不完全統計，截至去年8月，國內醫療AI公司累計融資額超過180億元人民幣，得到融資創業公司共104家，形勢趨好，風頭正勁。

總體而言，醫療AI創業方向涉及輔助診斷、影像識別等領域。

圖片來源自網絡

人工智能如何取得驚人進步？

1、大數據的積累：在醫學方面，隨着電子病歷和數字膠片的積累，至少以10萬份爲起點的研究可用、結構化病例保存並可直接用於模型訓練；2、計算能力的提升：雲端提供機器學習工具，從而進行與人工智能相關的超強度計算，GPU等一些計算能力的提升爲處理大數據提供基礎，縮短了訓練模型所用的時間；3、大數據與計算力的結合，是研究人員可以快速得到並訓練出可以應用在時間中的算法模型。著名的計算機博弈專家吳韌認爲以上三方面原因促成了這一輪人工智能取得前所未有的進步，與以往不同，這次發展浪潮將是持續性的。

基於以上三方面，可以用以下幾個問題來鑑別新時代的人工智能公司。1、公司數據從何而來，是否從醫院獲取高質量標註數據？ 2、公司算法模型從何而來？如果是自己訓練的模型，那麼訓練軟件是哪一款，計算能力有多強？3、自己訓練的模型又與別人開源的模型有什麼區別？

讓我們看看最近AI在醫療診斷領域的應用：

診斷乳腺癌，30小時病理分析不如谷歌AI準確

爲了解決病理診斷的瓶頸，谷歌和Verily的科學家們做了一個嘗試。他們將單張病理切片的圖像分割成了數萬至數十萬個128x128像素的小區域，每個小區域內可能含有數個腫瘤細胞。隨後，他們提供了許多腫瘤組織與正常組織的病理切片，供人工智能學習。最終，這款人工智能掌握了一項像素級的技巧——它能分辨出單個小區域內被標註爲“腫瘤”的像素，從而將整個小區域標註爲“腫瘤區”，這能有效將腫瘤組織與健康組織區分開來。

學習完畢後，在實戰中，科學家們邀請了一位病理學家，讓他與人工智能進行一場比賽。這名病理學家花了30小時，仔細分析了130張切片，並給出了他的診斷結果。在隨後基於靈敏度（找到了多少正確的腫瘤）和假陽性（將多少正常組織診斷爲腫瘤）的評分中，這名病理學家的準確率爲73.3%。人工智能交出的答卷是88.5%，完勝人類。

AI 診斷皮膚癌，準確度堪比專家

斯坦福大學的研究人員採用深度卷積神經網絡，通過大量訓練發展出模式識別的AI，使計算機學會分析圖片並診斷疾病。訓練計算機的數據庫由129,450張皮膚病變圖片和對應的文字描述組成，涵蓋了2032種皮膚病。而診斷的“參考答案”則由皮膚病專家提供，他們依靠的是非侵入性圖像分析和組織活檢。之後計算機的“畢業考試”，研究者向受訓的計算機和21名執業醫師分別提供了一批訓練數據集中沒有出現過的皮膚病變圖片，這些圖片都由組織活檢確定了對應的病症。診斷比賽的結果是計算機的準確率和人類醫生差別不大。

微軟在醫療AI方向的研究突破

微軟亞洲研究院近幾年開始鑽研腦腫瘤病理切片的識別和判斷，通過細胞的形態、大小、結構等輔助分析和判斷病人所處的癌症階段。近兩年在該領域基於“神經網絡＋深度學習”的模式取得了兩大突破：

首先，實現了對大尺寸病理切片的圖片處理。通常圖片的尺寸爲224*224像素，但腦腫瘤病理切片的尺寸達到了20萬*20萬、甚至40萬*40萬像素。對於大尺寸病理切片影像的識別系統，微軟沒有沿用業內常用的數字醫學圖像數據庫，反而在ImageNet的基礎之上利用盡可能多的圖片，通過自己搭建的神經網絡和深度學習算法不斷進行大量訓練而成，最終實現了對大尺寸病理切片的圖片處理。

其次，在解決了細胞層面的圖像識別之後，又實現了對病變腺體的識別。通過多渠道的數據採集和分析，希望在未來幫助醫生實現對病人術後、康復水平乃至復發的可能性做出預估和判斷。

該研究結果也可以擴展至其他疾病影像的識別和判斷，例如正在研究的腸癌的二維醫學、肝腫瘤患者的CT三維影像等。

圖片來源自網絡

最後

眼下AI醫療的行業現狀是包含狂歡和泡沫的，但這也是任何一個新技術浪潮的必經之路，最後勝出的，一定是那些創造了真實價值的技術和產品。在多個研究中，人工智能已經成功擊敗人類醫生。醫療AI在未來將成爲醫生的有力助手，只是在大規模落地前，還有很長的路要走。