这个时间点有点尴尬，悲观点说是资本寒冬，中立点的说法是互联网进入了下半场。无论投资人或是创业者，无时无刻不在思考：下一个风口在哪里？在众多方向或是概念中，AI之热，无需多言。然而，即便AI就是下一个风口，它也太过宽泛。今天，我们来讲点具体的，比如AI与医疗。如果AI是“风”，那么医疗或者说大健康领域会不会是那个“口”？

　　近几年，纵观人工智能的大版图，医疗健康已经成长为最热门的领域之一。2012年以来，共有15亿美金投入到188家初创公司。2015年，公司数量增长高达60%，而2016年将再次刷新历史数据。今年二季度已经出现了如Flatiron，iCarbonX（碳云智能）以及ButterflyNetwork这样的独角兽级别公司。

　　看来，资本早就以实际行动对这个领域表示了青睐。深究其本质，当医疗这一繁复而保守的传统领域，遇上人工智能这一欣欣向荣的科技创新，两者如何碰撞出最大的价值和突破？这是我们一直试图回答的问题。

　　要回答这个问题，首先得把人工智能和医疗两者分别做一个基本面的梳理和研究。

　　下面，我们来分享金沙江的研究和基本观点。

　　AI是什么：究竟有多智能？

　　回顾AI的历史发展：JohnMcCarthy在1956年的TheDartmouthConference上首次提出人工智能的概念；其演变从以“推理”为重点到以“知识”为重点，再到以“学习”为重点。机器学习成为最凸显的一个分支，应用领域包括：数据挖掘、计算机视觉、自然语言处理、推理能力、知识呈现、感知以及通用智能——我们的终极目标。

　　经历过三起三落的人工智能，现在能够走出寒冬，主要受益于三个进步：大数据的产生；算法的进步，尤其是深度学习的技术，能够大量地处理未标记的数据、无监督地训练以及有监督地反向支持运算（如聚类）；以及GPU对计算速度的支持。

　　今年3月的AlphaGo极好的验证了一个道理：对于大量、重复、有迹可循的数据来说，计算机远远胜于人类。当前，人工智能并非是真正意义上的智能。更妥帖的定义，应该说是一个高级的概率统计学方法，提供了一个强有力的工具，来处理现实中诸多不确定性。参数越多，变化越明显，结构越复杂，直截了当的原始分析法就越不可靠。曾经令人不知所措的随机和混沌，第一次有了不错的解决方法。

　　医疗：无数个复杂、动态更新的数据库？

　　再看医疗：医疗健康和生命科学的复杂程度也许能够满足深度学习的胃口。其诸多方面都可以借力于人工智能，例如风险识别、行为监测/干涉、影像诊断、医院管理，到虚拟助手、营养学、精神疾病、精准治疗等。下图有一个很好的总结，可以看到这个领域枝繁叶茂的蓬勃发展。

　　

　　对于个体，从基因、分子结构，到细胞、组织、器官、系统和人体，生理和病理在时空层面的变化，无时无刻不在产生大量的数据。随手翻翻医院的

　　系统，对于每一个患者的每一次就诊，从社会信息、主诉症状、既往病史、家族病史、检查结果，到初步诊断、治疗计划和随访记录，都是一个复杂、动态更新的数据库。

　　医生看病是一个病人、一个病人来看的，电子病例对于医生而言，更多的是一个便捷记事本和备忘录，而非一个信息宝藏。因为医生不可能将全部信息汇总，并迅速地测试各种模型，来验证某些理论、发现某种规律。作为医疗主体，医生的视角是专注于一个病人，了解并跟踪其生理变化过程。一名优秀的医生，一天能看的病例也极为有限，很快就达到瓶颈，即便不吃不睡，也最多在百人的量级。稍有复杂的多系统性疾病，一两例可能就让医生吃不消了。原因何在？可能要引用前文所说，在大量、重复、有迹可循的数据领域，计算机远远胜于人类。

　　这仅仅是从个体的角度来看。从疾病演化的角度，从医疗资源调配的角度，从诊治规范不断更新变化的角度，从数据类型和体量的角度等等，医疗健康的量级实在太庞大。仅仅是信息汇总的过程就不容易，更何况要基于这些信息作出决策、采取行动呢？

　　不断延长医学院学习的时间，不断增加住院医师培训的时间和内容，不断新建医院和科研机构，真的是解决问题的方法吗？如果不是，那么，我们需要什么样的方法，才能改进这个不可持续的现状呢？这个问题的答案，价值万亿、利在千秋。

　　人工智能的逻辑也许碰巧满足了医学知识的特点……

　　针对大量、重复、有迹可循的数据，针对不确定性、随机性和混沌的本质，针对动态演变、推陈出新的知识，助力于信息统计、推理决策、监督反馈等诸多方面。随着医疗信息电子化的完善，让很多愿景成为可能。

　　

　　回顾历史，第一场AI在医学领域的大会是1975年6月，TheFirstRutgersAIMWorkshop。当时引用了因果、分类、关联、规则以及基于框架的模型来分析。EdwardHanceShortliffe医生是这个领域的先驱，开发了MYCIN系统，成立了AmericanMedicalinformaticsAssociation，第一个学术团体。但AI在医学领域的发展却或多或少有些阻力。

　　MYCIN是用来诊断菌血症并提供治疗方案的一套体系，拥有各种症状以及细菌谱的庞大数据库。它比医学生甚至医生都要优秀，但其局限性在于，缺少人类的常识和直觉，对医生、医院以及操作流程很陌生，没有病人、医生、医院、死亡、康复、复发等信息，这就极大限制了其使用范围。

　　

　　当下，Google，Facebook，BAT等领军科技公司都在这个交叉点有所布局。例如，“百度医疗大脑”主要是在医疗数据和专业文献的基础上，设计出人工智能化的产品，模拟医生问诊的流程，并给出最终建议，在这个过程中收集、汇总、分类和整理病人的描述，辅助医生问诊。庞大的神经网络被赋予了超强的记忆能力和计算能力，使得智能诊断成为可能，在日常诊疗过程中成为医生的得力助手。

　

　　这只是冰山一角。但当传统、沉睡的行业被唤醒时，这的确是一个令人激动的时点。我们会精挑细选地和大家分享案例，在之后的文字中讲几个好故事。

第三十四届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训

免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。