2016年人工智能+医疗健康创新趋势报告：人工智能搭上医疗可以做什么？（上）

人工智能对于医疗健康领域中的应用已经非常广泛，从应用场景来看主要分成了虚拟助理、医学影像、药物挖掘、营养学、生物技术、急救室/医院管理、健康管理、精神健康、可穿戴设备、风险管理和病理学共11个领域，我们着重分析前8个，这一篇包含虚拟助理、医学影像、药物挖掘和营养学四个方面。

虚拟助理是一个你身边的语音助手，交谈是与虚拟助理交互的基本模式。你跟助理说话，通过自然语言处理和语义分析之后，语音助理也会回复你，苹果手机上的Siri可能就是大家最熟悉的虚拟助理。而虚拟助理可以根据和用户的交谈中，能够智能化地通过病情描述判断你生了什么病。

我们把虚拟助理分成两类，一类是包括Siri等通用型虚拟助理，另一类是专注医疗健康类的专用虚拟助理。和通用类型助理相比，医疗是一个更垂直，专业度更高的领域，有很多专业术语和专业技能需要我们去学习。我们从五个方面去对比通用类和医健类虚拟助理的差别。通用类虚拟助理上市时间早，资本支持度高，数据规模大。而医健类虚拟助理的专业属性强、监管风险高。虚拟助理是目前较受资本青睐的人工智能医疗健康细分领域，目前在国外用户所熟知的医健虚拟助理是Babylon Health，而国内在虚拟助手上，也有大数医达和康夫子崭露头角。

Babylon Health是一家位于伦敦的初创公司，已完成金额约17.18M英镑的A轮融资，投资者包括DeepMind Technologies，该公司计划推出一款类似Siri的医健类虚拟助理应用。Babylon在过去两年里建立了一个庞大的医学症状数据库，拥有总共36500个案例的数据库，在看医生前利用语音识别来询问用户一系列问题。相比人工全科医生的诊疗，这种光速般的症状诊断和热情温柔的声音是帮助Babylon Health降低价格、保持5英镑月费的最重要方法。

Babylon Health需要经过两个阶段的建造，第一个阶段有两个步骤，第一个步骤是自然语言处理，也就是听懂患者对症状的描述，知道哪里不舒服。然后根据疾病数据库里面的内容进行对比和深度学习，对患者提供医疗和护理建议。这个阶段局限于肾脏、肝脏、胆固醇和骨科等较小范围的领域。在第二个阶段，随着更大规模数据库的加入和更长时间的训练，Babylon Health将提供更多种类的疾病建议。

Babylon Health创始人Ali Parsa认为，每年人工处理病患会发生大量误诊死亡事件，有一种说法认为美国ICU误诊死亡达40500人/年，而利用人工智能技术，从虚拟助理切入，能够更准确、更快捷、更安全、更便宜地实现病患处理。但是，目前在政策法律方面，由于医疗责任主体不明，监管部门禁止虚拟助理提供轻微疾病的诊断和重症的任何建议。

目前，监管部门要求虚拟助理在轻疾方面仅仅能够提供一些咨询和建议，不能提供诊断，在重症方面只能提议立刻前往医院或代拨医院急救电话。业内医师也同样对该应用产生了质疑，因为患者并不完全了解身体所出的状况，表达的时候会漏掉一些关键信息，同时咨询的时候会使用大量的非专业词汇，虚拟助理可能没有办法去挖掘真正有用的信息作出更准确的判断。以上是虚拟助理目前的存在的问题。虽然如此，虚拟助理的成本更低，有助于控费，人类医生无法穷尽所有的疾病，而人工智能理论上可以，因此完全可以成为人类医师的得力助手。

医学影像与人工智能的结合，是数字医疗领域较新的分支，而且是数字医疗产业的热点。医学影像包含了海量的数据，即使有经验的医生有时也显得无所适从。医学影像的解读需要长时间专业经验的积累，放射科医生的培养周期相对较长，而人工智能在对图像的检测效率和精度两个方面，都可以做得比专业医生更快，还可以减少人为操作的误判率。

近年，从图像中识别出对象物的“图像识别技术”的性能在“深度学习”的帮助下得以迅速提高。X光照片的分辨率为3000×2000像素。其中的恶性肿瘤的尺寸为3×3像素左右。从非常大的图像上判断一个很小的阴影状物体是不是恶性肿瘤，是非常难的任务。首先会将一张胶片进行预处理，然后分割成若干小块，再在每一块中提取特征值和数据库进行对比，最后经过匹配后作出阳性判断。在整个诊断过程中，人工智能也会自己做出深度学习，在病历库中寻找案例，做出自己判断的依据。放射科医师诊断1名患者的CT扫描图像需要10～20分钟，写诊断报告需要10分钟左右。

在国外，已经出现了数家较为知名的初创企业。表格中的Enlitic就是一家比较知名的人工智能医学影像企业，虽然创立于2014年，但次年就被MIT Technology Review评为2015全球最智慧的50家公司之一，获得总计1500万美元的融资。Butterfly正在研发一种小型超声设备，这套系统主要依靠软件来运行，包括用人工智能专家开发的技术来梳理一系列图像，从而提炼出可以自动进行疾病诊断的功能。活跃度全球第一和第三的专注人工智能的风险投资机构也纷纷成为智能医学影像初创企业的投资人。

我们对比了中国和美国的医学影像现状，从影像方面的误诊人数来看，美国每年的误诊人数达到了1200万，而中国因为人口基数庞大，达到了惊人的5700万/年，这些误诊主要发生在基层医疗机构。目前中国的医学影像正在从传统的胶片向电子胶片过渡，而美国传统胶片已经成为历史。电子胶片的广泛使用使得医学影像数据大幅度增长，美国的数据年增长率达到了63.1%，在中国也达到了30%。放射科医生的年增长率美国和中国仅仅只有2.2%和4.1%，远远低于影像数据的增长，形成了巨大的缺口。这意味着医师工作量大增，判断准确性下降，借助人工智能对影像进行判断则能有效弥补该缺口。在国内这个缺口略小于美国，但我们的特殊国情也使得跨平台的影像云有巨大市场需求。

Enlitic开发了从X光照片及CT扫描图像中找出恶性肿瘤的图像识别软件，利用深度学习的方法之一“Convolutional Neural Network(ConvNet，卷积神经网络)”对放射技师检查过有无恶性肿瘤及肿瘤位置等的大量医疗图像数据进行机器学习，自动总结出代表恶性肿瘤形状等的“特征”以及重视哪些特征能够判断有无恶性肿瘤等“模式”。Enlitic使用肺癌相关图像数据库“LIDC”和“NLST”进行了验证，结果发现，该公司开发的系统的肺癌检出精度比一名放射技师检查肺癌的精度高5成以上。无论是对患者、放射科医师还是医院，人工智能在医学影像上的帮助都是巨大的，可帮助患者更快速地完成X光、B超、CT等健康检查，获得更准确的诊断建议；帮助医师更快完成读片，已经更准确的辅助诊断；医院也可以得到云平台支持，建立多元数据库，降低成本。而如果采用Enlitic公司的系统可以使CT扫描图像的诊断时间减半，当骨裂面积小到只占到整张X光片0.1%时，也能准确识别出来。

前面我们分析了人工智能对患者、医生和医院所带来的好处，在医学影像企业中，人工智能技术的加入对创业团队的核心竞争力也有非常大的影响。根据动脉网对医学影像初创企业的走访，拥有人工智能技术，整个团队能显著减少人力成本，技术团队规模在A轮以前可以控制在20人以内，技术人员和非技术人员的比例达到2.6：1。如果没有人工智能技术，那么就要组件一只人力成本不菲的客服团队和医师沟通，技术人员和非技术人员的比例为1.1：1，规模也达到了30至50人。分级诊疗和远程医疗的大背景使中国的医学影像创业团队更多的投入资源搭建云平台，但长期看能否有人工智能的技术实力也是核心竞争力的一部分。

药物的发现和筛选经历了三个阶段。

第一个阶段是1930年～1960年之间的随机筛选药物阶段。这是一个偶然发现的时代，随机筛选药物的典型代表就是利用细菌培养法从自然资源中筛选抗菌素。

第二个阶段是1970年～2000年，这个时代技术更加先进，可以使用高吞吐量的靶向筛选大型化学库。组合化学的出现改变了人类获取新化合物的方式，人们可以通过较少的步骤在短时间内同时合成大量化合物，在这样的背景下高通量筛选的技术应运而生。高通量筛选技术可以在短时间内对大量候选化合物完成筛选，经过发展，已经成为比较成熟的技术，不仅仅应用于对组合化学库的化合物筛选，还更多地应用于对现有化合物库的筛选。如降低胆固醇的他汀类药物，就是这样被发现的。

而现在是第三个阶段，虚拟药物筛选阶段，将药物筛选的过程在计算机上模拟，对化合物可能的活性作出预测，进而对比较有可能成为药物的化合物进行有针对性的实体体筛选，从而可以极大地减少药物开发成本。在医药领域，最早利用计算机技术和人工智能并且进展较大的就是在药物挖掘上，如研发新药、老药新用、药物筛选、预测药物副作用、药物跟踪研究等，均起到了积极作用。这实际上已经产生了一门新学科，即药物临床研究的计算机仿真(CTS)。

一般估计，一种新药的开发平均需要10年时间，耗资15亿美元，但随着药物开发难度的增大目前可能一种新药会耗资40亿～120亿美元，还不能保证成功。新药研发除了要求药品的疗效外，还需要保证其安全性，必须经过动物实验和Ⅰ、Ⅱ、Ⅲ期临床试验。而即便Ⅲ期临床试验后批准上市，还有Ⅳ期临床研究，即新药上市后的再评价。这也是造成药物研发周期长、费用高的重要原因。

但是，在今天，有了计算机和人工智能，为人们提供了一个检测药物的人工智能安全专家。首先，在新药筛选时，可以获得安全性较高的几种备选物。当很多种甚至成千上万个化合物都对某个疾病显示出某种疗效，但又对它们的安全性难以判断时，便可以利用人功智能所具有的策略网络和评价网络以及蒙特卡洛树搜索算法，来挑选最具有安全性的化合物，作为新药的最佳备选者。

其次，对于尚未进入动物实验和人体试验阶段的新药，也可以利用人工智能来检测其安全性。因为，每一种药物作用的靶向蛋白和受体都并不专一，如果作用于非靶向受体和蛋白就会引起副作用。人工智能可以通过对既有的近千种已知药物的副作用进行筛选搜索，以判定其是否会有副作用，或副作用的大与小，由此选择那些产生副作用几率最小和实际产生副作用危害最小的药物进入动物实验和人体试验，从而大大增加成功的几率，节约时间和成本。

此外，利用人工智能还可模拟和检测药物进入体内后的吸收、分布、代谢和排泄、给药剂量-浓度-效应之间的关系等，让药物研发进入快车道。

目前人工智能药物挖掘主要在三大领域：抗肿瘤药、心血管药和孤儿药及经济欠发达地区常见传染病药。抗肿瘤药和心血管药的共同特点就是市场规模大、增速快，2015年的销售金额都超过了1000亿美元。利用人工智能对药物进行挖掘，可以显著降低成本和开发难度。而第三种类别的药物孤儿药与经济欠发达地区常见传染病防治药，因为市场价值低，药企的收益不足以覆盖其研发成本，企业积极性不大。那么利用人工智能可以节约成本，为罕见病患者和经济欠发达地区的传染病患者提供药物。

前面我们列出了6家结合人工智能与药物挖掘的初创公司，按照融资额度排列，Numerate以1750万美元排在第一位，而Atomwise是其中比较有代表性的初创公司。Atomwise公司用超级计算机分析已有数据库，并用AI和复杂的算法来模拟药品研发的过程，在研发的早期评估新药研发风险，让药物研究的成本降至数千美元，并且该评估可以在几天内完成。Atomwise软件平台运行在IBM的蓝色基因超级计算机上，其强大的计算能力使得他们可以完成很多任务，例如评估820万种化合物，并且在几天之内找到多发性硬化症可能的治疗方法。2015年，公司宣布在寻找埃博拉病毒治疗方案方面有一些进展，即在 Atomwise 预测的药物中，有两种或许能用来抗击埃博拉病毒，他们用时一个星期就找到了这种药物，并且成本不超过 1000 美元。

Atomwise还为制药公司、创业公司和研究机构提供候选药物预测服务。Atomwise的服务可以预测哪些新药品真的有效，哪些无效。该公司称自己在新药发现、结合亲和力预测和毒性检测上得到了世界上最好的结果。在合作伙伴方面，Atomwise除了与Merck公司和Autodesk进行一些保密项目外，公司也持续与学术界和企业客户开展研究工作，通过辅助制药企业、生物科技公司和其他相关研究机构开展药物挖掘工作获取收入。

到目前为止，Atomwise总共获得了657万美元的投资，他的成功除了在人工智能领域的独特算法和专业人才之外，还有好的孵化器和VC投资者。知名早期创业公司孵化器Y Combinator 和风险投资公司khosla ventures提供了海量的数据资源，并帮助其对接其他医疗机构。为了避免FDA New Drug Application对人工智能辅助药物挖掘的监管风险，Atomwise主动参与开发防治埃博拉的药物，并参与公益项目树立良好的公共形象。

David Zeevi团队2015年11月在《Cell》发表论文，阐释了机器学习应用于营养学的积极作用。研究者分析了三组不同的数据，其中第一组数据来自800名志愿者。他们每天第一顿食用四套标准化食品中的一种，其余时间正常饮食。研究者采集了他们的血样、粪便，以血糖数据、肠道菌群等多项数据，并使用调查问卷、App等形式收集食物、锻炼以及睡眠数据。数据收集持续一周。

通过分析标准化饮食的结果，研究者发现即便食用同样的食品，不同人的反应依然存在巨大差异。这表明，过去通过经验得出的“推荐营养摄入”从根本上就有“漏洞”。接下来，研究者开发了一套“机器学习”算法，分析学习血样、肠道菌群特征与餐后血糖水平之间的关联，并尝试用标准化食品进行血糖预测。葡萄糖是人类细胞最主要的能量来源，血糖异常会导致多项重要疾病。可以说，血糖管理是精准营养的基石。

机器学习算法被800名志愿者的数据“训练”之后，变得能够预测食物对人体血糖水平的影响。随后，研究者在第二组人群上（100个志愿者）验证机器学习得出的预测模型，效果非常理想。

那么机器学习得出的模型能否实际运用于指导健康饮食呢？研究者在第三组人群上（26个志愿者）进行双盲试验。研究者对每位志愿者的血样、微生物组数据、人体测量学制订了个性化膳食计划。其中一组12名自愿者，使用机器学习算法的建议；对照组14名自愿者，采用医生和营养专家的建议。膳食计划也分为两种，一种被设计用于控制血糖水平，另一种则相反。每组志愿者均严格遵照建议饮食两周，一周进行“健康饮食”另一周践行“不健康饮食”，并比较结果。

最终的研究结果表明，机器学习算法给出了更精准的营养学建议，成功控制餐后血糖水平，结果优于传统专家建议！这为机器学习以及精准营养学打开了一扇大门，同时这篇重磅论文也登上了当期《Cell》杂志的封面。

目前较知名的将人工智能应用于营养学的初创公司为位于都柏林的Nuritas。Nuritas通过新开发的人工智能与分子生物学相结合的新技术在食品领域引起了巨大的争议。Nuritas通过建立食品数据库识别肽（食品类产品中的某些分子）可以作为食物的补充或新的成分。这种识别不只是添加蛋白粉摇一摇。相反，Nuritas是识别可以使食物根据身体反应不同而生成不同的肽。例如，其联合创始人Dr. Nora Khaldi接受采访时就表示，公司发现某种谷物可以用于控制2型糖尿病或抗衰老成分。

Nuritas 目前的收入来自B端。传统的食品制造商主要关注成本控制与安全，并不擅长识别食品中有利人体健康的肽。Nuritas为食品制造企业提供数据挖掘服务（采用了机器学习），并按销量收取佣金。未来计划推出面向消费者to C的个性化营养方案，针对每位消费者的情况制定不同的方案，收取服务费。

在我国，进入小康社会之后，人们的生活水平大幅度上升，上层中产阶级的数量从2002年的330万上升到2012年的3584万，大众中产阶级从1155万上升到1.38亿。这些人群对食品的营养有更高的要求，不仅仅是为了吃饱，而是为了身体健康能够吃好。合理的膳食搭配以及更安全的有机食品需求成为新的食品产业增长点，急需新技术推动行业变革。

中国的餐饮和西餐有较大的区别，中餐难以标准化，即使是同一道菜不同师傅教出来的做法也不尽相同。同时，菜品搭配不同和烹饪手段不同导致菜品多样化，数据不全，无法做到量身定制营养套餐。

那么我们国内的人工智能+营养学初创公司应该如何为客户进行服务呢？我们建议有两种模式，主要针对C端用户。模式一是针对个人用户进行个性化营养建议，收取服务费。模式二是to C和to B同时服务，并推广中餐营养标准化。