浅谈人工智能与医疗
我们会发现，近两年，人工智能在各个领域开花结果，任何一个AI产品都要注重的目标是主要解决什么问题。
由于医疗是一个优质资源长期稀缺的行业，大家都希望有最资深、最顶级的医生来治疗，然而，顶级的医生是有限的，高水平医生的精力也是有限的。特别是结合我国国情，人口老龄化、慢病高速增长、医疗资源供需严重失衡以及地域分配不均等问题，造就了对医疗人工智能的巨大需求；同时，我国人口基数大、产业组合丰富、人才储备充分等特点，又给人工智能的发展提供了很好的基础。因此，医学人工智能是解决医疗生产力的根本之道。
从医生的角度来看，人工智能可以帮助医生如何更明智地完成完成病情检查和诊断工作，高水平的医生通过人工智能辅助诊断，节约了时间和精力，人工智能也可以从高水平医生的诊断结果中学习出更优化的模型参数，不断地优化模型，同时，也指导了医疗资源匮乏地区的医生对病情的判断，病人也可以进行跟精准和及时且成本更低的治疗。
人工智能与医疗的结合方式较多，就医流程方面包括诊前、诊中、诊后；适用对象包括医院、医生、药企、检验机构等；就赋能医疗行业的角度分析，包括降低医疗成本，提高诊断效率等多种模式。我国医疗人工智能企业聚焦的应用场景集中在虚拟助理、病例与文献分析、医疗影像辅助诊断、药物研发、基因测序等领域。
一个好的医疗人工智能应该包含一下三个内容：
优质的数据源和好的数据标注，大家都知道，数据的数量和质量会直接影响到深度学习的效果，而好的数据标注，就相当于是一个好的老师。好的模型，好的模型决定了AI智商的天花板。训练过程，需要反复的练习，就像我们只有反复不断地做很多高考模拟题，在真正高考的时候才能取得优异的成绩。那么，判断一个医疗人工智能产品的评判标准，也包含了三个点：
鲁棒性，在不同场景，不同的医院里使用时都能表现出稳定且准确的结果。易用性，使用的过程做到易上手，不用过于复杂的学习使用方法。安全性，这一点就显而易见了。相信在不久的未来，智能医疗芯片会嵌入人们的智能穿戴设备中，帮助追踪健康状态，而这些事情，已经开始变为现实，机器人手术的技术已愈发成熟，相信在以后，即使是当时的乡村医生，也能进行更复杂的手术，相信，融合了AI，融合了分析能力与智能联想的医疗人工智能产品，能改变医疗事业。
人工智能技术如何推动精准医疗的发展
借助人工智能技术，精准医学也迈入了新的阶段与高度，能够为患者提供更准确的预测性结论。
来源|Forbes
“精准医学”有时也被称为“个性化医学”，在医疗保健领域仍是一个相对较新的概念，但其基本思路多年之前就早已存在。根据美国国家医学图书馆的资料，精准医学是指“一种新兴的疾病治疗与预防方法，其考虑到每个人在基因、环境以及生活方式等方面的个体差异。”
精准医学能够帮助医生考量并采用更加个性化的治疗方法，而不再面向所有患者实施统一的治疗方法，从而确保治疗流程确切匹配病患的具体情况。在确定治疗方案的过程中，医生往往需要查看患者的遗传史、生活地区、环境因素、生活方式以及习惯等等。
借助人工智能技术，精准医学也迈入了新的阶段与高度，能够为患者提供更准确的预测性结论。同时，还有人认为，如果没有机器学习算法支持整个流程，精准医学根本不可能完全实现。
在由ChilmarkResearch发布一的份报告中，研究人员指出要充分发挥精准医学的潜力，除了以远超人类的速度读取并分析大量医学数据之外，AI技术还能够更准确地给出判结果，包括适用于患者的治疗选项以及可能的治疗结果等重要论断。
在AI的帮助下，我们不仅能够预测治疗效果，甚至有望预测患者未来患病的可能性，这也正是精准医学的一大核心优势。通过更透彻地理解为何发生疾病以及在哪些环境之下更可能产生疾病，人工智能得以帮助并引导医学从业者了解可以根据哪些发病前迹象实现疾病预判。对于医疗行业以及每一位普通人而言，这种提前评估疾病风险的能力无疑是革命性的。
此外，机器学习还有助于改善美国食品药物管理局（FDA）制定的关于测试、药物与药物合成合作关系的法规，进而支撑起更完善的治疗体系。更具体地讲，要全面实现精准医学，我们首先需要在各制药企业、生物技术公司、学术界、诊断机构等参与方之间建立起紧密的协作体系，从而推动创新工作的快速进步。
行业领先的精准医学情报公司Amplion最近发布了Dx:Revenue。这是一套软件情报平台，利用机器学习技术提供与各制药合作方相关的洞察见解。
这套平台覆盖包括临床试验、科学出版物、会议摘要、FDA批准测试、实验室测试以及其他信息的总计3400万个数据源，旨在确保测试服务供应商的能力与制药企业的特定需求相匹配。
Amplion公司CEOChrisCapdevlia表示，“这种能力在癌症领域尤其重要，因为我们正努力将以往千篇一律的匹配方法转化为更具针对性的个性化实施方向，从而根据每一位患者的生物学特征进行治疗。通过这种医疗保健个性化方法，我们不仅能够为患者带来更好的治疗结果，还能够通过降低周期与提高成功率的方式压缩药物开发成本，推动有价值药物的上市速度——这一切都将为患者带来更好的诊疗体验与治愈效果。”
精准医学有望真正改善民众的生活质量，甚至挽救更多生命。而人工智能的应用则能够显著放大这种积极效果。对于众多因目前诊疗费用及医疗保险额度而无法承担高复杂度治疗方法的患者，精准医学与AI技术的结合还能显著降低治疗的成本与享用门槛。诚然，精准医学仍然面临着诸多挑战，但我们相信人工智能的介入将帮助我们不断探索、最终实现这一伟大目标。
至顶网
一个谈新技术和新商业模式的信息服务平台，致力于记录和推动数字化创新，服务CIO、CTO等技术和商业的决策者、从业者。
人工智能在医疗领域的应用风险很大
随着科学技术进步，在医疗健康领域已有不少AI应用成功案例，譬如：新药研发、辅助疾病诊断、辅助治疗、健康管理、医学影像、临床决策支持、医院管理、便携设备、康复医疗和生物医学研究。
人工智能的发展毫无疑问受到了人们极大的关注，医疗领域一直以来，都希望通过人工智能的发展来提高医疗技术，使得行业发展更上一层楼。
据统计，目前在新药研发、辅助疾病诊断、辅助治疗、健康管理、影像、临床决策支持、医院管理、便携设备、康复医疗和生物医学研究等十大领域，都有人工智能的实操案例。
虽然医学人工智能是发展的大趋势，但目前AI还有很多不成熟的地方，如果大规模在临床应用的话是很危险的。
人工智能要一分为二地看待。
一方面，从积极的态度看，医学人工智能目前是发展大趋势。大数据技术的发展使得AI已成为一个行业发展的必经之路和重要方向。
从需求上来说，无论是大医院的医生，还是基层医生，都需要一些辅助用具，都需要一些用以决策的数据依据。按照人的记忆能力，是没法完成数字化大规模运算和大规模记忆存储的，这是人脑的局限性，而机器正好弥补了人类的短板。
目前AI还处在非常初级的阶段，有很多不成熟的地方，包括数据模型的建立、数据的来源以及知识模型和知识标准等，这些方面都很初级。
而且，目前都是工程师在建立模型，很少有临床医学的专家参与这个过程。所以在这个阶段，AI还存在很多缺陷和风险，如果大规模临床应用的话是很危险的，因为医疗是不能出错的。
现在的AI是基于国际开源的一些公用的模型和算法，所以它局限在我们的语音识别、图像识别，对于很多其他逻辑数据的建立，目前还很难建造一个非常符合临床医学规律的数据模型。所以，这就需要更多的数学家参与到医学AI的开发中来。
在目前这个状态下，AI用在基层医疗上是不行的，是一个风险所在。或许很多大专家有判断能力，但是基层医生是没有判断能力的，你把这样一个机器给他，他无法判定是采取机器的建议还是拒绝机器的建议，这对诊断疾病来说就会有潜在风险。
同时，患者对医生的信任，不仅取决于医生的职业能力，还取决于其职业口碑。而口碑则与其服务患者的态度等个人特质相关。在这方面，人工智能显然还远远达不到医生的水平。
有经验的医生，会根据自己的经验，综合考虑病人的病情、病人本身的情况、家属的情况、甚至社会影响等因素，有选择性地给出诊断结果和治疗意见。而目前，人工智能则只能根据病人的数据分析给出“直接且冰冷”的通知。
即便用上更温和的声音和形象，还是很难达到病人的心里需求。因为患者除了想从医生那里的到专业诊断之外，还想从其诊疗过程中获得“能否治愈”等信息。而对于那些严重的、紧急的病人来说，由人工智能给出程式化的诊断结果，无形中可能降低其治疗信心。
现在AI的整个设计逻辑还存在短板，它是基于一种完全可控的、可知的、可预测的数学逻辑去建立的模型，换句话说，它是符合现代简单数学逻辑的，比如“1+1=2”的这种。
但我们的临床疾病很多情况下不是如此清楚的数学逻辑，它是因果关系，其中会涉及很多潜在的干扰因素，还有未知因素，所以目前建立起来的AI模型还无法模拟临床上的这种因果关系。
简单一句话就是，目前的AI不具备逻辑推理能力，因为人还不知道自己的逻辑推理是怎么算出来的。
从生物学上来说，我们对人的这些跳跃性思维还不完全掌握，我们看到科学界有很多报告也对AI的一些优点和弊端做了相关鉴定。一方面，AI具备大规模的运算能力、存储能力、深度搜索能力以及快速学习能力。
它目前解决的包括精确控制和远程操控，都是劳动密集型问题，也就是重复性的、简单逻辑很明确的工作关系。但是对临床诊断来说，它需要逻辑推理能力，这是AI的短板。所以目前整个AI的运用还有很大风险。
从思维方式上来说，积极的深度学习是一个连续性的学习，我们在人脑上叫连续性思维，但目前机器无法做到的是跳跃性思维。
比如，我们人类有个事情解决不了，睡了一觉后，第二天早上突然灵光一现，找到了解决方案，这种跳跃性思维目前从生理学上是怎么诞生的，我们并不知道，这是脑科学还没有解决的问题，所以无法用机器去模拟这种跳跃性思维，这时候就无法完成逻辑推理层面上的治病过程。
你不知道结果的可信性，你就无法判断这个结果在临床上是不是可以使用，这是目前AI最大的一个风险。所以我们要研究到底在医疗上采用什么样的方式去建立AI模型，这是当下科学界最紧迫的一个议题。
所以在医疗的AI应用上，不太建议从深度学习做起，不应该从过去发生的案例来进行深度学习，而是应该从我们已经确定的知识结构开始，这是两个方向。中国科学院的几名院士也提出，目前的AI深度学习不适合在医疗上应用。