰

IDC Digital預測，截至2020年，醫療數據量將達40萬億GB，預計約80％數據為非結構化數據。顯然，人工智慧在醫療領域有無限想象空間。

但是，人工智慧在醫療領域實現商業化依舊面臨諸多挑戰。即便是在醫療領域滲透最廣的Watson，其商業化路徑仍在探索。「AI＋醫療」的商業化還會面臨一個醫療行業從業者都無法迴避的問題，那就是醫療行業的公益性。「醫療行業不純粹是商業行為導向，當醫生應用人工智慧來做輔助診斷的時候誰來付費？」鄧侃表示，這個問題他經常被投資人問到。

互聯網醫療創業大浪中，糖尿病領域的企業多如牛毛，利用人工智慧做糖尿病管理，也是不少創業公司正在嘗試的事情。慧控糖就是其中一家。慧控糖創始人楊楓認為，人工智慧做糖尿病管理，個性化數據特別珍貴。「我們的經驗是先從個性化數據這樣的小數據著手，服務好每一個患者，這樣患者更容易買單。患者願意買單，你已經活下來了，等到數據大的時候再去發現規律。先有服務，後有數據，再有大數據。」

喬繼英認為，AI適合解決的商業問題特徵包括「行業存在持續痛點、流程重複、可進行數字化信息輸入，問題可以細分並且有邊界。」如果能為之提供解決方案，自然有人願意買單。「醫療里的付費方包括保險、葯企、醫院等醫療服務機構、醫生、患者。其中，醫生是用戶和決策者，患者是使用者，付費方是保險機構，整個鏈條比較長和複雜，不過把鏈條挖到底，總能找到願意付費的那一方。」

「現在全世界都要做人工智慧，國內的數據基礎大，可能我們的速度更快，所以在人工智慧領域國內企業有彎道超車機會。」楊楓對未來很樂觀。