智能醫療簡介

　　智能醫療是通過打造健康檔案區域醫療信息平臺，利用最先進的物聯網技術，實現患者與醫務人員、醫療機構、醫療設備之間的互動，逐步達到信息化。在不久的將來醫療行業將融入更多人工智慧、傳感技術等高科技，使醫療服務走向真正意義的智能化，推動醫療事業的繁榮發展。在中國新醫改的大背景下，智能醫療正在走進尋常百姓的生活。

　　智能醫療的發展

　　2015年12月誕生的烏鎮互聯網醫院是第一家由互聯網公司主導的互聯網醫院，此后的2016年多家互聯網醫院陸續上線。可以說，2016年是互聯網醫院的發展元年。

　　從互聯網改造醫療行業的角度來劃分，中國互聯網醫療發展經歷了三個階段：

　　1、信息服務階段：互聯網改造的是醫療的信息流，實現人和信息的連接；

　　2、咨詢服務階段：互聯網改造的是健康咨詢的服務流，實現人和醫生連接；

　　3、診療服務階段：互聯網改造的是醫療的服務流，實現人和醫療機構的連接。

　　然而，互聯網帶來的模式創新沒有根本上提升醫療供給端的服務能力，從而根本上解決醫療資源（尤其是醫生）供不應求的局面。

　　與此同時，圖像識別、深度學習、神經網絡等關鍵技術的突破帶動了人工智能（簡稱AI）新一輪的大發展。“人工智能+醫療”概念應運而生。與互聯網的不同，人工智能對醫療領域的改造是顛覆性的。

　　對人工智能醫療的需求主要基于幾方面客觀現實：一方面是優質醫療資源供給不足，成本高，醫生培養周期長，誤診率高，疾病譜變化快，技術日新月異；另一方面，隨著人口老齡化加劇、慢性疾病增長、對健康重視程度提高，醫療服務需求持續增加。

　　人工智能的核心能力實際上是人類自身已擁有的能力，但人類相比，最大優勢在于計算能力的高效，尤其在數據密集型、知識密集型、腦力勞動密集型行業領。

　　在醫療領域，IBMWatson可以在17秒內閱讀3469本醫學專著，248000篇論文，69種治療方案，61540次試驗數據，106000份臨床報告。通過海量汲取醫學知識，包括300多份醫學期刊、200多種教科書及近1000萬頁文字，IBMWatson在短時間內迅速成為腫瘤專家。

　　阿里云研究中心和BCG的最新合作報告指出，從技術突破和應用價值兩維度分析，未來人工智能會出現服務職能、科技突破、超級智能三個階段。基于數據的服務智能階段將在接下來3-5年爆發：人工智能拓展、整合多個垂直行業應用，豐富實用場景。IDCDigital預測，截止2020年，醫療數據量將達40萬億GB，預計約80%數據為非結構化數據。

　　*AI+醫療發展的三大階段

　　*2020年人類產生的醫療數據總量預測

　　AI+醫療創企的四大門派

　　從全球創業公司實踐的情況來看，AI+醫療的具體應用包括洞察與風險管理、醫學研究、醫學影像與診斷、生活方式管理與監督、精神健康、護理、急救室與醫院管理、藥物挖掘、虛擬助理、可穿戴設備以及其他。

　　AI+輔助診療：萬億級市場空間

　　AI+輔助診療，即將人工智能技術用于輔助診療中，讓計算機“學習”專家醫生的醫療知識，模擬醫生的思維和診斷推理，從而給出可靠診斷和治療方案。輔助診療場景是醫療領域最重要、也最核心的場景，人工智能+輔助診療潛在市場空間巨大，至少是萬億級以上的營收規模。

　　*醫學診療模型

　　在AI+輔助診療的應用中，IBMWatson是目前最成熟的案例。

　　2012年Watson通過了美國職業醫師資格考試，并部署在美國多家醫院提供輔助輔助診療的服務。目前IBMWatson提供診治服務的病種包括乳腺癌、肺癌、結腸癌、前列腺癌、膀胱癌、卵巢癌、子宮癌等多種癌癥。2016年12月26日，“浙江省中醫院沃森聯合會診中心”成立，這也意味著IBMWatsonforOncology在中國醫療領域的商業試應用正式落地。

　　將基礎能力與人類醫生的一般醫療診斷模型進行融合，形成了Watson在提供輔助診療的處理邏輯。其實質是融合了自然語言處理、認知技術、自動推理、機器學習、信息檢索等技術，并給予假設認知和大規模的證據搜集、分析、評價的人工智能系統。

　　*Watson的三種能力：理解、推理、學習

　　*Watson模擬人類醫生診斷模式的處理邏輯

　　AI+醫學影像：細分領域爆發的先鋒

　　AI+醫學影像是將人工智能技術具體應用在醫學影像的診斷上。AI+醫學影像診斷市場空間巨大，可能成為眾多醫療細分領域率先爆發的領域。一是病理醫生缺口巨大。由于國內病理醫生收入低、培養模式不健全，全國病理醫生極度缺乏；二是，病理讀片高度依賴經驗，因經驗而異使得病理讀片的準確率相差大。

　　AI在醫學影像應用主要分為兩部分：一是圖像識別，應用于感知環節，其主要目的是將影像這類非機構化數據進行分析，獲取一些有意義的信息；二是深度學習，應用于學習和分析環節，是AI應用的最核心環節，通過大量的影像數據和診斷數據，不斷對神經元網絡進行深度學習訓練，促使其掌握“診斷”的能力。

　　*人工智能對影像數據分析過程

　　*人工讀片VS人工智能讀片

　　AI+醫學影像已經走出實驗室，下一步將迎來商業化浪潮。

　　貝斯以色列女執事醫學中心（BIDMC）與哈佛醫學院合作研發的人工智能系統，對乳腺癌病理圖片中癌細胞的識別準確率能達到92%，雖然還是低于人類病理學家96%的準確率，但當這套技術與病理學家的分析結合在一起時，它的診斷準確率可以高達99.5%，國內的DeepCare對于乳腺癌細胞識別的準確率也達到了92%。據悉尼先驅晨報的報道，Enlitic憑借深度學習技術超越了4位頂級的放射科醫生，包括診斷出了人類醫生無法診斷出的7%的癌癥，以及在人類醫生高達66%的癌癥誤診率的情況下，Enlitic的誤診率只有47%。

　　AI+藥物挖掘：埃博拉之戰的功臣

　　AI+藥物挖掘是指將深度學習技術應用于藥物臨床前研究，達到快速、準確地挖掘和篩選合適的化合物或生物，達到縮短新藥研發周期、降低新藥研發成本、提高新藥研發成功率的目的。

　　*新藥研發周期長

　　*全球醫藥制造巨頭在藥品研發上投入巨大

　　*新藥研發失敗率高

　　AI通過計算機模擬，可以對藥物活性、安全性和副作用進行預測。借助深度學習，在心血管藥、抗腫瘤藥、孤兒藥和常見傳染病治療藥等多領域取得了新突破。目前，已經涌現出多家AI技術主導的藥物研發企業。

　　以硅谷公司Atomwise為例：Atomwise通過IBM超級計算機，在分子結構數據庫中篩選治療方法，評估出820萬種候選化合物，研發成本僅為數千美元，研究周期僅需要幾天。2015年，Atomwise基于現有的候選藥物，應用AI算法，不到一天時間就成功地尋找出能控制埃博拉病毒的兩種候選藥物，以往類似研究需要耗時數月甚至數年時間。