新一代的人工智能能否掀起工業革命？這不僅僅是AI開發企業的問題，也是醫生、患者等AI技術受益方關心的問題。

4月12日下午，同渡資本主辦，動脈網、清華經管學院協辦的同渡時光第12次沙龍“‘醫療+AI’路在何方”對新一代人工智能在醫療領域的應用價值及商業化潛力進入了深入討論。

本次會議邀請了清華大學生物醫學工程系、類腦研究中心教授宋森；上海市第一婦嬰保健院教授、春田醫管創始人段濤；深睿醫療聯合創始人李一鳴；深度智耀創始人李星；連心醫療聯合創始人李曉東；丹華資本合伙人張大地；宣武醫院信息中心總工程師費曉璐及中電健康基金合伙人余慧為本次沙龍的嘉賓。同時，還有眾多業內專家、投資人和創業者參加了本次活動。

“醫療+AI”應該何去何從，讓我們一起從會議的內容中尋找答案。

利用圖像發現病灶

影像檢查是患者去醫院檢查的最常規手段，現階段醫學影像設備非常普及。現在，80%的臨床治療都需要事先進行CT、MRI等檢查。通過這些設備產出的數據具有標準化特點，非常容易處理。

但在日常工作中，放射科醫生一般需要耗費大量時間用于瀏覽醫學圖像。每份圖像的瀏覽過程一般僅在五分鐘左右，且長時間重復的瀏覽與識別會降低醫生的正確率，因此誤診情況時有發生。

深睿醫療聯合創始人李一鳴在會議上指出：“在如今的醫療體系中，我們沒有足夠的資源去支撐大量的優質醫療資源需求，這就是‘醫療+AI’的機會，通過AI來彌補當前的巨大缺口。深睿醫療便以醫學影像為切入點，慢慢發掘‘醫療+AI’的價值。”

很多醫生不愿意把自己的精力投入到健康人群的檢查中，他們尚不能為患病的人群提供及時服務，就更沒有時間去服務健康人群了。以肺部CT為例，若是門診時要求的CT，醫生往往會做得非常細致。但如果是體檢過程中做的CT，醫生可能不會花時間細致瀏覽，如此下來，小的病灶易于被忽略。

肺結節檢出（圖片來源于深睿醫療）

AI技術在圖像領域可以發揮很大效果，一方面，圖像數據結構標準，數據量大，易于AI學習；另一方面，AI不會因為重復的勞動而感到困倦，即便AI對圖像的診斷存在誤判，但實際的誤判率也遠遠低于放射科醫生。

AI能把醫生從重復的低水平勞動解放力中解放出來，讓醫生去做更多有意義的事。在未來，患者更需要人文關懷，這是冰冷的機器無法完成的。

AI能否解決醫療信息痛點

醫療信息存在三個問題：不完整、不準確、非結構化。

春雨醫管創始人段濤在本次會議上談論到了醫療信息的問題。他認為，醫療信息出現以上問題的根源，來源于醫療資源不足，過少的優質醫療資源承擔了過多的負擔。衛健委雖然向醫生發放了足夠多的表格收集信息，但醫生始終處于高負荷工作的狀態，連工作都應付不來，如何花時間整理醫療數據？這導致醫生對相應表格敷衍了事，表格失去了它本身的意思，收集到的數據也是殘缺的、沒有用處的數據。

AI可以從間接途徑和直接途徑兩個方面來解決這個問題。

一方面，AI可以直接對病情作出分析，判斷患者的身體狀況。這種情況下，AI需要兩種數據——病人的基因型數據和表型數據。醫院可以將患者的病例提前交給AI，AI在接受基因型數據后，再接受患者自行輸入或醫生親自就診得到的表型數據，即可判斷出病情。

這此情況下，醫生可省去大量時間，而經過確認的數據也具有標準化、結構化、完整準確等特點。AI可通過這種方式，釋放醫生的時間，解決醫療數據痛點。

AI輔助分析必然存在誤判率，但我們必須對機器抱有足夠的耐心，因為即使是資深的醫生，也會因為各種原因出現誤判。據段濤醫生所說，就2017年一項實驗顯示，在分析病情方面，某AI系統打敗了95%的醫生。

另一方面，AI可以就圖像等數據進行標注、分析；對醫療器械產生的信息進行自動化處理；根據算法自行整理分析大數據，這些功能都會降低醫生的負擔，而醫生有更多的精力去分析一些AI不能處理的數據，間接解決以上醫療信息痛點。

AI領域在未來如何發展？

清華大學生物醫學工程系宋森教授在會議上講述了自己從清華畢業至MIT學習這段時間與醫學圖像結下的不解淵源。并從中引出了兩個主要問題，均關乎于AI未來的發展。

1、如何用AI技術進行小樣品學習？

宋森教授認為，至今為止，有很多疾病屬于小眾病，但這些疾病致死率高，現在醫學技術難以攻克，收集到的數據也不如常見病充足。

盡管有如此多的問題，宋森教授認為這些問題并非毫無解決可能。事實上，我們可以通過交互性標記的方法，讓AI用大數據進行學習，用小數據進行訓練，并從中逐漸找到規律。

2、AI是如何進行決策的？

人類在學習分析的過程中，總是會量化各種指標，即便是憑借經驗作出的決策，也一定是源于遙遠過去的某一件事的啟示，而非憑空產生的。AI能夠通過大數據進行學習、分析作出決策，但在整個過程中，研究人員始終無法得知AI是如何作出決策。AI的分析過程就像研究人員把數據放入一個黑箱的一側，然后從另一側取得結果，至于中間發生了什么事，無人知曉。

但如果人們能理解AI是如何作出決策的，就能通過分析這些思考方法獲得新的結論，也能改進現有AI運算中的不足之處。宋森教授認為，如果我們能從AI角度來看問題，理解AI如何思考，就能在醫療技術上取得突飛猛進的進展。讓AI對醫療的分析過程既有直覺又有推理。

基于深度學習和基于概率的貝葉斯模型為AI決策提供依據（來源于同渡資本）

投資方：盈利才是投資方參與的動機

AI的商業方式如何落地是投資方最為關心的問題。AI的人才非常昂貴，且AI公司要不斷地開發產品，拓展預約渠道，并不斷補充人才。然而，收入端并沒有比較明確的收入方式。很多AI企業在開始的幾年只能靠不斷地融資生存，它的虧損會越來越大。

即便如此，中電健康基金合伙人余慧認為：“一個是醫療行業發展不會那么快，短期確實很難看到有一個很好的商業盈利模式。但從長期來看，2018年三季度或者四季度，這個行業會出現有利好的消息。2018年的趨勢，將會向上行駛，可能到2019，甚至2020年依然會保持持續向上的趨勢。”

丹華資本合伙人張大地認為：“AI項目的商業模式探索不僅是中國的問題，而且是全世界的問題。我國有這么好的病源數據，國家肯定不希望在人工智能方面有所落后。所以國家在規劃的過程中，已經把AI寫入國家發展戰略之中，很少有國家這樣做。所以，我們國家不僅僅會跟隨美國FDA的步伐，還會加速發展AI。這對我們目前在做AI的創業公司而言，是一個非常大的利好消息。只要堅定的做下去，價值就一定會體現出來。”

張大地在與動脈網記者的交談中談到：“我們不看技術屬于哪個領域，AI也好，區塊鏈也好，我們只會投未來可能盈利的項目。”所以，即使AI看上去前程似錦，但若仍不能找到好的方向解決盈利問題，投資人也會逐漸失去信心。

醫院：怎樣的項目值得我們付費？

宣武醫院信息中心總工程師費曉璐在會議的圓桌討論階段點明了一些當下AI面臨的實際問題。她認為AI現在仍不能落地的最大原因依然存在于技術方面。以醫院圖像為例，某一AI只能對某一病種進行篩選標記，但在實際中，醫生拿到一份CT，會對其進行全面的分析，而不會以一種先入為主的思維——先得知患者患有某一疾病，再用相應AI進行檢測。醫院沒有足夠的資金去部署足夠的AI，這是不合理的，也是現在無法解決的問題。

所以，細分領域醫院對AI的需求很高，但對于綜合性大醫院，現階段AI并不能滿足醫院的需求。“AI只要能夠達到我們醫院神經科的水平，不用企業主動提出，我們也會去主動推廣，這都是有可能的。但是我是覺得，這還需要科技企業繼續努力，找準問題的核心。”

新事物的發展總是蜿蜒曲折的，但毋庸置疑，AI作為人類智慧的延伸，取得人們的認可，僅僅是時間問題。我們需要對AI行業抱有信心，對AI開發者抱有有心，終有一天能看到我們夢想的科技世界。