每年都會有資本和市場追逐的幾個關鍵詞。今年，人工智能從AlphaGo戰柯潔、無人駕駛、語音識別等逐漸燒熱到醫療領域。醫藥經理人劉謙曾這樣描述過人工智能與醫療不斷融合后，醫療界的態度：

所謂樹大招風，醫療界對AI的態度分為兩極。

樂觀派捧上天的心態，動輒「人工智能即將取代XX職業」、「XX即將失業」，甚至人工智能將統治人類，頗有5-6年內讓醫院關門讓醫生失業的架勢；

悲觀派對AI的質疑就沒有間斷過：算法不高級、數據質量差、難訓練、「人工智障」和缺乏使用場景等等，說它是醫生的輔助工具就已經算客氣的了。

現在，醫療AI究竟發展的怎么樣了？一位研究互聯網+醫療健康行業布局的健康管理人員，整理了她這些年了解到的一些應用在醫療上的比較火熱的人工智能產品。

影像科、皮膚科首當其沖

人工智能發展至今，已涉足醫學影像、基因檢測、臨床手術、輔助決策等多個醫療領域。其中，醫學影像屬于介入較早且卓有成效的板塊之一。

輕松識別糖尿病早期視網膜病變的AI

2016年，GoogleDeepMindHealth團隊給自家AI喂養了12.8萬副視網膜眼底圖像，打造出一只可以輕松識別糖尿病早期視網膜病變的AI。

這項技術，讓那些可能將在3年、5年甚至10年后失明的糖尿病患者，獲得了寶貴的提前治療機會。

在驗證實驗中，研究組請來了8位眼科專家，與AI一同識別9,963張眼底圖像。結果，AI以高達97.5%的靈敏度和93.4%的特異性驚艷四座，診斷能力堪比專業醫師（后者為96.1%的靈敏度和93.9%的特異性）。

皮膚病智能診斷AI

視網膜病變檢測，僅僅是AI介入醫療診斷的冰山一角。2014年至今，經過深度學習的AI們，已先后在皮膚癌、乳腺癌、先天性白內障、心臟病、腦部腫瘤等病灶識別技術上有所建樹。

今年5月，丁香園、中南大學湘雅二醫院、大拿科技共同宣布就皮膚病人工智能輔助診斷達成獨家戰略合作，并發布和展示了由三方聯合開發的「皮膚病人工智能輔助診斷系統」。

經過數月的科技攻關，目前已研發出了較成熟的紅斑狼瘡人工智能輔助診斷模型。該模型對紅斑狼瘡各種亞型以及其鑒別診斷疾病能進行有效地區分，其識別準確率超過85%。

AI皮膚癌檢測

識別甲狀腺B超的AI

在今年，知名電商大佬就發布展示用于甲狀腺結節病灶識別的AI。

經過訓練后，它可以在十幾秒內處理完一張甲狀腺B超，借助計算機視覺技術，這套算法可以對甲狀腺B超快速掃描分析，圈出結節區域，并給出良性與惡性的判斷，大大節省了醫生的診斷時間。

一般來說，人類醫生的準確率為60%～70%，而當下算法的準確率已經達到85%。可以說是相當于給醫院配了一個24小時不休息的「實習醫生」。

輔助診斷不甘其后

在醫療人工智能剛開始的時候，做影像學和皮膚學相關的人很多，但慢慢地，更多的人開始把目光轉移到輔助診斷上。

腫瘤領域的專家AI

在腫瘤方面，做得最出色的當屬IBM旗下的Waston腫瘤醫生。這位在2012年就通過美國執業醫師考試的AI老前輩，可以在17秒內閱讀3,469本醫學專著、248,000篇論文、69種治療方案、106,000份臨床報告。

Waston能夠提供包括乳腺癌、肺癌、結腸癌、前列腺癌、膀胱癌、子宮癌等疾病的診斷和治療方案，匹配度達90%，是目前最成熟的輔助診療系統之一。

2016年，隨著浙江省中醫院沃森聯合會診中心成立，Waston腫瘤醫生正式落戶中國。目前，這位兢兢業業的醫生正活躍在多家醫院的一線崗位上呢。

手機里的AI醫生

Triage是手機里的「家庭醫生」，如它的名字一般，行使著「連接醫患，幫助醫生進行患者分類」的職責。

具體來說，就是經過深度學習后，它可以在面診前通過與患者對話、問診等獲取患者信息，從而實現分診。

不僅如此，Triage還能協助完成治療方案分析，同時為患者提供常見病的處理建議。可以說是現實版的「大白」了。

智能穿戴方便生活

提到智能穿戴，就不得不提到Google，他們在智能醫療行業深耕多年，不僅成立專注于AI研究的團隊DeepMindHealth、GoogleFit和Verily，還曾發布「隨著血液流動的納米機器人」這種幾近科幻的產品，腦洞之大，著實為行業帶來不少靈感。

在智能穿戴上，主要有GoogleGlass、檢測人體癌細胞微粒的醫用測癌腕套、可監測血糖的智能隱形眼鏡以及為帕金森患者研發的智能平衡勺子LiftwareLevel等，都為醫療帶來了極大的便利。

Google的智能隱性眼鏡和LiftwareLevel勺子

除了Google，Microsoft也有自己引以為豪的智能穿戴。他們的SeeingAI制作了一款供視力障礙人群使用的智能眼鏡。這款眼鏡可以自動識別眼前的人和物，通過語音描述給佩戴者，結合相應的APP，甚至可以讀出文本。

它的出現，讓這個世界對盲人來說不再遙不可及。

SeeingAI團隊盲人工程師

SaqibShaikh佩戴自己研發的產品

深度學習，離不開大數據

一只性能穩定，預測精準的乖巧AI，身后必有完善且高質量的數據支持。

近期，來自哈佛醫學院的KennethD.Mandl教授就在知名大刊JAMA上發文，對輔助醫療決策的數據系統構建提出大膽設想：

想要達到輔助診療的目的，依靠現有的電子健康檔案是遠遠不夠的，為此，我們需要構建一個臨床信息共享（ClinicalInformationCommons，CIC）系統。

這個系統可以實現個體健康檔案、生物樣本、基因序列、醫療保健、行為方式甚至生活環境等數據的高度整合。

患者與系統方簽署協議后開始共享個人數據，在今后的若干年內，數據將保持動態更新。

對于醫生和科研人員來說，這些數據既可用于診斷決策，又可用于醫學研究，為嗷嗷待哺的AI們提供高質量的「營養餐」，自不在話下。

而對于患者來說，一方面，他們是數據的貢獻者，另一方面，他們也是AI深度學習完善后的最大受益者。

總之，目前國內的醫療人工智能產業總體起步較晚，產品也相對單一。但國民不斷增長的醫療健康需求為AI催生了廣闊的發展空間，相信在不久的將來，國產人工智能會帶給我們更多驚喜。