Airdoc創始人張大磊：中美醫療人工智慧存在四大差異
Airdoc創始人張大磊：中美醫療人工智慧存在四大差異；人工智慧是拐杖型技術，自身並不能創造價值
2017-10-12 亨通金融
【近日，嘉峪關市設立獎金兩百多萬，面向全國徵集嘉峪關城市Logo、嘉峪關城市吉祥物（一對吉祥物命名為“嘉嘉”與“關關”）、絲路（長城）文化研究院院標等創意設計作品以及旅遊文創類創業創新項目。
文丨張大磊
整理丨王楚韻
很高興今天和大家做一個小的分享，在過去幾年裡面我們在美國市場和中國市場都做了一些工作，我們也很明顯發現了這兩個市場有非常多的不同之處，今天在這裡和大家做一個小的分享，看看中美兩個市場在醫療人工智慧領域裡面有哪些不同的地方。
首先介紹一下我們公司，Airdoc其實是一個純內資的公司，包括在美國的分公司也是中國公司的分支機搆。
我們的定位是做每個人都能用的人工智慧，我們不太希望自己最終做出來的東西是只有大專家能用得著的，我們也不太希望做出來的東西是只受益於非常小的群體，我們希望在座每一個人，
過去幾年裡面，醫療人工智慧這個領域，從不被接受到慢慢被接受，到現在成為一個相對比較熱門的東西。我相信整個監管層面、行業層面、科技醫療領域裡面都發生了很多變化也經歷了一個認知的過程。在整個醫療領域，國內的醫療機構裡面，像北京、上海、廣州這些醫療相對比較發達的地方，比較牛的三甲醫院陸陸續續做的事情，
今年的中華醫學會皮膚科年會、眼科年會，還有10月13號的中華醫學會放射科年會上，都專門給Airdoc留了一個人工智慧的分會場，我們把行業裡面優秀的同行和優秀的思想家都召集到一起去討論，這在三年前是不可想像的。
不僅僅醫療領域，
上面是我們正在合作的一些醫療機構。在幾年前的時候我們就開始和衛計委（原衛生部）溝通人工智慧這個東西在醫療行業能夠發揮作用，包括我們在《健康報》上面做系列專欄，討論人工智慧會不會取代醫生，能不能在病理科上面做事情，是不是真的能夠用在病人身上，我們做了很多有意義得討論和探索。但實際上據我所知，最開始我們寫的東西基本上只占非常小的版面，大多數人並不關心——醫生會認為我的工作就是每天看病，連遠端會診都沒有做起來，人工智慧還非常遙遠。但是現在我們在《健康報》這個專欄每天看的人非常多，很多人甚至線上看。
我們在專欄上面討論人工智慧和醫療相關的文章，在整個《健康報》上面的網站點擊率明顯比其他更高一些，這是非常棒的一件事情，表示越來越多的醫生開始關心這個事情了。
但是在越來越多人關心之下，我們也注意到這個領域現在變得比較浮躁，這導致了很多人期望值變得非常高。但是現在技術的發展就像之前的各位領導提到的，它不一定能滿足大家的心理預期。因為到現在為止，人工智慧的一些核心技術，本質上並沒有非常突破性的進展。在做這個公司之前，我負責過視頻公司PPTV，那個年代我們也是大量做人工智慧相關的東西，比如說每天有幾百萬人網上傳視頻，這裡面色☆禁☆情、暴力什麼都有，不可能組織人看完，所以我們也是拿演算法把所有的錄影、截圖都算出來，識別裡面是什麼內容。所以說看上去生物學的人工智慧是一個新的東西，至少2012年開始才廣為人知的，但實際上演算法這個圈子裡面，這些都是大家已經熟悉的東西。
但是為什麼在過去幾年裡面開始慢慢熱起來呢？我認為這中間有一個很大的因素就是我們現在的醫保和醫療改革確實走到困境，不只是中國，我們在美國市場也看到同樣的情況。中國市場和美國市場在人工智慧領域上面走過的路也非常不同，最大的不同我認為在以下四個方面：
診斷一致性是最大的差距
首先中國市場和美國市場基本的不同的之處有兩個，第一個就是我們的醫療市場和美國市場還是有很大的距離，最大的距離就是診斷的一致性上面。基本上說以B超為例，我們很早也做過B超輔助診斷，發現B超在國內是沒有統一操作標準的，每個人有自己的手法，你說B超看到了什麼，其實每個人看到的東西不一樣，因為掃的過程不一樣。但是在美國，大多數B超醫生都做11個切面，被訓練過的技師就是把這11張圖取出來，大夫看的時候如果發現不是這幾張圖，會打回去重新做。這是一個很好玩的一點，我們的思維方式是比較混沌和藝術的，但是老美的思維比較專業和統一。像診斷這裡面，我們注意到輔助診斷在美國不是很大的市場，我們一直在關注美國做輔助診斷的公司，我們之前合作的一些公司都是在美國融了好大一筆錢，然後做了幾年後做不下去了。因為在美國分級醫療體系建立相對比較完善，所以很小的問題到全科醫生那裡就搞定了。再稍微嚴重一點的問題會到不同的地方去，由於支付體系是按照效果付費的，都有非常嚴格的要求，實際上有一個機制把治療結果或者診斷結果比較差的醫生從這個體系裡面不斷排擠出去的。
我們國內並不是這樣的，在之前打交道的很多醫療機構裡面，不同的醫療機構之間水準差的非常遠，所以我們第一個看到的就是輔助診斷在國內是一個市場，但是在美國這個市場並沒有那麼大。
第二不同之處，治療本身在美國是一個非常大的市場，精准治療或者個性化治療在美國都是非常大的市場，但是在國內的精准治療我認為它的市場比美國的還要落後非常多。我們也注意到，我們之前曾經把分診往下推的時候，我們也聯繫基層醫生，大多數基層醫生回訪的時候，當他發現一個疾病一般都不會推給縣醫院、市醫院，基本上到省會醫院的時候就到頭了。如果病人在省會醫院治不好，大概率就認為這麼著了，有一些經濟能力比較好的人可能會到北京、上海、廣州，但是很多人還是在本地解決的，但是本地的水準其實有一些是有限的。
上面這個診斷一致性方面顯著的區別，我們開玩笑叫“阿爾法狗”和“狗阿爾法”的區別。Verily是穀歌投過的一家公司，穀歌把人工智慧醫療扔給一幫做調查的人做，不指望那個掙錢，真正指望Verily掙錢。Verily是做資料處理的，自己本身並不做醫療人工智慧，不過給做醫療人工智慧的公司提供資料以及資料處理服務，這個我覺得是一個非常聰明的一點。因為整個醫療人工智慧的發展期我們認為是十年，不是說今年就發財明年就發財，而是一個巨大的產業，同時很多人沖進來，Verily就幫你寫資料，幫你把裡面的東西做的非常好。我清理出來的資料也許藥廠可以用，保險公司可以用，醫療人工智慧公司也可以用。他們對這個行業的定位相對比較長期，所以長期過程當中發展起來的是基礎設施應該做好。這個我們認為是比較有特點，但是在國內大量醫療人工智慧的公司我們觀察到，現在普遍在走我們三年前的路，我們三年前做的時候就是演算法過一遍，看什麼有病什麼沒有病，然後賣給醫院。我們認為這個就像阿爾法狗一樣，你嘗試取代或者嘗試輔助醫生做一件事情，但是這裡面的話真正給醫生帶來的價值多大，其實我們認為是有限的。
均衡發展五類，反對重複建設
第二個不同之處是，在美國市場我們注意到在以上五類人工智慧應用過程當中，這五類是比較均衡的，基本上大致都是五分之一，每個部分都有大量的公司在做。但是在國內大量的公司只做醫學影像這塊，包括我們過去幾年也做了很多醫學影像方面的工作。我們做了病理影像的，還有識別皮膚病的，包括從眼裡的可以識別出來疾病，已經不少了。但是實際上用AI做輔助新藥研發上面，我們在國內參與的靠譜公司,我們認為是一隻手就可以數出來的。我們看到美國有大量的公司在做這些AI相關的東西，但是在國內非常少。無數的公司大部分集中在醫學影像這裡，而且我們注意到無數的公司是紮堆在放射科，為什麼？因為放射科獲取資料最容易，相對標準化，都是機器出來的，無非是幾個廠家（GPS、聯影），出來的資料比較標準化，所以大家都沖進去了。但是這樣我們認為其實是，可能短期來看做個PR比較容易拿到一筆錢，但是長期來看我們認為這個領域有大量的低水準重複的建設。
第三個不同之處，從重診斷到重治療的模式。真正意義上的這幾年所有的醫學進展，至少在模式上注意到大量的進展來自於治療領域。可能在座當中有知道CAR-T，知道這樣的東西，你才能知道醫藥行業這幾年做了些什麼。
實際上，在診斷這個領域我們恰恰注意到，我們認為在診斷領域這裡面過去幾年沒有太大的進展，而且演算法能夠提供的東西有限。診斷領域裡面我們判斷很大程度上演算法提供的診斷接近人類的醫生，做到最牛基本上就是接近人類醫生的水準。但是實際上治療層面上可能反而是不一樣的，因為治療層面上有非常多的參數，非常多個性化的東西，有可能演算法比人類做的更好一些。而在診斷領域裡面，有很多是演算法無法替代的，人會觀察這個人的身態、步態，交互的方式，所以這是我們的觀察。我們也是希望有越來越多的國內做醫療人工智慧的公司更多做治療這個層面，把診斷和治療結合到一起，因為病人需要的東西是恢復健康，病人是需要干預和治療成功，不僅僅需要診斷成功——診斷是醫生需要的，但是從來沒有人在醫生診斷工具上賺到錢，這是一個很殘酷的現實。
第四個中國市場和美國市場很大的不同之處是目標市場，中國人都非常重視人身上的醫療人工智慧，但是我們注意到在人之外的，在老美市場我們可以做很多市場，像我們在美國花了大量時間分析拿演算法看腸道微生物，因為在人之外有很多東西。第一個是拿演算法看人眼的時候，如果出一個診斷報告，可能FDA說不行，我拿它看雞、豬實際上這些動物不會說話，你觀察它血管和疾病也是很好的方式，但是對整個相關行業的上下游來講這些東西也是非常需要的。同樣的話像我們看到在微生物領域裡面，在腸道菌微生物裡面也是大量的資料，像我們處理過的微生物的資料，那個量級是百萬級別的，比基因測序測出來的多很多。這裡面都可以起多很多作用，而且有時候還可以跑出原來的研究根本不知道的東西，這裡面我覺得也有非常多好玩的地方。我們也注意到國內現在有一些人慢慢開始做基因領域裡面的深度學習，但是我並沒有看到特別多做微生物領域或者動物領域，我們認為動物是非常大的市場。
剛才是中國和美國市場的不同之處，相同之處大家也非常瞭解了，相同之處都是市場不好做，相對比較慢的。比如說醫生簽字權問題，這就是很典型的問題，假設我們拿演算法識別疾病，我們能做的比人類醫生更好，你把它部署到醫院的放射科，比如說一天看一百個病人，你看了95個，醫生要在95個你說正常的病例上面簽字的時候他要承擔法律責任，解決這個問題的辦法是整個法規上要允許演算法簽字。當然允許演算法簽字這個事情牽涉的工具非常多，這個短期很難被解決。我們一個同事的學生在美國做了一個公司號稱是第一個被FDA批過的AI的公司，但是實際上做的事也是，它被批過相當於一個PR的方式過的，並不是演算法出來就有法律效益。這塊上面監控層面會非常慎重，我相信監管層面會非常負責，在座任何一個人如果你是FDA或者CFDA官員的時候，你會考慮到你批准的每一個背後都是人命。大量的慢性疾病防控壓力還沒有到一個臨界點，沒有到必須要用演算法把每天生活狀態串聯起來，到這個階段才有更多的關聯。
所以，我們希望我們做的每一個東西都是在座能夠真正用上並且解決問題的。
【聲明】轉載自其它平臺或媒體文章，本平臺將注明來源及作者，但本平臺不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證，僅作參考。若侵犯著作權，請主動聯繫本平臺並提供相關書面證據，本平臺將更正來源及作者或依據著作權人意見刪除該文章，並不承擔其他任何責任。
關於我們：
發起人孫春光 學歷：天津大學電子資訊工程本科、保送通信與資訊系統碩士 。
現擔任全國工商聯民辦教育出資者商會EMBA聯盟專委會秘書長；北京左右逢源創業投資有限公司合夥人；愛投（ITOU）高管會創始發起人；IT高管會創始發起人
但是他們逐漸意識到一個問題，人工智慧是拐杖型的技術，自己不能創造價值，必須和某個領域結合起來。結合的領域裡面大家看到的像安防、金融這些領域裡面，已經有人在做探索工作，像醫療領域已經有越來越多的公司做起來，我們覺得在醫療領域人工智慧也有很多可以提高和改善的地方。上面是我們正在合作的一些醫療機構。在幾年前的時候我們就開始和衛計委（原衛生部）溝通人工智慧這個東西在醫療行業能夠發揮作用，包括我們在《健康報》上面做系列專欄，討論人工智慧會不會取代醫生，能不能在病理科上面做事情，是不是真的能夠用在病人身上，我們做了很多有意義得討論和探索。但實際上據我所知，最開始我們寫的東西基本上只占非常小的版面，大多數人並不關心——醫生會認為我的工作就是每天看病，連遠端會診都沒有做起來，人工智慧還非常遙遠。但是現在我們在《健康報》這個專欄每天看的人非常多，很多人甚至線上看。
我們在專欄上面討論人工智慧和醫療相關的文章，在整個《健康報》上面的網站點擊率明顯比其他更高一些，這是非常棒的一件事情，表示越來越多的醫生開始關心這個事情了。
但是在越來越多人關心之下，我們也注意到這個領域現在變得比較浮躁，這導致了很多人期望值變得非常高。但是現在技術的發展就像之前的各位領導提到的，它不一定能滿足大家的心理預期。因為到現在為止，人工智慧的一些核心技術，本質上並沒有非常突破性的進展。在做這個公司之前，我負責過視頻公司PPTV，那個年代我們也是大量做人工智慧相關的東西，比如說每天有幾百萬人網上傳視頻，這裡面色☆禁☆情、暴力什麼都有，不可能組織人看完，所以我們也是拿演算法把所有的錄影、截圖都算出來，識別裡面是什麼內容。所以說看上去生物學的人工智慧是一個新的東西，至少2012年開始才廣為人知的，但實際上演算法這個圈子裡面，這些都是大家已經熟悉的東西。
但是為什麼在過去幾年裡面開始慢慢熱起來呢？我認為這中間有一個很大的因素就是我們現在的醫保和醫療改革確實走到困境，不只是中國，我們在美國市場也看到同樣的情況。中國市場和美國市場在人工智慧領域上面走過的路也非常不同，最大的不同我認為在以下四個方面：
診斷一致性是最大的差距
首先中國市場和美國市場基本的不同的之處有兩個，第一個就是我們的醫療市場和美國市場還是有很大的距離，最大的距離就是診斷的一致性上面。基本上說以B超為例，我們很早也做過B超輔助診斷，發現B超在國內是沒有統一操作標準的，每個人有自己的手法，你說B超看到了什麼，其實每個人看到的東西不一樣，因為掃的過程不一樣。但是在美國，大多數B超醫生都做11個切面，被訓練過的技師就是把這11張圖取出來，大夫看的時候如果發現不是這幾張圖，會打回去重新做。這是一個很好玩的一點，我們的思維方式是比較混沌和藝術的，但是老美的思維比較專業和統一。像診斷這裡面，我們注意到輔助診斷在美國不是很大的市場，我們一直在關注美國做輔助診斷的公司，我們之前合作的一些公司都是在美國融了好大一筆錢，然後做了幾年後做不下去了。因為在美國分級醫療體系建立相對比較完善，所以很小的問題到全科醫生那裡就搞定了。再稍微嚴重一點的問題會到不同的地方去，由於支付體系是按照效果付費的，都有非常嚴格的要求，實際上有一個機制把治療結果或者診斷結果比較差的醫生從這個體系裡面不斷排擠出去的。
我們國內並不是這樣的，在之前打交道的很多醫療機構裡面，不同的醫療機構之間水準差的非常遠，所以我們第一個看到的就是輔助診斷在國內是一個市場，但是在美國這個市場並沒有那麼大。
第二不同之處，治療本身在美國是一個非常大的市場，精准治療或者個性化治療在美國都是非常大的市場，但是在國內的精准治療我認為它的市場比美國的還要落後非常多。我們也注意到，我們之前曾經把分診往下推的時候，我們也聯繫基層醫生，大多數基層醫生回訪的時候，當他發現一個疾病一般都不會推給縣醫院、市醫院，基本上到省會醫院的時候就到頭了。如果病人在省會醫院治不好，大概率就認為這麼著了，有一些經濟能力比較好的人可能會到北京、上海、廣州，但是很多人還是在本地解決的，但是本地的水準其實有一些是有限的。
上面這個診斷一致性方面顯著的區別，我們開玩笑叫“阿爾法狗”和“狗阿爾法”的區別。Verily是穀歌投過的一家公司，穀歌把人工智慧醫療扔給一幫做調查的人做，不指望那個掙錢，真正指望Verily掙錢。Verily是做資料處理的，自己本身並不做醫療人工智慧，不過給做醫療人工智慧的公司提供資料以及資料處理服務，這個我覺得是一個非常聰明的一點。因為整個醫療人工智慧的發展期我們認為是十年，不是說今年就發財明年就發財，而是一個巨大的產業，同時很多人沖進來，Verily就幫你寫資料，幫你把裡面的東西做的非常好。我清理出來的資料也許藥廠可以用，保險公司可以用，醫療人工智慧公司也可以用。他們對這個行業的定位相對比較長期，所以長期過程當中發展起來的是基礎設施應該做好。這個我們認為是比較有特點，但是在國內大量醫療人工智慧的公司我們觀察到，現在普遍在走我們三年前的路，我們三年前做的時候就是演算法過一遍，看什麼有病什麼沒有病，然後賣給醫院。我們認為這個就像阿爾法狗一樣，你嘗試取代或者嘗試輔助醫生做一件事情，但是這裡面的話真正給醫生帶來的價值多大，其實我們認為是有限的。
均衡發展五類，反對重複建設
第二個不同之處是，在美國市場我們注意到在以上五類人工智慧應用過程當中，這五類是比較均衡的，基本上大致都是五分之一，每個部分都有大量的公司在做。但是在國內大量的公司只做醫學影像這塊，包括我們過去幾年也做了很多醫學影像方面的工作。我們做了病理影像的，還有識別皮膚病的，包括從眼裡的可以識別出來疾病，已經不少了。但是實際上用AI做輔助新藥研發上面，我們在國內參與的靠譜公司,我們認為是一隻手就可以數出來的。我們看到美國有大量的公司在做這些AI相關的東西，但是在國內非常少。無數的公司大部分集中在醫學影像這裡，而且我們注意到無數的公司是紮堆在放射科，為什麼？因為放射科獲取資料最容易，相對標準化，都是機器出來的，無非是幾個廠家（GPS、聯影），出來的資料比較標準化，所以大家都沖進去了。但是這樣我們認為其實是，可能短期來看做個PR比較容易拿到一筆錢，但是長期來看我們認為這個領域有大量的低水準重複的建設。
第三個不同之處，從重診斷到重治療的模式。真正意義上的這幾年所有的醫學進展，至少在模式上注意到大量的進展來自於治療領域。可能在座當中有知道CAR-T，知道這樣的東西，你才能知道醫藥行業這幾年做了些什麼。
實際上，在診斷這個領域我們恰恰注意到，我們認為在診斷領域這裡面過去幾年沒有太大的進展，而且演算法能夠提供的東西有限。診斷領域裡面我們判斷很大程度上演算法提供的診斷接近人類的醫生，做到最牛基本上就是接近人類醫生的水準。但是實際上治療層面上可能反而是不一樣的，因為治療層面上有非常多的參數，非常多個性化的東西，有可能演算法比人類做的更好一些。而在診斷領域裡面，有很多是演算法無法替代的，人會觀察這個人的身態、步態，交互的方式，所以這是我們的觀察。我們也是希望有越來越多的國內做醫療人工智慧的公司更多做治療這個層面，把診斷和治療結合到一起，因為病人需要的東西是恢復健康，病人是需要干預和治療成功，不僅僅需要診斷成功——診斷是醫生需要的，但是從來沒有人在醫生診斷工具上賺到錢，這是一個很殘酷的現實。
第四個中國市場和美國市場很大的不同之處是目標市場，中國人都非常重視人身上的醫療人工智慧，但是我們注意到在人之外的，在老美市場我們可以做很多市場，像我們在美國花了大量時間分析拿演算法看腸道微生物，因為在人之外有很多東西。第一個是拿演算法看人眼的時候，如果出一個診斷報告，可能FDA說不行，我拿它看雞、豬實際上這些動物不會說話，你觀察它血管和疾病也是很好的方式，但是對整個相關行業的上下游來講這些東西也是非常需要的。同樣的話像我們看到在微生物領域裡面，在腸道菌微生物裡面也是大量的資料，像我們處理過的微生物的資料，那個量級是百萬級別的，比基因測序測出來的多很多。這裡面都可以起多很多作用，而且有時候還可以跑出原來的研究根本不知道的東西，這裡面我覺得也有非常多好玩的地方。我們也注意到國內現在有一些人慢慢開始做基因領域裡面的深度學習，但是我並沒有看到特別多做微生物領域或者動物領域，我們認為動物是非常大的市場。
剛才是中國和美國市場的不同之處，相同之處大家也非常瞭解了，相同之處都是市場不好做，相對比較慢的。比如說醫生簽字權問題，這就是很典型的問題，假設我們拿演算法識別疾病，我們能做的比人類醫生更好，你把它部署到醫院的放射科，比如說一天看一百個病人，你看了95個，醫生要在95個你說正常的病例上面簽字的時候他要承擔法律責任，解決這個問題的辦法是整個法規上要允許演算法簽字。當然允許演算法簽字這個事情牽涉的工具非常多，這個短期很難被解決。我們一個同事的學生在美國做了一個公司號稱是第一個被FDA批過的AI的公司，但是實際上做的事也是，它被批過相當於一個PR的方式過的，並不是演算法出來就有法律效益。這塊上面監控層面會非常慎重，我相信監管層面會非常負責，在座任何一個人如果你是FDA或者CFDA官員的時候，你會考慮到你批准的每一個背後都是人命。大量的慢性疾病防控壓力還沒有到一個臨界點，沒有到必須要用演算法把每天生活狀態串聯起來，到這個階段才有更多的關聯。
所以，我們希望我們做的每一個東西都是在座能夠真正用上並且解決問題的。
【聲明】轉載自其它平臺或媒體文章，本平臺將注明來源及作者，但本平臺不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證，僅作參考。若侵犯著作權，請主動聯繫本平臺並提供相關書面證據，本平臺將更正來源及作者或依據著作權人意見刪除該文章，並不承擔其他任何責任。
關於我們：
發起人孫春光 學歷：天津大學電子資訊工程本科、保送通信與資訊系統碩士 。
現擔任全國工商聯民辦教育出資者商會EMBA聯盟專委會秘書長；北京左右逢源創業投資有限公司合夥人；愛投（ITOU）高管會創始發起人；IT高管會創始發起人