李彥宏認為，互聯網+醫療基本上可以分為四個層次：O2O的服務、智能問診、基因分析和精準醫療、新藥研發。

　　李彥宏分別介紹了百度在這四個方面的進展：

　　首先，O2O服務方面，百度的百度醫生現在已經有50萬的醫生參與咨詢，累計有800萬人通過百度醫生平臺來獲得相關的醫療服務。

　　第二個層次是智能問診，百度醫生我們最近推出的智能問診也做了一些測試，比如說，在北大國際醫院做過一個測試，在80%的情況下，百度醫生的診斷和北大國際醫院的醫生診斷是一致的，它的準確度有了非常快的提升。而且它可能在一些比較罕見的情況下表現更好，比如說同樣的癥狀，有99.99%是某個疾病，但是可能有萬分之一，甚至十萬分之一的概率是另外一種罕見病，在這種情況下，作為一個電腦，它可以輔助醫生做一些相應的判斷。

　　第三個層次是基因分析和精準醫療，這是這些年做計算機科學最覺得興奮的方向。因為在IT領域我們講摩爾定律，在IT領域以外唯一符合摩爾定律的就是基因測序的成本，所以這方面很有可能會不斷地出現一些革命性的東西。

　　第四個層次是新藥研發。這方面美國的有些創業公司，比如atomwise已經在做這個事情，百度認為計算機科學、人工智能能夠在這方面有所幫助。

　　以下為李彥宏演講實錄：

　　大家早上好，我在昨天的大會發言中說在人工智能時代我們需要重新想象每個行業，今天我就試著站在互聯網的角度重新想象一下醫療行業。

　　今天的嘉賓主要來自兩個領域，一個是互聯網領域，一個是醫療健康領域。就像我在公司里經常講的，兩個不同領域的人，需要像修橋一樣，從各自的一端往中間去修，如果大家目標一致的話，中間對上，這個橋就通了，如果是大家想象的不一樣，修到中間對不上，那就失敗了，所以我們盡量讓兩邊各自往對方的那一邊去靠。我們先從百度人工智能的角度來看一看，我們已經具備了哪些能力，然后再看看這些能力在醫療健康行業應該怎么樣去應用。

　　人工智能在百度的體現主要是通過百度大腦，百度大腦的主要功能有四項，一個是語音、語音的識別，今天的語音識別已經達到了97%的準確率，也就是說在安靜環境下它已經超越了正常人的聽力水平；圖像識別其實在醫療領域的應用大家也都很清楚，就像剛剛李斌主任講過的醫學影像，一個醫生一生當中只能看幾萬個片子，但對于電腦來說，看幾十萬幾百萬的片子可能都算是很小的數據；用戶的畫像、自然語言的理解其實在智能問診這些領域都可以有非常多的應用。對于醫療行業來說，我們有一個對應的叫百度醫療大腦來提供相關的解決方案。

　　在我看來，或者從互聯網角度來看，互聯網+醫療基本上可以分為四個層次。我們認為，第一個層次是O2O的服務，怎樣通過線上把用戶引流到線下，并分發到那些適合處理用戶疾病的地方去。第二個是智能問診，剛才詹啟敏院士也提過，像是IBM Watson對于癌癥的診療，計算機可能在很多時候也能夠超越人類醫生。百度在百度醫生方面也做了一些嘗試。第三個層次我們覺得是基因分析和精準醫療，這方面待會我也會詳細地講。第四個層次我覺得是新藥研發，這方面現在在國內的關注度不是很夠，但我覺得這是大數據和人工智能真正能夠起到決定性作用的一個領域。

　　首先，我們看這個O2O服務，百度的百度醫生現在已經有50萬的醫生參與咨詢，累計有800萬人通過百度醫生平臺來獲得相關的醫療服務。

　　第二個層次是智能問診，我剛才講到的是的Watson的這個例子，百度醫生我們最近推出的智能問診也做了一些測試，比如說，在北大國際醫院做過一個測試，在80%的情況下，百度醫生的診斷和北大國際醫院的醫生診斷是一致的，也就是說它的準確度有了非常快的提升。而且它可能在一些比較罕見的情況下表現更好，比如說同樣的癥狀，有99.99%是某個疾病，但是可能有萬分之一，甚至十萬分之一的概率是另外一種罕見病，在這種情況下，作為一個電腦，它可以輔助醫生做一些相應的判斷。這些技術不僅僅需要對大量的醫療知識進行機器學習，也需要對病人表述的理解能力不斷地提升，實際上這就是自然語言理解的方向。

　　第三個層次是基因分析和精準醫療，其實這是這些年做計算機科學最覺得興奮的方向。因為在IT領域我們講摩爾定律，在IT領域以外唯一符合摩爾定律的就是基因測序的成本，所以我們覺得這方面很有可能會不斷地出現一些革命性的東西。目前看，用基因來進行治病，最大的一個問題是大多數已知的基因導致的疾病都是單基因導致的，而這些病又大多是罕見病，而大多常見病我們猜測是多基因導致的。多個基因的共同作用導致的，所以怎樣能夠搞清楚一個病它是由哪些基因共同作用導致的，其實需要大量的計算。

　　詹啟敏教授在協和時我們跟他有一個合作的項目，就是對中國的食管癌病人進行基因測序，試圖找到是哪些基因的共同作用能夠導致癌癥的發生，一旦我們搞清楚這些，未來像基因編輯等這些治療方法就可以用在更多常見病上，目前基因編輯應用的一些都是罕見病，比如美國spark Therapeutics它能對一種導致人視力下降、失明的病毒造成的罕見病進行治療，但是這些病都太罕見了。大多數的病我們需要搞清楚是需要哪些基因共同導致的，而這里就需要大量的計算。在我跟醫療行業的人進行交流的時候，在我們看來很深奧的醫學知識，在他們看來其實很簡單，反之亦然，在我們看來很簡單的計算，在他們看來這就是大數據、人工智能，有點難，所以我們很希望真正把幾十萬臺服務器的計算能力、深度學習的最先進的算法能夠應用到醫療和健康領域。

　　第四個層次是新藥研發，今天已知的有可能能夠形成藥的小分子化合物大概是10的33次方這么多，這大概就是全宇宙所有的原子加起來都沒有這么多。這樣的一個量，怎樣用它的分子式跟產生疾病的蛋白去合在一起，用來治病？未知的那些分子式怎樣進行大量的篩選，找到有效的新藥？這也需要極其強大的計算能力和最先進的算法，這方面美國的有些創業公司，比如atomwise已經在做這個事情，我們也是覺得計算機科學、人工智能能夠在這方面有所幫助。

　　正如我在開頭講的，很希望兩方面的人共同努力，我們用我們大數據的能力、用自己無窮無盡的計算能力，而醫療健康領域希望能夠收集越來越多的數據、提出至少是計算領域越來越難的問題，我們共同造福數億患者。