不同于数学和物理，医学世界里不存在所谓的“简洁而优美”的公式。它更像一门以基础科学为物料、经过长期积累发展而来的经验学科。一名出色的医生就像美剧中的豪斯医生般，具有丰富的临床经验和广博的医学知识。
然而现实中，面对海量的医疗数据，若要求每位医生在和病人简短的接触中都能快速得出精确的诊断结果，那几乎是不可能的。如果至今你仍对医生们满怀信心，那么你是幸运的，因为就概率而言，你每次就医，医生的确诊率可能只有50%。
继问鼎棋坛之后，AI能否在医学界再下一城呢？我们不妨让AI和人类医生同台竞技，一决高低。
Round 1：经验大比拼
看病时，我们通常都爱找资历比较老的医生，这意味着他们接触过更多的病人，看过更多的病例，因此经验更丰富老道，做出正确诊断的几率也更高。但怎样才算经验丰富呢？十年算不算？三十年算不算？一辈子算不算？
在儿童青光眼治疗领域有着近三十年从业经验的Peng Tee Khaw教授却如是说：“要基于医疗数据对治疗方法不断改进，我得花上一辈子的时间去跟踪一个病人的病情，但与此同时，还有一大批其他病人在等着接受治疗呢。若有了可以深度学习的智能机器，情况将大大改善，就好比我活了1万次来跟踪每个病人的病情，最后得出最优的治疗方案。”更多医生解读：www.yangfenzi.com/tag/yisheng
Peng Tee Khaw教授所描述的情景其实已经在今年8月发生了。IBM的超级计算机Watson仅花了10分钟时间，就将一名60岁癌症患者的基遗传信息与2千万份临床癌症数据记录进行了比对分析，并成功确诊出其患有一种罕见的白血病。而在此之前，日本东京大学医学院对该病人的诊断却为髓系白血病，由于经过一段时间的治疗后病人病情始终没有好转，情急之下医生们才求助于IBM Watson的。
这个案例中最让人惊叹的莫过于那短短10分钟的“诊断”过程。Watson分析了约1千万页文本资料，近300份医学文献以及数百本相关教材，才最终得出诊断治疗方案。更令人刮目的是，Watson还为每一治疗方案列出了支持依据和用药意见，并按优劣次序推荐给医生。要知道在这么短的时间内处理如此庞大的医疗数据并给出治疗方案，对人类医生而言几乎是不可能的。
相比之下，人类医生就相形见绌了。你也许无法相信，现今，即使是在一个高端的医院化验室中，辨识癌变组织主要还是依靠肉眼。而一个专业的病理化验员往往是不被允许对自己负责的组织切片等进行分析的，因为他们都是“内行人”，对自己的试验非常熟悉，很容易在分析结果中无意识地根据个人经验得出不客观的结论。这听起来似乎有点荒唐，但事实就是如此：当一个化验员觉得某张切片有“癌症”嫌疑时，他会端着切片，穿过大厅，走到另一个病理化验室去询问他的同事：“你觉得这是癌变不？”
这样的工作效率是十分低下的，尤其在工作繁忙时，化验员很可能会找不到合适的同事帮他审核这些切片，化验的准确度也因此难以得到保证。正如斯坦福教授Michael Snyder说的：“当下的病理化验结果其实都是非常主观的。即使让两个经验丰富的病理学专家对同一切片作分析，他们能得出一致结论的概率也仅有60%。”
以下图的乳腺癌组织染色切片为例，箭头所指的癌细胞与其它正常细胞间的差异其实是非常小的。
你愿意将自己的性命安危交给分辨率如此之低的人类肉眼吗？
Round 2：医术大比拼
AI虽能问诊，但能亲自“操刀”吗？外科医生贵在一双巧手，任凭诊治方案再完美，若无法完成一床出色的手术也等同白费。据美国的一项调查显示，美国每年有25万人是因医疗事故死于手术台的，死亡人数仅次于疾病防控中心公布的心血管疾病以及癌症的致死人数。更别说那些明明要切除左肾却误把右肾切除，或是把纱布留在了病人腹中之类的意外状况了。
最近，由华盛顿省国家儿童医疗中心研发的智能手术机器人Smart Tissue Autonomous Robot (STAR)在软组织手术中显示出了超越专家级外科医生的优越性。手术比拼是在实验猪上进行的，要求对其肠段进行缝合。手术中，STAR显示出的稳定性和精准性甚至大大超过了现行的手术守则上的要求。正如该医院的外科医生所说：“在一场手术中如果你需要缝合20针，那意味着你一针都不可有错漏，否则前功尽弃。这对人类医生而言是很大的挑战，它要耗费很大的精力。然而有了手术机器人就不同了，它可以不差毫厘地完成任务，竟似不费吹灰之力。”
虽然机械手术师的出现早已有之，但在此之前他们都需要由外科医生亲自操控才能完成手术，实际主导权仍旧掌握在医生手上。而这一次，STAR的出现不啻为开启了智能手术机器人的新时代。它通过利用三维光场相机和近红外视觉对手术组织进行亚微米级别的精准定位，结合配有传感器的腹腔镜下缝合工具通过感受组织的厚薄软硬调整缝合力度，实现了“无人手术”。与无人车相似，STAR的核心技术也是基于GPU的图像识别，研发团队希望今后能用更大的图像与感知数据对STAR进行训练，实现范围更广、定位更准、级别更高的智能手术。
Round 3：看护大比拼
看护或许是人类医生最有优势的一项了，毕竟人性的沟通与照顾一直是我们认为机器所无法企及的。但究竟怎样的看护才算是人性化呢？
不知你是否已经注意到，尽管我们已经拥有很多先进的诊疗技术，但每一次当你去医院就诊时，医生们总是先给你量量血压。有趣的是，个人血压的变化与其当前的活动状态是紧密相连的。即便是在安静状态下，人体24小时血压也呈现了一定的波动性。曾经有人做过调查，大部分病人自进入医院起，其血压便逐步攀升，直到离开医院后，血压才再度回落。可见，要想切实地了解病人、获取病人最真实的身体健康数据，最好的办法就是能有长时间、足够多的观察数据。但对人类医生而言，要24小时看守病人是极不现实的。
今年，英国一家健康服务公司融资两千多万英镑开发了AI驱动的手机应用Babylon。该应用可综合收集检测病人的健康数据，包括家族病史、日常生活习惯、心跳数据、过敏记录、病症变化等，将其与数据库中的文献资料和病例数据作对比分析，为病人提供及时的用药建议和注意事项等。基于此，开发商还希望能运用该平台实现对疾病的预测，对病征做前期干预，以预防疾病的发生。
举个简单的例子，当应用检测到用户心跳加快，但没有发现他有进行任何体力活动时，那么原因很可能是缺水或者面临较大的心理压力。此时，应用便可提醒用户多摄入水分或者通过深呼吸调整自己的状态。面对AI这种全天候24小时的多方位看护，我想我已经傻傻搞不清什么才算是“人”性化了……
看完这三场回合的比拼，不知道诸位看官作何感想？这里我们不妨引用网友的一句评论：“那天，当我从手术中醒来，发现健康的左肾被错误切除时，我宁愿相信家里的烤面包机，也再不愿相信医生了。”当然，并非所有医生都这般不靠谱。但无法否认的是，AI正在逐步成长为医疗健康领域不容小觑的“生力军”。
【参考资料：Daily Mail, Nvidia, IB Times, Loonylabs, Extremetech, Singularity Hub, All about Circuits, Computer World 编译：未来论坛 Don 审校：未来论坛 商白】
·氧分子网（http://www.yangfenzi.com）延伸阅读：
【新智元导读】在新智元日前为大家推荐的中金报告《120 图勾勒全球 AI 产业完整图谱》中，特别把科大讯飞归入到 AI+ 医疗领域值得关注的公司。为此，新智元采访了科大讯飞智慧医疗事业部总经理陶晓东和常务副总经理鹿晓亮。
近日，新智元推荐并发布了中金的一份报告—《120 图勾勒全球 AI 产业完整图谱》，该报告对“AI+医疗”表现了较高的期待，它认为随着语音识别技术和图像技术的成熟，医疗 AI 已经取得了很大的突破。同时，医疗行业空间巨大，但技术还有待成熟。
报告中特别把科大讯飞归入到 AI+ 医疗领域值得关注的公司，并且以大篇幅给予介绍。这与我们之前对科大讯飞的认知或许不同，从前我们认为科大讯飞是一家做语音技术的公司，实际上科大讯飞在医疗领域已经有了比较全面的布局。6月22日，科大讯飞智慧医疗事业部总经理陶晓东和常务副总经理鹿晓亮在接受采访时，对科大讯飞的医疗AI进行了更详细的介绍。陶晓东说：“不论语音技术还是图像技术都只是手段并不是目的。”科大讯飞的语音技术固然可以给面向医疗的AI应用以更好的实现，然而实现医疗领域最终好的结果才是他们的目的。或许我们以后也要更多的面向应用看 AI，而不仅仅是面向技术。
陶晓东，科大讯飞智慧医疗事业部总经理
AI+ 医疗的主要落地场景：从导诊机器人到医生日常工作流程
我们见过北京301医院导诊机器人晓曼，它是首个投入使用的导诊机器人。不仅在北京，还有上海瑞金医院和合肥市第一人民医院也在使用。晓曼基于科大讯飞领先的智能语音识别、语音合成和自然语言理解等技术，使用者可以通过语音问答、触屏输入等互动方式，进行医院位置咨询、219 个常见病和症状咨询、51个常见知识问询等。它能减轻导诊人员的重复性咨询工作，实现对患者的合理分流。
我们也常常在 Nature、Science 或者新闻媒体上看到，某种疾病的医学影像诊断，AI已经超过人类医生水平了。
除了这些，现阶段的医疗 AI 还有哪些应用场景呢？
根据科大讯飞和中金的资料，AI技术还可以用于电子病历、影像诊断、辅助诊疗、医疗机器人、个人健康大数据分析、精准医疗等场景。而科大讯飞至少在前三个场景都有所布局，语音录入病历、医学影像识别、全科医生辅助诊断、晓曼导诊机器人等都是科大讯飞的医疗 AI 产品，而个人健康大数据分析未来也很可能是科大讯飞的战场之一。
图：AI+医疗的应用场景（来自中金）
陶晓东介绍：“我们已经有一些相对比较成熟的产品实际上已经推向市场，比如云医声、导诊机器人、语音电子病历，均落地实际应用。”但是他没提到还有多久产生大规模的商业化。
其中电子病历用到了语音识别技术；影像辅助诊断产品则不仅用到了图像识别技术，也整合了医疗大数据。现在在国内外都已经形成成熟的商业模式。
语音电子病历的对比
关于导诊机器人，鹿晓亮介绍：晓曼满足了两个刚需：医院的导航，另外一个是导诊。据统计，今年春节之后，在301医院一个晓曼机器人每天的交互达到2000多次，服务人次大概是六、七百人次。一般来说，一个导诊护士每天的服务量大概是800多人次。也就是说，导诊机器人将在很大程度上辅助护士的工作。鹿晓亮表示，AI系统并不是要替代人类，无论是医疗影像技术还是导诊机器人都是辅助医生。
晓曼机器人下一步是结合人工智能算法做到精准的分诊。现在许多医生或者专家，每天所看的患者大概有70%都可能是他们不擅长的，这种不匹配造成严重的医疗资源的浪费。科大讯飞的下一步就是要通过大数据的挖掘，或许病人首先向机器人口述的一些症状或者一些疾病，跟专科的数据做一个精准的匹配，实现有效分诊。
在辅助诊疗和影像诊断方面，科大讯飞研发的医疗影像辅助诊疗系统目前已经开始试点应用。该系统用于辅助影像医生阅片，勾画肿瘤病灶区域，减少误诊和漏诊。目前其影像系统已经可以，识别3mm以下的病变区域。2017年将应用领域从肺部CT影像检测扩展至乳腺X光图像、MRI图像检测、心脏超声等等，预计2017年底不如临床应用阶段。
科大讯飞致力于在产品设计过程中使之具备自动迭代的能力，目前讯飞云平台已具备这种技术。只要在现场有这种训练环境，它可以根据医院内的新数据，做自动的模型参数的迭代和优化。
挑战太多：数据、技术、规范
（1）数据获取和标注困难，一方面推动医疗数据国有化，一方面优化算法来弥补
数据的挑战在于获取和标注。现阶段，我国的医疗影像仍处于从传统胶片向电子数据过度的阶段，大量影像资料尚未数字化，且医院之间的数据共享和互通程度较低，获取大规模的数据对业内公司是一个考验。其次，医疗影像领域获取具有高可靠性的标注数据也成为挑战之一。
陶晓东表示科大讯飞跟医院合作，是可以获得一手的医疗数据。他认为医疗数据慢慢会成为国家所有的，从国家的政策来讲，是希望把这个数据集中起来，这样才能够把数据标准和数据交换的标准建立起来。这是一个非常有价值、非常正确的方向。
其实不仅仅是我国，数据问题通用困扰着美国。在美国数据的所有者是病人的。实际上每一个人享受的医疗服务是建立在前面的某些人贡献出自己数据的基础上。怎么样在保证隐私的情况下把数据共享，这也是在美国被广泛关注的，尤其是一些大病康复之后的病人的数据更有医学价值。
不论中国美国，可能会向同一个方向去努力，最终医疗数据会成为社会共有的财富。
虽然人工智能需要很多数据，但是在某些特定情况下，可能数据并不是越多越好，而且很多的算法一开始并不需要很多标注的数据。有一些算法可以在数据标注的并不是特别清楚的情况下，做到可用的程度，之后通过在实际使用中不断的去优化、迭代。通过这些办法弥补一些近期数据不足的问题。
（2）技术如何跟专家知识结合，一方面构建知识体系，一方面挖掘抓紧经验的本质
技术挑战，其实与过去跟行业结合的时候遇到的挑战是类似的，就是如何跟行业的专家相结合，把行业专家几十年积累的行业经验和行业知识，拉到人工智能能够操作的这样一个层面，让技术能够去真的帮他们做一些事情。
根据陶晓东介绍：科大讯飞一方面在构建医学知识体系，另一方面把医学相关的信息相结合。
陶晓东以解剖学为例：“我们是把医学本科教材，通过机器学习的方法把它各种各样的医学知识之间的联系建立起来，然后系统能够知道什么样是正常的，什么样的表现是病灶。各种各样的医学的常识和物理模型相结合之后，我们实际上是可以有一个相对比较完善的一个医学知识体系，可以系统地去分析我们的图像到底为什么会有病灶，而不是简单的一个’黑盒子’进去出来结果，也就是算法能给出这个诊断的依据。”
此外，他们理念——向顶级专家学习，然后达到一流专家的水平。科大讯飞有一个顶级专家库，他们有很多人用多年积累的经验，告诉开发团队什么是在临床中最有用的，帮助数据标注。
但是，专家和专家之间的标注也有可能是会有差异，同一个专家早晨八点钟和下午5点钟的标注也有可能是有差异。系统需要平衡这些专家的差异，这个是相对来讲比较重要的一件事情，对整个系统的效率还有性能也非常重要。
因此需要优化算法，使其学习过程不完全依赖于某一个专家的标注，而是用这个算法去把专家看病的本质找出来，这是最重要的。
（3）缺乏数据交换的规范
近期相对来讲比较大的一个挑战，就是怎么样把病人的健康档案、既往病史做电子化做规范化，更容易去做数据交流，以便进行更好的病情分析。
国内问题有各个医院信息互通，缺乏数据交换的规范。国内外也有家庭医生的区别。电子病历是一个电子健康档案非常重要的一环。如果没有电子病历，电子健康档案无法完整，那么双向转诊分级诊疗会很难做。医联体可能是一个比较好的模式，就至少在这个内部可能会有一些相应比较规范的这样的一个数据交换方式。
缺乏标准还使得电子病历产品难以推广，科大讯飞希望通过完善产品获取更多用户，从而获取更多的话语权，更多参与到标准的制定过程。
竞争态势：很多医学AI公司选择了差不多的领域得到差不多的性能，是创新不足和数据限制所致
竞争态势激烈，科大讯飞被质疑到底是语音公司还是AI公司。
当前做医学影像的企业很多，既有BAT这样体量的公司，又有很多初创企业，所选择的领域和宣称的准确率也差不多，在这样的竞争中获胜的关键是什么？
陶晓东说：“其实还有很多传统的这个医疗器械的厂家也都在做医学影像处理方面的工作。至于所选择的领域基本上都差不多，大家公布出来的准确率也都差不多，其实从某种意义上来讲，这个反映出来就是在这个领域的创新能力还是不够，另外一方面还因为受到数据来源、算法、监管等限制，所以这让众多的初创公司选择了相似的相近的领域。”
“现在技术实际上发展到一定程度，大家的性能也差不多，将来肯定这个市场不可能在三年以后还有30多家成功的公司.”
陶晓东认为成功的关键在于：
第一，要从用户角度出发，思考怎么样真正的把算法融入到用户他们现有的工作流程里面，真正帮他们解决临床问题。因为所有的技术都不是为了纯粹技术的目的去开发，肯定是要解决临床问题。怎么样最好的解决临床问题而又没有给医生增加新的负担，这是非常重要的。
第二，大家对医学临床的这些工作流程的理解，最终决定并区分出不同企业之间的产品，产品的设计过程中，如何去跟医生的现有的工作流程相结合，这可能会更加重要。
陶晓东曾经在国外工作的GE和飞利浦公司，也在医疗设备基础上也做了很多软件解决方案上的尝试。他是如何看待与国外公司的竞争呢？
陶晓东表示，很多这种传统的设备公司和一些初创公司，更多的是聚焦在影像上面，然而影像只是诊断治疗的一个手段，不是目的，我们要最终要达到一个诊断的结果。这需要把其他各种各样的信息跟影像结合起来，例如要了解这个病人的其他一些家族史既往史等，这是一个综合的多模态的数据输入。
此外科大讯飞的优势是，大量处理大数据的经验，以及处理结构化和非结构化混合数据的经验。
科大讯飞的传统优势是语音，医学影像方面起步相对较晚。对于这方面的质疑，陶晓东表示：科大讯飞实际上是一直以来就是一个人工智能的公司，只是语音技术很好，而被贴了一个非常强的一个语音标志。近些年科大讯飞开发了一些认知智能技术，包括逻辑推理，自主学习。讯飞也一直在关注计算机视觉，包括人脸识别、OCR技术。虽然跟港中大的实验室有合作，也有自己的计算机视觉团队，一方面会内部开发，另外一方面在国内和硅谷等大学做联合实验室。