硅谷Live / 實地探訪 / 熱點探秘/ 深度探討
提起 IBM 大名鼎鼎的 Watson，你會首先想到什麼？“AI 給人看病”？不過，最近大家發現：這個 Watson 似乎是個不靠譜的赤腳醫生 …
同時，另一個質疑隨之而來：難道 AI 與醫療的結合也要涼涼？
從眾星捧月到跌下神壇
2011年，IBM Watson 在美國老牌電視智力競賽節目《危機邊緣（Jeopardy!）》裡戰勝人類一舉奪冠，奠定了它在人工智能發展史上的重要地位。
右邊的小哥很驚訝
不久，IBM 決定用 Watson 這款在美國、甚至全球民眾心中地位頗高的人工智能品牌主攻醫療領域，想通過逐步訓練，讓 Watson 能被應用於治療癌症。
Watson 是做什麼的呢？簡單說來，在醫生輸入患者的醫療記錄後，這款超級計算機會從已經發表的研究成果裡搜索與該病例相關的信息、對這些信息進行分析，然後提出治療建議。
Watson 進軍醫療業迅速受到廣泛關注：一方面 IBM 對 Watson 的付出可謂不遺餘力，大手筆招兵買馬、把相關企業盡收囊中，還有無處不在的 IBM Watson 廣告，六年間砸下數百億美元；另一方面，Watson 也順利拿到了和諸如 MD 安德森癌症中心等世界頂級腫瘤治療與研究機構合作的機會。
《華盛頓郵報》2015 年對 Watson 的報道：“Watson的下一步？戰勝癌症”
然而，最近爆出的一份 IBM 內部文檔，卻讓大家吃驚不小。
7 月 25 日，外媒 Stat News 爆出了 IBM 的一份內部文件，其中提及 Watson 計算機經常給出錯誤的癌症治療建議，比如給一個已經大出血的癌症病人開了有可能會導致出血的藥。不過，不久後一位來自 Watson 合作方之一、Memorial Sloan Kettering 癌症中心的發言人解釋道，這其實是個假設的情況，並未真的發生在患者身上。
IBM 隨後回應稱，Watson 已經為超過 8.4萬名患者提供了幫助，而且它也在繼續訓練、學習。但這顯然無法消滅一些人的怒火。美國媒體 Gizmodo 發文稱 Watson “一無是處”，佛羅里達州 Jupiter 醫院一名醫生甚至炮轟 Watson 簡直就是 “一坨狗屎”。
IBM Watson 真的是 “庸醫” 嗎？
Watson 在被熱捧時沒有大家想得那麼好，現在其實也沒有大家想得那麼差。
為什麼這麼說？小探連線採訪了專業從事人工智能醫療數據分析的高科技企業雅森科技 CEO 陳暉。曾在 IBM 工作的陳暉對此次事件有獨到的見解。
陳暉認為，不論 Watson、還是其他項目，難免在發展中遇到質疑。Watson 技術核心是自然語言處理，以此給醫院提供 CDSS （Clinical Decision Support System，臨床決策支持系統）。說白了，Watson 就是要通過學習極大量的過往病例，給出輔助醫生做決定的信息。
但是，在媒體渲染及 IBM 自己對 Watson 的大力宣傳下，大家對 Watson 的期待過高、甚至把 Watson 拔高到了 “能取代醫生” 的程度，導致現在發現 AI 真正水平不及預期後，產生很大落差。其實任何新技術走入成熟期、應用期前，都會有這個過程。
不少人只知道 Watson 是美國公司的美國項目，其實 Watson 也和國內不少醫院合作。通過了解 Watson 在和國內醫院合作時扮演的角色，我們或許能對 Watson 到底應該做什麼、能做什麼，有個更直觀的瞭解。
陳暉告訴小探說，他們自己走訪了國內一些和 IBM Watson 有合作的醫院。小探從網上了解到，國內有67家醫院參與 Watson 項目，多集中在北上廣深、蘇錫杭地區、部分省會城市。這些醫院通常會專門開設參考 Watson 技術治療腫瘤的科室，科室接收的多為重症患者。
使用 Watson 並不便宜，約 5000 塊錢。在 Watson 門診處，患者把病例交給醫生，由醫生把病例輸入到 Watson 系統裡。
之後，Watson 會出一個頁數很多的報告。在報告裡，Watson 會給出 15~20 種診療方案。需要注意的是，這些診療方案裡
既包括推薦採用的藥物、治療方式（比如介入、手術、放化療），也包括流程上的建議（比如建議病人直接轉診到相關其他科室）。換句話說，並不是 Watson 直接給出病人診斷和治療上的決策。Watson 把這 15~20 種治療方案分成三個級別：推薦、中性、有風險不推薦。在 “有風險不推薦” 裡，有些是 FDA 正在審批、但還未上市的藥品，患者可能可以通過參加志願者的實驗去嘗試這些還未獲批的藥品，也許能獲得一些意外驚喜，這也是 Watson 報告裡最有價值的一頁。而這厚厚報告的其他部分，都是為了佐證這些治療指導意見而給出的信息源。
看到了沒，這才是 Watson 給出報告的位置 —— 為醫生提供輔助診斷的建議。不論中國還是美國，最後做出治療決定並承擔後果的都是醫生。於法、於理、於情，醫生都只會把 Watson 當成一種重要的、能夠彌補醫生知識或經驗不足的輔助工具，絕不會把它當成可完全依賴、甚至錯了讓 Watson 負責的角色。
也就是說，這次事件不足以得出 “Watson 就是騙子庸醫” 的結論。據報道，印度 Manipal 連鎖醫院從 2016 年開始使用該產品。腫瘤學家 S.P. Somashekhar 說，在醫院發現該軟件 “在大多數情況下都與醫生的意見一致” 後，醫院決定只對約佔 30% 的、診斷難度較大的疑難病症患者使用 Watson。該名醫生表示，Watson 給出的建議影響了9％的治療方案，可見該醫院還是比較信任 Watson 的。
說完了Watson ，那麼 “AI+醫療” 到底靠不靠譜呢？
談 AI 與醫療結合，首先要談應用場景
醫療領域包含藥物研發、影像分析與識別（就是看醫院拍的片子）、診療等多個領域。哪些領域更適合與 AI 結合呢？
陳暉認為，其實以上領域都有適合與 AI 結合的部分，但我們在討論醫療與 AI 結合是否成功時，要從兩方面考慮：第一，現階段的技術實現能達到什麼水平；第二，“AI+醫療” 這種組合被用在什麼樣的場景裡。
我們以藥物研發為例。AI 如何能在研製新藥的過程中，助我們一臂之力呢？
陳暉告訴小探，一是藥物研發過程中化合物的篩選。在有 AI 之前，這一步需要人工做大量的化學實驗。而 AI 可以通過數據模擬，快速篩選出有可能實現的藥物化合物的組合方式。
比如來自舊金山的公司 Atomwise，就是用深度學習神經網絡分析化合物的構效關係，在藥物研發的早期就能評估新藥風險。
二是幫藥企篩選最適合入組做臨床試驗的患者。在任何藥品進入市場前，我們為了確保它安全、有效，都需要在藥品已經開發得差不多的情況下，找些志願者試試看。俗話說 “對症下藥”，為了看藥有沒有用，藥企需要找到有對口的 “症” 的人。
假設某藥企需要找 100 位志願者做三期臨床試驗，由於缺乏數據、無法按照醫院病歷篩選出合適的患者，為了找到 100 個滿足實驗某項具體要求的人，藥企往往需要找 1000 個病人，用大量人數彌補精度的缺乏，才能做有統計學意義的實驗。而 Watson 或其他大數據系統能幫助篩選最合適的患者，提高效率。
除了藥物研發，其他醫療領域也有不少可以和 AI 結合的點，比如影像分析與識別。視網膜糖尿病病變的識別、基於 CT 或者 X光做肺癌結節的識別、用乳腺鉬靶影像做乳腺結節或腫塊識別等，現在都可以用 AI 來完成，並且在這方面創業的公司也不少。
有意思的是，這也是中美一個明顯的區別：過去幾年裡，國內醫療 AI 輔助診斷方面的投資案例裡超過 40% 都投在了影像領域 —— 我國作為人口大國，拍片子的量也很大，因此處理起來也很費時間，或許這是投資人青睞這個領域的原因。
那麼，我國哪些地方會用到 “AI 看片子” 的技術呢？
陳暉介紹道，現在普遍認為 AI 影像識別的能力足以達到一位縣級醫院放射科醫生的水平，但比二線城市以上放射科醫生的水平要差一點。因此，“AI 看片子” 的應用場景多為縣級市、地級市或更基層，任何有基本的放射設備、但缺乏有經驗的放射科醫生的地方，都是其應用場景。
這就是為什麼我們在談 “AI與醫療落地” 時，首先要談場景。陳暉給小探舉了個例子：在病理領域，有個最基礎的識別叫做 “細胞形態識別”，即對於變異的細胞進行發現和計數。這項工作原來需要由有經驗的醫生用顯微鏡看，但陳暉及其同事觀察到，國內大量檢驗類項目需要在鄉鎮、甚至村的級別進行。
不少鄉鎮、村裡並沒有醫生能看片子，因此有些 AI+醫療公司解決的就是這個問題：給鄉鎮衛生所在雲端提供血常規細胞分析的識別能力，讓 AI 簡單快速地協助衛生所出報告。目前，不少鄉鎮衛生所已經接受並開始運用了這種方式。但這種方式在北上廣的大三甲醫院又沒有用武之地，因為那些大醫院可以用自動化的血液生化儀做血常規檢查。
對一些地處偏遠地帶的患者來說，AI 有時不是 “好和更好” 的差別，而是 “有和無” 的差別。另一位匿名受訪者表示，在我國，AI 在大醫院裡只能扮演輔助診斷的角色，最後由醫生做決定。但在醫療資源嚴重稀缺的偏遠地區，人工智能可以提供一個初步的檢查結果，然後把結果傳給縣、地級市的醫生，由他們審核，審核過後再把結果傳回去，這幾乎是目前偏遠地區的病人拿到檢查結果的唯一可能性。
看來，AI+醫療的解決方案到底適不適用，首先要考慮場景。對一個場景沒太大用處的，很可能在另一個場景大有作為。
找來數據餵飽 AI，與醫療結合才能更落地
AI 面臨的主要挑戰之一是數據的來源。所謂 AI，就是用很多數據去訓練機器，機器從大量數據裡摸索出規律、學會判斷，成為人工的智能。也就是說，我們需要用大量的真實數據“喂” AI。因此 “數據從哪兒來”，就成了 AI 不得不面對的問題。
以這次 Watson 事件為例：此次曝光的 Watson 內部文檔顯示，其受到的訓練數據也有問題。本來應該餵給 Watson 大量的真實數據、從而找到新的治療手段的，但實際上 Watson 被灌了一堆沒什麼用的假想數據，而並不是真正的病人數據。這種通過假想數據學出來的 AI，準確性可想而知。另外，罕見病的數據缺乏也拖累了 Watson 的訓練進度。
要想拿到數據，先要確定從誰那兒拿數據，也就是要確定 “數據歸誰”。在美國，醫療數據到底歸誰？是歸患者、醫院、還是屬於出售藥物、器械的公司？目前還沒討論出個結果。如果數據歸屬權都沒定下來，就更別提合法合理地拿到數據、大量運用數據了。
我們看到，AI+醫療的組合已經帶來了不少成果，比如影像分析與識別。但 “推薦診療方案” 的難度更大，因此它也需要更大量、更全面的數據去訓練它，比如病人的各項指標、病歷記錄、治療方案、治療結果、類似病歷... 而這些數據往往存儲的位置不同、格式不同、所有權不同，不能保證完整性和一致性，因此帶來了極大的挑戰。此外，法律法規、我國醫療資源極為稀缺（平均1名醫生要對應 667名患者）、醫療資源分佈極度不均衡等，都是需要解決的問題。
不過小探認為，儘管面臨不少挑戰，AI與醫療結合的未來還是光明的。前幾年談起 AI+醫療，多是高大上的思考和探索。隨著技術發展，AI 與醫療的結合將能越來越落地、向著真正能在治療過程中發揮作用、並且產生收入的方向發展。
說回 Watson：說它是赤腳醫生雖然不太正確，但也不算委屈。畢竟 Watson 的確需要提高醫術，而它說不定還真是解決我國交通不便的落後地區醫療問題的方法 —— 和當年的赤腳醫生一樣。
你看好 AI 幫助醫生給我們治病這件事嗎？歡迎留言討論！
本文參考：
https://www.cn-healthcare.com/articlewm/20171012/content-1017943.html
閱讀更多 硅谷密探 的文章
