论文部分内容阅读
在2017年那场史诗级的围棋对决中，人类战力最强的棋手柯洁以0∶3败于阿尔法狗，人类终被自己的模仿品——人工智能（AI）超越。接下来，它会在哪个领域战胜人类？猜测落在医疗上。
人工智能在多个医疗细分领域曾与人类医生交手，2016年5月至今，比分结果是AI 6胜、3平、2负。医生已然落于下风。
2017年岁末，斯坦福大学教授吴恩达领导的机器学习小组开发出一种名为CheXnet的算法，能够更敏锐地捕捉胸部X光片中的肺炎迹象，在诊断肺炎的比拼中，也一举击败四名放射科医师。
这些火种足以让产业界信心爆棚。谷歌、IBM、英特尔等国际巨头和国内的“BATK”（百度、阿里、腾讯、科大讯飞），都加紧布局，一大批初创公司也喷涌而出。
人口老龄化加剧、慢性病患者群体增长、优质医疗资源紧缺、公共医疗费用攀升等多重压力，使AI入医疗被寄望成为这一全球性压力的泄压阀。泄出的压力也正是机遇的源头。尤其在中国，人口数量成为优势，医疗数据的基础大，可以给医疗AI提供充沛的燃料。业内的普遍看法是，在该领域，国内企业有弯道超车的机会。
然而，AI的泡沫已然吹起，医疗能否独善其身？这将取决于研究成果能否尽快进入临床，并获得大范围应用，给医疗带来切实改进，以撑起领域公司的估值，冲破“C轮死”的魔咒。
击败四名放射科醫师，CheXnet只经历了一个月的诊断学习。
AI已经在预测中风和心脏病发作、预测婴儿自闭症的风险上表现出明显优势；在外科手术和阿尔茨海默病预测中略胜一筹；在治疗脑肿瘤、先天性白内障诊断和皮肤癌诊断上，跟人类医生打平。“这些示范性的案例，就是一轮又一轮大额度融资的信心来源。”亿欧智库医疗产业分析师尚鞅告诉《财经》记者。过去一年，资本对医疗AI的热情展露得非常明显，因为落地的可能性被印证了。
此前的人机对战都在研发阶段，直到一年前，美国批准了第一个用于临床的医疗AI产品，它可以分析心脏核磁共振图像，准确度可与有经验的医生相媲美。进入临床，是AI向产业化迈进的一大步。
2017年，国内医疗AI行业公布的融资事件近30起，融资总额超过18亿元。融资额最高的一笔是AI医学影像公司汇医慧影数亿元B轮融资。
“能够在如此短时间内让投资界集体高潮，一定是出现了商机。”易凯资本有限公司健康产业组联席负责人李钢分析。
就医，最核心的部分是诊断。替代医生诊断，是医疗AI的一个终极目标。现阶段的小目标是，能够让AI为医生的诊断及治疗方案提供建议，辅助诊疗。
AI辅助医生做事，先从那些繁琐的、重复性工作起步，提升诊疗效率。企业和研究团队分头趟开两条路：一条基于自然语言处理，根据病历和症状诊断疾病；一条基于计算机视觉，通过识别医学影像诊断疾病。
IBM公司开发的“沃森”（Watson），是第一条路径代表。它四年学习了200本肿瘤教科书、290种医学期刊和超过1500万份的文献后，尝试在14个国家的多个肿瘤治疗中心临床应用。在输入患者的年龄、性别、体重等基本情况和癌症分期、局部复发、化疗方案、病理分期、癌症转移等具体内容后，短短十多秒，沃森就会给出治疗方案，在肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌等方面为医生提供诊断建议。
肿瘤医生的智能助手沃森落地中国非常迅速，其国内代理商——百洋智能科技在去年5月曾透露，一年内将有150家地市级的三级综合医院引进沃森。然而，沃森面临的问题是，虽然速度快，但给出的解决方案可能还不是最好的。
第二条路径，AI可将复杂、高维度的医学影像数据，降维使其更易处理，因而可以快速、准确地从医学影像中发现病症的信息，辅助医生诊断。
医学影像在医疗数据总量中占比约80%，包括CT、核磁、超声、病理、内窥镜、眼底等，因而，医学影像的计算机处理向来是一个庞大的产业。
全球知名风投调研机构CB Insights对美国106家医疗AI初创企业分析显示，影像和诊断成为资本热涌的重点领域。IBM和阿尔法狗的开发者DeepMind都在推进AI医学影像的应用，阿里、腾讯也不甘人后。
实际上，AI的触角已无处不在。运用语音识别和自然语言理解，医生在诊疗过程中即可完成病历编写，能提高医生工作效率，美国大概有72%的医院已经实现用语音收集医疗信息，科大讯飞、云知声等均有此项业务。
一些初创公司，还喜欢挤入慢性病管理，即运用人工智能算法，对慢性病患者进行实时健康监测及干预，甚至据此生成健康管理建议，主要针对糖尿病、心血管病等需要即时干预的慢性病患者。
而一年多前，很多一线医生还不知道AI这个字母组合是什么意思。“在过去的12个月，关于医疗AI的各种信息，很多一线医生都在听和看，这是一个很好的趋势。”上海长征医院眼科主任医师魏锐利对《财经》记者说。
2017年11月，由独角兽工作室等联合发布的《医疗人工智能医生认知情况调研报告》显示，77%的医生至少听说过一种医疗人工智能应用。
催逼AI箭上弦，本质上还是好医生稀缺。蓝驰创投合伙人陈维广，在投了春雨医生之后，他多次接到朋友的请求，让帮忙找好医生。对医疗的需求提升，是全球普适的驱动因素，而人口老龄化就是那块巨大的背景板。
像一副摆好的多米诺骨牌，全球人口老龄化加速，老龄化社会之后就是医疗资源匮乏。美国人口普查局报告显示，至2015年，全球65岁及以上人口超过6亿。这一年，中国65岁及以上人口约1.44亿。
英特尔医疗与生命科学部亚太区总经理李亚东介绍，目前全球约30%的医疗资源为65岁以上的人群所占用，50%的医疗资源为55岁以上的人群占用。 国内对AI最现实的期待是，纾解三甲医院爆满的困境，协助提升县乡镇的医疗水平，以免漏诊、误诊。
一个十分明显的趋势是，AI往医学影像领域扎堆。
动脉网数据显示，国内83家医疗AI企业中，一半涉足医学影像。“（这一领域）正处于黄金期，除提高效率之外，它能找到人力无法找到的病征，今后完全取代医生读片是完全可能的。”海银资本创始合伙人王煜全向《财经》记者分析。
技术驱动因素之外，还有一个重要的底层逻辑在运行。“离开临床数据，AI没法思考。”北京大学肿瘤医院信息部主任衡反修在很多会议上强调这一金句。
AI的开发很像教孩子，需要花时间训练它，给它喂大量数据，同时告诉它什么是错的，什么是对的。通过这种有监督的学习，AI才能成长。
就像早期阿尔法狗的训练一样，医疗AI的训练也得有“棋谱”——以医学影像为例，就是大量由医生标注出重要信息的影像数据集。不过，围棋有统一规则，而人的病例复杂得多，因此，获得高质量的、经标注的影像大数据集，需要大投入。
万里云医疗信息科技（北京）有限公司CEO黄家祥认识一位AI医疗创业公司的创始人，刚融到几千万元投资时十分开心，但不到一年就发现，差不多一半的资金得用在数据标注上。
相对于基因、病理等的数据，获取医学影像数据更容易一些，且本身就是结构数字化的，加之原来就有一些公开的标注数据集，所以一大批创业公司才蜂拥进入影像领域。
基于同样的逻辑，在AI醫疗技术的开发中，最重要的不是AI技术哪家强，而是看谁能与医院建立良好合作，因为医院手中既有医疗数据，又有能对数据进行标注的医生资源。
实际上，中国的医疗大数据一直存在应用障碍，信息孤岛现象明显，国内95%医院的电子病历还未全院流通。换句话说，医疗大数据的地基尚未打好。
在医疗过程中，很多最基本的医疗术语尚不能统一，如阑尾炎和盲肠炎或食管癌和食道癌，说的是一个病，但录入数据库后，计算机会把它分成两种病。
医疗数据不准确、不完整，增加数据挖掘难度的同时，也降低了数据本身的价值。河南省安阳市肿瘤医院每年完成2200台-2500台的食管癌手术，稳居世界第一。但该院院长徐瑞平教授坦陈，“我们做了这么多手术，在国内食管癌的（学术）地位并不高。”原因就是数据质量不高，后期对病人的随访不够，导致数据不完整。
要想让AI深入，就需要协调电子病历、化验和影像系统、医生记录和医疗保险索赔材料等多方的大数据，这明显是个难上加难的任务。
即使在先行者美国，也有同样困境。《数字美国》报告显示，美国有近四分之一的医院和超过40%的医生尚未采用电子健康记录系统。即便有电子记录系统，也没有与病人或其他提供者无缝共享数据，因为这些系统无法互通操作，病人需要反复讲述他们的病史。
况且，医疗AI在全球都面临着一些独特的高难度障碍：医疗数据的敏感性和严格的保护隐私规定，限制了AI医疗所要求的高质量聚合数据的收集。如美国医院对患者隐私有很多保护，医院数据不能轻易开放给AI公司。
嘉御基金的创始人卫哲注意到一个趋势，很多国外从事医疗行业的公司在寻找中国的合作伙伴，因为中国人口同样众多，隐私的保护却没有那么严格，有机会让医疗数据迅速地集中起来。
真正决定中国产生后发优势的，依然是数据够大。李钢观察到，现阶段中国医疗AI产业对美国风向的跟从效应明显。但未来，人口与数据的优势将可能使中国企业狂飙。
AI公司多数都在帮医生做科研，或在提高诊断效率方面做尝试，真正深入到临床流程的很少。对AI将会在多大程度上替代医生，业界有两种不同态度：AI工程师雄心勃勃，认为阿尔法狗的胜利就是最好的证据；医生们则疑虑重重，至少还不担心自己的饭碗会被AI抢走。
《医疗人工智能医生认知情况调研报告》显示，外科和影像科医生对AI的知晓率高于平均水平，但对AI的整体满意度也低于平均水平。不满意主要集中在AI未能减少医生的工作量，其次是对原理的质疑以及准确率不高。
很多使用过阅片AI的影像科医生，没有体会到工作量降低。魏锐利表示，AI分析过的影像，医生还得重新复核一遍。因为担心漏诊，也就是提示有患病可能的影像，没有被识别出来。
所有医疗影像AI公司都会宣称自己的产品比医生阅片速度快得多，准确率要高，但没有谁敢说能够杜绝漏诊问题。这让医生难以完全信赖阅片AI。一旦医生觉得有风险，他就得审核AI看过的所有图像。
漏诊的产生，问题很可能出在训练数据上。黄家祥介绍，很多AI创业公司都是靠公开的数据源起步的，训练的数据量非常有限；还有些公司跟一两家医院合作，把服务器放到医院去训练，也能训练出一个AI模型来，而且对于单一病种，测试效果可能也不错。但如果换了另外一个不同的数据集来测试，很可能就“水土不服”了。
一些AI创业公司会辩解称，自家的AI产品与医生相比，降低了漏诊率。对这种说法，Wision AI的联合创始人刘敬家不以为然，中国目前没有关于医生漏诊的准确数据，如何得出AI的漏诊率比医生低的结论？
“目前来讲，AI所取得的成果还远远没达到预想的目标。”魏锐利说。放眼看，大多数公司的AI产品还处于研发阶段。
华盖医疗基金董事总经理施国敏曾撰文称，人们脑补的人工智能替代医生，哪怕仅仅是辅助，在产品层面也尚未出现。
现阶段的AI都是弱人工智能，其主流的深度学习方法存在一个明显的缺陷，即它的过程无法描述。换句话说，AI算法的整个过程犹如一个专用的、无法打开的“技术黑箱”，所谓可用不可见。它既没有普遍的适应性，也无法拆解出具体的智能化业务规则，而且高度依赖于参与训练的海量数据。 深度学习的特点是有问必答，只要有数据输入，就有结果输出。但刘敬家分析，如果没有金标准对结果进行校验，很可能输出错误的结果，而且很容易蒙蔽人。
医学是注重证据的学科。顶级医学期刊《新英格兰医学杂志》去年发表文章，对深度学习在医学预测领域的应用进行了分析，认为那些没有探明的医学逻辑支撑，妄想通过堆砌更多维度的数据而有所发现的行为，最终会陷于蝴蝶效应的困境之中。也就是初始条件的微小变化，都可能累计出结果的巨大变化。
“技术黑箱”中仅有数学公式推导，却没有明确的理论解释其决策过程。
医生们担心，这种思维用于简单的类似于医学影像标准等的工作尚无大碍，一旦涉及更为复杂的医疗决策辅助，甚至医疗方案的整体评估建议，不考虑决策过程完全以结果为导向去辅助医护人员，会让医护人员陷于被动，甚至暴露在难以控制的决策风险中。
美国医疗媒体STAT在2017年10月连发两篇调查报道，分析沃森的“超级功能”中存在的技术缺陷，并指出美国现有法律框架对于医疗AI监管的疏忽之处。
美国一些医生和消费者团体认为，正是因为AI算法具备“技术黑箱”的特点，监管方需要对像沃森这样的医疗AI辅助诊断系统进行更加仔细的检查和监管。
这个新兴领域排头兵，在中国还将面临政府部门从不同的角度和方面来管制医疗健康领域，往往出现政策之间的不协调，或者部门之间的利益冲突和权力冲突，使得这些创新创业者难以应付。中欧国际工商学院卫生管理与政策中心主任蔡江南为《财经》撰文称，由于缺乏对于制度和政策的了解，许多创新和创业项目往往包含了制度风险和政策风险，一旦政策执行过程中出现橡皮筋的上下波动，这些项目就可能夭折。
活过2018年，是很多医疗AI公司的决心。
融资青黄不接、技术迭代的瓶颈，以及商业模式断裂，哪一条都有可能拖垮靠技术吃饭的初创企业。
李钢观察到，当细分行业龙头融资纷纷达到亿元级别后，其中领先企业融资最困难的阶段就近在眼前了。
这是因为，对风险偏好较高的风险投资者而言，细分行业龙头需要的融资额已经超过他们能够投资的体量；而对于较大体量的私募基金而言，这些行业龙头依然处于商业化的探索阶段，没有亮眼的财务数字却顶着极高的估值，实在无法下手。由于亿元级别的融资相当于B轮融资，因此，这个规律被称为“ C轮死”魔咒。
现在，AI医疗影像行业的头部企业，已经进入C轮的那道缺口之中。
黄家祥也认为，2018年对于很多医疗AI公司来说都是一个巨大的挑战，“可能会淘汰掉一批，不光是融资层面的，还包括一些成长不上去的”。
亲身遇到的案例，也加深了黄家祥这一判断。一个人工智能团队用了约两周时间，从一个公开的数据源，训练出一个初步的AI产品，这一团队找到万里云求助一些脱敏的测试数据，黄家祥提供了一部分数据，对方测出了90%的准确率。
看上去技术门槛似乎并不高，帮助了一些创业企业在短时间内取得一定的成果。然而，“没法实现商业价值，就只是一个基础的研究成果，只能用来秀一秀。”黄家祥十分笃定，这让很多人错误地判断了形势，第一步好迈，但往后走还有没有资源支撑更加重要。
医疗AI跟阿尔法狗一样，需要不停迭代升级。这意味着，要不停用数据去训练AI，并且有医生持续地参与，在真实的应用场景中去支撑AI的持续成长。
一位医疗AI公司创始人对《财经》记者说，一些公司遇到技术迭代的瓶颈，卡住了，“干脆不继续推进，保持低投入、不推广，等着被收购”。
市场集中进程在快速完成，是接受《财经》记者采访的多位资本分析师都认同的医疗AI趋势。“谷歌、腾讯等巨头对初创企业甚至中型公司形成的压制会越来越明显，在接下来的一年，竞争会非常激烈。”王煜全分析称。
巨头的动作有迹可循。2017年8月才发布的腾讯觅影，后发制人地进入“国家队”，在科技部公布的“首批国家人工智能开放创新平台名单”中，明确“依靠腾讯公司建设医疗影像国家新一代人工智能开放创新平台”，从发布成立到进入“国家队”的这三个月里，腾讯觅影就与十多家三甲医院建立了联合实验室，筛查目标病种也从早期食管癌拓展到肺癌、乳腺癌等多病种。
巨头们从观望转变为全面投入，小公司们要不杀出一条血路，要不坐等被收购或挤死。“很多初创公司从创立之际就是坐等巨头开个好价的，‘大鱼吃小鱼’接下来会频繁发生。”尚鞅如此解读2018年的医疗AI市场。
另一方面，管理也随着市场发展开始“划车道”。2018年8月1日，新版《医疗器械分类目录》将开始实行，其中新增了与AI辅助诊断相对应的类别。
按照分类规定，申报二类医疗器械，诊断软件通过算法，提供诊断建议，仅有辅助诊断功能，可不直接给出诊断结论；如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理。
医疗AI公司想走医院采购这条路，必须通过相应的认证。这就需要公司获得大量真实的临床应用数据，为申报提早准备。
多数医疗AI公司还处于打磨产品阶段，商业模式并不清晰，与医院的合作多为提供产品试用，收不到钱。阿里健康副总裁柯研告诉《财经》记者，现在市面上的很多AI公司单纯融资，无论估值多高，没有收入来源和场景，商业模式是断的，“再过三年没有商业模式，会走向边缘”。
在医疗人工智能领域，最核心的要素是场景。场景大于数据，数据大于算法。至于未来谁埋单，柯研说，“我们相信，只要有场景，最后一定会有人心甘情愿付这个钱。”
国内的医疗AI公司，主要与大城市的三甲医院合作，但优质医疗从业者密集的三甲医院，没有迫切需求。真正需要AI缓解的，是资源紧张的中小型医院，这部分市场潜力还远远没有开发出来。
放眼整个行业，一个逐渐清晰的场景就是，影像AI会率先支撑基层医疗。基层医院用影像AI筛查以后，发现一些有问题或者看不准的病例，再交由上级医院的医生来确诊。
再看远些，医疗AI技术如果能够突破应用关，将顶级医生的诊断能力标准化后，交给基层医院，为基层医生提供辅助诊断，会在很大程度上改善醫疗资源的紧张状况。
麦肯锡全球研究所预测，大面积使用人工智能诊断疾病可能不会太快发生，即使早已入局的巨头们，也不过是入门级水平，这并不妨碍AI会成功渗入，成为医疗的底层技术，就像之前的IT技术一样。
人工智能和人类医生比谁更聪明，可能还会持续。《新英格兰医学杂志》认为，这种争论没有意义，如何让人工智能和人类医生一起，实现任何单一方都无法提供的临床效果，才是关键。
行业的狂欢和泡沫，是任何一个新技术浪潮的必经之路。最后胜出的，是那些创造了真实价值的技术和产品。
人工智能在多个医疗细分领域曾与人类医生交手，2016年5月至今，比分结果是AI 6胜、3平、2负。医生已然落于下风。
2017年岁末，斯坦福大学教授吴恩达领导的机器学习小组开发出一种名为CheXnet的算法，能够更敏锐地捕捉胸部X光片中的肺炎迹象，在诊断肺炎的比拼中，也一举击败四名放射科医师。
这些火种足以让产业界信心爆棚。谷歌、IBM、英特尔等国际巨头和国内的“BATK”（百度、阿里、腾讯、科大讯飞），都加紧布局，一大批初创公司也喷涌而出。
人口老龄化加剧、慢性病患者群体增长、优质医疗资源紧缺、公共医疗费用攀升等多重压力，使AI入医疗被寄望成为这一全球性压力的泄压阀。泄出的压力也正是机遇的源头。尤其在中国，人口数量成为优势，医疗数据的基础大，可以给医疗AI提供充沛的燃料。业内的普遍看法是，在该领域，国内企业有弯道超车的机会。
然而，AI的泡沫已然吹起，医疗能否独善其身？这将取决于研究成果能否尽快进入临床，并获得大范围应用，给医疗带来切实改进，以撑起领域公司的估值，冲破“C轮死”的魔咒。
向医生的主场渗透
击败四名放射科醫师，CheXnet只经历了一个月的诊断学习。
AI已经在预测中风和心脏病发作、预测婴儿自闭症的风险上表现出明显优势；在外科手术和阿尔茨海默病预测中略胜一筹；在治疗脑肿瘤、先天性白内障诊断和皮肤癌诊断上，跟人类医生打平。“这些示范性的案例，就是一轮又一轮大额度融资的信心来源。”亿欧智库医疗产业分析师尚鞅告诉《财经》记者。过去一年，资本对医疗AI的热情展露得非常明显，因为落地的可能性被印证了。
此前的人机对战都在研发阶段，直到一年前，美国批准了第一个用于临床的医疗AI产品，它可以分析心脏核磁共振图像，准确度可与有经验的医生相媲美。进入临床，是AI向产业化迈进的一大步。
2017年，国内医疗AI行业公布的融资事件近30起，融资总额超过18亿元。融资额最高的一笔是AI医学影像公司汇医慧影数亿元B轮融资。
“能够在如此短时间内让投资界集体高潮，一定是出现了商机。”易凯资本有限公司健康产业组联席负责人李钢分析。
就医，最核心的部分是诊断。替代医生诊断，是医疗AI的一个终极目标。现阶段的小目标是，能够让AI为医生的诊断及治疗方案提供建议，辅助诊疗。
AI辅助医生做事，先从那些繁琐的、重复性工作起步，提升诊疗效率。企业和研究团队分头趟开两条路：一条基于自然语言处理，根据病历和症状诊断疾病；一条基于计算机视觉，通过识别医学影像诊断疾病。
IBM公司开发的“沃森”（Watson），是第一条路径代表。它四年学习了200本肿瘤教科书、290种医学期刊和超过1500万份的文献后，尝试在14个国家的多个肿瘤治疗中心临床应用。在输入患者的年龄、性别、体重等基本情况和癌症分期、局部复发、化疗方案、病理分期、癌症转移等具体内容后，短短十多秒，沃森就会给出治疗方案，在肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌等方面为医生提供诊断建议。
肿瘤医生的智能助手沃森落地中国非常迅速，其国内代理商——百洋智能科技在去年5月曾透露，一年内将有150家地市级的三级综合医院引进沃森。然而，沃森面临的问题是，虽然速度快，但给出的解决方案可能还不是最好的。
第二条路径，AI可将复杂、高维度的医学影像数据，降维使其更易处理，因而可以快速、准确地从医学影像中发现病症的信息，辅助医生诊断。
医学影像在医疗数据总量中占比约80%，包括CT、核磁、超声、病理、内窥镜、眼底等，因而，医学影像的计算机处理向来是一个庞大的产业。
全球知名风投调研机构CB Insights对美国106家医疗AI初创企业分析显示，影像和诊断成为资本热涌的重点领域。IBM和阿尔法狗的开发者DeepMind都在推进AI医学影像的应用，阿里、腾讯也不甘人后。
实际上，AI的触角已无处不在。运用语音识别和自然语言理解，医生在诊疗过程中即可完成病历编写，能提高医生工作效率，美国大概有72%的医院已经实现用语音收集医疗信息，科大讯飞、云知声等均有此项业务。
一些初创公司，还喜欢挤入慢性病管理，即运用人工智能算法，对慢性病患者进行实时健康监测及干预，甚至据此生成健康管理建议，主要针对糖尿病、心血管病等需要即时干预的慢性病患者。
而一年多前，很多一线医生还不知道AI这个字母组合是什么意思。“在过去的12个月，关于医疗AI的各种信息，很多一线医生都在听和看，这是一个很好的趋势。”上海长征医院眼科主任医师魏锐利对《财经》记者说。
2017年11月，由独角兽工作室等联合发布的《医疗人工智能医生认知情况调研报告》显示，77%的医生至少听说过一种医疗人工智能应用。
催逼AI箭上弦，本质上还是好医生稀缺。蓝驰创投合伙人陈维广，在投了春雨医生之后，他多次接到朋友的请求，让帮忙找好医生。对医疗的需求提升，是全球普适的驱动因素，而人口老龄化就是那块巨大的背景板。
像一副摆好的多米诺骨牌，全球人口老龄化加速，老龄化社会之后就是医疗资源匮乏。美国人口普查局报告显示，至2015年，全球65岁及以上人口超过6亿。这一年，中国65岁及以上人口约1.44亿。
英特尔医疗与生命科学部亚太区总经理李亚东介绍，目前全球约30%的医疗资源为65岁以上的人群所占用，50%的医疗资源为55岁以上的人群占用。 国内对AI最现实的期待是，纾解三甲医院爆满的困境，协助提升县乡镇的医疗水平，以免漏诊、误诊。
依然是数据为王
一个十分明显的趋势是，AI往医学影像领域扎堆。
动脉网数据显示，国内83家医疗AI企业中，一半涉足医学影像。“（这一领域）正处于黄金期，除提高效率之外，它能找到人力无法找到的病征，今后完全取代医生读片是完全可能的。”海银资本创始合伙人王煜全向《财经》记者分析。
技术驱动因素之外，还有一个重要的底层逻辑在运行。“离开临床数据，AI没法思考。”北京大学肿瘤医院信息部主任衡反修在很多会议上强调这一金句。
AI的开发很像教孩子，需要花时间训练它，给它喂大量数据，同时告诉它什么是错的，什么是对的。通过这种有监督的学习，AI才能成长。
就像早期阿尔法狗的训练一样，医疗AI的训练也得有“棋谱”——以医学影像为例，就是大量由医生标注出重要信息的影像数据集。不过，围棋有统一规则，而人的病例复杂得多，因此，获得高质量的、经标注的影像大数据集，需要大投入。
万里云医疗信息科技（北京）有限公司CEO黄家祥认识一位AI医疗创业公司的创始人，刚融到几千万元投资时十分开心，但不到一年就发现，差不多一半的资金得用在数据标注上。
相对于基因、病理等的数据，获取医学影像数据更容易一些，且本身就是结构数字化的，加之原来就有一些公开的标注数据集，所以一大批创业公司才蜂拥进入影像领域。
基于同样的逻辑，在AI醫疗技术的开发中，最重要的不是AI技术哪家强，而是看谁能与医院建立良好合作，因为医院手中既有医疗数据，又有能对数据进行标注的医生资源。
实际上，中国的医疗大数据一直存在应用障碍，信息孤岛现象明显，国内95%医院的电子病历还未全院流通。换句话说，医疗大数据的地基尚未打好。
在医疗过程中，很多最基本的医疗术语尚不能统一，如阑尾炎和盲肠炎或食管癌和食道癌，说的是一个病，但录入数据库后，计算机会把它分成两种病。
医疗数据不准确、不完整，增加数据挖掘难度的同时，也降低了数据本身的价值。河南省安阳市肿瘤医院每年完成2200台-2500台的食管癌手术，稳居世界第一。但该院院长徐瑞平教授坦陈，“我们做了这么多手术，在国内食管癌的（学术）地位并不高。”原因就是数据质量不高，后期对病人的随访不够，导致数据不完整。
要想让AI深入，就需要协调电子病历、化验和影像系统、医生记录和医疗保险索赔材料等多方的大数据，这明显是个难上加难的任务。
即使在先行者美国，也有同样困境。《数字美国》报告显示，美国有近四分之一的医院和超过40%的医生尚未采用电子健康记录系统。即便有电子记录系统，也没有与病人或其他提供者无缝共享数据，因为这些系统无法互通操作，病人需要反复讲述他们的病史。
况且，医疗AI在全球都面临着一些独特的高难度障碍：医疗数据的敏感性和严格的保护隐私规定，限制了AI医疗所要求的高质量聚合数据的收集。如美国医院对患者隐私有很多保护，医院数据不能轻易开放给AI公司。
嘉御基金的创始人卫哲注意到一个趋势，很多国外从事医疗行业的公司在寻找中国的合作伙伴，因为中国人口同样众多，隐私的保护却没有那么严格，有机会让医疗数据迅速地集中起来。
真正决定中国产生后发优势的，依然是数据够大。李钢观察到，现阶段中国医疗AI产业对美国风向的跟从效应明显。但未来，人口与数据的优势将可能使中国企业狂飙。
还没有看上去那么美
AI公司多数都在帮医生做科研，或在提高诊断效率方面做尝试，真正深入到临床流程的很少。对AI将会在多大程度上替代医生，业界有两种不同态度：AI工程师雄心勃勃，认为阿尔法狗的胜利就是最好的证据；医生们则疑虑重重，至少还不担心自己的饭碗会被AI抢走。
《医疗人工智能医生认知情况调研报告》显示，外科和影像科医生对AI的知晓率高于平均水平，但对AI的整体满意度也低于平均水平。不满意主要集中在AI未能减少医生的工作量，其次是对原理的质疑以及准确率不高。
很多使用过阅片AI的影像科医生，没有体会到工作量降低。魏锐利表示，AI分析过的影像，医生还得重新复核一遍。因为担心漏诊，也就是提示有患病可能的影像，没有被识别出来。
所有医疗影像AI公司都会宣称自己的产品比医生阅片速度快得多，准确率要高，但没有谁敢说能够杜绝漏诊问题。这让医生难以完全信赖阅片AI。一旦医生觉得有风险，他就得审核AI看过的所有图像。
漏诊的产生，问题很可能出在训练数据上。黄家祥介绍，很多AI创业公司都是靠公开的数据源起步的，训练的数据量非常有限；还有些公司跟一两家医院合作，把服务器放到医院去训练，也能训练出一个AI模型来，而且对于单一病种，测试效果可能也不错。但如果换了另外一个不同的数据集来测试，很可能就“水土不服”了。
一些AI创业公司会辩解称，自家的AI产品与医生相比，降低了漏诊率。对这种说法，Wision AI的联合创始人刘敬家不以为然，中国目前没有关于医生漏诊的准确数据，如何得出AI的漏诊率比医生低的结论？
“目前来讲，AI所取得的成果还远远没达到预想的目标。”魏锐利说。放眼看，大多数公司的AI产品还处于研发阶段。
华盖医疗基金董事总经理施国敏曾撰文称，人们脑补的人工智能替代医生，哪怕仅仅是辅助，在产品层面也尚未出现。
现阶段的AI都是弱人工智能，其主流的深度学习方法存在一个明显的缺陷，即它的过程无法描述。换句话说，AI算法的整个过程犹如一个专用的、无法打开的“技术黑箱”，所谓可用不可见。它既没有普遍的适应性，也无法拆解出具体的智能化业务规则，而且高度依赖于参与训练的海量数据。 深度学习的特点是有问必答，只要有数据输入，就有结果输出。但刘敬家分析，如果没有金标准对结果进行校验，很可能输出错误的结果，而且很容易蒙蔽人。
医学是注重证据的学科。顶级医学期刊《新英格兰医学杂志》去年发表文章，对深度学习在医学预测领域的应用进行了分析，认为那些没有探明的医学逻辑支撑，妄想通过堆砌更多维度的数据而有所发现的行为，最终会陷于蝴蝶效应的困境之中。也就是初始条件的微小变化，都可能累计出结果的巨大变化。
“技术黑箱”中仅有数学公式推导，却没有明确的理论解释其决策过程。
医生们担心，这种思维用于简单的类似于医学影像标准等的工作尚无大碍，一旦涉及更为复杂的医疗决策辅助，甚至医疗方案的整体评估建议，不考虑决策过程完全以结果为导向去辅助医护人员，会让医护人员陷于被动，甚至暴露在难以控制的决策风险中。
美国医疗媒体STAT在2017年10月连发两篇调查报道，分析沃森的“超级功能”中存在的技术缺陷，并指出美国现有法律框架对于医疗AI监管的疏忽之处。
美国一些医生和消费者团体认为，正是因为AI算法具备“技术黑箱”的特点，监管方需要对像沃森这样的医疗AI辅助诊断系统进行更加仔细的检查和监管。
这个新兴领域排头兵，在中国还将面临政府部门从不同的角度和方面来管制医疗健康领域，往往出现政策之间的不协调，或者部门之间的利益冲突和权力冲突，使得这些创新创业者难以应付。中欧国际工商学院卫生管理与政策中心主任蔡江南为《财经》撰文称，由于缺乏对于制度和政策的了解，许多创新和创业项目往往包含了制度风险和政策风险，一旦政策执行过程中出现橡皮筋的上下波动，这些项目就可能夭折。
“C轮死”魔咒
活过2018年，是很多医疗AI公司的决心。
融资青黄不接、技术迭代的瓶颈，以及商业模式断裂，哪一条都有可能拖垮靠技术吃饭的初创企业。
李钢观察到，当细分行业龙头融资纷纷达到亿元级别后，其中领先企业融资最困难的阶段就近在眼前了。
这是因为，对风险偏好较高的风险投资者而言，细分行业龙头需要的融资额已经超过他们能够投资的体量；而对于较大体量的私募基金而言，这些行业龙头依然处于商业化的探索阶段，没有亮眼的财务数字却顶着极高的估值，实在无法下手。由于亿元级别的融资相当于B轮融资，因此，这个规律被称为“ C轮死”魔咒。
现在，AI医疗影像行业的头部企业，已经进入C轮的那道缺口之中。
黄家祥也认为，2018年对于很多医疗AI公司来说都是一个巨大的挑战，“可能会淘汰掉一批，不光是融资层面的，还包括一些成长不上去的”。
亲身遇到的案例，也加深了黄家祥这一判断。一个人工智能团队用了约两周时间，从一个公开的数据源，训练出一个初步的AI产品，这一团队找到万里云求助一些脱敏的测试数据，黄家祥提供了一部分数据，对方测出了90%的准确率。
看上去技术门槛似乎并不高，帮助了一些创业企业在短时间内取得一定的成果。然而，“没法实现商业价值，就只是一个基础的研究成果，只能用来秀一秀。”黄家祥十分笃定，这让很多人错误地判断了形势，第一步好迈，但往后走还有没有资源支撑更加重要。
医疗AI跟阿尔法狗一样，需要不停迭代升级。这意味着，要不停用数据去训练AI，并且有医生持续地参与，在真实的应用场景中去支撑AI的持续成长。
一位医疗AI公司创始人对《财经》记者说，一些公司遇到技术迭代的瓶颈，卡住了，“干脆不继续推进，保持低投入、不推广，等着被收购”。
市场集中进程在快速完成，是接受《财经》记者采访的多位资本分析师都认同的医疗AI趋势。“谷歌、腾讯等巨头对初创企业甚至中型公司形成的压制会越来越明显，在接下来的一年，竞争会非常激烈。”王煜全分析称。
巨头的动作有迹可循。2017年8月才发布的腾讯觅影，后发制人地进入“国家队”，在科技部公布的“首批国家人工智能开放创新平台名单”中，明确“依靠腾讯公司建设医疗影像国家新一代人工智能开放创新平台”，从发布成立到进入“国家队”的这三个月里，腾讯觅影就与十多家三甲医院建立了联合实验室，筛查目标病种也从早期食管癌拓展到肺癌、乳腺癌等多病种。
巨头们从观望转变为全面投入，小公司们要不杀出一条血路，要不坐等被收购或挤死。“很多初创公司从创立之际就是坐等巨头开个好价的，‘大鱼吃小鱼’接下来会频繁发生。”尚鞅如此解读2018年的医疗AI市场。
另一方面，管理也随着市场发展开始“划车道”。2018年8月1日，新版《医疗器械分类目录》将开始实行，其中新增了与AI辅助诊断相对应的类别。
按照分类规定，申报二类医疗器械，诊断软件通过算法，提供诊断建议，仅有辅助诊断功能，可不直接给出诊断结论；如果对病变部位进行自动识别，并提供明确诊断提示，则按照第三类医疗器械管理。
医疗AI公司想走医院采购这条路，必须通过相应的认证。这就需要公司获得大量真实的临床应用数据，为申报提早准备。
多数医疗AI公司还处于打磨产品阶段，商业模式并不清晰，与医院的合作多为提供产品试用，收不到钱。阿里健康副总裁柯研告诉《财经》记者，现在市面上的很多AI公司单纯融资，无论估值多高，没有收入来源和场景，商业模式是断的，“再过三年没有商业模式，会走向边缘”。
在医疗人工智能领域，最核心的要素是场景。场景大于数据，数据大于算法。至于未来谁埋单，柯研说，“我们相信，只要有场景，最后一定会有人心甘情愿付这个钱。”
国内的医疗AI公司，主要与大城市的三甲医院合作，但优质医疗从业者密集的三甲医院，没有迫切需求。真正需要AI缓解的，是资源紧张的中小型医院，这部分市场潜力还远远没有开发出来。
放眼整个行业，一个逐渐清晰的场景就是，影像AI会率先支撑基层医疗。基层医院用影像AI筛查以后，发现一些有问题或者看不准的病例，再交由上级医院的医生来确诊。
再看远些，医疗AI技术如果能够突破应用关，将顶级医生的诊断能力标准化后，交给基层医院，为基层医生提供辅助诊断，会在很大程度上改善醫疗资源的紧张状况。
麦肯锡全球研究所预测，大面积使用人工智能诊断疾病可能不会太快发生，即使早已入局的巨头们，也不过是入门级水平，这并不妨碍AI会成功渗入，成为医疗的底层技术，就像之前的IT技术一样。
人工智能和人类医生比谁更聪明，可能还会持续。《新英格兰医学杂志》认为，这种争论没有意义，如何让人工智能和人类医生一起，实现任何单一方都无法提供的临床效果，才是关键。
行业的狂欢和泡沫，是任何一个新技术浪潮的必经之路。最后胜出的，是那些创造了真实价值的技术和产品。