医疗AI 竞赛
参观者在观看国外品牌手术机器人10分钟能做什么？对于IBM的医疗AI系统Waston而言，足够完成对患者罕见癌症的诊断并开具适当的治疗处方。在以往，这是无法想象的。近年来，伴随着深度学习、图片识别、语音识别和算法能力等人工智能关键技术的成熟，以及众多企业对医疗AI行业的环伺和资本投入，AI正在成为全世界医疗领域技术发展和商业运营的热点。
市场研究机构麦肯锡的报告显示：2016年，企业在人工智能上的投资为260亿~390亿美元，预计到2025年，人工智能应用市场总值将达到1270亿美元，其中医疗行业将占到五分之一的市场规模。
因此，全球各国都在加紧布局医疗AI的发展，中国也不例外。虽然近几年来中国在这一领域表现不俗，但整体发展水平与发达国家相比，仍存不小差距。
源起英美
对于医疗人工智能的探索，最早可追溯到上世纪70年代。
1972年，英国利兹大学研发出了AAPHelp，这是目前已知最早的医疗AI系统，比中国最早的医学系统还早6年。这个系统主要针对腹部疾病进行辅助诊疗和相关手术操作，但不成熟。
1974年，匹兹堡大学研发出用于内科疾病辅助诊疗的INTERNISTI；1976年，由斯坦福大学研发的MYCIN问世，主要用于辅助诊断感染性疾病。当时，引发关注的还有罗格斯大学研发的CASNET/Glaucoma，麻省理工学院研发的PIP、ABEL等。
到了上世纪八九十年代，医疗AI商业化应用雏形开始出现。
当时，美国麻省总医院发起名为DxPlan的医疗AI项目，涵盖了内科多种疾病类型，并能够依据临床表征提供辅助诊断方案。1990年，美国加利福尼亚州大学圣迭戈分校的威廉巴克斯特医生在其公开发表文章中第一次提出了“电脑可能比医生做得更好”的论点。
1997年，美国Intuitive Surgical公司成功研发出达芬奇机器人手术系统，并在 2000年获得了美国食品药品监督管理局（以下简称FDA）批准，开始应用于临床。该外科手术系统经过不断完善，时至今日，已成为世界上应用最广泛、最先进的机器人外科手术系统。
步入21世纪，图像识别、语音识别等人工智能技术的进步引人关注。
2006年，加拿大多伦多大学的教授杰弗里•辛顿首次提出“深度学习”概念，掀起了一阵关于神经网络研究和应用的热潮。2013年，“深度学习”开始从学术课题研究变为备受医疗巨头青睐的技术核心，并渐趋成为现实的应用场景。
此后，医疗AI技术和应用场景开始在其他发达国家开枝散叶。如2015年日本SoftBank公司研发出了情感机器人Pepper，2016年德国研发出了能感知疼痛的人工神经系统。
医疗AI界的“老大哥”
不可否认，中国的医疗AI近几年发展迅速，但相比之下，发达国家的医疗AI依旧处于领先地位。目前，中国在这一领域还是追赶者。
比如在应用场景方面，发达国家的医疗AI产品均衡且广泛地布局在医疗影像、医疗器械、健康管理、营养学、人脸和情绪识别、药物挖掘等领域。
全球领先的医疗科技公司Medtronic，其医疗器械已能够优化患者治疗效果，为慢性病患者提供终身的治疗方案；德国的Nuritas生物科技公司通过将人工智能与基因学结合，对人体的健康要素进行监测和记录，通过分析得出更加准确和有效的健康管理计划。
美国的IBM公司更是早已在医疗领域开展“大胆豪赌”。2007年，IBM的医疗AI产品Watson问世，开展深度学习医学专业知识、识别医学影像、临床诊疗和个性化治疗等多项工作。
2015年，Watson仅用10分钟就为一名女性诊断出罕见白血病，并提供了适当的治疗方案。目前，Watson已经成为IBM 最成熟的AI应用案例。
而在具体准入管理方面，2016年，FDA颁布三条法律：包括规范低风险大众健康产品、支持医疗器械监管决策和医疗设备准入临床实验的适应性设计。这三条法律如今成为了医疗AI创新发展的建设性框架。
2017年，FDA正式授权巴库拉•帕特尔专员组建了一个针对数字化医疗和人工智能技术审批的新部门，以便更规范地审核不断涌入FDA大门的各种医疗人工智能产品。
FDA掌门人斯科特•戈特利布在2018 Health Datapalooza大会上说，“我们正在通过新的预先认证项目，在上市之前拓展医疗设备等数字健康工具的安全审查新模式，这是一种新审查途径。”
相较之下，中国的医疗AI则分布不均衡，目前基本集中于医疗影像领域。更为关键的是，中国目前还没有专门针对数字化医疗和人工智能技术审评的管理部门。
AI不能解决所有问题
“虽然机器能够在有效的时间内学习复杂解决方案，但真正能够解决每项挑战、无所不能的人工智能还不存在，且短时间内不会出现。”美国Digital Reasoning认知计算公司保健研究主任保罗•克拉克曾在一次演讲中说。
事实上，IBM的医疗AI“赌局”结果总体上并不乐观，“原因是选择太大，目标预计太高。目前的人工智能技术发展水平只可以帮助解决医疗中难缠的细节问题，比如在复杂的数据库中找出需要的数据等精细任务。” 保罗•克拉克解释道。
数据的总量和质量是Watson面临的又一问题，也是全球医疗人工智能面临的难题。
早在1996年，美国就颁布了《健康保险携带和责任法案》，规定建立电子医疗交易保障监督制度，以最大限度地保护医疗信息安全和隐私。随后，美国还相继颁布了《个人可识别健康信息的隐私标准》《移动医疗应用程序指南》等应对互联网浪潮的更加全面的规定。
英国对医疗数据也有严格的制度保护。2016年，英国伦敦皇家自由医院在没有充分保护患者隐私和没有确保数据来源正当性的前提下，将约160万名患者的数据交给“深度思维”公司开展医学研究，被英国信息委员会勒令限期整改。
尽管目前中国关于医疗数据和信息隐私问题的政策性保护尚不明朗，但保护患者隐私和数据安全是各个医院使用AI产品时会首先考虑的问题。
法律和政策的限制，使研发企业或机构难以快速地获取海量临床数据。谷歌耗时1万个小时，通过标注对话训练出的“逆天”研究——大神经网络，就现阶段的数据总量而言，仍然远远不够。
此外，有学者对加州大学旧金山医疗中心电子病案系统文本进行分析，得出“高达80%的文本型录入有复制和粘贴他人记录的嫌疑”这一结论。数据存在质量问题，最终可能导致临床误诊，更严重的还会引发权责纠纷。