从去年起，人工智能的发展迎来了爆发。

据CBinsights统计，2015年共有397起投资事件，23.88亿美元被投入到人工智能领域，与2011年相比投资额增长了近9倍。另有数据显示，其中近一半的融资发生在种子轮和天使轮。

人工智能热度正当头，毫无疑问，它将从方方面面改变人类的生活。而医疗正是其中一部分。

一业内人士告诉记者，几年前，人工智能应用到医学上的文献不到10篇，去年增加到20多篇，而今年这个数字变成了50多篇。

从下表可以看出，自2014年谷歌收购DeepMind之后，人工智能+医疗项目的估值也水涨船高，投资额从2014年开始显著上升，截至到2016年8月，相关领域内的交易从2011年的10起增至2015年的60起。

◆  ◆  ◆  ◆  ◆

PART.1

事实上，人工智能+医疗的前途确实十分广阔，原因就在于两者在某些点上完美契合。

1、数据解读优势

任何疾病，都是通过医生无数次的实践总结，得出规律，获得治疗效果的升华。而计算机在医疗领域的应用也是居于同一个基础——数据。

移动互联技术的快速发展，使终端设备产出的数据量达到前所未有的程度，有关机构预测，2020年大数据量将达到44ZB，其中掺杂大量的图像、视频等非结构化数据，而这些数据，现有的互联网系统都难以识别。医疗领域也存在大量的非结构化数据。

人工智能不但能够识别大量的非结构化数据，更可以提供数据洞察，从而帮助企业做出更精准的商业决策。

2、大玩家涌入，并开源平台

一些大公司如Deepmind，IBM waston，GE等都投入了大量的工作在人工智能的相关分支上，如医疗图像和诊断数据分析，并陆续开源平台。人工智能医疗是未来趋势这一点，可谓已成业内共识。

Facebook于去年1月宣布开源多款深度学习人工智能工具，谷歌、IBM和微软于去年11通宣布开源。大公司开源平台的做法，对人工智能技术壁垒的消除有很大的推进意义。

3、政策推动

在10月25日发布的《“健康中国”2030健康规划纲领》中也提到，要全面实现医保智能监控，同时，医疗收费也将逐渐向价值收费过渡，这些正是适合人工智能发力的领域。

◆  ◆  ◆  ◆  ◆

PART.2

大环境如此利好，但部分人仍然处于观望状态，有的人甚至觉得这只是一个概念性的噱头。为什么？

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

Enlitic创立于2014年，Enlitic从X光照片及CT扫描图像中找出恶性肿瘤的图像识别软件，对大量医疗图像数据进行机器学习，总结出恶性肿瘤相关特征，以及推断出哪些特征能够判定是否有恶性肿瘤。

Enlitic被MIT Technology Review评为2015全球最智慧的50家公司之一，在2015年3月和10月分别获得了300万美元的A轮融资和1000万美元的B轮融资。

Butterfly

The Butterfly Network是连续企业家、DNA研究员Jonathan Rothberg开办的众多项目之一，向初创公司收取一定费用来建立有史以来最小、最便宜的医学图像设备。

这个设备又被称作“电容性微型机器制作的超声波换能器（CMUTs）”，它将被嵌入在手机或者平板电脑中。当其依靠身体支撑被举起的时候，可以利用超声波显示出图像。它还可以反映出脑瘤并能显示出在子宫里不断长大的胎儿图像。

汇医慧影

汇医慧影基于医疗影像产品研发和制造，深耕影像云系统、图像识别和智能诊断。

团队自主研发了智慧影像云平台和精准放疗云平台，并联合美国硅谷Mountain View的影像识别公司Topray Co，共同致力于医疗影像的智能诊断和大数据分析的研究推广。医疗机构、医生、患者可以通过电脑、平板、手机登录平台，实现三方互联。公司在不久前获得蓝驰创投数千万A轮融资。

◆  ◆  ◆  ◆  ◆

药品开发

在医药领域，最早利用计算机技术和人工智能并且进展较大的就是在药物挖掘上。通过计算机模拟，对药物活性、安全性、副作用等作出预测，由此改善药品研发周期长、成本高的弊端。

目前人工智能药物挖掘主要在三大领域：抗肿瘤药、心血管药和孤儿药及经济欠发达地区常见传染病药。

Atomwise

美国硅谷的Atomwise通过IBM的蓝色基因超级计算机，在分子结构数据库中寻找治疗方法，加速了药物研发的速度。

巨型计算机的强大计算能力使得公司可以完成很多难以想象的任务，例如评估820万种化合物，让药物研究的成本降至数千美元，并且该评估可以在几天内完成。

Berg Health

公司主要研究疾病发生时新陈代谢的改变机制，并且在神经系统疾病和代谢性疾病的研究方面有着深厚积累。 旗下的研发平台能够迅速的将生物研究转化为可行的方案以及强大的生物标记博物馆。

Berg Health收集了大量数据，解释了一些病人成功幸存的原因，为新型治疗方式的研发提供思路。

◆  ◆  ◆  ◆  ◆

风险预测

Lumiata

Lumiata 是一家预测分析公司，利用医疗人工智能，为纳税人、人口卫生机构和医生加强风险和照护管理。公司成立于 2013。

Lumiata 的核心预测分析产品是 Risk Matrix（风险矩阵）。它需要有大量的健康计划成员或患者，采集他们所有的数据点，然后为每个人绘制出患病风险随时间变化的轨迹。

AnalyticsMD

AnalyticsMD是一个医疗实时分析平台，通过大规模的机器学习预测和数据分析，帮助医院管理者做出有数据支持的决策，优化医院的资源配置。利用实时分析的saas平台分析这些数据，可输出辅助性的推荐信息，帮助医院管理者、医护人员决策。

AnalyticsMD开发符合HIPAA标准的SaaS，已经使用在了旧金山的医疗机构。

◆  ◆  ◆  ◆  ◆

生物科技

碳云智能

碳云智能（iCarbonX）成立于2015年10月27日，创始人王俊曾是华大基因董事合伙人。公司计划建立一个健康大数据平台，通过数据挖掘和机器分析技术，提供健康指数分析和预测。靠该团队的核心技术获取的有基因数据、微生物数据（肠道、口腔、皮肤等）、蛋白及代谢数据（尿液、汗液、血液等）等。

公司在今年4月宣布完成近10亿人民币A轮融资。

Uinty

Unity Biotechnology专注于研究能够帮助我们减缓老年疾病的药物。这家公司在几天前宣布获得了大额B轮融资——1.16亿美元，亚马逊创始人兼首席执行官杰夫·贝索斯是其投资人之一，其他参投的投资者还有Venrock、ARCH Venture Capital、Mayo Clinic以及WuXi Pharmaceuticals。

Uinty在延缓人类机体衰老这一方面拥有极大的潜力，同时也引起了科学与医药领域顶尖投资者的兴趣，还是生物科技史上大规模的私人融资之一。

◆  ◆  ◆  ◆  ◆

健康管理

糖尿病、抗癌药物、精神健康这三类都是治疗时间长、治疗费用大、治疗难度大的疾病。从盈利来说，研究这类疾病，也更容易获利，投资机构也更认可。

Welltoks

Welltoks是一家健康管理公司，主要关注个人健康管理和生活习惯提升。

它做健康数据分析和专业健康管理建议，并将此作为平台切入点，接入其他服务商，比如硬件、保险公司、内容、应用等，同时帮助一些群体健康管理公司提供管理办法。

Ayasdi

Ayasdi通过机器学习和数据分析向大数据提问、质疑。采取云分析发现平台，利用数据库中已有的分析数据集，避免向机器进行提问Ayasdi还利用“拓扑数据分析”技术将大数据分析视图化，将其解决方案带给医疗提供商，主要应用于病人风险评估、降低再住院率。

◆  ◆  ◆  ◆  ◆

虚拟助手

Alme Health Coach

Alme Health Coach主要服务于患有慢性疾病的病人，它能够自动化帮助病人规划日常健康安排，监控睡眠，提供药物和测试提醒，甚至可以反向推导出一些不服从这些提醒的患者产生懒惰心的根源。

通过了解病人的饮食习惯、锻炼周期、服药习惯等个人生活风格，经过人工智能技术进行数据处理后来为其提供慢性疾病的整体状态，并为其提供个性化的健康解决方案。

其API能够和可穿戴设备、手机、企业系统、电子病例等进行整合，解决数据跨平台转移的麻烦。

Zephyr Health

Zephyr Health从多个来源收集数据（流行病学数据、医疗服务数据专业提供商以及Zephyr网站上的相关医院），从而使医疗专业人员能为患者的找出合适的治疗方案。

该数据库也可以用来衡量药物和相关产品在某个地区的受欢迎程度，使医院能预测、分析药品的销售并做出相应的策略调整。公司于2015年8月获得1748万美元C轮融资。

◆  ◆  ◆  ◆  ◆

PART.4

当然，医生永远不会被替代。

AI将帮助医生更有效率地处理数据并辅助其做出更优诊断，但医疗除了理性，还需要一些温柔的人情味，医生在和病人沟通以及情绪安抚上起的作用，仍是人工智能难以替代的。

人工智能医疗何时能迎来红利期，我们还不得而知。

但技术发展都是呈指数级的，再加上全球一体化趋势下，技术的互通共享速度前所未有，所以人工智能医疗距离爆发也许还有很长时间，也可能就3-5年。

总之，想赶上这波机遇，你需要抓紧了。

附：表格1- 2016年1-8月获得融资的人工智能医疗创企列表