海拔五千米以上，是国际公认的“生命禁区”。这里人烟稀少、氧气稀薄，但可以看到最绝美的风景。探险家、登山者不断被吸引着，然而它只对极少数人张开过怀抱，普通人更是一辈子都无法触及。虽然Deepmind、IBM waston、GE、百度、阿里、科大讯飞等一众科技公司从不同角度切入AI医疗，但医疗关乎临床、生命、安全、商业模式、伦理、法律、医患关系的复杂程度远超任何领域，其门槛最高、最难突破，却充满着最广阔的想象力，成为AI商用中的“禁区”领域之一。
最近两个月，AI医疗开始迅速升温。数据显示，预计到2025年，人工智能应用市场总值将达到1270亿美元。其中，医疗行业将占市场规模的五分之一。
中国目前正处于AI医疗的风口：2016年中国AI医疗市场规模达到96.61亿元，增长37.9%；2017年将超130亿元，增长40.7%；2018年将有望达到200亿元市场规模。
站上风口的AI医疗
巨头高调参赛产业化步伐快速推进
虽然“AI威胁论”不绝于耳，传统行业从业者被替代的讨论日益激烈，但这并不妨碍AI与传统行业迅速融合的步伐。当AI遇上医疗行业，这种产业的化学反应带来的更多是人类认知与机器智能间的互补，而不是公众担心的替代关系。
全球近100家AI医疗公司活跃于虚拟助理、医学影像、药物挖掘、营养学、生物技术、急救室/医院管理、健康管理、精神健康、可穿戴设备、风险管理和病理学共11个具体场景，使AI医疗成为人工智能增长最快的细分领域之一。
目前，AI医疗的应用大致可以分为药物研发、医生诊疗辅助、基因特性三个方面，共吸纳投资总额超过80%以上：
药物研发，从化合物中筛选出具有活性同时可以安全地去做临床实验的这个过程可能比较繁琐，需要很多人力成本，AI能节省当中的人工的成本；
医生诊疗辅助，由于医生资源不足，AI可以提高医生诊疗的效率，例如医学影像与诊断，包括在诊断过程中，去模拟医生诊断思维的过程；
基因特性，从数字分析到应用，在不确定某药物到人体上的具体反应时，AI可以进行模拟。
除创业公司外，AI医疗的广阔前景更是受到了全球科技公司的重点布局。
2014年，IBM投资10亿美元组建Watson业务集团，其中Watson for Oncology（沃森肿瘤解决方案）已落地13个国家。谷歌成立了DeepMind健康部门，基于患者数据预测病情发展，为医生提供决策参考。微软和苹果相继开发了眼镜、腕表、耳机等多种健康智能穿戴设备，并整合数据信息，尝试更深度的虚拟医疗产品。
在中国，去年10月，百度搭建了人工智能辅助诊疗系统“医疗大脑”，为百度医生在线问诊提供智能协助，为患者建立用户画像。今年7月，阿里健康及其参股公司万里云一起推出了人工智能医学影像平台“Doctor You”，从事临床医学科研诊断、医疗辅助检测和医师能力培训等。8月，腾讯发布了人工智能影像产品“腾讯觅影”，辅助医生对早期食管癌进行筛查，未来也将支持早期肺癌、糖尿病性视网膜病变、乳腺癌等病种。
近日，在科大讯飞2017年度发布会上，科大讯飞发布三款AI医疗工具：语音病例录入、医学影像辅助诊断系统和“智医助理”，力求在原有的医疗水平上融入新的技术，帮助医护人员进行医疗深入诊断、包括对B超、心电图等影像处理分析，提高医护诊断效率和准确率。
在今年全球肺结节测试中，科大讯飞医学影像识别准确率达到94.1%，刷新世界纪录。智医助理在专业性方面通过了专业测试，在国家临床执业医师考试中取得了456分，远超医师资格分数线，达到全国53万名考生中的中高级水准。
值得一提的是，今年8月，科大讯飞与安徽省立医院联手打造人工智能辅助诊疗中心，并正式接入41家县级医院，未来还将计划服务安徽省全省105个县，为推动AI与医疗领域的深度融合提供了有益的实践和尝试。
隔着医疗行业的“玻璃窗”
需要克服的不仅是技术挑战
将技术真正地运用到医疗领域需要的是对行业的深度理解，很多技术在实验室或是比赛中验证是超越人类的，但到了临床，患者的疾病问题更复杂，应用场景更复杂。
医疗行业本质上是以人为中心的服务，患者个体体质的独特性以及病症的多样性要求医生对每个病人有高度个性化的医疗方案，而AI目前只能针对某一类病症做出判断和治疗，再加上产品的成熟度和技术风险，很多研发的AI医疗产品应用并不能大规模投入使用，在使用过程中也比较受限。
同时，大部分患者非常重视个人隐私，对机器缺乏信任，担心自己的病例被泄露。DeepMind为研发帮助监控肾病的应用，在未经患者同意下，获得了160万份私人医疗记录，其中包含病人的完整医疗史和是否被诊断患有艾滋病、抑郁症、毒品或酒精上瘾及堕胎等信息，此举引发了不少的争议。
在中国，医疗行业的“玻璃窗”更加明显，医疗体制、政策法规、数据壁垒等种种问题，使得AI医疗蛋糕虽大但却又不容易吃到。
由于经验丰富的专家教授以及高精尖医疗仪器设备都聚集在三甲医院，对AI的需求不如基层医疗大，所以AI医疗的最大市场应该在基层。但基层医疗的市场空间大且分散，很多医院的IT系统不完善，对接AI技术也有一定难度。另外使用AI技术需要一定投入，这部分的费用如何处理也会牵扯到医患之间的关系。
“数据孤岛”则是AI医疗的另一块绊脚石。AI医疗需要庞大的医疗数据才能够成长，但国内医院都采取私有云模式，各个私有云间相互独立，数据不共享。
现在有一部分数据被互联网挂号平台占据，但数量少，数据质量达不到医疗研发级别。也有企业帮医院做系统对接然后抓取数据，一般是有选择性的抓取，无法获得完整版的数据资源。
相比之下，欧美国家拥有完整的医疗数据电子化流程，但最终的结果是数据入口被巨头占据，购买数据的成本不低。
以IBM Watson为例，2015年，IBM并购了三家医疗大数据公司Phytel、Explorys和Merge Healthcare。去年2月，IBM又花了26亿美元收购健康大数据公司Truven Health Analytics。至此，IBM在不到一年的时间里投入40亿美元获取数据。
当然，AI医疗的商业模式更是有待探索。现阶段应用层面的AI医疗商业模式创新已遭遇瓶颈，基本依靠筛查服务、分析报告进行变现，后期的技术升级、数据积累是否能够带来一些质变还需要进一步验证。
数据、算法、场景直接决定了技术的落地能力，而体制、政策、人才、意识等则决定着一个产业的前景，在每一个产业中，各个因素相互作用，构成一个可以驱动的闭环。我们应该清醒的认识到，医学并不仅仅是简单的治疗问题，更是一个人文关怀的问题，这方面AI是没有办法做到的。虽然AI医疗是一个趋势，但其应用实践依然道阻且长，目前可以达到的层次也只是弱AI。在这场资本热潮之后，AI医疗究竟该走向何方则是需要每一个参与者深入思考的。
【科技云报道原创】
转载请注明“科技云报道”并附本文链接
