IBM Watson 不是 “赤脚医生”，也代表不了AI +医疗

二是帮药企筛选最适合入组做临床试验的患者。在任何药品进入市场前，我们为了确保它安全、有效，都需要在药品已经开发得差不多的情况下，找些志愿者试试看。俗话说 “对症下药”，为了看药有没有用，药企需要找到有对口的 “症” 的人。

假设某药企需要找 100 位志愿者做三期临床试验，由于缺乏数据、无法按照医院病历筛选出合适的患者，为了找到 100 个满足实验某项具体要求的人，药企往往需要找 1000 个病人，用大量人数弥补精度的缺乏，才能做有统计学意义的实验。而 Watson 或其他大数据系统能帮助筛选最合适的患者，提高效率。

除了药物研发，其他医疗领域也有不少可以和 AI 结合的点，比如影像分析与识别。视网膜糖尿病病变的识别、基于 CT 或者 X光做肺癌结节的识别、用乳腺钼靶影像做乳腺结节或肿块识别等，现在都可以用 AI 来完成，并且在这方面创业的公司也不少。

有意思的是，这也是中美一个明显的区别：过去几年里，国内医疗 AI 辅助诊断方面的投资案例里超过 40% 都投在了影像领域—— 我国作为人口大国，拍片子的量也很大，因此处理起来也很费时间，或许这是投资人青睐这个领域的原因。

那么，我国哪些地方会用到 “AI 看片子” 的技术呢？

陈晖介绍道，现在普遍认为AI 影像识别的能力足以达到一位县级医院放射科医生的水平，但比二线城市以上放射科医生的水平要差一点。因此，“AI 看片子” 的应用场景多为县级市、地级市或更基层，任何有基本的放射设备、但缺乏有经验的放射科医生的地方，都是其应用场景。

这就是为什么我们在谈 “AI与医疗落地” 时，首先要谈场景。陈晖给小探举了个例子：在病理领域，有个最基础的识别叫做 “细胞形态识别”，即对于变异的细胞进行发现和计数。这项工作原来需要由有经验的医生用显微镜看，但陈晖及其同事观察到，国内大量检验类项目需要在乡镇、甚至村的级别进行。

不少乡镇、村里并没有医生能看片子，因此有些 AI+医疗公司解决的就是这个问题：给乡镇卫生所在云端提供血常规细胞分析的识别能力，让 AI 简单快速地协助卫生所出报告。目前，不少乡镇卫生所已经接受并开始运用了这种方式。但这种方式在北上广的大三甲医院又没有用武之地，因为那些大医院可以用自动化的血液生化仪做血常规检查。

对一些地处偏远地带的患者来说，AI 有时不是 “好和更好” 的差别，而是 “有和无” 的差别。另一位匿名受访者表示，在我国，AI 在大医院里只能扮演辅助诊断的角色，最后由医生做决定。但在医疗资源严重稀缺的偏远地区，人工智能可以提供一个初步的检查结果，然后把结果传给县、地级市的医生，由他们审核，审核过后再把结果传回去，这几乎是目前偏远地区的病人拿到检查结果的唯一可能性。

看来，AI+医疗的解决方案到底适不适用，首先要考虑场景。对一个场景没太大用处的，很可能在另一个场景大有作为。

找来数据喂饱 AI，与医疗结合才能更落地

AI 面临的主要挑战之一是数据的来源。所谓 AI，就是用很多数据去训练机器，机器从大量数据里摸索出规律、学会判断，成为人工的智能。也就是说，我们需要用大量的真实数据“喂” AI。因此 “数据从哪儿来”，就成了 AI 不得不面对的问题。

图自网络，版权属于原作者

（编辑：宿州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!