人工智能：從實驗室到醫院的距離有多遠？

Mike Barlow在《人工智能與醫學》中有這樣一個觀點：

與傳統的傾向於勞動密集型的醫療保健不同，新興的醫療模式是知識驅動型和數據密集型的。許多新型醫療保健正在帶給我們一種新的模式，它將依賴於新一代用戶友好、實時的大數據分析和人工智能及機器學習工具。

與Mike Barlow持類似觀點的專家儼然不在少數，醫療已然成為人工智能最先落地的場景之一，AI從實驗室走進醫院，早已也不是什麼技術問題，只是時間的早晚。

現實似乎又有些例外。IBM早在2014年就斥資10億美元成立了Watson業務集團，全面運作 Watson 的研究和商業化事宜，其中的第一份職業就是“醫生助理”，嘗試用人工智能驅動個性化治療。

但直到今天，有關AI+醫療的案例報道屢見不鮮，醫療AI的臨床落地卻幾乎處於空白狀態。

01 角色進化

自從2014年以來，AI進入垂直細分領域，醫療+AI就被認為是最容易落地的領域之一。儘管醫療+AI仍然存在不少問題，前進的腳步卻從未停歇。

IBM旗下的Watson就是該行業的先驅。在2017年9月，Watson在中國實現落地，其角色定位是“輔助醫生”。

也就是說Watson並不能代替醫生下判斷，而是用人工智能幫助醫生做診斷，就像金箍棒一樣，孫悟空擁有了它更是如虎添翼。

Watson的工作原理是當醫生輸入患者的詳盡數據，這款AI會從數據庫裡搜索已發表的研究成果，不到10秒鐘，就能給出相應的治療方案，供醫生參考，為醫生提供建議方案。

儘管Watson目前的作用是輔助，但是為了做好“助攻者”的角色，Watson在不斷自我優化。

以Watson的腫瘤解決方案為例，目前其方案覆蓋乳腺癌、肺癌和直腸癌等13個癌種，輔助全球醫生進行診療，而預計到2019年，會在現有的基礎上將新增3個癌種的解決方案。

而在國內，國內的互聯網巨頭們也相繼入局AI醫療領域。

2016年4月，騰訊1億美元投資“碳雲智能”，10月百度發佈“百度醫療大腦”，2017年3月阿里雲發佈“ET醫療大腦”，宣佈正式進入AI醫療領域。

儘管起步比美國晚兩年，技術還不及國外成熟，但是在國內市場依然擁有一定得壁壘。

1.中國人的身體素質和外國人有一定差異，注入Watson等國外的AI醫療系統是針對外國人的身體情況製造出來的，可能與國人不匹配。

2.根據法律法規，國內的醫療數據不允許出境。所以服務於中國人的AI醫療系統還需中國人自己完成。

02 螺旋前進

近幾年，AI的概念一直被炒得火熱。甚至有人說只要在PPT上加“AI”兩個字，就肯定能吸引到投資。

那麼作為醫療AI，到底是一場“海市蜃樓”，還是真真切切在顛覆醫療行業的革命呢？

1. “就是一坨屎”？

據美國媒體STAT爆料，IBM內部PPT顯示，Watson其實存在嚴重的技術問題。IBM的醫療專家和客戶都確認了多起不安全和不正確的治療建議。

Watson的技術沒有達到預期，引起了世界各地醫生的抱怨。不少醫生表示Watson並不適用於自己國家的患者。

有部分醫生認為Watson其實並沒有多大用處，醫院購入Watson是處於營銷的目的。甚至有一位醫生直言不諱地告訴IBM，“這產品只是一坨屎，大多時間沒法用。”

曾經有貴婦嘲諷法拉第他發明的“電磁感應裝置”有什麼用，法拉第回答“沒過多久就能靠它收稅了”，此後電力是何等程度改變了世界，相信每個人都明白。

誠然，現階段的醫療AI算不上十分智能，更不能完全代替醫生。但是我們要看到AI的優點，比如人類的大腦是脆弱的，而機器卻能無休無止地進行高強度計算。

站在發展的角度去考量AI醫療，這項新生的事物能做的，也許會完全超出人們的想象。

2. 疑似過度宣傳？

自從AlphaGo戰勝人類棋手的新聞以來，AI的話題一直是媒體的寵兒。這個過熱的話題也許賦予了大眾對現階段的人工智能過高的期待。

所以比如當Watson大幅裁員五成到六成的時候，比如中山大學眼科中心測試發現AI醫生在真實臨床門診對白內障的診斷正確率只有87.4％，遠低於試驗階段的98.87％的時候，大眾會不禁質疑——醫療AI是不是宣告失敗了？

其實這只是事物在螺旋上升過程中經常要碰見的狀況，其問題在於媒體的過度宣傳，讓大眾對事物無法產生一個客觀的認知。大眾對技術產生過高的想象，將技術神化、將困難簡單化。

醫療AI有自己的螺旋上升週期，大眾應該允許失敗，媒體對該議題的關注也該回歸理性。

03 遺留問題

新生事物的誕生總是伴隨著陣痛。醫療AI需要克服自身存在的缺陷。

同時，新技術的誕生往往會遭受舊秩序的困擾，醫療AI還需要面臨何如從舊秩序中突圍的難題。

1. 法律責任

在試錯代價動輒就是生命的醫療領域，AI首當其衝要面對的就是法律問題。

2011年，在美國麻省的一家醫院，一位暈倒的老人被救護車送進了急救病房。他被立即安插上AI體徵監控設備。如果他的生命體徵出現危險，設備就會發出警告，召喚護士。

然而，第二天，這個老人卻死在了病床上。

死之前監控設備的紅燈閃了一夜，但是被值班護士一遍一遍按掉。

護士的疏於職守自然難辭其咎，但是從系統的角度來看，有一個問題大家都無法迴避：許多醫院的AI監控設備，很多時候都只是誤報。

患者的死亡，責任到底該由誰承擔，AI是否能為誤診負起責任，這是一個需要思考的問題。

2.數據孤島

就像汽車需要汽油才能行駛，數據是AI能運行起來的基礎。AI通過“吃進”海量的醫療數據，來增加自己的“經驗”，從而讓自己變得更“智能”。

然而在中國，醫療數據看似很豐富，而事實上可用性並不高。

比如醫院之間的數據互通就做得不好，如果一個病人在不同醫院就診，那麼取得該病人完整的歷史數據就變得十分困難。

而且不同醫院之間，由於使用的硬件儀器不同，導致數據格式各異，難以標準化。各個醫院之間的數據，就像汪洋上的一個個孤島，彼此獨立，無法連成一片，無法互通有無。

許多業界專家呼籲，將各個醫院數據的私有格式轉化為標準格式，讓醫療數據能夠通用。但是響應者寥寥。

即使AI能獲得高質量的醫療數據，它還有無法迴避的棘手問題：患者的數據會被AI公司洩露嗎？畢竟應該沒有一個人會希望自己的隱私被洩露。

3. 落地艱難

除數據問題外，AI在醫療行業的落地還存在模式和制度的問題

比如美國特拉雅諾娃實驗室開發了一套結合影像和AI的心臟造影方案，構建出整個3D全息心臟模型。它能夠模擬心臟動態，利用它，醫生可以準確地找出患者病灶。

然而這項技術真的要從實驗室走向醫院，前景並不樂觀。

其最大的挑戰來自於美國食品藥監局（FDA）的監管和審查。任何一項技術想要投入臨床應用，都免不了和FDA進行一場曠日持久的拉鋸戰。如果無法將研究成果轉化為審批標準，那麼無論產出再多研究成果都是無用功。

04總結

儘管醫療AI還沒有大規模落地，從實驗室到醫院還有很長的一段路要走，而且在現階段，醫療AI無法像人類醫生那樣做診斷，不能取代人類醫生。

但是AI醫療是很好的工具，它的出現切實地提高了醫生的診斷效率，提升了醫療質量，減少了誤診的可能性。

在科學急速發展的今天，我們需要更高水平、更科學的技術進入醫療領域，而AI或許是最好的、也是時代最合適的技術。未來，AI將在醫療領域有著舉足輕重的作用。