最近，几乎所有科技公司都以自己用某种形式的机器学习来吸引风险基金或者合作伙伴。但是对于那些尝试在医疗健康中使用人工智能的公司，风险是相当的大，这就意味着炒作人工智能概念结合医疗健康的公司，相较于那些真正专注在算法技术研究的公司，在这个行业中更加容易被淘汰。
2012年，该地区的交易规模从之前的不到20家增至近70家，最近的一项调查显示，超过一半的医院计划在5年内采用人工智能，其中35%的计划在两年内完成。在波士顿，Partners HealthCare刚刚宣布与通用电气公司（GE HealthCare）开展为期10年的合作，将深度学习技术整合到他们的网络中。人工智能的应用远不止改善临床工作流程和加快处理索赔那么简单。
“我们正在努力解决的问题是生产力的问题，”联邦医疗保险和医疗补助中心的前代理局长安迪·斯拉维特说，在上周召开的为期两天的会议上，斯坦福大学（Stanford University）的首席执行官、卫生保健IT专家、政策制定者和医生齐聚一堂：“我们需要用更少的资源照顾更多的人，但如果我们只顾追逐太多的问题和商业模式，或者尝试发明新的小工具，那就不会改变生产率。”这就是数据和机器学习所要解决的问题。
接受医院调查的受访者表示，这项技术可能对人口健康、临床决策支持、诊断工具和精准医学产生最大影响。即使是药物开发，现实世界的证据收集和临床试验，在人工智能的帮助下也会变得更快、更便宜、更准确。但是，把我们所有的信心都放在AI上的时代还没有到来。
科技巨头抢占医疗高地
所以每个人都想拥抱人工智能，但是我们多久才能看到所谓的机器学习中的医疗保健改革呢？最近，以自然语言处理或强大的图像识别算法来处理这些几十年的医学研究数据的方式越来越多，涵盖最直接的应用到最复杂的诊断任务。
像医疗保健领域中的其他技术一样，人工智能首先需要建立关键医疗数据，这方面存在严重限制的问题。但是，这并没有阻止创新，数字健康的利益攸关者意识到，完全解开AI的真实潜力需要有战略伙伴关系，有质量的数据，还要有对统计数据的清醒理解。
随着人工智能在医疗保健领域的成熟，科技领域的大公司并没有回避行业创新带来的巨大挑战，比如监管障碍、对质量数据的法律访问以及缺乏互操作性的持续问题。就在这个星期，谷歌宣布，它已经开启了自己在医疗保健领域的尝试和真正的消费级机器学习能力。谷歌大脑与斯坦福大学、加州大学旧金山分校展开合作，从数百万名患者那里获得识别数据。
正如谷歌首席执行官桑达尔·皮查上周在谷歌的I/O开发者大会上所解释的那样，这还不止于此。去年，他们推出了张量计算中心，称这个中心为ai-first数据中心。
皮查说：“在谷歌，我们把所有人关于人工智能的努力都投入到Google.AI。这是大家共同的努力并且公司所有的团队都致力于将人工智能的好处带给每个人。“人工智能将专注于三个领域：研究、工具和基础设施，以及人工智能应用。
去年11月，谷歌的研究人员在JAMA发表了一篇论文，表明谷歌的深度学习算法在一组大数据的基础上，可以检测到糖尿病视网膜病变，准确率超过90%。皮查说，他们希望能应用人工智能的另一个领域是病理学。
他说：“这是一个很大的数据问题，而机器学习是唯一能够解决这个问题的。”因此我们建立了神经网络来检测癌细胞扩散到邻近的淋巴结。但是与早期数据73%相比，我们的神经网络显示出更高的准确性：89%。有一些重要的警告——我们也有更多的假阳性——但是已经掌握在病理学家的手中，他们可以改善诊断。
另一个例子是苹果最近收购了人工智能公司Lattice，该公司拥有开发医疗应用程序算法的背景。
微软也在向医疗进军。就在几个月前，该公司推出了“下一计划-医疗保健”，将人工智能、云计算、研究和行业伙伴关系整合在一起。该项目与匹兹堡大学医学中心的合作，包括使用专注于基因组学分析和健康聊天机器人技术。几个星期前，微软与数据连接平台提供商Validic合作，为他们的Health Vault研究项目增加病人。
我们也从很多初创企业中看到了人工智能，从Ginger.io的行为健康监控公司、Sensely的虚拟助手，到app、可穿戴设备公司Ava和Clue，Ava刚刚发布了对苏黎世大学的研究和提示，来预测生育窗口。
其他的，比如最近推出的浮标健康，已经建立了医疗专用的搜索引擎。浮标来源超过18000份临床资料，覆盖500万患者，跨越1700个条件。除了症状检查，浮标首先要问年龄、性别和症状，然后采取措施来决定接下来要问的问题。在大约两到三分钟的时间里，浮标的问题缩小到越来越具体，然后向个人提供可能的条件列表，以及下一步该做什么。
另一个有前景的领域是医学成像，11月，以色列的斑马医学视觉公司，一个机器学习成像分析公司，宣布开办一个平台，使用者无论在何地只需有网上传自己的医学扫描图像，便可收到该图像的分析。
2014年，斑马发起了一项任务，教电脑自动分析医学图像，诊断各种病症，从骨骼健康到心血管疾病。该公司稳步建立了一个成像数据库，并结合了深度学习技术，开发了自动检测和诊断医疗状况的算法。另一家提供类似服务的以色列公司是AiDoc，刚刚筹集了700万美元。
但是无论技术公司有多大，多么强大，能否获取到患者的数据区别了是一个炒作噱头还是一种能够诊断或预测结果的算法。这就是为什么很多公司都在训练尝试阶段。
正如风险投资公司8VC的首席执行官乔·朗斯代尔在斯坦福大学的光论坛上说的那样，“最困难的部分是首先创造数据。”
加州大学伯克利分校公共卫生学院的生物统计学教授玛雅·彼得森提供了更为冷静的观点。
“现实世界中的数据之间的关系是复杂的，我们无法完全理解它们，”她在本周旧金山的“大数据与健康分析论坛”（Big data and Healthcare Analytics Forum）上说。机器学习在某种程度上过于雄心勃勃，而我们正面临更复杂的问题，这不是一件好事。
好的算法很难构建
机器只能从提供的数据中学习，因此研究人员、工程师和企业家都在忙于组装更大、更高质量的数据库。
上个月，alphabet-全资拥有的项目基线研究，与斯坦福医学院和杜克大学医学院合作共同努力，收集了大量的广泛的表型健康数据，以期为人类健康发展提供明确的参考。
项目基线旨在收集大约1万名参与者的数据，每一个参与者将被跟踪4年，并将利用这些数据开发人类健康的“基线”地图，以及了解从健康到疾病的转变。数据的收集形式多种多样，包括临床、成像、自我报告、行为，以及传感器和生物标本样本。该研究的数据存储库将建立在谷歌计算基础设施上，并托管在谷歌云平台上。
病人数据和计算能力的可用性意味着希望和实际影响之间的差异。这让我们认识到IBMWatsonHealth，它已经通过大量的伙伴关系积累了大量的数据，教授声称他的认知计算模型将开启大量关于病人健康的见解。由于实际的证据还没有完全实现，IBM沃森的公众舆论也出现了分歧，一些人认为这是机器学习的鼻祖。
IBM的研究部门正在与萨特健康公司合作开发方法，根据未充分利用的EHR数据来预测心力衰竭。IBMWatson实际上从2011年开始起步，当时这台机器赢得了一场“危险游戏”，激励公司投入使用这项技术的工作。
“我们必须训练医疗领域的技术，那里有很多复杂的技术，因为专业的不同而技术不同，这在世界各地都是不同的。”“我们必须训练系统来理解医学语言，”沃森健康的副总裁兼首席战略官在光明论坛上说。“第一步是自然语言处理。你能有足够的知识来开始推导见解吗？你能在你参与对话的时候提出最好的答案吗？与病人交谈，更进一步，同化，继续前进。
IBM解释说，要做到这一点，IBM沃森必须解决非结构化数据的问题。
IBM倾向于使用认知计算，因为它超越了机器学习和深度学习。能够获得真知灼见，能够融合和学习。医疗保健是独一无二的；它受到高度管制，而且有大量无法使用的数据。而且还有很多筒仓。所以这是一个很多技术可以改进的地方。但最后，成功是由实践者决定的。
制药企业在转型
许多专家预测AI在医疗健康上的应用将接踵而至——Allscripts Analytics首席医疗官告诉贝克的医院评审，她预计第一个应用于管理慢性疾病，其次是和环境或者社会经济的因素协同，发展增加那些以病人为中心的健康数据的可用性。最后，将遗传信息，整合到护理管理中，将使精准医学成为现实。
人工智能可能产生最大影响的一些领域，是那些以技术闻名的领域：制药公司。但是这种情况正开始发现变化。
在光明论坛期间，LuxCapital的合伙人，辉瑞前董事长兼首席执行官Jeffkindler称制药公司为“创新者困境的典型例子“，因为他们从来没有足够的财务状况来改变他们的商业模式，尽管这将需要更多的医疗利益相关者之间的沟通来了解如何应用人工智能，但看到人工智能加速这一进程的潜力是很难被放弃的。
“如果你与付费者交谈，他们不知道谁是制药公司或大数据或人工智能，他们会认为‘我要完蛋了。’那么，这种信任差距是如何跨越的呢？Kindler在光明论坛上说，“从历史上看，由于数据不可获取，制药和设备制造商并没有什么区别；就像投镖一样，但是随着人工智能和机器学习变得越来越健壮，你可以区分那些有用的操作和那些无关紧要的、不能增加效率的动作。
效率是药物开发的一个关键领域，特别是鉴于食品及药物管理局的震荡，这可能会使人工智能更加容易受到影响。
我在一个需要12年的时间才能推出一款产品的行业工作，”辉瑞负责数字战略和数据创新的副总裁朱迪·西沃德在“光明论坛”上说。在此期间，有1600名科学家参与研究，3600个临床试验涉及数千名患者。我们开始思考人工智能是如何加快进程，使它更智能，连接突破性医学并连接最需要它的病人？
西沃德说表示和IBM Watson一起做免疫学上的工作让生活变得如此美好，她说：“有些人担心机器或人工智能会取代科学家或医生，但实际上他们更像是终极研究助理。”
Deloitte生命科学和医疗方面的负责人Rajeev Ronanki告诉贝克尔的医院审查这里需要有三个强大的力量来推动机器学习的发展：指数数据增长，更快的分布式系统，以及更智能的解释和处理数据的算法。
这三股力量都集合了后，Ronanki预测首席信息官会被认知洞察力的形式取代来增强人类做决定的能力，基于AI的参与工具，以及AI在设备和过程中的自动化，开发出深厚的领域所特有的专门知识。
“我们预计增长将继续，机器智能的支出预计将升至313亿美元，”Ronanki援引IDC的报告说。
我们今天所处的位置基本上是零，”《漫游分析》的首席执行官和联合创始人亚历克斯·特克托布在光明论坛上说。“我们或多或少弄清楚了商业途径，最好使用硕士的平均统计数据，不超过这一点就很难把数据放在一起并处理规范。”大多数最先进的深度学习算法都是在60年代开发出来的，这是基于17世纪的想法。我们必须想出更好的办法。
特别是辉瑞公司的朱迪·西沃德指出的那样：“在我们这个行业，你需要百分之百的坚持。”
106家AI+医疗公司
过去五年，使用人工智能的医疗健康公司急剧增加。今年CBInsights追踪了一百家专注于人工智能的医疗健康公司，自2015年1月以来，已有50家公司进行了首次公开募股。针对以医疗为重点的AI创业公司的销售额从2012年的不足20家上升至2016年的近70家。这一年也出现了两个新的独角兽：在中国的iCarbonX和以肿瘤为重点的Flatiron Health。
几个投资亮点：
①成像和诊断越来越多：24个成像和诊断公司中的19家公司自2015年1月起就首次提出股权融资（包括种子或A轮以及隐形创业公司Imagen Technologies募集的首轮融资）。
2014年，Butterfly Networks在AerisCapital和斯坦福大学的支持下筹集了1亿美元的C轮融资。在中国的iCarbonX融资1.55亿美元之后，加拿大以肿瘤为重点的Flatiron Health公司又融资2亿美元，这是AI医疗保健领域最大的股权融资之一。
②远程患者监测：位于伦敦的Babylon Health，由Kinnevik和Google拥有的DeepMind Technologies等投资者提供支持，于2016年筹集了2500万美元的A轮，以开发基于AI的聊天平台。
总部位于纽约的爱可信息集团从投资者（包括生物医药资本合伙人，新叶创业合伙人，普利兹克集团创业投资公司和Tribeca Venture Partners）筹集的A系列资金中筹集了1230万美元，用于人工智能以确保患者服用药物。加利福尼亚州的Sense.ly已经开发了一名虚拟护理助手Molly，跟踪患者出院后的情况。该公司声称，Molly为当天的20％的患者提供了临床医生。
③CoreAI公司将其算法带到医疗保健领域：CoreAI创业公司Ayasdi已经开发了基于拓扑数据分析的机器智能平台，将其解决方案提供给医疗服务提供商，包括患者风险评分和减少患者再入院。其他核心AI创业公司正在寻求医疗保健领域的机会，包括H2O.ai和数字推理系统。
④顶级风险投资公司：Khosla Ventures和Data Collective是医疗保健AI创业公司的顶级风险投资公司，并且各自拥有5家独特公司。Khosla Ventures投资了加州的Ginger.io，专注于抑郁症和焦虑症患者；医疗分析平台Lumiata；以色列的Zebra Medical Vision和加利福尼亚州实验室，将AI应用于医学影像；以及药物研发开启者Atomwise。数据备份集合成像和初创诊断公司Enlitic，BayLabs和Freenome，分析平台CloudmedX，以及之前提到的Atomwise。
⑤药物发现也引起了VC的注意：创业公司正在使用机器学习算法来减少药物研发时间，而VC在版图上的9家创业公司中已经有6家。安德森霍洛维茨的种子资金最近投资了twoXAR，杜马药物发现平台的开发；Khosla风险投资和数据集体支持Atomwise，其在去年发布了第一个发现埃博拉治疗药物，并与MERCK合作；Lightspeed Venture Partners于2013年投资Numedii；基金资本参与3个股权融资回合算出来的。
⑥AI肿瘤学：IBM沃森集团支持的Pathway Genomics最近开始研究其新的血液检测试剂盒Cancer Intercept Detect。该公司将从未被诊断患有该疾病的高风险个体收集血液样品，以确定是否可以及早发现。其他以肿瘤为重点的创业公司包括Flatiron Health，Cyrcadia（穿戴式设备），CureMetrix，Skin Vision，Entopsis和Smart Healthcare。
（文章来源：亿欧网）
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
责编：houlimin
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。
抢沙发
