扫描145家中美创业公司：梦想更大，还是坑更大？ | 医疗人工智能报告

　　2016年09月18日讯 医疗领域人工智能的应用，激发了人们对未来的许多想象。计算机的运算速度快、储存量大、质量稳定且不知疲倦，如果能够在医疗领域应用，必将能够大大提高医疗质量和供给量，并最终降低医疗成本。加上商业前景的光环，医疗人工智能的探索真可以说是“引无数英雄竞折腰”。

　　Part.1序章

　　1.1关于医疗人工智能的讨论范围

　　人工智能火得烫手。前些天一个同事说他下午刚报道了一个人工智能方面的项目，当天吃个晚饭的空里就有二十家投资机构上门要联系方式。这种火法让人依稀看到了曾经O2O的影子，但愿历史不要重演。同样，医疗领域在这股浪潮中也到了一种神魂颠倒的地步，“智能”二字几乎已经是每家公司产品的标配。可是，当我们在讨论人工智能的时候，我们究竟在讨论什么？

　　首先，我们来对医疗领域人工智能的应用做一个基本的设定：

　　①关于人工智能在医疗当中应用的终极想象，当然是电脑能够替代人来为患者诊断、治疗。这个理想并不是刚刚出现，至少可以追随到上世纪六七十年代。只不过实现起来，理想与现实的差距太大。

　　②比直接用电脑替代人来看病的难度略低一些的是临床决策辅助系统（Clinicaldecisionsupportsystem，简称CDSS），这是目前尝试比较多、发展也相对比较快的领域。

　　③在实现人工智能的道路上，一个必备的条件积累医疗大数据。所以，在人工智能创业领域的一个“近亲”，就是医疗大数据积累、挖掘和应用。也可以将其看做是实现人工智能的一个中间环节。

　　④向前再推进一步，就是获取数据的问题。从医疗机构获取数据是一个路径，而且无捷径可循；另外一个就是从患者端获取数据，特别是通过可穿戴硬件来获取患者的健康数据来实施健康管理。

　　从目前已经观察到的情况，有关人工智能在医疗领域探索大体有这么四种类型。如果单独讨论某一种类型，恐怕都不能完整的反应医疗领域人工智能的进展。所以，本文在讨论人工智能的过程中将采取最广义的概念，包含前述的四种类型。

　　1.2医疗人工智能的现实需求

　　人工智能的火究竟是虚火而昙花一现，还是方兴未艾、志存高远。况且，医疗是否真的需要人工智能么，还是仅仅是跟风？有关这些问题，可以从以下几个方面来分析：

　　首先，医疗领域最突出的问题就是优质医疗资源不足。这个问题不止中国存在。美国这几年就经常爆出医生短缺的消息，最近还有预测说美国未来十年会短缺6到9万名内科医生。老龄化比较严重的日本也面临这个问题的困扰，每千人口中仅两人从医。就连每千人拥有4名医生的瑞士，近年也开始重视医生数量不足的问题。而医疗资源不足的问题，在我国还会因为分布不均而加剧。

　　再加上人口老龄化的加剧，未来对医生的需求量很有可能是有增无减。解决医生资源不足的问题，在增加供给量方面，培养医生需要周期；而调整结构则需要配套政策。或者简单的说，靠人来解决这个问题需要很长的时间，而且供给量也不是无限增加的。于是，人们开始寄希望于机器。因为一旦能够实现机器看病，供给量将会是无限增加。

　　解决医疗资源不足，恐怕是对人工智能的最根本需求和发展动力所在。而医疗领域面对的另外一个问题就是费用支出持续增加，财政支出和社会负担的压力越来越大。医疗负担上升是多种因素共同促成的结果，包括人口老龄化、慢性疾病增长、新技术的采用等。

　　人工智能在解决成本压力方面被寄予厚望有几个方面的原因：一是通过人工智能提高患者自查自诊自我管理的比例，降低医疗支出；二是通过人工智能手段实现更早期发现、更好管理，减少后续的医疗费用支出；三是通过人工智能手段提高医疗机构、医生的工作效率，降低医疗成本；再有就是通过人工智能制定科学合理的健康医疗方案，减少不合理的医疗支出。

　　此外，还有一些虽然不是急性且刚性的需求，但仍然提高了人们对人工智能的期待。比如机器的运算速度、准确程度、更新速度、稳定性都要好于人工。比如肿瘤领域的研究论文，2009年到2013年，全球共产生了16万份肿瘤相关的研究，平均每年3.2万份。而到了2015年，这个数字已经打动了4.4万份，平均每天就有超过120篇新的研究发表。显然，这已经远远超出人类认知能力的范围。

　　综合这些因素，人工智能在医疗领域的应用，不仅有可能解决医疗资源短缺、成本支出增加的困境，而且还有可能带来医疗能力、医疗体验上的提升。从这两个方面的需求来看，人工智能在医疗领域确实拥有相当广阔的成长空间。

　　Part.2医疗人工智能的五十年现实

　　从现在面向未来，库兹韦尔曾做出过预测，人工智能的水平超过人类智力的水平将在2045年出现。20多年后，奇点就将来临的猜想让很多人觉得过于疯狂。实际上，人类对人工智能的想象，至少已经有80年。1936，阿兰。图灵就提供了机器模拟人类数学运算的构想。二十年后，达特茅斯会议将人工智能确定成为一门科学。人类由此开始有计划、有目标的朝人工智能的目标努力。

　　2.1早期医疗人工智能的尝试

　　从1956年之后的二十年里，人类雄心勃勃。后来AlphaGo算法核心内容的雏形就在这个时期出现，即贝尔曼公式。而最早的一波在医疗领域进行人工智能探索的尝试，也在这个时期出现。1972年，由利兹大学研发的AAPHelp是资料记载当中，医疗领域最早出现的人工智能系统。这个系统基于贝叶斯理论开发，主要是用于腹部剧痛的辅助诊断以及手术的相关需求。

　　在随后的整个七十年代当中，又产生了不少新的成果。INTERNISTI于1974年由匹兹堡大学研发问世，主要用于内科复杂疾病的辅助诊断。这套系统在当时被认为极具价值，并于80年代在其基础了开发了CADUCEUS和QMR系统，开始了商业化尝试。MYCIN于1976年有斯坦福大学研发，主要用于血液感染疾病的辅助诊断。

　　此外，还有罗格斯大学开发的CASNET/Glaucoma，MIT开发的PIP、ABEL，斯坦福大学开发的ONCOCIN等。而且上世纪80年代，已经有一些商业化应用系统的出现，比如前面提到的QMR（QuickMedicalReference），还有哈佛医学院开发的DXplain，主要是依据临床表现提供诊断方案。DXplain的知识库中，已经收录了2200种疾病，和5000多种症状。

　　2.2早期医疗人工智能尝试的局限性

　　事情并没有预期的那么顺利。在随后很长的一段时间里，人工智能在医疗领域当中的应用并没有取得特别明显的突破。人们所期待的机器替代人看病的场景并没有出现，反而越来越多的看到人工智能在医疗领域当中应用时的局限性。

　　在医疗服务当中，临床诊断是最为关键的环节。而对于临床医生来讲，只有当计算机能够达到“专家”的水平时，也许才会应用。但诊断的过程过于复杂，存在着大量的“变量”。即便是专家本人的诊断，亦有相当多的不确定因素。这样的话，对于人工智能的开发则需要理解专家从症状到做出诊断整个过程的逻辑，同时还需要将这种能力“教会”计算机。

　　再有，现在人们越来越多的认识到，要让医生愿意采用人工智能的系统，必须能够有效的将新系统合适地整合到医生原有的工作流当中。而且其实特别重要的一点是，需要让医生们相信，人工智能可以帮助他们改善临床效果、提升工作效率。但目前有关这一点，似乎并不是那么确定。

　　德国夏里特医院的学者曾经对辅助诊断系统在五年应用当中，针对抗生素滥用的效果进行了研究。结果显示，辅助诊断系统对抗生素滥用和临床诊疗的改善起到了不错的效果。但也有不少研究的结论，则并不让人那么乐观。

　　比如米兰大学在2014年的研究就得出结论称，辅助诊断系统并没有明显对死亡率产生影响；而伦敦帝国学院的在2011年对过去13年数据的研究则显示，计算机在医疗领域的应用现实与理想状况差距很大，并且迄今为止，没有坚实的证据能够表明辅助诊断系统能够降低医疗成本并改善患者的治疗效果。

　　总的来说，医疗人工智能方面过往的大多数探索都并不成功。不过，这样的现状只能说明医疗的高度复杂性，并没有阻止人类在医疗领域探索人工智能的尝试。实际上，IBM研发的Watson机器人医生就在一路高歌猛进。除了技术本身的进步之外，Watson的实践本身还有怎样更重要的意义？

　　Part. 3Watson的意义

　　IBM在人工智能上的突破也不过是在最近十年当中取得的。1997年，“深蓝”战胜象棋大师卡斯帕罗夫之后的很长时间里，人工智能在辅助工作方面取得了很大的进展，比如处理繁琐的公司文件。但距离真正意义上的人工智能，相去甚远。以至于当挑战“Jeopardy！”的提议第一次出现在IBM的时候，甚至引来嘘声一片。

　　《纽约时报》记载过一个故事，2006年，IBM测试自己的最先进系统在“Jeopardy！”当中的表现。结果人类冠军答题的正确率是85-95%，而IBM系统的正确率却仅有15%，显得愚钝不堪（slowanddumb）。语言识别是当时人机对话的主要困难。然而仅5年之后，以IBM创始人托马斯。沃森明明的Watson机器人就在“Jeopardy！”当中击败了人类冠军。

　　这可以算是Watson“医生”的前传。很快，IBM就将Watson应用的重点转移到了医疗领域。

　　3. 1Watson成长史

　　在这次突破之后，吸取了深蓝教训的IBM开始了将Watson推向商业化应用的尝试，而健康成为了他们确定的重点方向之一。那么IBM“训练”Watson的教学方法是怎样的？2014年1月份，Watson“自立门户”，并推出Watsonfoundation将认知计算技术与大数据分析技术结合起来，奠定了整个Watson运作的基本逻辑。而Watson在健康领域的推进则是从2014年底开始的。

　　首先是Watson先后与苹果、强生和美敦力三巨头建立的合作。Watson和苹果的合作包括两个层面，一个是基于Healthkit面向普通用户的数据采集和储存，另一个是基于Researchkit面向研究人员的数据分析；与强生的合作主要是在关节、脊柱术前和术后的患者护理，以及慢病管理；与美敦力的合作，主要是通过美敦力的医疗器械采集糖尿病患者的数据，并为他们提供个性化的管理方案。

　　第一步还只是合作，很快IBM就掏出了真金白银。2015年，IBM一举并购了两家医疗大数据公司Phytel和Explorys。Phytel公司主要是应用云工具，帮助临床医生为患者提供质量更好的医疗服务。而Explorys最初则是由克利夫兰诊所发起成立的公司，主要为医疗服务机构提供数据管理，服务全美360家医院，拥有超过5000万个患者的医疗记录。

　　Explorys的患者数据覆盖

　　完成了这两家公司的并购后，IBMWatsonHealth正式成立。不过IBM的并购却并没有就此结束，2015年8月，IBM斥资10亿美元收购医疗影像数据公司MergeHealthcare；2016年2月，IBM又花了26亿美元收购了健康大数据公司TruvenHealthAnalytics。

　　Merge是美国的一家老牌医疗影像公司，用户包括7500多家医院、科研机构、药企等。并购完成之后，Watson还将应用Merge的技术分析已经储存的超过三千亿个医疗影像数据。TruvenHealthAnalytics服务超过8500个用户，拥有超过2亿名患者的诊断和医疗支出的数据。

　　到这时为止，IBM在不到一年的时间里在并购上投入了40亿美元，给Watson补充不同类型的数据和分析技术。投入之大，足见Watson的“饥渴”。

　　3.2Watson商业化

　　现在Watson已经相当强大，能够读懂非结构化数据，而且能够在15秒内阅读完成4千万分文件。Watson需要商业化，只掏钱肯定是不行的，要赚钱就要尽可能扩大应用的范围。而从IBM的应用推广来看，除了在他们的北美大本营之外，Watson在亚洲的应用推广进展非常好，在中国和印度两个人口大国都有所斩获。

　　2014年10月，IBM宣布与东南亚地区最大的私立医院康民国际医院达成合作，Watson将为康民医院位于曼谷的医疗中心和其他16个国家的转诊办公室提供服务。

　　2015年5月，在WatsonHealth成立后不久，IBM就宣布，14家美国和加拿大的肿瘤医院将引进Watson，通过患者的基因测序数据来提供适当的治疗方案。

　　2015年12月，IBM宣布与印度的第三大医院ManipalHospitals达成合作，Watson将帮助肿瘤医生为患者提供诊断和治疗。每年，有超过20万肿瘤患者在ManipalHospitals医院接受治疗。

　　2016年8月，Watson落地中国，与中山大学附属肿瘤防治中心、中国医科大学附属第四医院、浙江省中医院、复旦大学附属肿瘤医院等21家医院达成合作。杭州认知网络是Watson在中国的本地服务商。

　　此外，Watson在医疗领域还与Talkspace、Welltok、hc1等新兴的移动医疗公司建立了合作。Watson将基于这些应用的数据采集，来为他们的用户提供相应的医疗服务。

　　3.3“学以致用”的Watson

　　总结起来，IBMWatson的整个发展历程可以概括为“学以致用”。

　　在Watson发展早期，IBM豪掷亿金接连并购4家拥有医疗大数据的公司。而在此之前，Watson的“早教”阶段，IBM也是一直抱着梅奥诊所、MD安德森、纪念斯隆-凯特林癌症研究中心、纽约基因组研究中心等美国几家王牌医疗机构的大腿。

　　这个思路也被Google的DeepMind延续了下来。今年六月的信息，DeepMind与NHS达成了合作，能够获取超过160万患者的医疗健康数据。而很快就有类似MedConfidential这样的组织质疑Google获取患者数据的正当性。

　　相比于学，用的部分同样重要。尤其是让医生相信人工智能的作用并在实践当中应用，这个过程仍然需要大量的市场教育。而从IBM的策略中也可以看出，选择肿瘤这种刚需又优质医生短缺的领域是其重点方向。ManipalHospitals的CEODrAjayBakshi谈到，在印度平均每位肿瘤医生要服务1600名肿瘤患者，而且随着肿瘤发生率的上升，这种短缺还将加剧。另外，在中国市场，IBM也很明智的选择了本土的运营商来做市场开拓。

　　但Watson也并非没有问题。Watson主要解决的是肿瘤领域的疾病，尤其是肺癌、乳腺癌、结肠癌等。这几种癌症虽然日渐高发，但问题是究竟Watson会有多大的用武之地是存在疑问的。除非Watson能够成为诊疗路径的一部分，但这恐怕又是难上加难。

　　Part.482家美国公司和63家中国公司

　　尽管Watson和DeepMind有IBM和Google这样的强大靠山，但他们在医疗领域也仅仅是入门级。众多医疗创业公司还有巨大的成长空间。本节，我们对中美两国在人工智能领域的创业公司做了一个基本梳理。其中，包括美国的82家公司，中国的63家公司。美国公司的数据主要参考了CBinsights的整理，而中国公司的数据则主要来自公开报道。

　　对这些公司的梳理首先遵循了我们最初设置的定义，即广义人工智能。从数据监测、采集、分析、应用、辅助诊断到电脑医生，各个类型的公司都在其中。

　　4.182家美国公司

　　首先来看美国公司。整体上，82家美国公司分成了7大类，分别是医疗影像类、健康管理类、医疗服务类、机构信息化、药企研发类、医疗大数据以及基因检测。当然这是个很粗的分类，每种公司的类型和归属并不是那么清晰。分类只是帮助我们认识，有哪些角度可以成为人工智能探索的切入点。以下来逐一分析：

　　医学影像类美国公司在影像领域主要也是基于人工智能、深度学习的技术，帮助医生更快更准确的读取病人的影像数据，以更好的做出诊断。CBInsights的判断，这个领域的创业公司正越来越多。2015年以来，已经有17家公司完成首轮融资。但这至少说明，影像分析这个事儿在美国投资者是认可的。

　　健康管理类这里主要把对个人的健康管理和以个人用户为主的可穿戴设备，都归入其中。这类公司主要是用户个人的健康数据来预测疾病风险、提供健康管理方案。总体看，这类公司在美国也并没有出现什么新的花样。不过，这倒是在医疗人工智能领域少有的直接toC的服务。

　　医疗服务类在医疗服务方面应用人工智能的尝试是最多的。这类公司包括两类，一类是由医生提供在线的咨询服务或机器版的手机医生；另一类就是通常所理解的临床诊断辅助系统，包括早期筛查、诊断、康复，手术风险监测，用药安全等，而且会分不同领域，比如血液、睡眠、神经、心理等。

　　机构信息化这类公司主要是通过数据监测和分析的方式，帮助医疗机构提升运营效率和诊疗效果，降低支出成本。美国的医疗机构市场化占主导，而且商业保险公司发育比较充分，这些因素也促使医疗机构更加注重效率和成本的，为机构信息化类的创业公司提供了市场空间。

　　药企研发类新药研发的需求特别明确，就是解决成本高、周期长的问题。有研究显示，一种新药研发的成本已经接近26亿美元，平均需要10-15年的时间。瞄准这个痛点的创业公司，就是希望通过应用大数据和人工智能的技术，来帮助药企缩短研发周期、减低成本。

　　医疗大数据这个分类相对比较模糊，因为实际上其他几个类型都离不开医疗大数据。不过，这类公司相比而言更加注重数据本身的研究和分析。比如鼎鼎大名的Flatiron，就是搭建肿瘤大数据平台、累计肿瘤患者数据，并通过对数据的研发和分析服务临床、科研、新药以及患者治疗。

　　基因测序基因测序公司这里列举的比较少。这类公司有点“跨界”的性质。基因测序本身实际上是人体本身的数据化，并通过对这些数据的分析提供精准治疗。但基因测序的数据由于通常的医疗大数据含义不一样。但也可以理解，未来人工智能和精准医疗在基因测序这个环节上，也许是连通的。

　　总体来看，美国创业公司主要面向药企、医疗机构等B端提供服务。而且，这些服务仍然主要是在辅助诊断系统、大数据挖掘等方面，可见美国整体上在人工智能上的探索进展也比较有限。

　　4.263家中国公司

　　与美国公司类似，中国公司的大体分类也包括医疗大数据、机构信息化、医疗医保类、医学影响类、医药研发类、健康管理类和基因测序了。这61家公司仅是统计到的部分创业公司，也欢迎各相关领域的创业公司主动与我们联系寻求报道。

　　同美国公司相比，中国公司大体上呈现了这么几个特点：智能化程度不够高，不少医疗类的项目主要还是在线咨询服务；toC类产品仍然占据大多数，B端服务开发不足；医疗机构信息化领域比较活跃，主要是解决机构信息互联互通的问题。

　　对比美国的公司，中国在医疗人工智能上还有哪些成长的空间：

　　首先是辅助诊断系统，应用人工智能为医生诊断提供帮助，提高效率和准确性。中国公司目前与医疗机构打交道更多仍然是获取医疗资源，提供简单的在线咨询服务。但这种对互联网的应用方式，已经显得普及化、大众化，渐渐失去了商业价值。

　　第二是服务医药器械企业，降低药品和器械的研发成本、缩短研发周期。实际上，中国公司不缺乏服务药企的的项目，但大多数仅仅是应用互联网做药品营销。虽然这也是一个赚钱的业务，但相比直接服务新药研发，仍然显得技术含量不足。

　　第三是医学影像，这里包括普通的影像，也包括病理、放疗涉及到“读片”的大影像概念。IBM收购Merge表明，读懂影像类数据对人工智能的发展是有价值的。而且美国过去一年的投资记录也可以看到，美国投资人对影像类人工智能的应用也比较看好。

　　总体上，中国公司在医疗人工智能方面的探索仍然逊色于美国。但这也许是多种因素作用的结果。而中国因为人口庞大而在医疗大数据上的巨大优势，还没有充分发挥出来。或许，在瓶颈突破之后，赶超美国公司只是时间问题。