玩家、巨头纷纷入局，人工智能将如何颠覆传统医疗？

正文

请到「今天看啥」查看全文

这就不得不提到医疗人工智能发展的几个壁垒：

1

医疗的复杂性，使得AI应用推动缓慢

医疗决策是一个非常复杂的过程，人体构造也十分精细，常见的疾病就有1万多种。机器虽然在数据能力方面远超人类，但推理思考对机器而言还是一个难题，目前尚不清楚机器还需要多长时间才能学会人类的决策过程。

由于关乎到生命，医院在做任何尝试改革之前都很谨慎，要在有非常高的保障情况下才会接纳新的技术。所以很多技术虽然已经研发出来，但何时能投入实际应用，还尚不可知。

2

数据总量不足，质量不高

人工智能是监督下的机器智能学习方法，想让它不断提升，就需要做好标识。比如Google就用大致1万个小时的、经过标注的对话训练了一个神经网络。但现阶段的数据，不论是从总量还是标记数量上来说，都还远远不够。如果靠人工对数据进行标记，又需耗费大量人力。

是否有可能让人工智能直接学习大量的无标注数据呢？这是一个努力的方向，但现阶段技术还不成熟。

3

隐私安全问题

数据涉及到医院、医生和患者三方，什么时候可以用？什么情况下可以用？在使用过程中，如何防止数据泄密？需要进一步探究。

4

变现困难

医疗牵涉到患者、医生、体系、政策等多方面因素，问题错综复杂。相比其他领域，医疗领域的变现速度来得更慢。即便加入了互联网成分，也并未得到太多好转。盈利模式不够清晰，是部分资本迟迟不愿进入人工智能+医疗领域的原因之一。

◆ ◆ ◆ ◆ ◆

PART.3

尽管还有着重重困难，但不可否认，医疗人工智能已经在部分病种上的应用取得了突破性进展。

IBM的Watson医生在肿瘤辅助诊断方面开始了大范围应用。微软Hanover用机器学习预测药物的有效性，并为病患制定个性化治疗方案。在不久前，关于乳腺癌片子的PK上，人工智能机器的辨识率甚至超过了人类。

人工智能在医疗领域的应用来得缓慢而谨慎，却仍然像前进的潮水般，不可阻挡。事实上，国内外已经有一些高科技企业将AI技术用于相关领域。

那么，对医疗人工智能来讲，哪些场景最有可能获得率先突破呢？又有哪些公司已经加入了人工智能的医疗革新中？

◆ ◆ ◆ ◆ ◆

医疗影像

高精准率、电子胶片的推广、放射科经验医师的缺乏，使得人工智能技术在医疗影像方面有巨大的发展空间。

医学影像的解读需要长时间的经验积累，即使是老道的医生，有时在面对海量的数据时，也会出现失误。人工智能在图像识别的速度和精度上，都胜于人力操作。美国已经抛弃了传统胶片，而国内的医学影像也正在向电子胶片过渡。

Enlitic

请到「今天看啥」查看全文