导语

　　随着社会的进步，全世界人民健康意识的觉醒，人口老龄化问题不断加速，人民更希望能够用更加先进的技术延长人类的生命，增强人类的体魄，乃至于实现真正高效率的医疗服务，从而在需求领域极大地刺激了人工智能医疗的发展。

　　近年来，智能医疗在国内外的发展热度不断提升。有人提出，“尽管安防和智能投顾最为火热，但AI在医疗领域可能会率先落地。”一方面，图像识别、深度学习、神经网络等关键技术的突破带来了人工智能技术新一轮的发展。大大推动了以数据密集、知识密集、脑力劳动密集为特征的医疗产业与人工智能的深度融合。另一方面，随着社会进步和人们健康意识的觉醒，人口老龄化问题的不断加剧，人们对于提升医疗技术、延长人类寿命、增强健康的需求也更加急迫。而实践中却存在着医疗资源分配不均，药物研制周期长、费用高，以及医务人员培养成本过高等问题。对于医疗进步的现实需求极大地刺激了以人工智能技术推动医疗产业变革升级浪潮的兴起。

　　AI医疗是什么

　　据鲸准数据中心的《行业字典：一张图看AI医疗》显示，AI医疗是以互联网为依托，通过基础设施的搭建及数据的收集，将人工智能技术及大数据服务应用于医疗行业中，提升医疗行业的诊断效率及服务质量，更好的解决医疗资源短缺、人口老龄化的问题。

　　Al医疗主要体现在三个方面，涉及多个领域，其定义的金字塔如下：

　　基础层：通过软硬件的基础设施，收集用户、药物及病理数据，并使数据互通互联，为人工智能的应用提供支持与可能。

　　技术层：通过语音/语义识别、计算机视觉技术，对非结构化数据进行分析提炼。“学习”大量病理学数据文本，使其掌握问答、判断、预警、实施的能力。

　　应用层：是指人工智能与不同细分领域的结合，以解决医疗行业中的某种业务需求，如智能诊断、药物研发、智能健康管理、智能语音等医疗场景。

　　巨头竞赛

　　在过去的半年里，高调出手的不只是BAT，谷歌、微软、苹果等科技巨头均不遗余力地布局医疗人工智能。

　　IBM

　　IBM的Watson俨然已走在世界前列，在肿瘤领域，已形成成熟的产品形态，如Watson for Oncology。一方面，Watson 会给提供医疗数据的机构以经济补偿，另一方面，也会直接和医院签订销售合同，由医院支付采购费用。IBM Watson可以在17秒内阅读3469本医学专著、24.8万篇论文，69种治疗方案、61540次试验数据、10.6万份临床报告。通过海量汲取医学知识，包括300多份医学期刊、200多种教科书及近1000万页文字，IBMWatson在短时间内可以迅速成为肿瘤专家，拥有更强大脑的癌症专家。

　　谷歌

　　2015年8月，谷歌宣布设立母公司Alphabet。其在AI的途径主要是覆盖更多应用场景，比如延伸到智能家居、自动驾驶、机器人等领域，另外积累底层人工智能技术，研发更高级的深度学习算法，增强图形识别和语音识别能力，对信息进行更深层加工、处理。谷歌在肾脏、眼科疾病等细分领域进展较快，同时Alphabet旗下有多家生物科技和医疗公司，未来将聚合形成规模效应。

　　Microsoft

　　2016年9月，微软宣布研发最新的机器学习项目名为Hanover，通过深度学习理解专业的医学论文，帮助医生预测对癌症患者最有效的药物。另一个项目则是医疗放射领域的应用，人工智能手段分析癌症患者的肿瘤CT扫描片。与谷歌类似，微软在人工智能的领域也不局限于医疗分支，在语音翻译、知识图谱等领域都有涉及。

　　百度

　　百度在医疗方面主要是2016年成立的百度医疗大脑项目，通过海量医疗数据、专业文献的采集与分析进行人工智能化的产品设计，模拟医生问诊、与用户多轮交流、反复验证，最终给出建议；同时还在过程中收集、整理病人症状描述，辅助完成问诊。

　　阿里

　　阿里健康宣布联合万里云医学影像中心发布医疗人工智能系统Doctor You，该系统包括临床医学科研诊断平台、医疗辅助检测引擎、医师能力培训系统等。加上阿里在2017年3月推出ET医疗大脑、早在2014年就推出的“未来医院”计划，阿里在医疗AI领域的渗透不断深入。

　　腾讯

　　腾讯通过微信在挂号和支付环节及早切入医疗服务领域，在人工智能领域也积极探索。2017年8月份，腾讯发布了AI医学影像产品“腾讯觅影”，利用人工智能医学影像技术辅助医生实现早期食管癌筛查，凭借“觅影”腾讯正式进军医疗人工智能。同时，腾讯还宣布成立人工智能医学影像联合实验室。

　　智能医疗投融资情况

　　仅2017年8月5日到9日，全球一共有11家AI相关智能医疗公司获得约3.6亿美元的投资，单笔最大融资是一家手术机器人公司——Auris获得2.8亿美元D轮融资。截止至2017年10月9日，国内医疗人工智能公司累积融资额已超过260亿元，融资公司共114家。而不管是国内还是国外，从融资轮次的集中度上来看，大部分的融资事件都发生在种子轮、天使轮以及A轮这样的早期风险投资阶段，这表明行业内的公司大多还处在初创阶段，整个行业呈现出年轻化、集中度低的态势，智能医疗已然投资风口。

　　AI医疗的应用场景

　　随着医疗人工智能的发展，其应用场景正逐步多元化。

　　医疗的定义和范畴已经不再只是疾病治疗，而是扩展到了药品、保健、生物技术等医疗的各个领域。

　　根据相关资料显示，总体上应用场景主要集中在以下四方面：

　　辅助诊疗

　　目前，AI正在迅速融入基层社区。

　　“AI+辅助诊疗”，就是将人工智能技术用于辅助诊疗中，让计算机 “ 学习 ” 专家医生的医疗知识，模拟医生的思维和诊断推理。

　　通过已学习的医学知识推理判断疾病原因与发展趋势，形成治疗方案 。辅助诊疗场景目前是医疗领域中最重要也是最核心的场景。

　　医学影像

　　医学影像在医疗AI领域技术成熟度最高，有望最先实现商业化。

　　据动脉网蛋壳研究院发布“人工智能+医疗技术成熟度分布曲线”，“AI+医疗影像”在医疗领域成熟度最高，在曲线上处于过高期望的峰值位置。

　　AI＋医学影像是将人工智能技术具体应用在医学影像的诊断上，主要分为两部分：图像识别和深度学习。

　　图像识别主要应用于人工智能的感知环节，其主要目的是将医学影像的数据进行分析，获取一 些有意义的信息。

　　深度学习主要应用于人工智能学习和分析环节， 通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握 “ 诊断 ” 的能力 。

　　药物研发

　　AI＋药物研发也是人工智能在医学健康领域的主要模式。

　　它是指将深度学习技术应用于药物临床前研究，达到快速 、准确地挖掘和筛选合适的化合物或生物，缩短新药研发周期、降低新药研发成本 、提高新药研发成功率的目的。

　　通过计算机模拟，人工智能可以对药物活性 、安全性和副作用进行预测 。

　　据称，人工智能在新药研发上的应用主要可以是两个阶段：一个是新药发现阶段，另一个是临床试验阶段，

　　健康管理

　　AI智能设备可通过个人健康档案数据分析建立个性化健康管理方案。

　　同时通过了解用户饮食习惯、锻炼周期、睡眠习惯等个人生活习惯，经过数据处理，对用户整体状态给予评估，并建议个性化健康管理方案，辅助健康管理人员帮助用户规划日常健康安排，进行健康干预等。

　　据悉，目前AI医疗的健康管理主要集中在风险识别、虚拟护士、精神健康、在线问诊 、健康干预以及基于精准医学的健康管理几方面 。

　　其中，风险识别就是通过获取并运用AI进行分析，识别疾病发生的风险及提供降低风险的措施；虚拟护士就是运用AI技术，以 “ 护士” 身份了 解病人饮食习惯、锻炼周期、服药习惯等个人生活习 惯，进行数据分析并评估病人整体状态 ，协助规划日常生活；精神健康管理运用AI技术从语言 、表情 、声音等数据切入，对个体进行情感识别；健康干预是运用AI对用户体征数据进行分析，定制、健康管理计划。

　　AI医疗面临的问题

　　尽管“AI+医疗”已经火遍全球，但其应用落地还面临着一些问题。

　　数据总量与质量问题

　　与其他应用领域的数据不同，医疗数据种类繁杂，标准不统一，并且质量参差不齐。病人的电子病历数据很难保证完全正确同步。

　　此外，由于机器学习所用到的数据是训练学习模型的教材，因而教材的质量最终决定了学习的成果，人工智能需要在人的监督下完成智能学习 ，人工标识成为其提升的重要保证。

　　但现阶段的数据，不论是从总量还是标记数量上来说，都还远远不够。 如果靠人工对数据进行标记，又需耗费量人力 。

　　同时，如何获取高质量的教材是大部分人工智能医疗企业共同面临的问题。

　　病人的隐私问题

　　部分患者表示并不愿意将自己的病症被公开或者用于医疗研究，因而医疗数据的分享也受到了阻碍。

　　数据分享虽促进了科学研究的进程，但是涉及隐私的问题也尤为重要。

　　在训练模型和数据预处理之前，患者隐私保护需要引起高度重视，患者隐私保护不容有失。

　　观念问题

　　随着社会的发展，医疗越来越成为备受关注的领域，但人工智能带我们走向的又是一个既让人神往又畏惧的未来。

　　基于人文伦理的传统观念影响，许多人很难相信人工智能可以比人类做得更好，接受人工智能医疗这一事实的过程可能比想象的要长。

　　监管问题

　　训练人工智能的数据从哪里来？

　　最庞大的医疗数据储存地必然是医疗机构，但这种涉及到患者隐私的高度敏感问题，也必然是政策高度监管的地带。

　　医疗技术监督管理是卫生监督体系的主要组成部门，而人工智能刚刚应用到医疗领域，很多监管政策还没有制定。

　　目前对于人工智能健康医疗大数据和算法的使用监管，相较英美和澳大利亚等国家而言，我国的法规还有一些差距需要补足。

　　从投融资的角度来看，目前AI医疗整体依旧处于非常早期的阶段。无论是风口还是泡沫，在未来，AI+医疗还仍有很长的路要走。