人工智能在醫療領域的應用也在加速落地。

就在上周，騰訊首款將人工智能技術運用到醫療領域的產品“騰訊覓影”與河北醫科大學等五家醫院達成合作。

該產品除了提供在AI影像上的嘗試外，還會擴展在AI輔助診斷上的探索，輔助醫生更準確地理解病案，降低風險，提升診療水準。

而在創業領域不斷傳出融資利好，也從另一個角度見證了人工智能+醫療的熱度和吸引力。

在人工智能的眾多落地場景中，人工智能+醫療為何備受資本青睞？在這一日漸火熱的領域，有哪些應用場景有望先行落地？在一片看好的趨勢下，未來還可能遇到哪些“成長的煩惱”？劉    瓊     騰訊研究院高級研究員戈書寧     騰訊研究院助理研究員2011-2016年間，人工智能+醫療是資本投入最密集的領域，且在未來5年仍將保持40%的增速。

資本大量涌入人工智能+醫療，要歸功于IBM、谷歌等先行者在醫學影像、藥物研發、人工智能助手等領域的突破和落地所帶來的信心和前景。

咨詢公司Frost & Sullivan預測2021年全球人工智能+醫療健康市場規模將從2014年的6.64億美元擴大至66.62億美元。

人工智能為何選擇醫療？ 需求升級：從優化就醫流程到破解資源不均衡 近些年，借助互聯網的連接，就醫效率和體驗得到了極大提升，但醫療最大痛點——資源不均衡的矛盾并沒有得到根本性地解決。

2017年上半年，三級醫院診療人次依舊保持了最快增長，增幅達到6.1%，遠高于一級（4.0%）、二級醫院（4.0%）；就醫有進一步向三級醫院集中的態勢，診療人次占醫院總量比重由48.64%提高至49.55%。

人口老齡化進程加快、慢性病發病率走高等需求端的壓力將進一步激化資源不均衡的矛盾。

受制于周期長、成本高等特點，培養更多的醫務人員“這杯遠水”解不了近渴。

《2016年中國衛生和計劃生育事業發展統計公報》顯示，醫院衛生技術人員數同比增長5.57%，低于診療人次6.17%的增幅，供給跟不上需求的增加。

而人工智能、醫療機器人在醫學影像識別、輔助外科手術、臨床輔助診斷等環節所表現出的降本增效能力，可以將醫生從繁重的重復性勞動中解決出來，專注于更有價值的事情。

 沉睡的數據“金礦”需要人工智能來喚醒 近年來，大數據爆發式增長，到2020年體量將達到44ZB。

而每年超過70億的診療人次數據以及7.5億網民的日常健康數據，中國無疑坐擁最海量的醫療數據庫。

2016年6月，國務院辦公廳發布《關于促進和規范健康醫療大數據應用發展的指導意見》，首次把生物學資源和醫療大數據作為國家的基礎戰略資源，也把它納入了國家大數據戰略的布局。

但這座數據金礦仍在“沉睡”，需要人工智能喚醒。

眾所周知，80%的醫療數據都是非結構化數據，遠遠超出傳統的計算和處理能力。

另外，我國醫療數據分散在不同醫院、機構，深度利用率不高。

計算機視覺、機器學習、深度學習等技術突破，縮小了數據規模和數據洞察力之間的差距，有望激活這座沉睡的數據金礦。

醫療行業特征高度契合人工智能的技術優勢醫療是一個數據密集型、腦力勞動密集型、知識密集型的行業，需要依賴強大的知識儲備和處理分析能力進行判斷、診療。

同時失誤“零容忍“使得醫療領域從基礎層藥物研發、檢測，到應用層預防、診斷、治療、康復、健康管理等各環節都面臨嚴格的質量和監管要求。

而醫療費用居高不下已成為全球普遍性難題。

基于人工智能的技術優勢和應用，其賦能醫療行業的價值將是不可估量的。

技術的發展大幅提高了醫療數據處理效率和洞察深度：IBM Watson閱讀10.6萬份臨床報告僅需17秒，騰訊覓影在2-3秒內即可返回內鏡圖像計算結果。

借助深度學習自學習、自分析、自判斷以及不知疲倦等優勢，人工智能可將醫療失誤降低30-40%。

人工智能+醫療的應用場景回顧醫療信息化走過的歷程，經歷了從產品單點應用到圍繞流程的平臺創新。

未來10年，醫療信息化將步入融合創新階段，即集成融合人工智能、機器人、虛擬現實/增強現實等技術打造面向可預測、可預防以及精準醫療的健康解決方案。

其中，人工智能被寄予厚望，有著廣泛的應用場景。

而醫學影像識別、人工智能助手、醫療機器人有望先行落地。

據美國醫療信息與管理系統學會下屬的研究機構與Healthcare ITnews的聯合調查顯示，場景一醫學影像識別——離商業化最近的板塊作為三大治療手段之一，醫學影像的精準識別對醫生決策至關重要。

癌癥、心臟疾病等許多重大疾病都可以在早期通過醫學影像設備識別出來。

有文章曾將影像科比作戰爭中的突擊小隊，其重要性、工作量和壓力可見一斑，急需通過技術來賦能。

醫學影像數據標準化程度最高，也為人工智能應用先行落地提供了重要基礎。

11月15日，科技部公布了首批國家新一代人工智能開放創新平臺名單，其中，四大平臺之一就是依托騰訊公司建設醫療影像國家人工智能開放創新平臺。

目前，人工智能對肺病、胃癌、甲狀腺癌變、乳腺癌、皮膚病等多個病種的醫學圖像檢測效率和識別精度都可以達到甚至超越專業醫生水平。

騰訊覓影對食管癌早篩臨床預試驗的準確率超過90%，而肺結節早篩準確率超過95%，可檢測3毫米及以上的微小結節。

除此之外，人工智能可以大幅提高讀片效率，以及減少人為失誤。

以肺病為例，針對平均超過200層的肺部 CT 掃描圖片，醫生人工篩查需要20分鐘甚至更長，而人工智能僅需數十秒。

場景二人工智能助手——醫患交互新方式醫生看病時間短的現狀有望被改善。

隨著技術的成熟，人工智能有望成為臨床醫生的合作伙伴，幫助醫生承擔診前問詢、自動化檢測等工作，使醫生有更多時間可以與患者互動。

例如，智能語音技術的發展使得人工智能助手可以跟人類醫生一樣與患者進行語音交談，詢問病情、判斷癥狀以及提供個性化治療方案給醫生參考。

更重要的是，人工智能助手背后豐富的醫學知識庫和“臨床診斷經驗”，有助于增強醫生臨床診斷能力和精準度。

埃森哲發布的《2017年數字化健康技術展望》報告顯示，72%的衛生機構已經引入智能虛擬助手并投入服務。

場景三醫療機器人的興起醫療機器人并不是新話題。

但當人工智能與機器人結合，醫療機器人借此步入加速道，應用場景從手術機器人拓展至康復機器人、服務機器人、試驗機器人等。

據 Markets and Markets估計，從2016年起，全球醫療機器人將保持近17%的年復合增長率，到2020年，市場規模有望達到114億美元。

其中手術機器人仍處于主導地位，占據60%左右的市場份額。

以最負盛名的手術機器人“達芬奇”為例，已經完成了超過60萬場手術，從心臟瓣膜修復到腫瘤切除均有涉獵。

我國醫療機器人起步較晚，但發展速度不容小覷。

北京天智航醫療科技股份有限公司（TINAVI）作為我國第一個醫療機器人產品注冊許可公司，是繼美國 ISI、ISS、瑞典 Medical Robotics、以色列 Mazor之后全球第五家獲得醫療機器人注冊許可證的公司。

其主要產品“天璣”骨科手術機器人已在全國十多家醫院使用，累計手術超過2000例；不僅如此，沈陽六維康復機器人有限公司開發的用于中風、腦癱所致運動功能喪失的康復治療機器人也已通過北美 CSA 認證，面向全球市場發售。

成長的煩惱毋庸置疑，人工智能帶給醫療行業的想象空間是無限的，但要真正大規模應用于臨床，還需要克服以下“成長的煩惱”。

煩惱一：有效數據的缺乏機器學習的特性決定了初期要依靠高質量的數據來進行訓練并優化算法，從而保證高精度。

因此如何獲取有效數據，是人工智能+醫療應用最先需要跨越的障礙。

從數據的獲取端出發，我國的醫學影像還處于從傳統膠片向電子數據過渡的階段，大量的影像資料還沒有實現電子化和數據化。

再加上數據源頭多、類型多、結構復雜、標準不統一等特征，導致要獲得真正高質量的有效數據，需要花費高昂的成本，這是一個巨大的成本黑洞，單靠一家醫院或企業很難解決，需要上升到行業層面予以突破。

煩惱二：技術成熟尚需時間美國醫療信息與管理系統學會下屬研究機構2016年曾做過一次聯合調查：23%的被調查者認為人工智能技術本身的不成熟性，導致其存在一系列風險并承受質疑，是人工智能應用于醫療所遇到的最基礎也是最難跨越的障礙。

人工智能很多底層技術，仍處于研發階段，很多問題并沒有得到解決。

例如，在超過100種的癌癥中，人工智能技術目前僅能精準識別乳腺癌、宮頸癌、胃癌、肺癌、肝癌等少數病種，大規模突破還需時間。

而手術機器人柔性控制模塊、傳感器等軟硬件技術也尚不成熟。

煩惱三：市場認知尚需過程任何一項產生變革或顛覆性的新技術，其產生、發展和應用必然要經歷一個漫長的被市場認可的過程。

目前，消費者對人工智能+醫療仍處于遠觀和存疑的態度。

普華永道2017年就人工智能+醫療的應用意愿進行了調查，有近4成的消費者不愿意接受人工智能來看病，即使對人工智能+醫療相對寬容的用戶，也僅愿意用人工智能進行常規指數監測、心率監測、健身監測等非治療環節。

數據來源：Why AI and robotics will define New Health，PWC，2017.6煩惱四：法律倫理的挑戰人工智能的基礎技術和應用仍是一個科技的黑匣子，具體計算過程是無從知曉和預測的，更無法掌控，由此帶來的法律、倫理挑戰是人工智能應用面臨的通用性難題。

同樣以醫療影像為例，人工智能目前扮演的角色還主要是輔助讀者，醫生仍需要對影像決策負全部責任。

隨著技術的不斷成熟，當人工智能成為主要讀者時，監管部門如何認定其資格并進行監管？2017年6月，美國食品藥品監督管理局（Food and Drug Administration，簡稱FDA）批準了Arterys公司的產品Arterys Cardio DL可用于分析心臟核磁共振圖像，這是首個被批準可應用于臨床的基于云計算和深度學習的分析軟件，但主要是幫助醫生輔助心臟成像。

而如何厘定人工智能應用于臨床所需承擔的法律責任，以及避免算法偏見、歧視等都是不容回避的挑戰。

煩惱五：隱私安全隱患增大人工智能時代，大數據價值加速溢出的同時，也加大了數據泄露的安全隱患，個人隱私安全面臨前所未有的挑戰。

2017年，安全研究機構Kromtech Security Researchers發現，一家醫療服務機構存儲在亞馬遜S3上的大約47GB醫療數據意外對公眾開放，其中包含315363份PDF文件。

據Kromtech Security Researchers估計，這些文件至少涉及15萬病人，泄露的內容包括驗血結果、姓名和家庭住址等個人信息，以及醫生和他們的病例管理筆記等內容。