医学人工智能知多少？

　　提起人工智能，很多人首先想到的便是人类围棋冠军李世乭与柯洁先后被AlphaGo击败。而在围棋之外，人工智能已经在人类生活工作的各个领域展现着令人们惊叹的潜力，其中最为引人注目的便是医疗领域。

　　什么是人工智能？

　　人工智能是计算机科学中研究、设计和应用智能机器的一个分支，涉及的领域包括语音识别、图像识别、自然语言处理、机器人、专家系统等。随着人工智能的概念的流行，越来越多的相关概念随之出现在人们视野中。

　　云计算、大数据、算法与人工智能的关系

　　人工智能的发展可以比喻成一颗小树苗的成长。算法是人工智能的核心，相当于种子，它将决定最终长出的是人工智能还是非智能应用；数据是帮助树苗成长的养分，数据的质量与数量将决定这颗树苗的生长状况；云计算为人工智能发展提供了计算资源基础的保障，是可随时进行配置的计算资源共享池。

　　结构化数据与非结构化数据

　　结构化数据是可以用二维表结构来逻辑表达实现的数据，数据类型明确规定，可用数据库语言进行操作。非结构化数据则是数据结构不规则或不完整，没有预先定义的数据类型，需要运用自然语言处理（NLP）、数据挖掘等技术进行分析。值得注意的是，医疗领域中超过80%的数据为非结构数据，包括医学报告、影像等，这一部分数据的挖掘对于实现医疗人工智能十分重要。

　　机器学习与深度学习

　　机器学习是实现人工智能的重要工具。按照算法类型划分，机器学习又可分成回归算法、决策树算法、聚类算法、人工神经网络算法等，当下被认为最有潜力实现人工智能的深度学习，可以认为是人工神经网络算法的发展。该算法强调从局部和全局把握特征，从低层次特征逐步获得高层次特征，可以类比于人类通过学习简单概念来表达抽象概念。但该算法存在模型黑箱的问题，即人类难以理解计算机提取的特征，因此无法完全知悉推理判断的过程，这个问题可能在医学领域导致伦理困境。

　　医疗领域的人工智能

　　如果说医疗互联网的出现优化了医疗市场的供需匹配，那么医疗人工智能则是革命性的从供给端对医疗服务加以改造。人工智能的在生化医学领域的应用始于上世纪六十年代。在2010年前后，因计算能力与数据量的提升进入快速发展阶段：

　　>六十年代，Dendral专家系统帮助有机化学研究者通过分析质谱识别有机分子

　　>七十年代，斯坦福大学研发MYCIN专家系统根据病人症状和化验结构进行诊断

　　>1975年，犹他大学开发首个知识库医院管理系统HELP

　　>1979年，斯坦福大学研发PUFF用于解读肺功能检查报告，是首个应用于临床的人工智能系统

　　>八十年代，GWU(GeorgeWashingtonUniversity)开发APACHE系统用于预测患者死亡率，是第一个商业化医用决策支持系统

　　>2011年:IBMWatson进入healthcare领域，对医学数据进行分析

　　>2016年2月：DeepMind成立DeepMindHealth

　　>2016年9月：Microsoft成立Hanover项目

　　从人工智能在医疗领域的总体布局来看，大量创业公司集中在应用层面，相对门槛比较低，但竞争非常激烈。传统IT巨头因其具有强大的计算能力，并在数据资源、算法技术层面具有优势，通常从底层切入，提供基础技术平台，但也有涉足应用层面，例如IBMWatsonHealth。

　　活跃在应用领域的初创企业

　　截至2016年，医疗领域人工智能初创公司按领域可划分为八个主要方向，包括医学影像与诊断、医学研究、医疗风险分析、药物挖掘、虚拟护士助理、健康管理监控、精神健康以及营养学。其中医学影像与诊断、医学研究、医疗风险分析和药物挖掘四个方面吸纳投资总额超过80%以上，下面将对这四个方面做简要分析。

　　医学影像与诊断

　　人工智能在诊断领域的应用主要针对的是放射科医师增长速率不及影像数据增长速度，医疗人才资源分配不均、基层医院误诊率高。人工智能可用于对病例数据进行分析，为患者更可靠的提供诊断建议，为医师节省时间，代表公司包括ButterflyNetwork,ZebraMedicalVision和Enlitic。

　　药物挖掘

　　药物挖掘是人工智能最先应用于医学领域的方向之一，主要针对传统制药研发周期长、费用高、成功率低的特点，利用人工智能在临床前研究阶段提高筛选效率，优化构效关系，在临床研究中提高病人匹配效率，代表公司为BenevolentAI。

　　医疗研究

　　人工智能医疗研究是一个相对笼统的概念，一般认为是AI数据整合分析能力在基础研究领域的应用，代表公司为碳云智能。值得注意的是，对于健康领域研究而言，人工智能可以带来颠覆性的改变，但是在很大程度上，其作用仍受限于基础医学研究水平。人工智能的能力在于对海量数据进行整合，发现研究者难以捕捉到的关联，但并不能凭空创造知识。

　　医疗风险分析

　　早在上世纪80年代，专家系统就被应用于医院病人风险预测。现今人工智能增加了对原始数据进行预处理的能力，可以有效处理非结构化数据，间接扩大了原始数据量，提高了预测的精准性，代表公司为Apixio。

　　IT巨头在医疗健康领域的布局

　　前一部分主要按照方面，本文将以IBM,Alphabet(Google)以及Microsoft为例来分析传统IT巨头在医疗健康AI方面的布局与投入。

　　IBMWatson

　　IBM于2011年推出WatsonforHealthcare进行医疗数据分析，最初主要为政府提供雇员健康管理服务，2012年开展癌症基因领域研究（WatsonforOncology&Genomics），2015年进入生命科学领域（WatsonHealthLifeScience）加速药物开发，2016年成立医学影像部（WatsonImaging）。目前来看，IBMWatsonHealth最深入的将认知技术应用于健康领域，在医学人工智能领域的实现了最成功的产品化与商业化。目前WatsonforOncology和Genomics已经携手百洋，进入中国。

　　Alphabet

　　2015年谷歌重组创建Alphabet，旗下子公司中，关注于健康领域的有Verily和Calico，而侧重于人工智能研究的则主要是DeepMind和Google旗下的GoogleBrain。DeepMindHealth从2016年开始与英国NHS合作利用160万NHS病人数据开发疾病预警移动应用，同时还与医学机构合作开展与寻找致盲病变以及癌症识别相关项目。GoogleBrain隶属于GoogleResearch，其中Healthcare小组将机器学习算法应用于医学影像识别，具体应用领域目前包括肿瘤识别和眼部病变识别。

　　Microsoft

　　Microsoft的云服务平台MicrosoftCloud向KenSci、Allscripts等公司提供平台用于医学健康相关应用的开发，平台上目前有四个人工智能产品，主要集中于医学临床运营分析方面。2016年9月，Microsoft成立Hanover项目，目标是将人工智能算法应用于医疗健康领域，最终开发搭建在MicrosoftAzure上的云工具。Hanover项目有两个主要研究方向，其一是通过机器文献阅读，希望在肿瘤治疗方面有所突破；其二是通过分析电子病历（EMR），对于慢性疾病管理进行建模。

　　总结

　　本文简单梳理了人工智能在医疗领域的发展以及现阶段的应用方向。可以看到，医疗人工智能在当下正处于资本的追逐与政策的扶持之下，其中蕴含的机遇是不言而喻的，它的发展应用可能对医疗服务的形式产生革命性的改变。但同时，我们也应当警惕其背后潜在的泡沫，一方面是存在少数企业处于融资的目的混淆传统数据分析与人工智能的概念；另一方面是人工智能近年来的爆发有赖于过去数十年医疗数据的积累，若算法发展出现瓶颈、数据资源充分利用而应用尚未达到人们预期，资本对于人工智能的热情可能迅速回落。不同于房地产或与艺术品投资，人工智能的发展标志的人类文明进步的方向，因此对于这一领域，投资者的眼光应当放的更加长远。