用人工智能（AI）将一家创业公司与其它企业区别开来的日子已经过去了。如今，如果一家科技公司没有使用一些机器学习技术的话，是很难吸引风险投资或找到合作伙伴的。但是，对于试图运用AI进行医健创新的公司，它们面对的风险依旧很高。在医疗产业，错误的算法意味着生与死的差异，因此围绕流行科技的炒作在这里比其他行业将遭受更严苛的考验。

过去五年中，美国采用人工智能的数字医疗公司数量急剧增加。2017年，CB Insights跟踪了逾100个以AI为重点的医疗公司，并注意到自2015年1月以来，其中有50家公司已完成了首轮对外融资。该领域的融资事件从2012年的不足20起增长到到2016年的近70起。这些公司的AI技术在医疗领域涉及的运用包括影像诊断、远程患者监控、药品开发、肿瘤研究等。一些主要的AI科技公司，像Ayasdi（曾基于拓扑学数据分析建立了一个机器智能平台），还有很多新兴AI公司，如H2O和Digital Reasoning Systems，都投身于医疗领域。该领域因此也吸引了包括Khosla Ventures和Data Collective在内的顶级风险投资公司的目光。

106家医疗保健领域的新兴AI科技公司（来源：CB Insights）

最近的一项调查还发现，超过半数的医院计划在五年内引入人工智能，其中35％计划在两年内完成该目标。在波士顿，Partners HealthCare刚刚宣布与GE Healthcare进行为期十年的合作，将深度学习技术整合到自己的网络中。 AI的应用将不仅仅局限于改进临床医生的工作流程和更快地处理用户反馈。

在医院接受调研的美国医生们认为，AI技术可能对人口健康、临床决策支持、诊断工具和精密医学的影响最大。此外，AI可以帮助药物开发、临床试验等都变得更快、更便宜准确。

我们怎么达到目标？

但美国媒体指出，把所有的信念都倾注到AI上的时代还没有来临。Roam Analytics首席科学家兼联合创始人Andrew Maas表示：“人类大脑的前景非常强大”；“计算机的评估能力是强大的，但它的水平还不足以得到我们的信任。”

所以，我们什么时候才能看到医疗产业通过机器学习实现转型呢？近来，我们在最简单的应用和最复杂的诊断任务上都能看到这种技术的身影，它既可以自然语言处理或图像识别的形式出现，又能做到用强大的算法处理几十年医学研究积累的数据库。但是，AI如果不能战胜一系列额外的挑战，比如监管障碍，与传统医院IT系统的兼容性，以及在获得关键医疗数据方面的严格限制，AI是不能成功进入医疗领域的。但是，谨慎并不意味着人们应该停止创新，数字健康的利益相关者意识到，想要全面挖掘AI的真正潜力，他们还需要战略合作伙伴，以及对统计数据的清醒认识。

尽管挑战很多，但各家创新企业在医疗AI领域丝毫不敢怠慢。例如，Google于近期宣布，已将其经过试验和真实用户测试的机器学习能力引入医疗领域。该公司的研究团队谷歌大脑（Google Brain）与加州大学旧金山分校、斯坦福大学一起，收集了数百万患者隐去身份后的医疗大数据。

不仅如此，谷歌CEO桑达尔.皮查（Sundar Pichai）本月在Google I /O开发者论坛上说，2016年谷歌推出了Tensor计算中心，并把它描述为一个以AI为基础的大数据中心。

“Google将所有的人工智能力量都纳入了Google.ai，”皮查说，“Google.ai将重点关注三个方面：研究、工具和基础设施，还有应用型AI。”

2016年11月，Google研究人员在JAMA发表论文称，Google建立在大量眼底图像训练基础上的深入学习算法，能以90％以上的准确度检测出糖尿病性视网膜病变。皮查说，他们正在努力将AI应用到病理学上。

“这涉及到处理大量数据的问题，机器学习具有独一无二的解决这个问题的能力，”他说，“所以我们建立了神经网络，检测癌症扩散到相邻的淋巴结上的症状。虽然还处于早期阶段，但我们的神经网络表现非常好，有高达89％的精确度。其中有很多假阳性的结果，我们请教了相关病理学家，他们可以改善机器的诊断能力。”

苹果公司则是在最近收购AI公司Lattice，该公司曾开发了一套用于医疗的算法。

微软也在进入这个领域，几个月前推出了医疗NExT计划，将人工智能、云计算、研究和行业合作伙伴关系融合在一起。该计划包括基因组学分析和健康聊天技术，并与匹兹堡大学医学中心建立了合作伙伴关系。

我们在很多创业公司那里看到了各式各样的AI，从Ginger.io的行为健康监测和分析平台，即Sensely虚拟助理，到Ava公司的应用程序和可穿戴设备，还有Clue能够预测不能生育年龄的技术。除此之外，还有最近创建的Buoy Health，它设计了一种医疗专用的搜索引擎。Buoy的数据来自超过18,000份临床论文，涵盖500万患者，囊括1700种症状。除了症状检查之外，Buoy首先询问你的年龄、性别和症状，然后针对性地询问下一个更详细的问题。大约两三分钟之后，问题会越缩越小，情况也越来越细致。最后它能够为用户提供潜在症状列表，以及患者下一步的选择。

另一个很有前景的领域是医学影像。2016年11月，以色列的AI影像分析公司Zebra Medical Vision宣布推出新平台。这个平台允许人们通过互联网从任何地方上传和接收他们的医疗影像分析。Zebra于2014年建立，目的是让电脑自动分析医学影像，诊断包括骨骼健康和心血管疾病在内的各种疾病。该公司已经稳步建立了一个影像数据库，结合深入学习技术，算法来自动检测和诊断病症。另一家推出同类产品的以色列公司是AiDoc，该公司刚筹得700万美元。

但无论技术公司的规模和功能如何强大，患者数据可及性的问题使算法在诊断或预测方面取得的成绩与人们的理想仍有差距。这就是为什么那么多公司还处于实验阶段。

风险投资公司8VC的首席执行官Joe Lonsdale说：“最难的一点在于一开始就能拥有数据。”

加州大学伯克利分校公共卫生学院生物统计学教授Maya Peterson博士则表达了更加冷静的观点。她表示：“现实世界中，数据之间的关系很复杂，而且我们还没能完全理解它们。机器学习在某种程度上过于雄心勃勃，我们却还要去研究更加复杂的问题。这并不乐观。”

好的算法难以构建

机器只能从为其提供的数据中学习，所以研究人员，工程师和企业家都在忙于为机器提供更大、更高质量的数据库。

上个月，谷歌母公司Alphabet旗下的Verily启动了Project Baseline研究，与斯坦福大学医学院和杜克大学医学院合作，收集了大量表型健康数据，以期制定出一套明确的人类健康参考标准。Project Baseline旨在收集来自约10,000名参与者的健康数据，每个参与者将被追踪四年。这些数据将被用来制定人类健康的“基线”图，深入了解健康向疾病的转变过程。获得的数据将以多种形式呈现，包括临床数据、影像数据、自我报告及行为数据，以及从传感器和生物样本上获得的数据。该研究的数据存储库会建立在谷歌计算基础架构上，并安置在谷歌云平台上。

“政府如果能够进行数据质量管理和数据共享，就会带来很大改变，”Roam Analytics（一家位于旧金山的机器学习分析平台提供商，专注于生命科学）的首席科学家Andrew Maas说。“私人企业想这样做，并愿意收集大量数据，那很好。如果给我们这些数据，我们能够在一年里做出惊人的结果。但是，如果因为人们的担忧而导致数据无法收集，我们什么都做不了。”

患者数据的可及性和计算能力是理想与现实之间存在差距的重要原因。IBM沃森通过众多合作伙伴关系积累了大量数据，输入其所谓能够更深入理解患者健康状况的认知计算模型。由于实际结果尚未完全呈现，舆论对IBM沃森的看法趋向两极。有人觉得这算得上是机器学习的鼻祖。

斯坦福大学语言学和计算机科学系的主任Chris Potts和Roam Analytics的首席科学家称，沃森“可以说是医疗保健领域最有希望的企业”。其他人对此却不怎么有信心——Social Capital的CEO Chamath Palihapitiya称沃森为“一个笑话”。

这种不确定性似乎并没有阻碍沃森发展新的合作伙伴。就在本月，沃森加入了MAP Health Management，把他们的机器学习技术用于治疗药物滥用。IBM研究部门正与Sutter Health合作，以未充分利用的EHR数据为基础，开发预测心力衰竭的方法。

IBM沃森从2011年开始这个项目，当时这台机器赢了Jeopardy游戏，使公司对这项技术用于实践充满信心。

“我们必须教导它医疗领域的相关技术，这些技术相当复杂，它们根据专业的不同而变化，而且在世界的每个地方都不一样。我们必须让系统习得医学用语。”沃森健康副总裁兼首席策略官Shiva Kumar说， “第一步是自然语言处理的能力，比如在参与对话时能给出最好的回答。接着就是培养与病人对话的能力，让它进一步吸收知识，不断向前发展。”

Kalsar还解释说，为了做到这一点，IBM沃森必须解决非结构化数据的问题，“我们打算使用词汇认知计算，因为它不仅仅局限于机器学习和深度学习，还能够整合学习，洞察更深刻的东西。”

“医疗产业是独一无二的：它受到高度监管，还有大量不能使用的数据。当然同时也有很多未开发的资源，”他说，“所以，这是一片很多技术都可以一展拳脚的领域。但到最后，治疗的成功与否仍旧掌握在医生手里。”

如何前进

许多专家预测，AI能够在医疗领域掀起波澜。

Allscripts Analytics的首席医疗官Fatima Paruk博士认为，AI将首先应用于慢病管理；随着以患者为中心的健康数据的可用性越来越高，以及环境和社会经济因素的发展，AI也会跟着进一步发展；最后，基因信息会融入，使精准医学变成现实。

AI能够对那些在技术上早已非常落后的制药公司产生巨大影响。这些制药公司如今也开始寻求改变了。Lux Capital的合伙人，辉瑞公司的前董事长兼首席执行官Jeff Kindler将制药公司称为“创新者困境的典型代表”，因为他们从未遭受过严重的财务危机，因此也没有动力转变商业模式。但是，AI发展的速度和潜力巨大，制药公司也无法拒绝其吸引力，这些医药领域的利益相关者需要更多的沟通，来了解到底怎样运用AI。

效率是药物开发的关键，特别是对于那些正卡在FDA的创新企业来说，他们可能会让AI的能力变得更强大。辉瑞负责数字战略与数据创新的副总裁Judy Sewards表示：“我在一个需要花12年才能推出一种新产品的行业工作，12 年相当于三个总统任期，或者说三届世界杯的时间。在那段时间里，1600名科学家需要着手研究，进行3600次涉及数千名患者的临床试验。我们考虑的是AI能不能加快这一进程，使其更智能化，将突破性药物与相应的患者需求连接起来？”

Sewards表示，“使这样的设想成为现实”正是他们与IBM 沃森进行免疫学研究的目的，“有些人担心机器或AI会替代科学家和医生，但实际上它们更像是研究助理或者帮手。”

德勤医疗负责人Rajeev Ronanki说，只有三股强大力量的结合，才能推动机器学习向前发展，这三股力量是：数据的指数级增长，更快速的分布式系统，和更智能的能够处理和理解数据的算法。当这三股力量结合在一起时，Ronanki预测，CIO可以收获一些认知方面的洞见，以强化人类决策的能力，提高基于AI的参与工具性能，以及设备和流程中的AI自动化水平，提升领域相关的专业能力。他引用一段IDC报告的内容，称：“我们认为这种增长将会持续，预计在机器智能方面的投入将增加到313亿美元。”

“今天我们所处的位置基本是零，”Roam Analytics的首席执行官兼共同创始人Alex Turkeltaub表示，“我们多多少少想出了一些商业途径，最多只能使用硕士生水平的统计数据。因为要把数据放在一起并同时要处理监管问题是非常困难的。大多数最前沿的深入学习算法是在60年代开发，而它们的想法又来自于16世纪。我们必须找出更好的方法。”

就像辉瑞公司的Judy Sewards所指出的：“在这个行业，你必需有百分之百的确定性，因为一旦犯错，有些患者可能就要为此付出生命。”

来源：健康点