人工智能：从实验室到医院的距离有多远？

mike barlow在《人工智能与医学》中有这样一个观点：

与传统的倾向于劳动密集型的医疗保健不同，新兴的医疗模式是知识驱动型和数据密集型的。许多新型医疗保健正在带给我们一种新的模式，它将依赖于新一代用户友好、实时的大数据分析和人工智能及机器学习工具。

与mike barlow持类似观点的专家俨然不在少数，医疗已然成为人工智能最先落地的场景之一，ai从实验室走进医院，早已也不是什么技术问题，只是时间的早晚。

现实似乎又有些例外。ibm早在2014年就斥资10亿美元成立了watson业务集团，全面运作 watson 的研究和商业化事宜，其中的第一份职业就是“医生助理”，尝试用人工智能驱动个性化治疗。

但直到今天，有关ai+医疗的案例报道屡见不鲜，医疗ai的临床落地却几乎处于空白状态。

01 角色进化

自从2014年以来，ai进入垂直细分领域，医疗+ai就被认为是最容易落地的领域之一。尽管医疗+ai仍然存在不少问题，前进的脚步却从未停歇。

ibm旗下的watson就是该行业的先驱。在2017年9月，watson在中国实现落地，其角色定位是“辅助医生”。

也就是说watson并不能代替医生下判断，而是用人工智能帮助医生做诊断，就像金箍棒一样，孙悟空拥有了它更是如虎添翼。

watson的工作原理是当医生输入患者的详尽数据，这款ai会从数据库里搜索已发表的研究成果，不到10秒钟，就能给出相应的治疗方案，供医生参考，为医生提供建议方案。

尽管watson目前的作用是辅助，但是为了做好“助攻者”的角色，watson在不断自我优化。

以watson的肿瘤解决方案为例，目前其方案覆盖乳腺癌、肺癌和直肠癌等13个癌种，辅助全球医生进行诊疗，而预计到2019年，会在现有的基础上将新增3个癌种的解决方案。

而在国内，国内的互联网巨头们也相继入局ai医疗领域。

2016年4月，腾讯1亿美元投资“碳云智能”，10月百度发布“百度医疗大脑”，2017年3月阿里云发布“et医疗大脑”，宣布正式进入ai医疗领域。

尽管起步比美国晚两年，技术还不及国外成熟，但是在国内市场依然拥有一定得壁垒。

1.中国人的身体素质和外国人有一定差异，注入watson等国外的ai医疗系统是针对外国人的身体情况制造出来的，可能与国人不匹配。

2.根据法律法规，国内的医疗数据不允许出境。所以服务于中国人的ai医疗系统还需中国人自己完成。

02 螺旋前进

近几年，ai的概念一直被炒得火热。甚至有人说只要在ppt上加“ai”两个字，就肯定能吸引到投资。

那么作为医疗ai，到底是一场“海市蜃楼”，还是真真切切在颠覆医疗行业的革命呢?

1. “就是一坨屎”？

据美国媒体stat爆料，ibm内部ppt显示，watson其实存在严重的技术问题。ibm的医疗专家和客户都确认了多起不安全和不正确的治疗建议。

watson的技术没有达到预期，引起了世界各地医生的抱怨。不少医生表示watson并不适用于自己国家的患者。

有部分医生认为watson其实并没有多大用处，医院购入watson是处于营销的目的。甚至有一位医生直言不讳地告诉ibm，“这产品只是一坨屎，大多时间没法用。”

曾经有贵妇嘲讽法拉第他发明的“电磁感应装置”有什么用，法拉第回答“没过多久就能靠它收税了”，此后电力是何等程度改变了世界，相信每个人都明白。

诚然，现阶段的医疗ai算不上十分智能，更不能完全代替医生。但是我们要看到ai的优点，比如人类的大脑是脆弱的，而机器却能无休无止地进行高强度计算。

站在发展的角度去考量ai医疗，这项新生的事物能做的，也许会完全超出人们的想象。

2. 疑似过度宣传？

自从alphago战胜人类棋手的新闻以来，ai的话题一直是媒体的宠儿。这个过热的话题也许赋予了大众对现阶段的人工智能过高的期待。

所以比如当watson大幅裁员五成到六成的时候，比如中山大学眼科中心测试发现ai医生在真实临床门诊对白内障的诊断正确率只有87.4%，远低于试验阶段的98.87%的时候，大众会不禁质疑——医疗ai是不是宣告失败了?

其实这只是事物在螺旋上升过程中经常要碰见的状况，其问题在于媒体的过度宣传，让大众对事物无法产生一个客观的认知。大众对技术产生过高的想象，将技术神化、将困难简单化。

医疗ai有自己的螺旋上升周期，大众应该允许失败，媒体对该议题的关注也该回归理性。

03 遗留问题

新生事物的诞生总是伴随着阵痛。医疗ai需要克服自身存在的缺陷。

同时，新技术的诞生往往会遭受旧秩序的困扰，医疗ai还需要面临何如从旧秩序中突围的难题。

1. 法律责任

在试错代价动辄就是生命的医疗领域，ai首当其冲要面对的就是法律问题。

2011年，在美国麻省的一家医院，一位晕倒的老人被救护车送进了急救病房。他被立即安插上ai体征监控设备。如果他的生命体征出现危险，设备就会发出警告，召唤护士。

然而，第二天，这个老人却死在了病床上。

死之前监控设备的红灯闪了一夜，但是被值班护士一遍一遍按掉。

护士的疏于职守自然难辞其咎，但是从系统的角度来看，有一个问题大家都无法回避：许多医院的ai监控设备，很多时候都只是误报。

患者的死亡，责任到底该由谁承担，ai是否能为误诊负起责任，这是一个需要思考的问题。

2.数据孤岛

就像汽车需要汽油才能行驶，数据是ai能运行起来的基础。ai通过“吃进”海量的医疗数据，来增加自己的“经验”，从而让自己变得更“智能”。

然而在中国，医疗数据看似很丰富，而事实上可用性并不高。

比如医院之间的数据互通就做得不好，如果一个病人在不同医院就诊，那么取得该病人完整的历史数据就变得十分困难。

而且不同医院之间，由于使用的硬件仪器不同，导致数据格式各异，难以标准化。各个医院之间的数据，就像汪洋上的一个个孤岛，彼此独立，无法连成一片，无法互通有无。

许多业界专家呼吁，将各个医院数据的私有格式转化为标准格式，让医疗数据能够通用。但是响应者寥寥。

即使ai能获得高质量的医疗数据，它还有无法回避的棘手问题：患者的数据会被ai公司泄露吗?毕竟应该没有一个人会希望自己的隐私被泄露。

3. 落地艰难

除数据问题外，ai在医疗行业的落地还存在模式和制度的问题

比如美国特拉雅诺娃实验室开发了一套结合影像和ai的心脏造影方案，构建出整个3d全息心脏模型。它能够模拟心脏动态，利用它，医生可以准确地找出患者病灶。

然而这项技术真的要从实验室走向医院，前景并不乐观。

其最大的挑战来自于美国食品药监局(fda)的监管和审查。任何一项技术想要投入临床应用，都免不了和fda进行一场旷日持久的拉锯战。如果无法将研究成果转化为审批标准，那么无论产出再多研究成果都是无用功。

04总结

尽管医疗ai还没有大规模落地，从实验室到医院还有很长的一段路要走，而且在现阶段，医疗ai无法像人类医生那样做诊断，不能取代人类医生。

但是ai医疗是很好的工具，它的出现切实地提高了医生的诊断效率，提升了医疗质量，减少了误诊的可能性。

在科学急速发展的今天，我们需要更高水平、更科学的技术进入医疗领域，而ai或许是最好的、也是时代最合适的技术。未来，ai将在医疗领域有着举足轻重的作用。