隨著AI技術的發展，想靠著這個技術，標榜自己與眾不同的時代，已是過去式。大眾對于AI已經不陌生，而且在生活中能實實在在感受到。時至今日，科技公司們也很難找到哪家風投或者合作伙伴，對這種機器學習技術，不感興趣。
但是，想要用AI技術來革新醫療保健行業，比起其他行業，其門檻明顯更加高昂，即使蹭著AI這個熱點，其熱度下降得很快，因為在醫療行業，一個算法的錯誤，往往意味著生與死的差別。
關于醫療AI時，我們應當以如何心態去看待，他們現在的應用集中在哪些?關于這些問題，動脈網梳理和編譯了mobihealthnews最新的深度文章，以饗讀者。
還未到將全部身家押在AI上的時候
在過去的五年當中，采用各種AI技術的數字醫療公司如雨后春筍般涌現。 CB Insights今年跟蹤報道了106家主打AI技術的醫療公司，報告指出自2015年1月以來，其中有50家公司開展了首輪公開募股。報道對象公司的交易量從2012年的20次，上升到了2017年的60次。2017年還出現了一些新的獨角獸，如 iCarbonX以及腫瘤為重點的 Flatiron Health。
從虛擬護士到藥物發現，CB Insights梳理了106家人工智能企業
在最近一次調研中發現，有半數以上的醫院，5年內引入AI技術的打算，另外有35%的醫院打算在近兩年就引入。近日，波士頓的Partners HealthCare也宣布與GE Healthcare展開為期十年的合作，將深度學習技術整合到他們的網絡中來。然而AI在醫療上的應用，絕不會在改善臨床醫生工作流程和加快保險理賠上止步。
為期兩天的Light Forum會議剛剛閉幕 ，該會議匯聚了眾多企業CEO、醫療信息技術專家和斯坦福大學的醫生。在會議期間，曾在醫保及醫療補助服務中心任職行政管理人員的Andy Slavitt表示：“當前我們正著手解決的是生產力問題。我們需要照顧到那些資源短缺的人們，而不是一味追求商業模式和過多繁雜的問題，或者總嘗試發明新工具，這是不能夠真正改善生產力的，我認為這才是數據和機器學習的落腳點。”
醫院調研的受訪者表示，AI技術可能在人群健康狀況、臨床決策支持、診斷工具和精密醫學上影響較大。即便在藥物開發上，AI也可以使數據收集和試驗進度更快更精準，并縮減成本。但是現在也還未到將我們全部身家都押在AI上的時候。
Roam Analytics的首席科學家及聯合創始人Andrew Maas在Light Forum與會期間表示：“人類的大腦依舊是功能強大的決策官，盡管計算機也有著不可限量的前景，但是目前它們的可靠程度，還不足以讓我們完全信任。”
蘋果、谷歌以及微軟，這些巨頭正在做什么?
每個人都為AI魅力所傾倒，但是還要多久，我們才能看見它為醫療行業帶來真正意義上的轉型呢?最近，我們已經見識到了AI應用在了從最簡單的手機app到最復雜的診斷任務，其形式也從自然語言或圖像識別，到依靠強大的算法處理幾十年積累的醫學研究數據庫等的方方面面。
如同醫療行業的其他技術一樣，進入這個行業會面臨監管障礙、與傳統醫院IT系統的互操作性問題，以及獲取關鍵醫療數據方面的障礙等諸多挑戰，AI技術想要在這個行業里立足生根，不越過這些高峰是不可能的。
但是這并不是讓我們停止創新，而是懷著更嚴謹的態度進行創新。數字醫療從業者們已經開始意識到，要解鎖AI的真正潛力需要建立戰略合作伙伴關系，還需要高質量的數據，并對統計數據有一個清醒的認識。
隨著醫療行業對AI認識的漸漸成熟，其實最大的技術難點還并不在于創新過程中遇到的監管障礙、關鍵數據獲取等挑戰。
就在本月中旬，Google方面宣布，他們已經將自己本用于翻譯和圖像識別的消費級機器學習技術，應用到了醫療領域。他們的研究團隊Google Brain將與斯坦福大學、加州大學舊金山分校等知名學府展開合作，旨在從數以百萬計的患者身上獲取數據。
如同Google的CEO Sundar Pichai在前兩周的Google I/O 開發者大會上所表示的，這個科技巨頭的行動還遠不止此，去年他們成立了Tensor計算中心，Google稱之為AI-first數據中心。
“Google現在已經把所有的AI工作歸攏到了Google.ai，這個部門是諸多團隊和努力的結晶，他們都專注于使AI能造福每個人。”Pichai表示，“Google.ai將重點關注三個方面：研究、工具和基礎設施，以及應用型AI。”
去年11月，Google的研究人員在JAMA上發表了一篇論文，表明Google經過大量眼底圖像數據訓練的深度學習算法，可以在診斷糖尿病性視網膜病變上，具有90%以上的高準確性。Pichai透露他們正在積極將AI應用到病理學上。
他說：“病理學涉及到龐大的數據問題，然而機器學習已經做好準備去解決它。我們構建了神經網絡，來檢測癌癥是否擴散到了相鄰的淋巴結。這個工作還處于早期階段，不過它已經顯示出了能將準確度從73%提升至89%的能力。當然我們仍需要警惕的是，我們的診斷也存在很多誤報，不過這個問題我們已經交諸病理學家來解決，他們能夠提高診斷準確性。”
除開Google，另一個例子就是蘋果公司最近也收購了一家名為 Lattice的AI公司，該公司有著開發醫療應用算法的技術背景。
微軟自然也不甘落后，幾個月前，他們推出了醫療 NExT計劃，將AI、云計算、研究以及行業合作伙伴關系整合到了一起。此項計劃包含了基因組學分析和健康聊天機器人技術的項目，并與匹茲堡大學醫學中心建立了合作伙伴關系。
幾周前，微軟和數據連接平臺供應商 Validic建立了合作伙伴關系，將患者參與度納入到了 HealthVault Insights研究項目中。
將患者數據應用到真實診斷中
巨頭公司們在發力，初創企業們也是各顯神通，我們現在已經見識到了各種各樣的AI應用形式，從 Ginger.io的行為健康監測和健康分析平臺 Sensely的虛擬助理，到 Ava等公司推出的可穿戴設備和各種APP，再到Clue公司最近推出的生育預測窗口。另外一個典型是Buoy Health最近推出的醫學專用引擎，Buoy的數據庫涵蓋了18000份臨床文獻和17000余種病情，患者樣本逾500萬人。
除了癥狀檢索以外，Buoy首先會要求用戶輸入年齡、性別和癥狀等篩選條件，然后在細分數據后決定接下來的問題，從而不斷縮小搜索范圍，大約使用兩三分鐘后，問題越來越具體，并為用戶提供可能的病癥列表和接下來的選項。
另一個十分具有前景的領域就是醫學成像。去年11月，以色列的機器學習成像分析公司Zebra發布了新平臺，使人們可以通過互聯網隨時隨地上傳和接收他們的醫學掃描分析。
Zebra成立于2014年，致力于開發算法，使電腦自動識別醫學圖像，診斷從骨科到心腦血管疾病等多種疾病。該公司現在已經穩步建立了自己的數據庫，并結合深度學習技術，以開發算法來實現自動醫學診斷。另一家以色列的同類型公是AiDoc，這家公司剛剛融資了700萬美元。
然而，不論一家科技公司規模多大或者技術有多先進，只有將患者數據應用到真實診斷中才是王道，這也是噱頭和有效算法之間的分水嶺。所以也就不奇怪，為什么還有那么多公司還處于AI摸索學習階段。
風投公司8VC的CEO Joe Lonsdale在斯坦福的 Light Forum會議期間表示：“最初的難點就在于創建數據。”
加州大學伯克利分校公共衛生學院的生物統計學教授Maya Peterson則給出了更為明晰的觀點。她在近期舊金山舉行的HIMSS大數據和醫療分析論壇期間說道：“真實世界的數據都很復雜，而我們還沒有完全理解他們之間的聯系。在探索更加復雜的領域中，機器學習在某種程度上過于野心勃勃了，這可能不是一件好事。”
好算法千金難求
機器只能從給定的數據中進行學習，所以研究人員、工程師和企業家們都為構建更大更高質量的數據庫，忙得焦頭爛額。
上個月，Verily與斯坦福大學醫學院和杜克大學醫學院展開合作，啟動了Baseline Project研究，收集了大量表型健康數據，從而制定明確的人體健康參考標準。
這個項目旨在收集10000名參與者的數據，每個參與者將被追蹤4年，用所收集的數據建立人類健康“基線”圖，并探尋從健康到疾病轉變的玄機。
數據的收集形式多種多樣，包含了臨床、自我報告、醫學圖像、傳感器和生物樣本等等。該研究的數據庫將建立在Google計算基礎構架之上，并儲存于Google云端平臺。
“如果政府愿意實現數據共享，那么局面將會明朗許多，”Roam Analytics(舊金山的一家機器學習分析平臺公司，專注于生命科學領域)的首席科學家Andrew Maas在Light Forum上表示：“如果私人部門愿意這樣做并收集大量數據，這也很好。把數據交給我們，我們將回饋很驚人的成果。但是如果因為人們的懼怕，數據不能被有效收集，那我們將一事無成。”
患者數據和算法的可用性是區分空頭支票和有效實踐的試金石。讓我們把目光轉向IBM的Watson Health，他們通過眾多伙伴關系積累了大量數據，為認知計算模型帶來了洞悉患者健康的能力。但是由于還沒有實際證據證明其有效性，公眾對其的態度也是兩極分化。
在Light Forum會議期間，同時身任斯坦福大學計算機科學系主任和Roam Analytics首席科學家的Chris Potts表示：“Watson 可能是在醫學領域最有前景的。”但是其他人卻不以為然，比如Social Capital的CEO Chamath Palihapitiya就稱其為一個笑話。
但是正如我們之前報道的諸多合作所表明，這些質疑并沒有影響到Watson吸納新合作伙伴的能力。就在前兩周，他們加入了MAP Health Management，將自己的機器學習技術引入到了藥物濫用障礙治療，同時IBM的研發部門正與Sutter Health展開合作，他們將基于還未充分利用的EHR數據，開發預測心力衰竭的方法。
IBM Watson Health實際上于2011年成立，當時他們靠機器算法拿下了Jeopardy比賽，這次成功，給了他們繼續開發運用這項技術的信心。
Watson副總裁兼首席策略官Shiva Kumar在Light Forum會議上表示：“我們必須大力發展醫療領域的AI技術，因為這個行業太具復雜性，不同專科之間有著很多差異。我們只得加強機器學習，使系統了解醫學語言。第一步是自然語言處理。AI已經具備充分的知識來給出醫療見解了嗎?它能夠在對話過程中給出最好的答案了嗎?我們還得和病人進一步對話，吸收經驗和數據，持續推進技術開發。”
Kumar表示，為了實現這個目標，解決非結構化數據的問題對IBM Watson而言是首當其沖的。
“我們傾向于使用詞匯認知技術，因為它超越了機器學習和深度學習。這能賦予AI以洞察力，并能自主整合和學習。
“醫療行業是具有特殊性的，它受到了嚴密監管，很多數據都不能自由使用，所以這是一個有很多技術改進空間的領域。但是歸根結底，成功與否還得取決于他們業內人士。”
人工智能在醫療領域應用路徑
有很多專家預測，AI技術將在醫療行業掀起軒然大波。Allscripts Analytics首席醫療官Fatima Paruk博士向Becker’s Hospital Review透露，她預計AI首次在醫療上的應用應該在慢性病管理領域，其次就是借由患者健康及環境或社會因素數據可用性的提高帶來的技術發展。接下來，將基因數據整合到臨床護理管理中，將使精密醫學成為現實。
事實上，那些較晚涉足AI這場技術競賽的行業，可能被它影響得最深，比如制藥企業，他們已然開始了變革。
Light Forum會議期間，輝瑞前任董事長兼CEO，現Lux Capital合伙人Jeff Kindler稱藥企是“創新者困局的典型例子”，因為他們的財政狀況從未嚴峻到迫使他們改變商業模式。
但是AI的潛力實在是難以讓人錯過，盡管這意味著還得花費大量成本與醫療從業者們溝通，以尋求AI的著陸點。
“如果你和消費者們對話，他們不了解制藥企業，也不懂什么AI或者大數據，他們只會想著‘交給他們我就完了’，那么我們如何才能跨越這個信任鴻溝呢?”Kindler說道：“從歷史上看來，由于數據的不可用，藥企和醫療設備生產商從未涇渭分明。但是隨著AI技術的逐漸強大，操作成本和花費將得到分離，而且也不再重要，因為他們在為提高療效而服務。”
療效是藥物開發的命門，特別是在FDA對AI技術的鼓勵之下，AI可能更容易對行業產生影響。
輝瑞制藥的戰略與數據創新副總裁Judy Sewards指出：“我們在一個推廣新產品需要花12年的行業中生存，在這期間，需要1600名科學家跟進研究，進行3600場臨床試驗，并涉及數以千計的患者。我們不得不思索，AI是否可以加快這一進程，使其更加智能化，將突破性藥物與最需要他們的患者聯結起來?”
Sewards同時透露，他們與IBM Watson合作展開的免疫學研究，是將這一想法轉化為現實的舉措。“有些人可能會擔心，AI會在將來某天取代醫生和科學家，但實際上，它們更適合充當研究助理或者輔助的角色。”
德勤生命科學與醫療保健部門負責人Rajeev Ronanki向Becker Hospital Review表示 ，推動機器學習技術進一步發展需要三股強大力量的集結：數據的指數級增長、更快的分布式系統，和更快識別并處理數據的算法。
Ronanki預測，當這個三重奏得以實現時，首席信息官們可以更加洞悉預期收益，從而改進人力決策。依靠AI工具以及設備和進程中的AI自動化，可以進一步發展領域深處的特異性專長。
Ronanki引用IDC的報告，向Becker’s表示：“我們預計AI技術將保持增長勢頭，用于人工智能的花費將上升到313億美元。”
Roam Analytics的CEO及聯合創始人 Alex Turkeltaub表示：“基本上，我們現在還一無所獲，盡管我們多多少少構想了些商業模式，但是我們現在能做的也只是一般的數據統計，很難將數據整合到一起并加以管理。大多數甚至最前沿的深度算法還是上世紀60年代開發的，它們還基于17世紀的老套思路。我們必須得尋求更好的方法。”
輝瑞制藥的Judy Sewards特別強調了一點：“在我們行業你必須要做到百分百的正確，任何閃失都與患者的生命安全息息相關。”