106家人工智能医疗企业已实现辅助诊断

 随着AI技术的发展，想靠着这个技术，标榜自己与众不同的时代，已是过去式。大众对于AI已经不陌生，而且在生活中能实实在在感受到。时至今日，科技公司们也很难找到哪家风投或者合作伙伴，对这种机器学习技术，不感兴趣。 但是，想要用AI技术来革新医疗保健行业，比起其他行业，其门槛明显更加高昂，即使蹭着AI这个热点，其热度下降得很快，因为在医疗行业，一个算法的错误，往往意味着生与死的差别。
关于医疗AI时，我们应当以如何心态去看待，他们现在的应用集中在哪些？关于这些问题，笔者梳理和编译了mobihealthnews新的深度文章，以飨读者。
还未到将全部身家押在AI上的时候
在过去的五年当中，采用各种AI技术的数字医疗公司如雨后春笋般涌现。 CB Insights今年跟踪报道了106家主打AI技术的医疗公司，报告指出自2015年1月以来，其中有50家公司开展了首轮公开募股。报道对象公司的交易量从2012年的20次，上升到了2017年的60次。2017年还出现了一些新的独角兽，如 iCarbonX以及肿瘤为重点的 Flatiron Health。 106家人工智能医疗企业已实现辅助诊断

从虚拟护士到药物发现，CB Insights梳理了106家人工智能企业
在近一次调研中发现，有半数以上的医院，5年内引入AI技术的打算，另外有35％的医院打算在近两年就引入。近日，波士顿的Partners HealthCare也宣布与GE Healthcare展开为期十年的合作，将深度学习技术整合到他们的网络中来。然而AI在医疗上的应用，绝不会在改善临床医生工作流程和加快保险理赔上止步。
为期两天的Light Forum会议刚刚闭幕 ，该会议汇聚了众多企业CEO、医疗信息技术专家和斯坦福大学的医生。在会议期间，曾在医保及医疗补助服务中心任职行政管理人员的Andy Slavitt表示：“当前我们正着手解决的是生产力问题。我们需要照顾到那些资源短缺的人们，而不是一味追求商业模式和过多繁杂的问题，或者总尝试发明新工具，这是不能够真正改善生产力的，我认为这才是数据和机器学习的落脚点。”
医院调研的受访者表示，AI技术可能在人群健康状况、临床决策支持、诊断工具和精密医学上影响较大。即便在药物开发上，AI也可以使数据收集和试验进度更快更，并缩减成本。但是现在也还未到将我们全部身家都押在AI上的时候。 Roam Analytics的首席科学家及联合创始人Andrew Maas在Light Forum与会期间表示：“人类的大脑依旧是功能强大的决策官，尽管计算机也有着不可限量的前景，但是目前它们的可靠程度，还不足以让我们完全信任。”
苹果、谷歌以及微软，这些巨头正在做什么？

每个人都为AI魅力所倾倒，但是还要多久，我们才能看见它为医疗行业带来真正意义上的转型呢？近，我们已经见识到了AI应用在了从简单的手机app到复杂的诊断任务，其形式也从自然语言或图像识别，到依靠强大的算法处理几十年积累的医学研究数据库等的方方面面。
如同医疗行业的其他技术一样，进入这个行业会面临监管障碍、与传统医院IT系统的互操作性问题，以及获取关键医疗数据方面的障碍等诸多挑战，AI技术想要在这个行业里立足生根，不越过这些高峰是不可能的。
但是这并不是让我们停止创新，而是怀着更严谨的态度进行创新。数字医疗从业者们已经开始意识到，要解锁AI的真正潜力需要建立战略合作伙伴关系，还需要高质量的数据，并对统计数据有一个清醒的认识。
随着医疗行业对AI认识的渐渐成熟，其实大的技术难点还并不在于创新过程中遇到的监管障碍、关键数据获取等挑战。
就在本月中旬，Google方面宣布，他们已经将自己本用于翻译和图像识别的消费级机器学习技术，应用到了医疗领域。他们的研究团队Google Brain将与斯坦福大学、加州大学旧金山分校等知名学府展开合作，旨在从数以百万计的患者身上获取数据。
如同Google的CEO Sundar Pichai在前两周的Google I／O 开发者大会上所表示的，这个科技巨头的行动还远不止此，去年他们成立了Tensor计算中心，Google称之为AI－first数据中心。
“Google现在已经把所有的AI工作归拢到了Google．ai，这个部门是诸多团队和努力的结晶，他们都专注于使AI能造福每个人。”Pichai表示，“Google．ai将重点关注三个方面：研究、工具和基础设施，以及应用型AI。”
去年11月，Google的研究人员在JAMA上发表了一篇论文，表明Google经过大量眼底图像数据训练的深度学习算法，可以在诊断糖尿病性视网膜病变上，具有90％以上的高准确性。Pichai透露他们正在积极将AI应用到病理学上。
他说：“病理学涉及到庞大的数据问题，然而机器学习已经做好准备去解决它。我们构建了神经网络，来检测癌症是否扩散到了相邻的淋巴结。这个工作还处于早期阶段，不过它已经显示出了能将准确度从73％提升至89％的能力。当然我们仍需要警惕的是，我们的诊断也存在很多误报，不过这个问题我们已经交诸病理学家来解决，他们能够提高诊断准确性。”
除开Google，另一个例子就是苹果公司近也收购了一家名为 Lattice的AI公司，该公司有着开发医疗应用算法的技术背景。
微软自然也不甘落后，几个月前，他们推出了医疗 NExT计划，将AI、云计算、研究以及行业合作伙伴关系整合到了一起。此项计划包含了基因组学分析和健康聊天机器人技术的项目，并与匹兹堡大学医学中心建立了合作伙伴关系。
几周前，微软和数据连接平台供应商 Validic建立了合作伙伴关系，将患者参与度纳入到了 HealthVault Insights研究项目中。
将患者数据应用到真实诊断中
巨头公司们在发力，初创企业们也是各显神通，我们现在已经见识到了各种各样的AI应用形式，从 Ginger．io的行为健康监测和健康分析平台 Sensely的虚拟助理，到 Ava等公司推出的可穿戴设备和各种APP，再到Clue公司近推出的生育预测窗口。另外一个典型是Buoy Health近推出的医学专用引擎，Buoy的数据库涵盖了18000份临床文献和17000余种病情，患者样本逾500万人。
除了症状检索以外，Buoy首先会要求用户输入年龄、性别和症状等筛选条件，然后在细分数据后决定接下来的问题，从而不断缩小搜索范围，大约使用两三分钟后，问题越来越具体，并为用户提供可能的病症列表和接下来的选项。
另一个十分具有前景的领域就是医学成像。去年11月，以色列的机器学习成像分析公司Zebra发布了新平台，使人们可以通过互联网随时随地上传和接收他们的医学扫描分析。 Zebra成立于2014年，致力于开发算法，使电脑自动识别医学图像，诊断从骨科到心脑血管疾病等多种疾病。该公司现在已经稳步建立了自己的数据库，并结合深度学习技术，以开发算法来实现自动医学诊断。另一家以色列的同类型公是AiDoc，这家公司刚刚融资了700万美元。
然而，不论一家科技公司规模多大或者技术有多先进，只有将患者数据应用到真实诊断中才是王道，这也是噱头和有效算法之间的分水岭。所以也就不奇怪，为什么还有那么多公司还处于AI摸索学习阶段。
风投公司8VC的CEO Joe Lonsdale在斯坦福的 Light Forum会议期间表示：“初的难点就在于创建数据。”
加州大学伯克利分校公共卫生学院的生物统计学教授Maya Peterson则给出了更为明晰的观点。她在近期旧金山举行的HIMSS大数据和医疗分析论坛期间说道：“真实世界的数据都很复杂，而我们还没有完全理解他们之间的联系。在探索更加复杂的领域中，机器学习在某种程度上过于野心勃勃了，这可能不是一件好事。”
好算法千金难求
机器只能从给定的数据中进行学习，所以研究人员、工程师和企业家们都为构建更大更高质量的数据库，忙得焦头烂额。
上个月，Verily与斯坦福大学医学院和杜克大学医学院展开合作，启动了ba[x]seline Project研究，收集了大量表型健康数据，从而制定明确的人体健康参考标准。
这个项目旨在收集10000名参与者的数据，每个参与者将被追踪4年，用所收集的数据建立人类健康“基线”图，并探寻从健康到疾病转变的玄机。
数据的收集形式多种多样，包含了临床、自我报告、医学图像、传感器和生物样本等等。该研究的数据库将建立在Google计算基础构架之上，并储存于Google云端平台。
“如果政府愿意实现数据共享，那么局面将会明朗许多，”Roam Analytics（旧金山的一家机器学习分析平台公司，专注于生命科学领域）的首席科学家Andrew Maas在Light Forum上表示：“如果私人部门愿意这样做并收集大量数据，这也很好。把数据交给我们，我们将回馈很惊人的成果。但是如果因为人们的惧怕，数据不能被有效收集，那我们将一事无成。”
患者数据和算法的可用性是区分空头支票和有效实践的试金石。让我们把目光转向IBM的Watson Health，他们通过众多伙伴关系积累了大量数据，为认知计算模型带来了洞悉患者健康的能力。但是由于还没有实际证据证明其有效性，公众对其的态度也是两极分化。
在Light Forum会议期间，同时身任斯坦福大学计算机科学系主任和Roam Analytics首席科学家的Chris Potts表示：“Watson 可能是在医学领域有前景的。”但是其他人却不以为然，比如Social Capital的CEO Chamath Palihapitiya就称其为一个笑话。
但是正如我们之前报道的诸多合作所表明，这些质疑并没有影响到Watson吸纳新合作伙伴的能力。就在前两周，他们加入了MAP Health Management，将自己的机器学习技术引入到了药物滥用障碍治疗，同时IBM的研发部门正与Sutter Health展开合作，他们将基于还未充分利用的EHR数据，开发预测心力衰竭的方法。
IBM Watson Health实际上于2011年成立，当时他们靠机器算法拿下了Jeopardy比赛，这次成功，给了他们继续开发运用这项技术的信心。
Watson副总裁兼首席策略官Shiva Kumar在Light Forum会议上表示：“我们必须大力发展医疗领域的AI技术，因为这个行业太具复杂性，不同专科之间有着很多差异。我们只得加强机器学习，使系统了解医学语言。步是自然语言处理。AI已经具备充分的知识来给出医疗见解了吗？它能够在对话过程中给出好的答案了吗？我们还得和病人进一步对话，吸收经验和数据，持续推进技术开发。”
Kumar表示，为了实现这个目标，解决非结构化数据的问题对IBM Watson而言是首当其冲的。
“我们倾向于使用词汇认知技术，因为它超越了机器学习和深度学习。这能赋予AI以洞察力，并能自主整合和学习。