隨著人工智能的發展，逐步成熟的AI技術漸漸向“AI＋”的工業應用轉變。雖然相比于“AI＋金融”、“AI＋零售”的蓬勃發展，“AI＋醫療”還處在比較早期的階段，但毫無疑問，智能醫療是人工智能領域最具有發展前景的領域之一。

IDC在其《全球半年度認知/人工智能支出指南》中將診斷和治療系統列為2016年吸引最多投資的領域之一，并表示在未來五年內，包括藥物研究和發現以及診斷和治療系統的使用案例將獲得最大的發展。

IDC預測醫療健康人工智能投資的年復合增長率為69.3％。同樣，CB Insights將醫療健康列為人工智能中最熱的領域，并將其作為今年的創業項目。

從目前的發展來看，“AI+醫療”目前可以分為如下三個層次：

智能問診

精準醫療

藥物研發

智能問診

“AI+醫療“之所以有如此大的應用前景，主要原因在于其市場需求是巨大的。在傳統的醫療行業中，醫生培養周期長、誤診率高，醫院資源有限、效率低一直都是難以解決的問題。

而隨著技術的革新，智能醫療為解決這一問題帶來了曙光，目前，最成熟的案例之一就是IBM Watson。

IBM Watson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。

通過融合信息檢索、自然語言處理、機器學習等技術和海量數據，IBM Watson能自主進行理解、推理和學習，在短時間內迅速成為腫瘤專家。

這組數據讓我們看到了智能醫療的無限可能。一方面，它的出現和發展將大大提高人類醫生的效率，降低時間成本，另一方面通過輔助醫生做出相應的判斷，在很大程度上也降低了誤診的幾率。

精準醫療

21世紀初，人類基因組計劃完成時提出了個性化治療這個理念，旨在希望用測序得到的遺傳標記來判斷病人是否對藥物有應答，以便針對每個病人進行治療，然而，疾病往往是多誘發原因、多基因控制的，很難從一個簡單的角度進行判斷。

也因為這個原因，在近幾年，個性化治療逐漸走向了精準治療。精準醫療強調在治療時將個人基因、環境與生活習慣差異考慮在內，基于患者的遺傳信息的診斷測試結合其他分子或細胞的分析結果，再針對性地選擇適當的療法，其重點不在于“治療”，而在于“精準”。

但如果僅僅依靠傳統醫療行業的方法來實現精準治療，這就對數據和醫生的經驗有極高的要求，得到的結果無法量化，難以具有說服力。

智能醫療的價值由此凸顯，如今人工智能中的兩大核心技術：神經網絡和深度學習讓計算機系統能夠自主學習經驗數據對病情的分析并做出判斷。

計算機強大的運算能力彌補了部分人類醫生由于經驗不足引起的誤判，或是對罕見疾病的信息缺失和思慮不周，并且計算機還能夠發現人眼難以察覺的細節，用數據說話，尋找出一些出人意料的規律，從而不斷完善醫生和計算機系統的知識體系，推進精準醫療的發展。

目前，精準醫療的主要進展集中在癌癥治療領域。

癌癥是全球范圍內危害人類健康的疾病，根據美國癌癥協會最新發布的數據顯示，2017年美國預計將出現新發癌癥病例1688780例，癌癥死亡病例600920例，這意味著每天新增4600例癌癥患者，死亡1650例癌癥患者。

雖然相比于過去十年，病人的存活率已經得到了顯著提升，但這仍然是我們難以想象的一個數字。

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%，尤其是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%。

而國內，3月29日，阿里云剛剛在云棲大會·深圳峰會上發布了ET醫療大腦，宣布正式進軍“AI+醫療”領域。

ET醫療大腦學習了2萬張甲狀腺片源，成功幫助人類將判斷甲狀腺結節點的準確率由60-70%提升到85%。經過一年多的研究訓練，ET醫療大腦已經能在醫學數字影像、精準醫療等多領域擔任醫生助手的角色。

這讓我們看到了精準醫療的必要性，隨著計算能力的日益強大、人工智能技術的穩步發展，人類的醫療水平也必將會有步入新紀元。通過對精準醫療的研究和對計算機能力的應用，我們有理由相信會有數以萬計的生命被挽救。

藥物研發

醫療領域目前最重要的痛點之一仍是藥物挖掘與開發的時間成本。根據塔夫特藥物發展研究中心（Tufts Center for the study of Drug Development）的數據，一款新藥的面市從藥物發現到獲得FDA批準平均大約需要96.8個月。

雖然對專業技術的持續聚焦可以改善時間跨度，但新藥研發的成本卻仍在持續增加。德勤的數據顯示，自2010年以來，12家主要制藥公司的獲批藥物開發成本已經增加了33％，至約每年16億美元。

如何才能降低新藥研發的成本，增加研發成功的概率呢？答案只有一個，那就是依靠大數據和人工智能的力量。

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利用AI技術，在不到一天的時間內對現有的7000多種藥物進行了分析測試，成功地尋找出能控制埃博拉病毒的兩種候選藥物。根據該公司的統計，如果利用傳統方法，這項分析需要花費數月甚至數年才能完成。

AI+醫療面臨的的挑戰

雖然智能醫療有望解決傳統醫療行業的許多問題，但我們也不得不承認AI+醫療仍然存在很多阻礙。

在智能醫療有效降低醫藥研發成本與醫生工作時間成本的同時，我們也不得不承認實施AI和機器學習算法本身成本可能非常昂貴。醫療健康是一個容錯率極低的領域，為確保數據的真實合法，算法的準確有效以及計算機有足夠的計算能力，都將花費不菲的金錢。

另一方面，想要AI+醫療有所突破和發展，相關領域頂尖人才的聚合也非常重要。2013年，Google收購DeepMind Technologies時支付了超過3億美元，而當時他們的團隊僅有十幾個人。因此，人才培養的成本和聚集人才所支付的代價都是向智能醫療行業進軍的企業所必須考慮的。

另外，智能醫療行業的信息獲取也存在著一定的隱患。醫療行業的數據大多包含病人的隱私信息，將這些數據用于科研甚至實際應用是否合乎人情與法律也是必須考慮并加以解決的問題。

但盡管“AI+醫療”存在重重阻力，我仍相信它的發展勢在必行。

人工智能將成為醫生的最佳輔助，幫助醫生更便捷的獲取信息并做出更正確的判斷，只有將人類的情感溝通能力與計算機的分析計算能力相結合，才能發揮出智能醫療最大的價值，真正的將技術應用于實際，實現人工智能領域研究的終極意義。