在多个研究中，人工智能已经成功击败人类医生，但在大规模落地前，医疗人工智能还有很多课要补
编/王小
图/pixabay
2011年，在美国智力问答节目（Jeopardy）中，IBM人工智能机器人沃森（Watson）一举击败两位人类选手取得冠军。这场对决开启了未来十年人们对AI（人工智能）的无限想象，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。比较知名的是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。
十年过去。2021年11月5日，中国“医疗AI第一股”北京鹰瞳科技发展股份有限公司（02251.HK）登陆港股市场。然而，曾被寄予厚望的“AI四小龙”之一依图科技，在7月终止了上市计划，医疗业务大幅缩水。
大热数年的医疗AI，是到了收获之时，还是泡沫破裂之际？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，能否撑起领域公司的估值。
洗牌时刻已至。
向医生的主场渗透
击败四名放射科医师，CheXnet只经历了一个月的诊断学习。
AI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·大健康》。过去，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。”易凯资本有限公司合伙人李钢分析。
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。
图/pixabay
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。
沃森是第一条路径代表。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一度非常迅速，其国内代理商——百洋智能科技在2017年5月曾称，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。
转折出现在2017年。
此前，很多一线医生还不知道AI这个字母组合是什么意思。到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。
数据为王？
AI一度往医学影像领域扎堆。
动脉网2018年数据显示，当时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曾向《财经·大健康》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。
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医疗技术的开发中，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。
过去，中国的医疗大数据一直存在应用障碍，信息孤岛现象明显。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。
先行者美国在这一步遇阻。《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，是监管层对医院病历电子化的要求。
2018年，国家卫健委发文，要求到2020年底三级医院要实现电子病历信息化诊疗服务环节全覆盖。这一年发布的最新版电子病历分级评价标准，共分了0—8九个考核等级。
例如，达到二级的病例，相当于只能进行部门内的信息交换；四级，患者就医全流程在全院内安全共享，同时还含有药品的配伍以及相互作用的自动审核，以及合理用药监测的功能，为医疗决策提供支持；五级以上，就能实现院内外数据的打通。
据《财经·大健康》了解，目前，绝大多数三级公立医院能达到三级以上水平。有公立医院甚至已到病历七级水平，可以实现院外共享，这意味着患者就医的时候，他在前几家医院就诊的检验检查结果，自动弹出，在一定区域内或者医联体内可以互认。
还没有看上去那么美
病例迅速电子化，与2020年出现的新冠疫情不无关系，迅速发展的互联网医疗，给了中国的医疗AI企业“超车”机会。到2020年底，全国有互联网医院1100多家，是2018年数量的近10倍。
在一位业内人士看来，授权谁拥有这个数据，谁可以调用数据，打通数据通路，扭转医生对医疗AI的印象，也就水到渠成。
曾经，外科和影像科医生对AI的整体满意度低于平均水平，主要是因为AI未能减少医生的工作量、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。
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。
一位医疗AI研发人员透露，与合作医院传输图像，需要用光盘去拷数据，因为很多医院的设备，U盘都插不进去。“主要是考虑到安全问题，一旦出事，医院会担很大的责任。”
这位研发人员告诉《财经·大健康》，在与医院合作研发前，医疗影像AI公司时需要提供一个安全的、能够确保数据信息不会泄露的解决方案，“有签协议的，还有一些大型医院坚持数据不出院，研发只能在院内，特别是北京的三甲医院，涉及官员等重点人群数据较多”。
有的企业干脆把机器搬到医院，与医院系统对接获取数据。一趟下来得支付运输、安装部署、医院IT端口等一堆费用。而且，撤离时，还必须把机器中的数据都清洗掉。
图/pixabay
除了漏诊，还有假阳性。
山东大学齐鲁医院放射科副主任于德新向《财经·大健康》提到，早期肺结节影像AI系统最令人纠结的地方，是设计过于敏感。例如，肉眼可以看到3个小结节，用软件扫一遍，找出８个。根据诊疗指南，非常微小的良性肺结节，即使检测出来也没有太大临床意义，并不会影响患者的预后。
“好多小结节报出来后，有些患者变得非常焦虑，甚至跑到北京、上海去会诊，增加了很大的心理负担”，因此，于德新和同事们建议厂家，不再标识3毫米以下的良性结节。
如果一个人有超过20个肺结节，医生一个看一下就要30秒，这反而成了一种负担。
“我不需要”，一位使用过相关产品的影像科医师吐槽，“我不是要检出数量，而是要做定量分析（体积占比），感染科和呼吸科医生也是这种观点。”
“目前来讲，AI所取得的成果还远远没达到预想的目标。”上海长征医院眼科主任医师魏锐利说。放眼看，大多数公司的AI产品还处于研发阶段。
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Wision AI的联合创始人刘敬家分析，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》曾发表文章，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。
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，在产品层面尚未出现。
洗牌时刻
2021年，后疫情时代的医疗AI仍然很火。据合壹汇科技统计，已有160亿资金流入医疗人工智能领域，超过80%流向了头部企业。洗牌时刻到了。
2021年9月，曾有望成为中国“医疗AI第一股”的科亚医疗，上市申请失效。曾经的领军企业依图科技，也在6月底撤回了在A股上市的申请。
一位依图科技前员工向《财经·大健康》透露，对于上市，其实依图科技近半年来一直都在努力，只是最终没能成功，医疗业务也“大幅缩水”。2021年8月，依图科技将医疗团队卖给了曾经的竞争对手深睿医疗。
也在这一年，鹰瞳科技成功登陆港交所。数坤科技、推想科技也已递表港交所。
这些企业均有大幅亏损，其中，推想科技2020年亏损近5亿元。在这个烧钱的行业，打通二级市场的融资渠道，且自己开始商业化，逐渐有造血能力，这样才能让企业活下去。
如果停留在一级市场，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。
黄家祥就曾遇到这样的案例。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，他提供了一部分数据，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。
一位医疗AI公司创始人对《财经·大健康》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”。
图/pixabay
2021年之前，业内公证的是，谁能拿到医疗器械三类，谁就有可能成为这个领域的赢家。热情的投资者们，曾经也是这样定义行业领军者的。
但依图医疗折戟IPO表明，拿证只是基础。“主要问题还是商业化成果不够理想，这也是医疗AI行业的通病”，前述依图科技前员工说。
一位业内人士坦承，在医疗的复杂环境下，AI作为一项独立产品进行商业化落地，特别是面向单一的科室，如影像科的产品，会面临比较大的挑战。单科室和医生会觉得很有价值的，但对医院来说，只能解决一小部分的问题。
公立医院购置设备的资金大部分需要自筹，财政拨款仅占收入比的10%左右甚至更低。因此有一笔购置硬件的资金，总是要考虑能收益最大化。
另一业内人士分析，对影像科这样的非临床科室而言，即使整个科室意愿非常强烈，如果AI不能带来新的收费项目，或是极大提高诊断效率，从经济学角度来讲，这个科室的设备更新需求，并不是医院的首选。
国内的医疗AI公司，曾经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医疗资源的紧张状况。
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。
