【编者按】前段时间方正证券发布的互联网医疗深度报告显示，AI在医疗领域可能会率先落地，而且报告提到人工智能+辅助***潜在市场至少是万亿级以上的营收规模。那么人工智能+医疗究竟能擦出什么样的火花，本文中提到3个方面：感知、决策以及反馈执行，同时文中提出医疗AI的定位为工具，是辅助医生进行医疗行为和过程的，所以不用太担心人工智能会抢走医生的工作。

　　本文发于“Unicorn独角兽”，作者大怪;经亿欧编辑，供行业人士参考。

　　人工智能(AI)在科技界、创投圈和媒体圈已经热得不行，众多高瞻远瞩的精英人士早就一再提醒说“AI有泡沫，投资需谨慎”。按照目前这形势，16年虽然可能有泡沫，17年一定会更大，AI会形成一条逼近90°的向上曲线。是的，就是你看过的“奇点”所在位置。

　　虽然AI专家们在展望时，往往都会提到医疗将会是AI能发挥重要作用的领域，偶尔总是会有人冒出来发表人工智能将会替代医生等言论，但这受到了医学专家们几乎一致地反对。

　　“医生***病人已经几千年，不会因为一两个技术出现而变化”这种论调也会得到医学人士的认同。

　　其实很多大论战都类似这样概念宽泛、鸡同鸭讲的，不基于同一时间范畴来立论的。一方说“长期来看，人工智能必将大量取代医生”，从来不会说到底多长;另一方说“短期内医生完全不可被取代”，到底多短也不会有说法的。双方都能一堆证据、理论证明自己无比正确，其实是因为时间上根本就没有重叠。

　　我们定一个时间范畴：立足于可见的数年来看，医疗AI到底能做什么？

　　你是不是看了好多篇“医疗人工智能应用十大方向”之类的文章，列出了从一到十个医疗人工智能的应用(比如Dr.2的文章就列出了15个方向①)，其实还是不明白?我们来换一个方法学习一下，根据创新工场汪华的分类②来看：

　　一、感知。

　　就是电脑去感觉、认知，包括图像、语音、语义以及其他数据的识别，简单说就是看得懂图、听得懂话、理解得了数据的含义，比如临床的各种影像、检查数据等。这里的前提是训练数据和结果之间的关系是标记出的，比如某张X光片的诊断是骨折、某个MRI是正常的、某个病理是良性肿瘤、某个时间点的血糖值是偏高的。当有大量的标记数据训练之后，电脑就能认识这些数据，自动得出结果。数据够大时，电脑识别的正确率会高于专业人士，而且可以继续提高。

　　最近Nature发表的Google用机器诊断******就是这个道理，只要大量数据训练，电脑在这种单一数据源的诊断（判断）正确率上，一定会远高于普通医生。

　　目前进入应用阶段的医疗人工智能，以感知这一类为主。总体来说是医生原本能做的事，AI会更***，成本更低，但目标简单，不能直接扩展。

　　二、决策，就是发现规律，解决规律。

　　比如AlphaGo下围棋时判断局势和落子决定，医生做***诊断和决定治疗方案。看到这里，你一定想到Watson医生了。是的，Watson的肿瘤医生想干的就是这个，从大量病例、指南等中去找出最符合当下病人的诊断和治疗方案，给医生做辅助决策参考。这个过程其实跟人脑的思考类似，从已有的经验中找出最符合的，无非是电脑记忆的资料多一点而已。

　　但是电脑只能机械地从资料库里查找，不能进行联想，或其他开放式思考，而Watson只有“纸面”数据，所以哪怕IBM花了数十亿、数年时间研发出来的，在复杂地肿瘤诊断和治疗方面，其输出的结果对像样的医生来说，其使用价值极其有限，最佳评价是“这是沃森提供给医生参考的最佳***方案，跟我的判断完全一致。”夸张地说除开某些罕见情况的提醒和一些数据展示，基本就是“然并卵”。

　　关于医疗复杂问题的决策，AI在“发现规律”上的作用开始有所表现了。对于一些临床病人，有经验的医生往往能大致判断出其发展和转归，但都是很粗略和不确定的，并且无法将经验直接传递给别的医生，所以每个医生都要学习、摸索无数年。现在AI在这方面已经初有斩获。

　　FSU Psychology researcher Jessica Ribeiro③用AI预测2年的自杀倾向，准确率高达80%~90%。该方法在越接近某人的可能自杀日期时还会变得更加准确，比如针对一般的医院病人，在试图自杀的前一周准确率攀升到92%。而这个“经验”让所有医生以极低成本直接采用成为可能，而且使用越多准确率越高。

　　同样道理，下一步AI就可以预测一个糖尿病人什么时候会视网膜病变，一个心血管病人什么时候会猝死。这是不是有点算命的赶脚?

　　三、反馈执行。

　　如果有了感知，有了决策，再配上各种各样的跟机械和其他东西结合起来，那就意味着它不但能理解周围，能做决策，它还能自主的完成任务。在医疗上就是治疗的执行，最主要的是手术和给药。

　　手术，随着达芬奇手术机器人应用的逐步普及，其积累的数据达到一定级别之后，人工智能指挥达芬奇做手术是可以预期的，当然，还是需要有医生监督在必要时接手的。

　　用药，典型的如糖尿病人使用胰岛素，完全可以根据即时血糖和其他情况即时动态输注，传统算法总是要担心算错或某些情况下的不知所措，经过大量数据训练的深度学习AI，在这个问题上能达到远远超过医生人工决策的水平。

　　这部分的应用场景将长时间受到硬件的限制，只能一点一点的突破。

　　理论上讲，随着医疗AI的进展，一部分医生原有的工作内容的确会减少乃至消失，但同时也会帮助医生做一些之前做不到的事情。关于人工智能和我们的关系，凯文凯利④在《必然》中描绘得十分形象，直接引用吧：

　　将来，我们和机器人的关系会变得更复杂，出现一种7个步骤的循环模式：

　　1、机器人干不了我的工作。

　　2、好吧，它会许多事情，但我做的事情它不一定都会。

　　3、好吧，我做的事情它都会，但它常常出故障，这时需要我来处理。

　　4、好吧，它干常规工作时从不出错，但是我需要训练它学习新任务。

　　5、好吧，就让它做我原来的工作吧，那工作本来就不是人该干的。

　　6、哇，机器人正在干我以前做的工作，我的新工作不仅好玩多了，工资还高!

　　7、真高兴，机器人绝对干不了我现在做的事情。

　　然后回到步骤1。

　　所以其实原本就不用太担心人工智能会抢走医生这么高智能的工作的。

　　商业角度看中美两国早期的人工智能应用有何不同？

　　美国医疗是典型的高质高价、医生短缺市场，医疗AI切入的应该是做那些医生本来就做得不错但做不过来(存量)的工作，以较低成本实现高价格的服务具有很强的可行性，同时解决医生人手不足的问题。

　　中国医疗是低价、医疗水平参差不齐的状态，从存量切入，替代的这部分医生工作其商业价值有限，还会受到医生抵制。相反，从增量切入就会完全不同，比如让基层医生能做肿瘤的病理诊断和有难度的影像诊断，不但让基层能提升医疗水平(做之前不能做的工作)，还能增加基层医院的业务范围和收入，形成一个“共赢”局面，那么你的商业回报就自然不是问题。同理，AI糖网筛查可以让内分泌医生在没有眼科的情况下就能筛查出高风险的糖网病人，外科医生在病理科不上班时也能解决术中判断肿瘤良恶性的问题了。

　　其实这就是大家常说的“赋能”，这不但不会降低医生的价值，反而会大幅增加一部分医生的能力范围，因此我认为医疗AI的定位为工具，是辅助医生进行医疗行为和过程的。你还担心AI会抢走你的工作吗?

　　①https://mp.weixin.qq.com/s/CqrTbqdAdXpu5wsnFSrsqQ

　　②http://mp.weixin.qq.com/s/5d-IBw9EWJQN-lnm-yn8tA

　　③https://news.fsu.edu/news/health-medicine/2017/02/28/how-artificial-intelligence-save-lives-21st-century/

　　④https://shop246191.youzan.com/v2/showcase/feature?alias=hvh7nsak&spm=m1447626751154419374679344.autoreply&sf=wx_sm&from=singlemessage&isappinstalled=0