麥肯錫：潛力巨大，障礙多多，人工智能醫療是藍海還是虛火？

編者按：日前，麥肯錫全球研究所發布了《人工智能：下一個數字前沿》的報告，分析了當前大熱的人工智能實際落地情況和發展前景，主要集中在零售、製造業、電力、醫療、教育這五大領域。雷鋒網就其中醫療行業部分為您進行編譯和解讀。

醫療保健是很有前途的人工智能市場。它的推理能力和在大量病曆、醫療圖像和流行病等統計數據中進行模式識別的能力有巨大的潛力。人工智能可以幫助醫生改善他們的診斷，預測傳染疾病，並定製醫療方案。人工智能與醫療保健數字化相結合，可以讓提供者遠程監視或診斷病人，同時還能夠改變方式治療占據大宗醫療預算份額的慢性病。

AI能夠快速診斷，製定更好的治療方案

醫療診斷領域的人工智能主要有兩個方向，一個是基於自然語言處理，根據病曆和症狀診斷疾病；一個基於計算機視覺，通過識別醫學影像診斷疾病。

以肺癌識別為例，AI可以通過兩種方式診斷肺癌，一種是基於自然語言處理，代表是IBM的Watson，在長達4年的時間內Watson學習了200本腫瘤領域的教科書，290種醫學期刊和超過1500萬份的文獻後，Watson開始被臨床應用，將病人的病曆信息和症狀輸入係統，可以識別肺癌。如今Watson在肺癌、乳腺癌、直腸癌、結腸癌、胃癌和宮頸癌等癌症領域已經可以為醫生提供診斷建議。

另外一種是基於計算機視覺的診斷方式，代表企業是國內的Airdoc，由於肺癌早期沒有任何臨床症狀，如果有症狀就是中晚期，目前約75%的肺癌患者在診斷時已屬於晚期，肺結節的有效診斷和及時治療至關重要。

然而，大麵積使用人工智能診斷疾病可能還不會太快發生。雖然機器學習能夠利用數據進行診斷，但完全自動化的診斷不太可能很快實現，部分原因在於患者是否會接受這種診斷，還有部分原因在於整合多個來源的數據和遵守嚴格監管要求都具有相當的技術難度。

同時，在醫療行業意識到這一潛力之前，醫療保健提供者必須對他們的商業模式做出重大改變，對計算能力和技術專長進行大量投資，並努力提高能源的可用性，從而推動對包括醫療記錄在內的數據的處理和利用率。(專門的數據經紀人，比如IBM在2015年收購的“探索”(Explorys)，已經提供了綜合的醫療保健數據，並將其出售給潛在的人工智能解決方案提供商和用戶。)

無論如何,基於AI的診斷工具在醫學能否取得成功，將取決於政府部門是否會簽署、資金投入以及立法保護患者的隱私，允許醫務人員訪問疾病和治療方麵的匿名數據，以訓練計算機別和治療各種疾病。

做出這些改變並不容易，然而一旦成功回報則相當可觀：報告顯示，在醫療行業高管回顧關於人工智能使用的案例分析時，較早采用人工智能技術的公司高管表示，他們預計，在未來3年內，這些技術將使利潤率提高5個百分點。根據世界衛生組織(World Health Organization)的數據，人工智能能夠提高醫療保健水平，同時也能降低成本。這可絕不是一件小事——2014年全球醫療支出達到GDP的9.9%(法國為11.5%，美國為17.1%)。

AI能識別公共健康威脅和最受威脅人群

人工智能技術普及率很低。目前最先進的應用領域是機器學習算法支持的支付和索賠管理。一些臨床醫生使用人工智能來預測某些疾病的傳播，並試圖預測哪些病人最有成為患者。他們根據這些信息提供預防性治療。他們還利用這些預測來幫助醫院管理人員安排工作人員，與保險公司協商報銷費率，製定預算，並優化庫存水平。

這種利用醫療和社會數據來更好地管理成本的想法，使得醫療預測在醫療保健領域，吸引了一些頂級技術、製藥和醫療公司以及小型初創公司。Johnson & Johnson與SAP合作，使用機器學習來預測客戶需求、庫存水平和產品組合。Careskore，一個預測分析平台，使用機器學習來確定病人被重新接納到醫院的可能性。

在未來，人工智能工具將大大加速醫療保健向預防醫學的轉變。醫療專業人員將專注於遠程管理病人的健康，讓他們不用進醫院。為了做到這一點，人工智能工具不僅會分析病人的醫療曆史，還要分析影響健康的環境因素，比如汙染和生活、工作噪音。這樣就可以識別風險群體，並告知當地政府在哪裏實施預防醫療計劃。

機器學習適合於分析數以百萬計的病曆數據，以預測基於一定人口水平上的健康風險。這可能是人工智能的早期勝利，因為它帶來了巨額儲蓄的潛力，而且在預測個人健康風險時不需要監管審查。

醫療提供者將得到信息，讓病人參與預防行動，包括醫療服務和生活方式和環境因素，如營養、鍛煉和避免汙染。醫院的管理人員將會更好地預測峰值期，譬如入學人數的激增。人工智能工具通過結合個人醫療記錄、天氣數據和其他信息，追蹤傳染性疾病的發病率，將幫助預估有多少人需要住院治療。又譬如，人工智能應用程序可以使用醫療和人口數據來預測分娩的增加，如果產科診所需要額外的工作人員，就會提醒衛生保健管理人員。

報告估計，采取AI措施之後，美國每年的全部醫療服務的潛在成本節約將是3000億美元，約占GDP的0.7%。英國,使用人工智能目標預防保健,每年可以節省每年£33億住院費用。

人工智能可以幫助醫學專業人員診斷疾病，提高操作機器學習的能力，提高診斷準確性。斯隆凱特琳研究所(Sloan Kettering Institute)估計，在診斷癌症患者和處方治療時，醫生隻使用了20%的實驗性知識。人工智能應用程序可以在數百萬頁的醫學證據中篩選，幾秒內提供診斷和治療方案。

基於AI的圖像識別和機器學習可以在MRI和x射線圖像上看到比人眼更詳細的信息。例如，不同類型的膠質母細胞瘤有明顯的遺傳異常，醫生就根據這些異常來治療。但是放射科醫生不能僅憑圖像就能識別這些腦癌的基因異常。梅奧診所有一個機器學習程序，則可以快速和可靠地識別異常。

創新並不局限於圖像識別。企業家正在努力改變病人護理過程中的每一個步驟。一家名為Enlitic的初創公司正在開發一款深度學習應用程序，可以提高疾病診斷的準確性。Oncora醫療公司開發了一種人工智能工具，幫助腫瘤學家起草針對癌症患者的個性化輻射治療方案。

人工智能的自動化有可能通過減少醫生和護士的日常活動來提高醫療保健的生產力。總有一天，配備深度學習算法的聊天機器人能夠緩解急診室麵對大量非緊急病患的情況，如喉嚨痛和尿路感染患者。

啟用人工智能意味著運營效率的極大節省。

根據調查，盡管人工智能有巨大潛力，醫療保健在應用人工智能技術方麵還是落後於其他行業。人工智能的使用主要集中在運營和客戶服務方麵；最常用的技術是語音識別和計算機視覺，在我們的調查樣本中，兩者在醫療保健公司的份額分別是9%和7%，其中包括已經注意到人工智能的組織。在大多數醫院，諸如預約安排等運營管理職能，仍然是手工完成的。

我們已經發現，如果一個部門在采用數字技術方麵進展緩慢，那麼它對於人工智能的的使用也有同樣的傾向。報告《數字美國》發現，全國近四分之一的醫院和超過40%的醫生尚未采用電子健康記錄係統。即使是那些有電子記錄係統的，也沒有與病人或其他提供者無縫共享數據;重複的測試是不必要的，病人需要反複講述他們的病史，因為這些係統無法共通操作。另一份MGI報告，即《分析的時代》，發現美國的醫療保健部門隻應用了10%到20%的機會使用高級分析和機器學習。

之所以進展緩慢，並不是由於醫務人員和行政人員對AI缺乏興趣。人們有興趣，但醫學麵臨著一些獨特的高難度障礙。醫療記錄的敏感性和嚴格的保護隱私規定妨礙了深度學習應用和其他人工智能工具所要求的高質量聚合數據的收集。此外，數據和行業本身、醫療保健行業的碎片化以及其他監管障礙的複雜性也在減緩這一進程。

在發達國家啟用人工智能意味著運營效率的極大節省。對美國的估計占到GDP的1%到2%。在其他高收入國家，估計節省將占GDP的0.5%至1%。全人工智能可以將在編護士的生產力提高40%到50%。麥肯錫的研究發現，這可以使醫院節約一半的人力成本，同時還能顯著減少病人的等待時間。

醫院還可以通過使用人工智能解決方案優化許多普通的業務任務來提高他們的能力利用率。虛擬代理可以使常規的病人交互自動化。語音識別軟件已經在客戶服務中使用，它降低了處理病人的日常工作的成本，比如安排預約和登記入院的時間。自然語言處理可以分析期刊文章等文件，並對其內容進行整理，便於醫生快速查閱。這些類型的應用程序可以產生顯著的影響，而不需要通過監管審查。

保險公司可以設計新的方法來鼓勵預防保健並激勵提供者

機器學習技術能夠預測病人行為和計算疾病概率，比目前的方法以及醫療保險提供者更能提高生命的可能性。

新的商業模式可以將人工智能與行為健康幹預結合起來，將注意力集中在預防、疾病管理和健康上——在人們成為病人之前就處理他們的不健康。一家名叫“Discovery Health”的南非的保險公司，追蹤受保者的飲食和健身活動，並為他們的健康行為提供激勵。

人工智能還將鼓勵付款人、供應商和製藥公司之間建立新的夥伴關係，並將促進按績效收費的模式，加速向預防性醫療的轉變。Payers可能會更多地參與到護理管理中，或者鼓勵他們的提供者，通過引入基於機器學習識別風險的契約模型或者基於AI的風險管理模型來實現。

當更多的保險公司使用機器學習來分析曆史病曆數據時，基於內容的支付計劃會得到顯著的擴展，該計劃將根據該組織所有提供者的平均治療費用來支付醫生和醫院的費用。根據麥肯錫的客戶經驗，我們認為這種方法會對成本產生明顯的影響，使整形外科醫生的費用減少8%到12%，而醫生診斷費則會降低4%到5%。

醫生將可以為單個病患定製治療方案——甚至藥物

病患也能夠直接受益於人工智能在醫療保健領域的興起。

考慮到每個病人的曆史和基因組成的複雜性，標準化的治療方法並非對每個病人都會起作用，因此研究人員正在使用先進的分析方法來個性化治療方案。決策可以基於數據分析和遠程診斷設備得到的病人監控。一家名為“Turbine”的初創公司使用人工智能來設計個性化的癌症治療方案。該技術在分子水平上對細胞生物學進行建模，試圖識別用於特定腫瘤的最佳藥物。它還能識別複雜的生物標誌物，並通過每天進行數百萬次模擬實驗來尋找組合療法。

人工智能利用海量數據來解決狹窄問題的能力與定製醫療的倡導者產生了共鳴。他們承諾提供一種獨一無二的藥物、理療和治療，旨在以最少的副作用提供最大益處，因此了解數百萬其他有類似症狀、預後和年齡的人的健康結果對他們來說有無法估量的價值。一些公司已經在使用機器學習或其他人工智能技術來對個別病人進行治療。Mindmaze使用機器學習來優化中風病人的康複活動。Ginger.io使用機器學習，根據病人的新陳代謝和其他因素，來推薦最佳服藥時間。量身定製的治療可能會使人均醫療支出減少5%到9%，同時增加0.2到1.3年的平均壽命，並每年提高200美元的生產力。在全球範圍內，經濟影響可能在2萬億美元到10萬億美元不等。

虛擬代理可以作為病人的主要接觸點

醫療領域最突出的問題就是優質醫療資源不足。這個問題可以說是全球性的。再加上人口老齡化的加劇，未來對醫生的需求量很有可能是有增無減。

醫療實踐已經采取了一些小的步驟，將人工智能納入患者管理，引入語音識別和其他語言方麵的人工智能技術，以實現操作自動化。未來，具備語音識別、圖像識別和機器學習工具的虛擬助手，將能夠進行協商、診斷，甚至開藥等操作。如果這些係統缺乏足夠的信息來得出結論，虛擬代理可以命令額外做測試，並和病人約好時間。

在農村地區，虛擬代理將能夠進行遠程谘詢。然而，這種情況需要患者、提供者和監管人員對完全自動化的診斷和處方感到自在。

較少爭議的是，在醫院，虛擬代理將能夠幫助病人掛號，並將他們推薦給合適的醫生來解決他們的問題。虛擬助理將能夠幫助病人在醫院機構中導航，為他們準備測試，並確保他們準時赴約。

幾大攔路虎，數據可用性首當其衝

阻礙人工智能開發及其在醫療保健方麵應用的最大的可能性瓶頸之一，是足夠數量並且格式標準的高質量數據。如前所述，當今信息高度分散，遍布整個行業，分散在各處，最難以協調的如電子醫療記錄、實驗室和成像係統、醫生記錄和醫療保險索賠材料。將這些信息合並到大型的綜合數據庫中是很困難的，然而這又是促使人工智能深入了解疾病及其治療方法的必要條件。

例如，文化障礙阻礙了醫療保健數據所有者——醫院、保險公司、製藥商——和診斷公司之間的合作。當然，數據本身也是高度敏感的。當人們在網上購買或加入某項信用計劃時，他們通常會允許訪問某些種類的個人數據，但他們可能會抗拒任何試圖更深入地接觸更隱秘的醫療曆史的嚐試，尤其是如果他們不認為這是必要的，而潛在的好處又很抽象。他們可能還擔心，對黑客和數據竊賊來說，隱私性的健康細節的集中收集將是一個理所當然的目標。監管機構將需要積極製定明確的規則，定義哪些人能夠使用這些數據，他們可以使用哪些數據，如何存儲它們，以及它們如何匿名化。

技術限製是另一個障礙。

為了完成工作，人工智能技術必須對病人和其他人們進行深入了解，但人們對人工智能技術如何實際診斷或選擇治療計劃仍知之甚少。有多少患者會相信人工智能工具，願意相信人工智能診斷或遵循人工智能治療計劃仍是一個疑問。如果沒有人能夠解釋計算機是如何做出決定的，或者如何防止某種情況再次發生，監管者就不會冒風險急於做出錯誤的決策去傷害一個病人。即使對於最強大的人工智能工具來說這也是一個問題，比如深度神經網絡，並且在一段時間內仍會維持這種情況。盡管在理論上來說，人工智能工具比單獨的人類臨床醫生更不容易犯錯誤。

人工智能公司將不得不解決市場分化問題。數以百計的供應商提供數千種不同的機器學習程序，每一個都為特定的臨床情況而設計。但在日常實踐中，醫生需要的是那種能夠處理不同情況的平台。

如果醫療保健者想要利用人工智能的能力，他們也有一些事情要做。首先，他們必須雇用或培養受過訓練的、具有部署、維護和操作人工智能係統能力的人。除了數據分析師和技術人員之外，這還包括項目管理、團隊開發和解決問題的技能。

與此同時，傳統的工作人員——醫生、護士和其他醫療專業人員——需要習慣在機器和人工智能工具的支持下工作。雖然這將使他們有機會更多地關注臨床病例，並將管理和低風險工作交給人工智能和數字解決方案，但他們必須克服嚴重的懷疑心理。

雷鋒網結語：一方麵是優質醫療資源供給不足，成本高，醫生培養周期長，誤診率高，疾病譜變化快，技術日新月異；另一方麵，隨著人口老齡化加劇、慢性疾病增長、對健康重視程度提高，醫療服務需求持續增加。可以預見的前景是，盡管當前AI在醫療領域的全麵落地仍有一些障礙，但是雷鋒網認為，在不久的未來，醫療行業必將成為AI的下一個藍海。這也是穀歌、IBM等巨頭不惜血本不斷撒錢的根本原因。而從另一個角度看，即使早已入局的巨頭公司，他們在醫療領域的人工智能研究也不過是入門級水平，我們更加可以說，AI+醫療，必將大有可為。

最後更新：2017-10-12 14:46:43