人工智能与医疗不断融合，医疗界存在两极分化

每年都会有资本和市场追逐的几个关键词。今年，人工智能从AlphaGo战柯洁、无人驾驶、语音识别等逐渐烧热到医疗领域。医药经理人刘谦曾这样描述过人工智能与医疗不断融合后，医疗界的态度：

所谓树大招风，医疗界对AI的态度分为两极。

乐观派捧上天的心态，动辄「人工智能即将取代XX职业」、「XX即将失业」，甚至人工智能将统治人类，颇有5-6年内让医院关门让医生失业的架势；

悲观派对AI的质疑就没有间断过：算法不高级、数据质量差、难训练、「人工智障」和缺乏使用场景等等，说它是医生的辅助工具就已经算客气的了。

现在，医疗AI究竟发展的怎么样了？一位研究互联网+医疗健康行业布局的健康管理人员，整理了她这些年了解到的一些应用在医疗上的比较火热的人工智能产品。

影像科、皮肤科首当其冲

人工智能发展至今，已涉足医学影像、基因检测、临床手术、辅助决策等多个医疗领域。其中，医学影像属于介入较早且卓有成效的板块之一。

轻松识别糖尿病早期视网膜病变的AI

2016年，GoogleDeepMindHealth团队给自家AI喂养了12.8万副视网膜眼底图像，打造出一只可以轻松识别糖尿病早期视网膜病变的AI。

这项技术，让那些可能将在3年、5年甚至10年后失明的糖尿病患者，获得了宝贵的提前治疗机会。

在验证实验中，研究组请来了8位眼科专家，与AI一同识别9,963张眼底图像。结果，AI以高达97.5%的灵敏度和93.4%的特异性惊艳四座，诊断能力堪比专业医师（后者为96.1%的灵敏度和93.9%的特异性）。

皮肤病智能诊断AI

视网膜病变检测，仅仅是AI介入医疗诊断的冰山一角。2014年至今，经过深度学习的AI们，已先后在皮肤癌、乳腺癌、先天性白内障、心脏病、脑部肿瘤等病灶识别技术上有所建树。

今年5月，丁香园、中南大学湘雅二医院、大拿科技共同宣布就皮肤病人工智能辅助诊断达成独家战略合作，并发布和展示了由三方联合开发的「皮肤病人工智能辅助诊断系统」。

经过数月的科技攻关，目前已研发出了较成熟的红斑狼疮人工智能辅助诊断模型。该模型对红斑狼疮各种亚型以及其鉴别诊断疾病能进行有效地区分，其识别准确率超过85%。

AI皮肤癌检测

识别甲状腺B超的AI

在今年，知名电商大佬就发布展示用于甲状腺结节病灶识别的AI。

经过训练后，它可以在十几秒内处理完一张甲状腺B超，借助计算机视觉技术，这套算法可以对甲状腺B超快速扫描分析，圈出结节区域，并给出良性与恶性的判断，大大节省了医生的诊断时间。

一般来说，人类医生的准确率为60%～70%，而当下算法的准确率已经达到85%。可以说是相当于给医院配了一个24小时不休息的「实习医生」。

辅助诊断不甘其后

在医疗人工智能刚开始的时候，做影像学和皮肤学相关的人很多，但慢慢地，更多的人开始把目光转移到辅助诊断上。

肿瘤领域的专家AI

在肿瘤方面，做得最出色的当属IBM旗下的Waston肿瘤医生。这位在2012年就通过美国执业医师考试的AI老前辈，可以在17秒内阅读3,469本医学专着、248,000篇论文、69种治疗方案、106,000份临床报告。

Waston能够提供包括乳腺癌、肺癌、结肠癌、前列腺癌、膀胱癌、子宫癌等疾病的诊断和治疗方案，匹配度达90%，是目前最成熟的辅助诊疗系统之一。

2016年，随着浙江省中医院沃森联合会诊中心成立，Waston肿瘤医生正式落户中国。目前，这位兢兢业业的医生正活跃在多家医院的一线岗位上呢。

手机里的AI医生

Triage是手机里的「家庭医生」，如它的名字一般，行使着「连接医患，帮助医生进行患者分类」的职责。

具体来说，就是经过深度学习后，它可以在面诊前通过与患者对话、问诊等获取患者信息，从而实现分诊。

不仅如此，Triage还能协助完成治疗方案分析，同时为患者提供常见病的处理建议。可以说是现实版的「大白」了。

智能穿戴方便生活

提到智能穿戴，就不得不提到Google，他们在智能医疗行业深耕多年，不仅成立专注于AI研究的团队DeepMindHealth、GoogleFit和Verily，还曾发布「随着血液流动的纳米机器人」这种几近科幻的产品，脑洞之大，着实为行业带来不少灵感。

在智能穿戴上，主要有GoogleGlass、检测人体癌细胞微粒的医用测癌腕套、可监测血糖的智能隐形眼镜以及为帕金森患者研发的智能平衡勺子LiftwareLevel等，都为医疗带来了极大的便利。

Google的智能隐性眼镜和LiftwareLevel勺子

除了Google，Microsoft也有自己引以为豪的智能穿戴。他们的SeeingAI制作了一款供视力障碍人群使用的智能眼镜。这款眼镜可以自动识别眼前的人和物，通过语音描述给佩戴者，结合相应的APP，甚至可以读出文本。

它的出现，让这个世界对盲人来说不再遥不可及。

SeeingAI团队盲人工程师

SaqibShaikh佩戴自己研发的产品

深度学习，离不开大数据

一只性能稳定，预测精准的乖巧AI，身后必有完善且高质量的数据支持。

近期，来自哈佛医学院的KennethD.Mandl教授就在知名大刊JAMA上发文，对辅助医疗决策的数据系统构建提出大胆设想：

想要达到辅助诊疗的目的，依靠现有的电子健康档案是远远不够的，为此，我们需要构建一个临床信息共享（ClinicalInformationCommons，CIC）系统。

这个系统可以实现个体健康档案、生物样本、基因序列、医疗保健、行为方式甚至生活环境等数据的高度整合。

患者与系统方签署协议后开始共享个人数据，在今后的若干年内，数据将保持动态更新。

对于医生和科研人员来说，这些数据既可用于诊断决策，又可用于医学研究，为嗷嗷待哺的AI们提供高质量的「营养餐」，自不在话下。

而对于患者来说，一方面，他们是数据的贡献者，另一方面，他们也是AI深度学习完善后的最大受益者。

总之，目前国内的医疗人工智能产业总体起步较晚，产品也相对单一。但国民不断增长的医疗健康需求为AI催生了广阔的发展空间，相信在不久的将来，国产人工智能会带给我们更多惊喜。