首圖來自壹圖網

人工智能（AI）技術正在許多行業中產生變革，但只有在醫療領域，AI的影響纔有望真正改變我們每一個人的生活。而這樣的改變也許正在發生……

一

疫情肆虐，AI助力防控

截至目前，全球確診人數已超過800萬。這次疫情給全球帶來了巨大挑戰。

近年來，人工智能已經開始在醫療衛生領域發揮重要作用。先進的計算和數據分析工具使信息共享和診斷實踐成爲可能，並加深了醫療行業對疾病和感染的理解。在遏制Covid-19（新型冠狀病毒肺炎）的迫切需求推動下，世界各地的政府機構和企業越來越多地將目光投向基於人工智能的技術，以提供對病毒傳播的分析，並尋求治療藥物和方法。

我國在疫情剛開始傳播的時候，就採用AI技術進行疫情防控，在春運期間，火車站、機場、地鐵等公共場所的測溫壓力巨大，各大圖像識別技術巨頭們很快部署了AI測溫解決方案，採用圖像識別與紅外等結合的方式，有效避免接觸式測溫帶來的病毒傳播風險；疫情開始有所緩解、準備復工之時，不少AI公司提供了大數據AI技術，對遷徙人員進行動態跟蹤，結合疫情地圖，有效及時地跟蹤傳染源、接觸源，爲復工保駕護航。

國外疫情爆發的要晚一些，各個國家也採用了AI技術在多個環節助力疫情防控：

（1）AI疫情輔助控制

迪拜採用了圖像識別技術來自動判斷人們是否遵守了疫情防控規定，比如保持距離，從圖像可以看出該AI程序可以自動識別出人與人之間的距離，這樣的應用在公共場所可以對人羣密集提出預警提示。

（2）新冠治療藥物研發

總部位於倫敦的藥物研發公司Benevolent AI在1月底開始將注意力轉向冠狀病毒問題。該公司用知識圖譜技術來快速分析科學文獻和生物醫學研究資料，挖掘疾病的遺傳和生物特性與藥物的組成和作用之間的聯繫。該公司之前一直專注於慢性疾病，而不是傳染病，但通過向其輸入關於病毒的最新研究，能夠重新調整系統，使其專注於新冠藥物的研發。目前該公司已經進行潛在新冠治療藥物的臨牀試驗。

（3）新冠病毒結構分析

DeepMind正在利用基因組的數據來預測生物體的蛋白質結構，揭示哪些藥物有可能對COVID-19起作用。DeepMind是Google母公司Alphabet旗下的人工智能公司，在2016年推出的人工智能圍棋程序AlphaGo，戰勝了人類圍棋選手之後一舉成名，在當年將深度學習和人工智能技術直接推向高潮，其最新版本已無對手。

DeepMind發佈了一個名爲AlphaFold的深度學習庫，它使用神經網絡來預測組成生物體的蛋白質如何根據其基因組變換形狀，進而計算出哪些藥物可以與新冠病毒生物體細胞結合，用來破壞病毒細胞，破壞它與人類細胞的結合方式，減緩病毒的繁殖速度。

（4）COVID-Net

加拿大初創公司Darwin AI開發了一個神經網絡COVID-Net，可以通過X射線篩查COVID-19感染的跡象。DarwinAI已將COVID-Net作爲一個開源系統發佈，受到了AI研究人員的熱烈追捧，該公司現在正致力於將COVID-Net從一個技術實現變成一個可以被醫療工作者使用的系統。它現在還在開發一種神經網絡，用於對感染COVID-19的患者進行風險分層，以此來分離那些可能更適合在家中自我隔離恢復的病毒感染者，和那些最好進醫院的病毒感染者。

二

醫療AI的大機遇

這次疫情讓各個國家的醫療體系翻了個底朝天，新冠病毒的流行讓醫療系統的脆弱暴露在陽光之下。響應不及時、信息流通受阻、醫務人員不足、醫療資源分配不均等諸多問題在多數國家都存在。因此，也讓整個人類社會意識到醫療體系變革的緊迫性，是時候重新思考醫療體系的升級了，而人工智能技術在這次疫情中的積極表現，讓炒了這麼多年的醫療AI概念走入大衆視野。

而且，隨着人口老齡化問題越來越突出，老年人口對於醫療的需求也將呈增長態勢。根據國家統計局的數據，我國2019年65歲及以上老人已經突破1.7億人，占人口總數13%。這樣的增長趨勢對於醫療資源是一個現實而急迫的挑戰。

將AI應用在醫療中雖不能完全解決醫療資源短缺的問題，但是卻可以藉助AI快速發展的紅利，爲醫療領域增添新的動力，刺激醫療事業的發展，拓寬醫療資源的使用範圍，使全球各地患者更平等地受益於科學進步。醫療健康領域也切實存在很多需求需要AI來幫助實現，從防範疾病和減輕醫護壓力角度，至少有以下幾個方面需求：

（1）基於大數據的疾病或疫情預警；（2）智能讀片，輔助醫療影像診斷輸出，可以緩解醫院的閱片壓力；（3）智能診療系統，輔助醫生做好疾病初步篩查，甚至輔助手術；（4）智能醫護輔助系統，幫助護士做好入院評估以及護理監控等工作。

從技術供給側考慮，人工智能技術正逐步走向成熟，各種應用場景也日趨完善，加上軟硬件的持續迭代，讓AI技術的廣泛落地近在眼前。而且，國家對人工智能、大數據、5G等前沿技術的發展從政策上給予了足夠的重視，並加入國家“新基建”發展規劃，進一步提升其戰略地位。醫療AI應用領域在這個浪潮之下，正可以踏上快速發展的新車道。

三

醫療AI有哪些細分場景

醫療AI的應用範圍比較廣，可以細分爲多個應用場景。

（1）AI疾病預測

主要基於大數據分析技術，對搜索引擎數據、航空數據、交通信息等人類活動數據進行分析，從中發現與傳染病相關的蛛絲馬跡。舉個簡單例子，可以通過人們使用搜索引擎搜索疾病相關的某些詞項來預測與此相關的傳染病在某地區爆發的可能性。當然，要想預測準確，還需結合更多數據進行多維度更廣泛的分析，單個方面數據分析往往會高估預測結果。

（2）AI醫療影像

這是AI助力醫療最熱門也是最具有挑戰的應用場景之一。將圖像識別技術應用在醫療影像的識別中意義重大，一方面醫院每天需要應對海量的X光影像、CT影像處理需求，需耗費大量人工長時間讀片，容易出現誤診、漏診情況；另一方面是因爲圖像識別本身就是AI最熱門最具魅力的一個技術方向，並且圖像識別已經在多個應用中大規模使用，目前已廣泛應用在移動支付和安全監控領域，如果AI能在醫療影像中得到發揮，那將大大減輕醫務人員負擔。

美國IDx公司的IDx-DR就是這樣一個AI系統，它是用於視網膜病變檢測，不需要臨牀醫生解讀就能尋找特定病症的篩查設備。該設備的軟件，利用人工智能分析眼睛的圖像，判斷是否有糖尿病視網膜病變的跡象。

IDx的檢測系統不僅可以爲缺少眼科專家的醫院篩查糖尿病視網膜病變提供極大幫助，還可以將醫生從一系列的測試中解放出來，而這些測試的結果大多是陰性的，可以讓醫生有更多的時間來治療那些真正患有疾病的人。

（3）AI新藥研發

由於新藥研發過程極長，成本極高，而AI算法因爲在數據挖掘方面以及計算能力方面具有天然優勢，可以用在藥物、疾病、基因之間關聯關係挖掘以及藥物的分子結構預測等方面，因此被寄予厚望，近年來該AI新藥研發領域的資金投入突飛猛進。下圖展示了美國的AI新藥研發風投資金近年來大幅增長的趨勢。本文開頭提到的BenevolentAI公司便是這一領域的佼佼者。

（4）AI醫療輔助機器人

這些機器人可以代替人工醫生來執行一些重複性高或者具有傳染性環境的工作。比如醫院大堂的導診機器人可以大大減輕導診臺的工作量，而查房機器人可以讓醫生不需要接觸具有傳染病例的患者，減少醫務人員的感染。結合5G技術，醫生甚至不需要離開辦公室，就可以將自己的專業診療工作延伸到任何地方，不僅在自己醫院內部可以高效地開展診療工作，還可以支撐偏遠地區醫務極度缺乏的地區，進行遠程診斷、遠程會診等。

有一些微型機器人可以幫助醫師更好地進行手術，卡內基·梅隆大學機器人部門開發了Heartlander，這是一個微型移動機器人，旨在方便對心臟進行治療。在醫生的控制下，這個微型機器人通過一個小切口進入胸部，自行導航到心臟的某些位置，附着在心臟表面並進行治療。

（5）AI健康管理

隨着人們越來越重視健康，越來越多的健康相關產品開始進入大衆視野，健康管理是一個範圍比較廣的概念，包括手機健康APP、可穿戴設備、移動醫療等諸多應用。而AI健康管理往往與互聯網、醫療大數據相關，細分場景也很多。比如Apple Watch就提供一項“摔倒檢測”功能，關鍵時刻可以救命，這是Apple Support上對該功能的描述：

如果手錶檢測到您摔得很嚴重，它會輕觸您的手腕、發出警報聲並顯示提醒。您可以選擇聯繫緊急服務，也可以按下數碼錶冠並輕點左上角的“關閉”，或者輕點“我沒事”來關閉提醒。如果 Apple Watch 檢測到您在移動，它會等待您對提醒做出響應，而不會自動撥打緊急服務電話。如果手錶檢測到您在大約一分鐘內沒有做出任何動作，它會自動撥打緊急服務電話。

智能問診機器人是近年來比較火的一個智能醫療產品方向，它基於自然語言處理、知識圖譜、搜索引擎以及醫療知識庫等技術構建的智能對話機器人，可以爲用戶提供在線實時問診服務，是互聯網在線問診平臺的智能化延伸，可以解決逐日增加的醫療諮詢需求，讓一些輕症患者免去因小恙而不得不去掛號排隊問醫生的麻煩，也大大緩解醫院的壓力。

四

醫療AI面臨的挑戰

前景是美好的，但是道路是曲折的。在醫療AI逐漸落地的過程中，有諸多困難需要去面對。

（1）臨牀認證難

用於臨牀醫療的產品，需要得到所屬國家食品藥品監督管理局的認證才能合法臨牀使用。上文提到的IDx公司的糖尿病視網膜病變檢測AI系統是美國食品和藥物管理局（FDA）授權認證的第一次AI醫療項目。然而，大部分醫療AI項目都沒有這麼幸運，醫療臨牀器械認證流程非常繁瑣。在我國要得到國家食品藥品監督管理總局（CFDA）的認證，需要同國家的三甲醫院合作進行臨牀測試，需要與接受臨牀測試的病人簽訂合同，還需要在國家專業機構做檢測和報備，通過一系列測試和評估才能獲得CFDA認證，很多醫療AI初創公司往往扛不住這樣的時間成本。

（2）數據問題

數據是AI算法必不可少的“燃料”，很多做AI的公司頭腦風暴出好些AI產品原型，大部分都由於無法獲取足夠多足夠好的數據而不得不放棄。數據問題在醫療AI中尤爲突出，一方面是數據來源問題，醫院內的數據有相當一部分依賴於不同的系統，醫院之間的數據也很難共享；另一方面是數據質量問題，醫療過程中產生各種臨牀數據，這樣的數據缺少標準化和結構化處理，而且獲取高質量的標註醫療數據也不那麼容易。

（3）隱私風險

隱私是AI技術不得不面對的一個問題。隨着AI技術的爆炸式發展，對隱私的保護越來越受到重視。隨着歐盟的最嚴格隱私保護條例GDPR的出臺，各國紛紛推出自己的隱私保護規範。AI技術對隱私的侵犯甚至還會成爲某些社會問題背後的幫兇，比如種族歧視。就在不久前，一些AI巨頭已經開始對這樣的應用技術輸出進行限制。6月9日，IBM宣佈停止提供通用的人臉識別軟件，隨後不久亞馬遜也宣佈暫停向警方提供人臉識別監控軟件，微軟也緊跟其後表示在政府出臺相關規定前不會再向警方出售人臉識別技術。雖然這些巨頭們可能是迫於輿論壓力不得不停止輸出人臉識別技術，從側面也反映出民衆開始認識到自己的隱私正受到來自AI技術的侵害。

在醫療領域，隱私數據尤其敏感，無論是基因測序數據，還是醫療健康數據，大部分人都不會願意分享自己的敏感信息。如何在治病救人與保護隱私之間保持平衡，這是醫療AI發展之路無法繞開的問題，是技術與倫理的博弈。

（4）AI診斷容易問責難

醫療AI還存在一個困境，那就是如果讓AI診斷代替醫生診斷的話，將無法對診斷失誤問責，無法定位責任主體，因爲AI技術無法作爲民事主體來承擔民事責任義務，也不太可能讓其背後的AI科學家承擔責任。在醫學倫理中，醫生必須完全對患者負責，而如果讓AI技術的鍋給醫生來背，也不太現實。

（5）人才缺乏

人工智能領域人才和醫學人才是大學階段培養週期最長的兩撥人，也是最稀缺的人才。隨着人工智能領域的爆炸式發展，人工智能相關技術人才的缺口越來越大，根據某招聘網站做的統計分析，中國人工智能人才缺口已經超過500萬，高校每年培養的AI人才不到一萬，杯水車薪。而醫藥AI需要從業人員不僅精通AI，還要懂醫學相關細分領域的知識，能滿足條件的鳳毛麟角，更遑論建一個醫療AI團隊，可想而知其難度之大。

五

我國醫療AI現狀

人工智能在我國各項政策的扶持下得到了快速發展，醫療AI也不例外。從下圖醫療AI融資輪次的分佈情況來看，目前我國醫療AI技術還處在比較初級的階段，大部分融資還集中在公司比較早期的階段，也體現了發展潛力巨大。

六

結語

一百多年前的西班牙大流感造成了當時世界人口三分之一被感染，導致至少2000萬人的死亡，是歷史上最致命的一次全球大流行病。

一個世紀後的今天，疫情再次席捲全球，不過今天人類已經有了更多的手段和方法來應對疫情的肆虐。希望人類克服層層困難，讓醫療AI早日服務人類健康事業，儘早戰勝新冠病毒。