隨著人工智慧的發展， 逐步成熟的AI技術漸漸向“AI＋”的工業應用轉變。 雖然相比于“AI＋金融”、“AI＋零售”的蓬勃發展， “AI＋醫療”還處在比較早期的階段，
IDC在其《全球半年度認知/人工智慧支出指南》中將診斷和治療系統列為2016年吸引最多投資的領域之一， 並表示在未來五年內， 包括藥物研究和發現以及診斷和治療系統的使用案例將獲得最大的發展。
IDC預測醫療健康人工智慧投資的年複合增長率為69.3％。 同樣， CB Insights將醫療健康列為人工智慧中最熱的領域， 並將其作為今年的創業項目。
從目前的發展來看， “AI+醫療”目前可以分為如下三個層次：
智慧問診、精准醫療、藥物研發。
智慧問診
“AI+醫療“之所以有如此大的應用前景， 主要原因在於其市場需求是巨大的。 在傳統的醫療行業中， 醫生培養週期長、誤診率高， 醫院資源有限、效率低一直都是難以解決的問題。
而隨著技術的革新， 智慧醫療為解決這一問題帶來了曙光， 目前， 最成熟的案例之一就是IBM Watson。
IBM Watson 可以在 17 秒內閱讀 3469 本醫學專著， 248000 篇論文， 69 種治療方案， 61540 次試驗資料， 106000 份臨床報告。
通過融合資訊檢索、自然語言處理、機器學習等技術和海量資料，
這組資料讓我們看到了智慧醫療的無限可能。 一方面， 它的出現和發展將大大提高人類醫生的效率， 降低時間成本， 另一方面通過輔助醫生做出相應的判斷， 在很大程度上也降低了誤診的幾率。
精准醫療
21世紀初， 人類基因組計畫完成時提出了個性化治療這個理念， 旨在希望用測序得到的遺傳標記來判斷病人是否對藥物有應答， 以便針對每個病人進行治療， 然而， 疾病往往是多誘發原因、多基因控制的， 很難從一個簡單的角度進行判斷。
也因為這個原因， 在近幾年， 個性化治療逐漸走向了精准治療。 精准醫療強調在治療時將個人基因、環境與生活習慣差異考慮在內，
但如果僅僅依靠傳統醫療行業的方法來實現精准治療， 這就對資料和醫生的經驗有極高的要求， 得到的結果無法量化， 難以具有說服力。
智慧醫療的價值由此凸顯， 如今人工智慧中的兩大核心技術：神經網路和深度學習讓電腦系統能夠自主學習經驗資料對病情的分析並做出判斷。
電腦強大的運算能力彌補了部分人類醫生由於經驗不足引起的誤判， 或是對罕見疾病的資訊缺失和思慮不周， 並且電腦還能夠發現人眼難以察覺的細節，
目前， 精准醫療的主要進展集中在癌症治療領域。
癌症是全球範圍內危害人類健康的疾病， 根據美國癌症協會最新發佈的資料顯示， 2017年美國預計將出現新發癌症病例1688780例， 癌症死亡病例600920例， 這意味著每天新增4600例癌症患者， 死亡1650例癌症患者。
雖然相比於過去十年，病人的存活率已經得到了顯著提升，但這仍然是我們難以想像的一個數字。
貝斯以色列女執事醫學中心（BIDMC）與哈佛醫學院合作研發的人工智慧系統，對乳腺癌病理圖片中癌細胞的識別準確率能達到 92%，尤其是當這套技術與病理學家的分析結合在一起時，它的診斷準確率可以高達 99.5%。
而國內，3月29日，阿裡雲剛剛在雲棲大會·深圳峰會上發佈了ET醫療大腦，宣佈正式進軍“AI+醫療”領域。
ET醫療大腦學習了2萬張甲狀腺片源，成功幫助人類將判斷甲狀腺結節點的準確率由60-70%提升到85%。經過一年多的研究訓練，ET醫療大腦已經能在醫學數位影像、精准醫療等多領域擔任醫生助手的角色。
這讓我們看到了精准醫療的必要性，隨著計算能力的日益強大、人工智慧技術的穩步發展，人類的醫療水準也必將會有步入新紀元。通過對精准醫療的研究和對電腦能力的應用，我們有理由相信會有數以萬計的生命被挽救。
藥物研發
醫療領域目前最重要的痛點之一仍是藥物挖掘與開發的時間成本。根據塔夫特藥物發展研究中心（Tufts Center for the study of Drug Development）的資料，一款新藥的上市從藥物發現到獲得FDA批准平均大約需要96.8個月。
雖然對專業技術的持續聚焦可以改善時間跨度，但新藥研發的成本卻仍在持續增加。德勤的資料顯示，自2010年以來，12家主要製藥公司的獲批藥物開發成本已經增加了33％，至約每年16億美元。
如何才能降低新藥研發的成本，增加研發成功的概率呢？答案只有一個，那就是依靠大資料和人工智慧的力量。
以矽谷公司Atomwise為例，Atomwise通過IBM超級電腦，在分子結構資料庫中篩選治療方法，評估出 820 萬種候選化合物，研發成本僅為數千美元，研究週期僅需要幾天。
2015年，Atomwise利用AI技術，在不到一天的時間內對現有的7000多種藥物進行了分析測試，成功地尋找出能控制埃博拉病毒的兩種候選藥物。根據該公司的統計，如果利用傳統方法，這項分析需要花費數月甚至數年才能完成。
AI+醫療面臨的的挑戰
雖然智慧醫療有望解決傳統醫療行業的許多問題，但我們也不得不承認AI+醫療仍然存在很多阻礙。
在智慧醫療有效降低醫藥研發成本與醫生工作時間成本的同時，我們也不得不承認實施AI和機器學習演算法本身成本可能非常昂貴。醫療健康是一個容錯率極低的領域，為確保資料的真實合法，演算法的準確有效以及電腦有足夠的計算能力，都將花費不菲的金錢。
另一方面，想要AI+醫療有所突破和發展，相關領域頂尖人才的聚合也非常重要。2013年，Google收購DeepMind Technologies時支付了超過3億美元，而當時他們的團隊僅有十幾個人。因此，人才培養的成本和聚集人才所支付的代價都是向智慧醫療行業進軍的企業所必須考慮的。
另外，智慧醫療行業的資訊獲取也存在著一定的隱患。醫療行業的資料大多包含病人的隱私資訊，將這些資料用於科研甚至實際應用是否合乎人情與法律也是必須考慮並加以解決的問題。
但儘管“AI+醫療”存在重重阻力，我仍相信它的發展勢在必行。
人工智慧將成為醫生的最佳輔助，幫助醫生更便捷的獲取資訊並做出更正確的判斷，只有將人類的情感溝通能力與電腦的分析計算能力相結合，才能發揮出智慧醫療最大的價值，真正的將技術應用於實際，實現人工智慧領域研究的終極意義。
AI+ 醫療行業
雖然相比於過去十年，病人的存活率已經得到了顯著提升，但這仍然是我們難以想像的一個數字。
貝斯以色列女執事醫學中心（BIDMC）與哈佛醫學院合作研發的人工智慧系統，對乳腺癌病理圖片中癌細胞的識別準確率能達到 92%，尤其是當這套技術與病理學家的分析結合在一起時，它的診斷準確率可以高達 99.5%。
而國內，3月29日，阿裡雲剛剛在雲棲大會·深圳峰會上發佈了ET醫療大腦，宣佈正式進軍“AI+醫療”領域。
ET醫療大腦學習了2萬張甲狀腺片源，成功幫助人類將判斷甲狀腺結節點的準確率由60-70%提升到85%。經過一年多的研究訓練，ET醫療大腦已經能在醫學數位影像、精准醫療等多領域擔任醫生助手的角色。
這讓我們看到了精准醫療的必要性，隨著計算能力的日益強大、人工智慧技術的穩步發展，人類的醫療水準也必將會有步入新紀元。通過對精准醫療的研究和對電腦能力的應用，我們有理由相信會有數以萬計的生命被挽救。
藥物研發
醫療領域目前最重要的痛點之一仍是藥物挖掘與開發的時間成本。根據塔夫特藥物發展研究中心（Tufts Center for the study of Drug Development）的資料，一款新藥的上市從藥物發現到獲得FDA批准平均大約需要96.8個月。
雖然對專業技術的持續聚焦可以改善時間跨度，但新藥研發的成本卻仍在持續增加。德勤的資料顯示，自2010年以來，12家主要製藥公司的獲批藥物開發成本已經增加了33％，至約每年16億美元。
如何才能降低新藥研發的成本，增加研發成功的概率呢？答案只有一個，那就是依靠大資料和人工智慧的力量。
以矽谷公司Atomwise為例，Atomwise通過IBM超級電腦，在分子結構資料庫中篩選治療方法，評估出 820 萬種候選化合物，研發成本僅為數千美元，研究週期僅需要幾天。
2015年，Atomwise利用AI技術，在不到一天的時間內對現有的7000多種藥物進行了分析測試，成功地尋找出能控制埃博拉病毒的兩種候選藥物。根據該公司的統計，如果利用傳統方法，這項分析需要花費數月甚至數年才能完成。
AI+醫療面臨的的挑戰
雖然智慧醫療有望解決傳統醫療行業的許多問題，但我們也不得不承認AI+醫療仍然存在很多阻礙。
在智慧醫療有效降低醫藥研發成本與醫生工作時間成本的同時，我們也不得不承認實施AI和機器學習演算法本身成本可能非常昂貴。醫療健康是一個容錯率極低的領域，為確保資料的真實合法，演算法的準確有效以及電腦有足夠的計算能力，都將花費不菲的金錢。
另一方面，想要AI+醫療有所突破和發展，相關領域頂尖人才的聚合也非常重要。2013年，Google收購DeepMind Technologies時支付了超過3億美元，而當時他們的團隊僅有十幾個人。因此，人才培養的成本和聚集人才所支付的代價都是向智慧醫療行業進軍的企業所必須考慮的。
另外，智慧醫療行業的資訊獲取也存在著一定的隱患。醫療行業的資料大多包含病人的隱私資訊，將這些資料用於科研甚至實際應用是否合乎人情與法律也是必須考慮並加以解決的問題。
但儘管“AI+醫療”存在重重阻力，我仍相信它的發展勢在必行。
人工智慧將成為醫生的最佳輔助，幫助醫生更便捷的獲取資訊並做出更正確的判斷，只有將人類的情感溝通能力與電腦的分析計算能力相結合，才能發揮出智慧醫療最大的價值，真正的將技術應用於實際，實現人工智慧領域研究的終極意義。
AI+ 醫療行業