AI+系列報道三：人工智慧醫療四大應用，傳統醫療出現AI藍海

隨著漸趨成熟的AI（人工智慧）技術向各行各業進行「AI+」式的轉變，「AI+醫療」作為能夠產生劃時代變革，且直接關乎人類福祉的領域，自然而然成為許多巨頭的關注點。雖然談及當前「AI+醫療「的具體應用，主要集中在機器學習輔助診療及分析這類領域，但相比於受到技術和法律限制的無人駕駛汽車等人工智慧產業，智能醫療顯然更容易落地，也具備成為下一個「AI藍海」的條件。

當前，人工智慧在醫療健康領域中的應用已經非常廣泛，從應用場景來看，主要分成了虛擬助理、醫學影像、藥物挖掘、營養學等四大方面。隨著當下語音識別、圖像識別等技術的逐漸提升，基於這些基礎技術的泛人工智慧醫療產業也走向成熟，進而推動了整個智能醫療產業鏈的快速發展和一大批專業企業的誕生。

一，虛擬助理：人類醫師的得力助手還是替代者？

在醫療領域，虛擬助理可以根據和用戶的交談，智能化地通過病情描述判斷病因。因此虛擬助理主要分成兩類，一類是包括Siri等的通用型虛擬助理，另一類是專註醫療健康類的專用虛擬助理。通用類虛擬助理上市時間早，資本支持度高，數據規模大。而醫健類虛擬助理的專業屬性強、監管風險高。

虛擬助理是目前較受資本青睞的人工智慧醫療健康細分領域，目前在國外用戶所熟知的醫健虛擬助理是Babylon Health，而國內在虛擬助手上，也有大數醫達和康夫子嶄露頭角。

目前，監管部門要求虛擬助理在輕疾方面僅僅能夠提供一些諮詢和建議，不能提供診斷，在重症方面只能提議立刻前往醫院或代撥醫院急救電話。業內醫師也同樣對該應用有一定質疑，因為患者並不完全了解身體所出的狀況，表達的時候會漏掉一些關鍵信息，同時諮詢的時候會使用大量的非專業辭彙，虛擬助理可能沒有辦法去挖掘真正有用的信息作出更準確的判斷。

以上是虛擬助理目前的存在的問題。雖然如此，虛擬助理的成本更低，有助於控費，人類醫生無法窮盡所有的疾病，而理論上人工智慧可以，因此完全可以成為人類醫師的得力助手。而對於未來，隨著機器學習的迅猛發展和醫療檢測手段的智能化，很多人對虛擬助理能夠替代人類醫生充滿著希望。

虛擬助理代表企業：Babylon Health

Babylon Health是一家位於倫敦的初創公司，該公司正研發一款類似Siri的醫健類虛擬助理應用。Babylon在過去兩年建立了一個龐大的醫學癥狀資料庫，總共擁有3萬6500個案例，在看醫生前，利用語音識別來詢問用戶一系列問題。相比人工全科醫生的診療，這種光速般的癥狀診斷和熱情溫柔的聲音，是幫助Babylon Health降低價格、保持5英鎊月費的最重要方法。

Babylon Health的診療主要需要經過兩個步驟，第一個步驟是自然語言處理，也就是聽懂患者對癥狀的描述，知道哪裡不舒服。然後根據疾病資料庫裡面的內容進行對比和深度學習，對患者提供醫療和護理建議。這個階段局限於腎臟、肝臟、膽固醇和骨科等較小範圍的領域。在第二個階段，隨著更大規模資料庫的加入和更長時間的訓練，Babylon Health將提供更多種類的疾病建議。

二，醫學影像：輔助及代替醫生看膠片

醫學影像與人工智慧的結合，是數字醫療領域較新的分支和產業熱點。醫學影像包含了海量數據，即使有經驗的醫生有時也顯得無所適從。醫學影像的解讀需要長時間專業經驗的積累，醫生的培養周期相對較長，而人工智慧在對圖像的檢測效率和精度兩個方面，都可以做得比專業醫生更快，並可減少人為操作誤判率。

近年，圖像識別技術的性能在「深度學習」的幫助下得以迅速提高。在人工智慧輔助診斷過程中，人工智慧也會自己做出深度學習，在病歷庫中尋找案例，作為判斷的依據。

在醫學影像企業中，人工智慧技術的加入對創業團隊的核心競爭力也有非常大的影響。根據研究機構對醫學影像初創企業的調查，擁有人工智慧技術，整個團隊能顯著減少人力成本，如果沒有人工智慧技術，那麼就要組件一支人力成本不菲的客服團隊和醫師溝通，技術人員和非技術人員的比例為1.1：1，規模也達到了30至50人。

在，如今分級診療和遠程醫療的大背景，使的醫學影像創業團隊更多地投入資源搭建雲平台，長期看能否有人工智慧的技術實力也是核心競爭力的一部分。

醫學影像代表企業：Enlitic

在國外，該領域已經出現了數家較為知名的初創企業。Enlitic就是一家比較知名的人工智慧醫學影像企業，雖然創立於2014年，但次年就被MIT Technology Review（《麻省理工科技評論》）評為2015全球最智慧的50家公司之一，獲得總計1500萬美元的融資。

Enlitic開發了從X光照片及CT掃描圖像中找出惡性腫瘤的圖像識別軟體，利用深度學習的方法對大量醫療圖像數據進行機器學習，自動總結出病症的「特徵」以及「模式」。目前其正在研發一種小型超聲設備，這套系統主要依靠軟體來運行，包括用人工智慧專家開發的技術來梳理一系列圖像，從而提煉出可以自動進行疾病診斷的功能。活躍度全球第一和第三的專註人工智慧的風險投資機構，也紛紛成為該智能醫學影像初創企業的投資人。

三，藥物挖掘：大幅度降低藥物研發成本

一般情況，一種新葯的開發平均需要10年時間，耗資數十億甚至上百億美元，而這也是造成藥物費用高企的重要原因之一。但是，人工智慧為人們提供了一個更低成本檢測藥物的安全專家。

首先，在新葯篩選時，可以獲得安全性較高的幾種備選物。當很多種甚至成千上萬個化合物都對某個疾病顯示出某種療效，但又難以判斷它們的安全性時，便可以利用人工智慧的搜索演算法挑選新葯的最佳備選者。

其次，對於尚未進入動物實驗和人體試驗階段的新葯，也可以利用人工智慧來檢測其安全性。人工智慧可以通過對既有藥物的副作用進行篩選搜索，由此選擇那些產生副作用幾率最小和實際產生副作用危害最小的藥物進入動物實驗和人體試驗，節約時間和成本。

藥物挖掘代表企業：Atomwise

在這一領域，Atomwise是比較有代表性的公司。Atomwise公司用超級計算機分析已有資料庫，並用AI和複雜的演算法來模擬藥品研發的過程，在研發的早期評估新葯研發風險，讓藥物研究的成本降至數千美元，並且評估可以在幾天內完成。Atomwise軟體平台運行在IBM的藍色基因超級計算機上，其強大的計算能力使得它們可以完成很多任務。2015年，公司宣布在尋找埃博拉病毒治療方案方面有一些進展，它們用時一個星期就找到了這種藥物，並且成本不超過 1000 美元。

Atomwise還為製藥公司、創業公司和研究機構提供候選藥物預測服務。Atomwise的服務可以預測哪些新藥品有效或無效。在合作夥伴方面，Atomwise除了與Merck公司和Autodesk進行一些保密項目外，也持續與學術界和企業客戶開展研究工作，通過輔助製藥企業、生物科技公司和其他相關研究機構開展藥物挖掘工作獲取收入。

四，營養學：機器學習給你更精準、個性化的營養學建議

醫學專家通過分析標準化飲食的結果，發現即便食用同樣的食品，不同人的反應依然存在巨大差異。這表明，過去通過經驗得出的「推薦營養攝入」從根本上就有漏洞。基於血糖管理是精準營養的基石，接下來，研究者開發了一套機器學習演算法，分析學習血樣、腸道菌群特徵與餐后血糖水平之間的關聯，並嘗試用標準化食品進行血糖預測。

研究結果表明，機器學習演算法可以給出更精準的營養學建議，成功控制餐后血糖水平，結果優於傳統專家建議。合理的膳食搭配以及更安全的有機食品需求成為新的食品產業增長點，也迅速成為被新技術推動變革的傳統領域。

營養學代表企業：Nuritas

目前較知名的將人工智慧應用於營養學的初創公司是位於都柏林的Nuritas。Nuritas通過新開發的人工智慧與分子生物學相結合的新技術在食品領域引起了巨大的轟動。Nuritas通過建立食品資料庫識別肽（食品類產品中的某些分子）可以作為食物的補充或新的成分。

Nuritas 目前的收入來自toB端。傳統的食品製造商主要關注成本控制與安全，並不擅長識別食品中有利人體健康的肽。Nuritas為食品製造企業提供數據挖掘服務（採用了機器學習），並按銷量收取傭金。未來計劃推出面向消費者的toC端個性化營養方案，針對每位消費者的情況制定不同的方案，收取服務費。

文：王晗 編輯：李靖

┏本文由鳳凰文創原創，轉載請註明出處、署名

┗與我們互動，請關注微信公號「鳳凰文創洞察