正文
大家都是搞 optimization 的，很清楚局部最优和全局最优的区别。
AI 对医院的大部分情况下能制造局部最优，不幸的事，这样的局部最优有时候会反而导致其他地方的问题
（毕竟医院手头所拥有的资源有限）。但医生或者医院管理者最终关心的还是全局最优。
所以当医生对 AI 产品充满怀疑甚至敌意的时候，AI scientist 千万不要简单认为医生冥顽不灵、开历史的倒车，实在是因为临床是一个比想象中要复杂得多的场景。也不要简单地认为：“哥的深度学习看片子比你放射科医生的 error rate 要低70%呢！你不就是特么怕丢饭碗么！”。（
其实，放射科医生已经在集体表示，他们这个群体很快就要集体失业了
）
当然，关于 AI 在临床上的应用，学术上的进展其实是很多的。比如危险因素评估[1][2]、疾病自动筛查[3][4][5][6][7]、治疗方案选择[8]等。在此就不一一列举了，实际有更多文献。抛砖引玉，有兴趣的同学可以自己读文献。
事实上，AI在医疗上的应用远远不止在疾病的自动诊断和治疗方案推荐这两个场景上。医疗作为一个复杂的系统工程，有着非常多的环节，每个环节都涉及到大量的 stakeholders。
医疗的核心玩家有五个：病人，医生，医院，保险，药企，其中药企也从广义上包含了器械厂商、CRO 等。
而对于每一个玩家来说，在每一个医疗的环节，都有大量的 decisionmaking 要做（如下图）。众所周知 AI 最擅长的就是对 decisionmaking 进行优化。所以说，AI 在医疗上的应用，远不止疾病自动诊疗。
比如，
在美国，大量的AI商业级的应用已经出现，而最核心的是围绕医保和药企。
例如，基于病人的病历和诊疗情况，保险公司使用机器学习来自动判断患者的核算赔付，从而判断其是否为骗保和过度医疗行为[9]，这也是目前美国 AI 领域中较成熟的应用场景。
另一个非常火热的场景，即在于用人工智能来解决药企的研发痛点。
在西方社会，药物研发是一个极为长期的过程，尤其是药物走出实验室之后要经历极为漫长的临床试验流程以获取 FDA 的批准。下图显示，一款药品从研发到获得批准，平均而言至少需要7-10年时间。
几个阶段的临床实验犹如几道鬼门关，在任何一个阶段的失利都宣告几亿甚至几十亿美元的研发投入打了水漂（这也是为什么每当一款新药通过某一个阶段的临床实验，相应药企的股价往往都会大涨）。药物在研发阶段时，药企是无法精准预测其最终的效果、安全性、以及是否能够通过临床实验和 FDA 审批的。AI 的作用也正在于此，美国有大量的AI创业公司即盯准了药企的这个巨大痛点，使用人工智能的方法、基于分子生物学和临床药理学的证据，去对一个药物的效用、安全性和通过审批的概率进行判断。这种方法有望从根本性上颠覆药品研发的流程，使得药厂可以批量尝试大量不同分子结构的药物，让人工智能来判断其中哪些最值得被继续推进到临床实验阶段，从而大幅提升其研发效率和风险控制能力。
