前不久，百度宣布对医疗事业部进行重大改组，对医疗业务进行组织架构调整和优化，集中优势资源，将医疗业务的重点布局在人工智能领域。此举一出就引发了业内的关注，百度在医疗领域的任何动作都会招致各种议论，原因大家都知道，在这里也就不多说了，那么，人工智能技术与医疗事业的契合点在哪里？现阶段的人工智能是否能够对医疗事业带来重大影响？我们简单的来分析一下。

传统医疗行业与模式存在众多弊端

医疗作为一个特殊的行业存在，由于其自身体系的独特性与封闭性，难免会存在着这样或那样的问题，就像大家知道的那样，看病难、看病贵已经成为人们普遍抱怨的对象。人民的生活水平得到了逐步的提高，对医疗资源的需求也日益增强。由此一来，卫生服务需求与医疗卫生资源的矛盾日益突显。

医疗资源集中、小病也去大医院，无形之中就给医院带来了很大的负担。大医院的功能本应是收治危重病人和疑难病人，却收治了大量常见病、多发病患者，不仅造成看病难、看病贵，还浪费了大量的宝贵资源；“以药养医”的畸形发展更是给病患就诊带来了不必要的经济负担，小毛病动辄开药几百上千元早就是家常便饭，回扣的潜规则导致一些医生并不是为患者考虑最优的诊疗方案，而是最贵的方案；地域之间的公共医疗资源分配不均，比如三甲医院大部分都分布在省会城市，先进的医疗器械和优质的医护资源也都集中在这些医院中，这就自然导致了大量的患者涌入这些医院，就诊效果难以保证。从另一个角度来看，传统医疗手段对于疾病诊断方面存在一定的误差，在某些疑难病症上的诊断与治疗更是存在两眼一抹黑的情况。

人工智能技术在哪些环节拥有优势？

可见，医疗是个“历史遗留”问题，在我国是这样，在很多发展中国家乃至发达国家也拥有类似的问题。而对于人工智能技术来说，其在大数据领域与运算速度上的先天优势可能为医疗事业带来惊人的进步。在最简单的化验分析阶段，如今已经拥有人工智能设备在进行这一环节的操作，虽然样本采集诸如采血、采便、穿刺等还需要人工来进行，但后续环节已经完全可以由人工智能技术代劳，样本分类、离心、推片、染色、划片等步骤要比人类操作的效率高很多，即便是鉴定也可以通过将样本数据与大数据进行分析比对来进行判定。

统计机构IDC的预测数据显示，到2020年医疗数据量将达40万亿GB，数据生成和共享的速度将迅速增长，其中80％以上的数据为非结构化数据。IDC认为，未来人工智能技术将在医疗领域被广泛应用，尤其在辅助诊断、药物研究、医学影像、基因科学等细分的医疗场景。从目前来看，IBM的“沃森”应该是全球领先的医疗人工智能系统，它将人工智能的数据整合、分析与判断能力与人类医生的诊疗经验相结合，提供辅助医疗的处理逻辑。

新医疗技术更加依赖人工智能

中医“望闻问切”的时代早已远去，今天的医疗技术更加追求缜密、严谨、细致，这恰好是人工智能技术所擅长的。在疑难杂症方面，人工智能技术可以把全球病例汇集成一个庞大的数据库，只要几毫秒的时间就能调取并检索关键数据；而基于神经网络、计算机视觉、深度学习和语音识别等技术的人工智能系统还能对阿尔兹海默症、精神分裂症等疾病进行早期预警与诊断。

Winterlight的机器学习软件对阿兹海默症患者和健康人的演讲进行分析，从语料中找到语速、语调和语法的区别，找出规律。普通人用这个软件去测试，能够得知自己未来罹患阿兹海默症或其他认知障碍的风险有多高这项技术能够帮助人们提早预测抑郁、中风、失语、自闭症、多动症等认知障碍，进而进行预防或提早接受治疗；波士顿生物医疗公司的BERG人工智能系统对比分析从癌症患者和健康人身上采集的样本，试图在14万亿个数据节点中找到能够“对症下药”的那些关键节点，而如此海量的数据节点完全无法依靠人类医生来分析。由此可见，因为数据量庞大、病例罕见等原因导致很难由人类医生的完成的工作，正在被人工智能技术一点点发现并解决，虽然人工智能要形成完全的诊疗能力还需要很长时间，但其已经影响到了医疗行业的工作模式，让新药研发、病理诊断等工作变得更加高效；同样，未来的新医疗技术也更加依赖人工智能。

大数据系统为人群提供量身定做的医疗服务

相对于雇佣家庭医生的高价格，人工智能技术可以通过人们的工作环境、工作时间、作息规律、饮食偏好、病患病史等众多细节来量身定做一套适合每一个个体的医疗服务，还包括健身、保健等等。通过智能手环、智能心率带、智能内衣等周边设备获取人们的数据，并上传到云端服务器，再通过系统制定一套可供参考的医疗服务细则，类似的事情已经在欧美国家开始部分试点，想必距离全面铺开也只是时间问题。而对于基因测序这种前沿科学，业内人士普遍认为基因测序在未来一定能够实现全民普及，把基因和锻炼、饮食、传感器等加起来，基于大数据进行深度分析就可以进行有效的健康预测、健康管理。

“人工智能＋医疗”，不是噱头，而是未来

总的来说，人工智能在医疗领域的机遇主要有七大方向：

一是提供临床辅助诊断等医疗服务，应用于早期筛查、诊断、康复、手术风险等评估场景；

二是医疗机构的信息化，通过数据分析，帮助医疗机构提升运营效率；

三是进行医学影像识别，帮助医生更快更准地读取病人的影像所见；

四是助力医疗机构大数据可视化及数据价值提升；

五是在药品研发领域，解决药品研发周期长、成本高的问题；

六是健康管理服务，通过包括可穿戴设备在内的手段，监测用户个人健康数据，预测和管控疾病风险；

七是在基因测序领域，将深度学习用于分析基因数据，推进精准医疗。