691
蘋果、穀歌、微軟等巨頭正在人工智能醫療領域做什麼？
每個人都為AI魅力所傾倒，但是還要多久，我們才能看見它為醫療行業帶來真正意義上的轉型呢？最近，我們已經見識到了AI應用在了從最簡單的手機app到最複雜的診斷任務，其形式也從自然語言或圖像識別，到依靠強大的算法處理幾十年積累的醫學研究數據庫等的方方麵麵。
如同醫療行業的其他技術一樣，進入這個行業會麵臨監管障礙、與傳統醫院IT係統的互操作性問題，以及獲取關鍵醫療數據方麵的障礙等諸多挑戰，AI技術想要在這個行業裏立足生根，不越過這些高峰是不可能的。
但是這並不是讓我們停止創新，而是懷著更嚴謹的態度進行創新。數字醫療從業者們已經開始意識到，要解鎖AI的真正潛力需要建立戰略合作夥伴關係，還需要高質量的數據，並對統計數據有一個清醒的認識。
隨著醫療行業對AI認識的漸漸成熟，其實最大的技術難點還並不在於創新過程中遇到的監管障礙、關鍵數據獲取等挑戰。
就在本月中旬，Google方麵宣布，他們已經將自己本用於翻譯和圖像識別的消費級機器學習技術，應用到了醫療領域。他們的研究團隊Google Brain將與斯坦福大學、加州大學舊金山分校等知名學府展開合作，旨在從數以百萬計的患者身上獲取數據。
如同Google的CEO Sundar Pichai在前兩周的Google I/O 開發者大會上所表示的，這個科技巨頭的行動還遠不止此，去年他們成立了Tensor計算中心，Google稱之為AI-first數據中心。
“Google現在已經把所有的AI工作歸攏到了Google.ai，這個部門是諸多團隊和努力的結晶，他們都專注於使AI能造福每個人。”Pichai表示，“Google.ai將重點關注三個方麵：研究、工具和基礎設施，以及應用型AI。”
去年11月，Google的研究人員在JAMA上發表了一篇論文，表明Google經過大量眼底圖像數據訓練的深度學習算法，可以在診斷糖尿病性視網膜病變上，具有90%以上的高準確性。Pichai透露他們正在積極將AI應用到病理學上。
他說：“病理學涉及到龐大的數據問題，然而機器學習已經做好準備去解決它。我們構建了神經網絡，來檢測癌症是否擴散到了相鄰的淋巴結。這個工作還處於早期階段，不過它已經顯示出了能將準確度從73%提升至89%的能力。當然我們仍需要警惕的是，我們的診斷也存在很多誤報，不過這個問題我們已經交諸病理學家來解決，他們能夠提高診斷準確性。”
除開Google，另一個例子就是蘋果公司最近也收購了一家名為 Lattice的AI公司，該公司有著開發醫療應用算法的技術背景。
微軟自然也不甘落後，幾個月前，他們推出了醫療 NExT計劃，將AI、雲計算、研究以及行業合作夥伴關係整合到了一起。此項計劃包含了基因組學分析和健康聊天機器人技術的項目，並與匹茲堡大學醫學中心建立了合作夥伴關係。
幾周前，微軟和數據連接平台供應商 Validic建立了合作夥伴關係，將患者參與度納入到了 HealthVault Insights研究項目中。
將患者數據應用到真實診斷中
巨頭公司們在發力，初創企業們也是各顯神通，我們現在已經見識到了各種各樣的AI應用形式，從 Ginger.io的行為健康監測和健康分析平台 Sensely的虛擬助理，到 Ava等公司推出的可穿戴設備和各種APP，再到Clue公司最近推出的生育預測窗口。另外一個典型是Buoy Health最近推出的醫學專用引擎，Buoy的數據庫涵蓋了18000份臨床文獻和17000餘種病情，患者樣本逾500萬人。
除了症狀檢索以外，Buoy首先會要求用戶輸入年齡、性別和症狀等篩選條件，然後在細分數據後決定接下來的問題，從而不斷縮小搜索範圍，大約使用兩三分鍾後，問題越來越具體，並為用戶提供可能的病症列表和接下來的選項。
另一個十分具有前景的領域就是醫學成像。去年11月，以色列的機器學習成像分析公司Zebra發布了新平台，使人們可以通過互聯網隨時隨地上傳和接收他們的醫學掃描分析。
Zebra成立於2014年，致力於開發算法，使電腦自動識別醫學圖像，診斷從骨科到心腦血管疾病等多種疾病。該公司現在已經穩步建立了自己的數據庫，並結合深度學習技術，以開發算法來實現自動醫學診斷。另一家以色列的同類型公是AiDoc，這家公司剛剛融資了700萬美元。
然而，不論一家科技公司規模多大或者技術有多先進，隻有將患者數據應用到真實診斷中才是王道，這也是噱頭和有效算法之間的分水嶺。所以也就不奇怪，為什麼還有那麼多公司還處於AI摸索學習階段。
風投公司8VC的CEO Joe Lonsdale在斯坦福的 Light Forum會議期間表示：“最初的難點就在於創建數據。”
加州大學伯克利分校公共衛生學院的生物統計學教授Maya Peterson則給出了更為明晰的觀點。她在近期舊金山舉行的HIMSS大數據和醫療分析論壇期間說道：“真實世界的數據都很複雜，而我們還沒有完全理解他們之間的聯係。在探索更加複雜的領域中，機器學習在某種程度上過於野心勃勃了，這可能不是一件好事。”
最後更新：2017-06-01 18:01:17