騰訊的“移動互聯(lián)網+AI”，正通往移動醫(yī)療
BAT們與各路資本齊齊砸下血本，對這個AI技術當下最熱門的垂直場景之一發(fā)起了多輪攻勢。AI與醫(yī)療的雙高門檻，是區(qū)別于兩年前移動醫(yī)療熱潮的最重要因素之一。但是，將上一輪移動醫(yī)療熱情徹底澆滅的那些教訓，卻仍然值得此輪醫(yī)療創(chuàng)業(yè)者借鑒。
當下，移動醫(yī)療從2015年下旬開始經歷的那一場突然而又漫長的寒冬，已基本無人談起。
那是2015年吧，移動醫(yī)療就已經死了一批了，有些融完A輪就不行了。后來慢慢的，相比移動醫(yī)療，大家就開始更多地用數字醫(yī)療這個詞了。這是一位從2014年就開始深入調查分析醫(yī)療創(chuàng)業(yè)項目的分析師給到我們的碎片式回憶。
實際上，早在2016年10月，動脈網根據深入調查而出具的一份名為《互聯(lián)網醫(yī)療生存報告：38家企業(yè)為什么死去？》的醫(yī)療創(chuàng)業(yè)項目倒閉白名單，曾轟動一時。
其中，技術含量不高導致的創(chuàng)業(yè)同質化，對醫(yī)療工作流程特殊性的錯誤理解，監(jiān)管層面的約束，對市場的忽視，以及過高的估值與資本介入，都是那時候醫(yī)療創(chuàng)業(yè)者用血與淚換來的教訓。
2016年中旬左右，幾乎像是一場足球比賽上下場的轉換，AI+醫(yī)療強勢崛起。這個難得讓BAT與資本們共同找到興奮點的醫(yī)療新賽道，在過去不到2年的時間里，孕育出超過100家以醫(yī)療為重點的AI創(chuàng)業(yè)公司。
如果再快進到2017年，你會發(fā)現在過去的9個月中，國內外以醫(yī)療為重點的AI創(chuàng)業(yè)公司獲得融資的頻率幾乎可以媲美曾紅極一時的共享充電寶。其中，醫(yī)療影像自動化診斷算是一個近期各家齊頭并入的熱門應用場景。
當然，與曾經同質化嚴重的移動醫(yī)療相比，極高的AI門檻加上極高的醫(yī)療門檻，讓進入AI醫(yī)療界的一眾創(chuàng)始人們一開始就似乎有了睥睨天下的資本。
業(yè)內人士，算法專家，海歸博士與其他AI創(chuàng)業(yè)公司并無太多差異，技術與研發(fā)當仁不讓成為公司宣傳的核心；而資本方也難得進入高僧打坐模式，只是期待，閉口不談商業(yè)模式與盈利要求。
那么，一個如此早期的領域，只有拼技術就夠了？移動醫(yī)療曾經經歷的那一場暴風雪，是否也有相似的教訓值得當下借鑒？
VoxelCloud（體素科技），算是最近一頭扎入這個領域的AI創(chuàng)業(yè)公司中比較露鋒芒的一個。2016年才成立，就在2017年5月獲得紅杉領投的千萬級融資；僅隔3個月，又在今天得到騰訊的超億元人民幣A+輪投資。很顯然，這個數額與融資頻率應該會讓當下一眾同類型的創(chuàng)業(yè)公司十分眼紅。
當然，盡管騰訊有自己醫(yī)療布局的考慮在內（剛剛推出一款醫(yī)療影像產品覓影），但對于選投VoxelCloud的理由，騰訊與紅杉的口徑較為一致：
他們之前就有了明確的產品，以后還會有更多創(chuàng)新性應用。
VoxelCloud的創(chuàng)始人丁曉偉很爽快地接受了我們的專訪，而且并不避諱一些敏感問題。不過，自始至終，對于AI醫(yī)療，他的態(tài)度是謙卑且謹慎的，甚至承認現在的技術和硬件并不天然滿足醫(yī)療應用級產品的研發(fā)，需要通過大量另辟蹊徑實現。
我們有技術，有很強的人，但是我們也必須考慮商業(yè)模式，也需要正確面對那些市面上的AI醫(yī)療診斷系統(tǒng)曾經犯過的錯誤。
只談學術，不談應用，這不靠譜
借助先進的人工智能技術，系統(tǒng)在短時間內處理海量數據，并對病人做出愈加準確的診斷。這是IBM旗下的AI診療系統(tǒng)Watson曾做出的承諾。
然而，在IBM將Watson推向全世界的6年里，這個AI醫(yī)療領域最負盛名的產品，卻遭到了無數醫(yī)生的質疑與媒體的嘲諷。
可靠的技術，高質量的數據，醫(yī)生的配合。事實上，這些在研發(fā)人員中最為看重的幾個因素，一旦合體落實到臨床實驗中，就會遇見各種各樣的麻煩。這就像一個僅有完整的身體與四肢，卻沒有關節(jié)與潤滑劑的機器人，只能是一個無法動彈的殘次品。
譬如，在實際工作中，Watson合作醫(yī)院的醫(yī)生們真的會主動用它來處理病患信息嗎？醫(yī)生輸入數據過程中是否會遇到各種問題？給出的診斷結果是否會參考不同國別、人種的差異？
作為加州大學洛杉磯分校的計算機視覺博士，VoxelCloud的創(chuàng)始人丁曉偉并沒有否認研發(fā)與應用之間橫亙著巨大的鴻溝。那些在實驗室中熠熠閃光，讓人十分興奮的技術與樣品，其實很容易見光死。
這也是他為何通常在產品研發(fā)過程中，選擇與醫(yī)生們一待就是6個月的原因：
我雖然學的是計算機視覺這一學科，但是我家人都是醫(yī)生，我基本從小就長在中國的醫(yī)院里。哪個科室做什么，到底怎樣運轉，我都見過。我覺得，做醫(yī)療產品必須走到醫(yī)院里，去觀察醫(yī)生的每一步到底是怎么做的。
譬如我們在研發(fā)無創(chuàng)肺癌篩查診斷系統(tǒng)的時候，就跟醫(yī)生長時間一起工作，大概要相處半年吧，天天在一起討論。這不是說我們一定要掌握哪一種病癥，而是要去了解這個病的知識難點，看看醫(yī)生處理的時候會有哪些問題。然后我們再獨立去分析一個病種的時候，再去考慮怎么與深度學習技術融合。
另外在臨床實驗過程中，對某一項任務的安全編制，醫(yī)生的需求是什么，這里面的容錯空間有多大，做成什么樣子是最能為他們解決問題的，這些都是非常細節(jié)的問題。
你不走進醫(yī)院，你絕對不知道有哪些很棘手的問題。
但是，即便與醫(yī)院進行長時間無縫隙合作，也不能保證機器給出的治療方案給出的一定是精準的，或者是被醫(yī)生認同的解決方案。這就像歐洲一些曾對Watson系統(tǒng)多有抱怨的醫(yī)生透露，Watson給出的建議帶有針對美國患者與美國醫(yī)院治療方案的傾向。
對于這個疑問，丁曉偉首先提出了一個大部分人對人工智能醫(yī)療應用的理解誤區(qū)：機器診斷報告一定需要與某個醫(yī)生的主觀印象高度匹配。
他認為，與醫(yī)生主觀印象做比對是一種錯誤的認知，機器診斷結果，應該在有條件的情況下，去對比該疾病的金標準檢查結果（GoldStandard）。
早期疾病的篩查在絕大多數狀況下，不確定性是不可避免的。而且醫(yī)生也知道，在初步篩查結果下得到的只是初步意見，不能作為金標準來下定論。我們能夠保證的，是基于數據信息量，讓病癥在某一階段的診斷準確率無限接近金標準。
當然，如果出現某一特殊病癥沒有現有的金標準可以參考，也同時為了保證診斷結果的客觀性，我們會請權威醫(yī)療專家，把他們分成4~5組，分別獨立去做一批數據診斷，對數據做質控標記。
這就相當于，把我們的系統(tǒng)作為第6組醫(yī)生，它與每一組醫(yī)生的差異率要維持在這幾組醫(yī)生之間差異率之內。
實際上，一些市場中現有計算機輔助診斷系統(tǒng)出現的問題，在某種程度上也被丁曉偉認為是AI醫(yī)療產品之間存在的目標性差異。
譬如，有些公司可能只做圖像診斷，給出一個輔助性的診斷結果，而有些產品是既給出診斷結果，也會改進醫(yī)生的工作流程，把醫(yī)生寫報告、做隨訪的時間也給一同安排了。大概我們的產品在人性化方面會要求的更高一些，丁曉偉說得比較委婉。
你看市面上的大部分的診斷應用，可能都是機械地去做特定疾病檢測與判斷。這起到的是查缺補漏的作用，因為我們顯然不可能完全相信算法。
但我想讓自己的系統(tǒng)多一點特性，就是能給予醫(yī)生一種信任感，讓人不會覺得那么生硬。你看，就像完成一個機械動作，人與機器都能完成，但是過程與感覺是不一樣的。
作為醫(yī)生，除了給出一個診斷，他還具備『處理不確定性的能力』。他知道哪些是不確定的，會去找上級醫(yī)生尋求幫助，會去尋求更進一步的但代價更大的醫(yī)學檢查。
舉個例子，某一種病的治療方案如果沒有特別有說服力的信息量，醫(yī)生的選擇總是通過各種各樣的方式去驗證，譬如不斷地去隨訪，或者尋求外部援助。而這些機制機器都是通通忽略的，妄圖在一次檢查中給出最好的答案。
換句話說，在他的認知中，一件成功的醫(yī)療診斷產品，不僅會學習海量的數據，還要對診斷過程有一個深度理解。把醫(yī)生寫報告，向上級尋求幫助，二次審核等梯級任務都學到手，具備像人類一樣的處理不確定性的能力。
某種程度上，這個設想與GoogleDeepmind團隊一邊做糖網病篩查診斷系統(tǒng)，一邊研發(fā)醫(yī)務支持與任務管理系統(tǒng)的兩手抓計劃有共通之處。
所以，我們想優(yōu)化的是整個看病流程，而非僅僅提高一個診斷結果的準確率。這不是一個單純拼技術水平高低的問題，而是誰能在現實診療過程中更有風險控制的能力。
但是，無論通過什么手段來保證診斷的準確率與提升醫(yī)生的滿意度，丁曉偉也承認一定需要考慮地域之間的差異。這也是VoxelCloud在美國與中國分別設立研發(fā)中心，與美中兩國醫(yī)療機構同時進行項目試驗的根本原因：
我們的研發(fā)中心是洛杉磯，跟梅奧醫(yī)學中心，UCLA醫(yī)學中心的關系也非常好，項目都是一起合作的。在國內，雖然合作醫(yī)院需要取得授權才可以透露名字，但已經有100多家了，都是北京和上海的三甲醫(yī)院。
這樣做的理由，不只是因為病患的數據會有地域差異。國內外的診療流程也很不一樣，兩者都是相輔相成的，而且兩地的研發(fā)結果也能做到互補，我們必須同時考慮到。
VoxelCloud與交大洽談醫(yī)療影像合作
數據是否是核心競爭力？
好算法雖然是價值千金，但是好數據卻更是千金難買。
風投機構8VC的CEOJoeLonsdale曾在今年在斯坦福舉行的LightForum會議上稱：做醫(yī)療診斷一開始遇到的挑戰(zhàn)就在于搜集與創(chuàng)建數據。
而美國癌癥中心MDAnderson的一位負責人也認為，只有在擁有上萬患者數據的前提下，才能初步找到針對性治療模式：
從各種患者數據中找到不同的特征很關鍵，這對針對性治療與精確用藥非常有幫助。但是如果不能擴大現有數據集，上述愿景是無法實現的。你可能只有1萬個肺癌患者數據，但其實這個數字并沒有很大。
此外，一位專注于醫(yī)療創(chuàng)業(yè)項目的分析師告訴機器之能：現在AI醫(yī)療初創(chuàng)項目之間的競爭核心，就在于誰能拿到更多的數據。
很簡單，醫(yī)療數據之于醫(yī)療診斷的重要性，就像道路測試之于無人駕駛汽車。你只有不斷地讓汽車去實地訓練，不斷地收集與咀嚼道路數據，才能繪制出更高精的地圖，逼近更高的安全數值。
同理，人體的復雜性更是不必多說。這也是為何IBM的數據工程師與醫(yī)生們耗費了六年之久，才僅僅讓Watson學習了7種癌癥；而科技巨頭與這個領域內所有創(chuàng)業(yè)公司也只能從單一的或者兩三種疾病入手來進行摸索學習。
丁曉偉也認同這個觀點。他認為，目前這個市場，大多數公司都在做肺癌、糖網病的AI醫(yī)療診斷，一方面是因為這些病種發(fā)病率非常高，影響范圍非常廣，且難以攻克，所以研究價值非常大。
而另一方面，其實是因為這些病的數據比較容易能拿到，包括網絡等很多途徑都是能搜集到很多案例的。
這些可能是起點與上手都相對其他病癥來說更容易一些（不是說本身容易）的項目，所以大家都從這幾個病種入手。
目前大多數AI醫(yī)療公司研究最多的4種病癥：肺癌、糖網病、冠心病、肝病
根據知名醫(yī)療媒體mobihealthnews的一份調查，在醫(yī)療領域，數據的收集形式其實很豐富，包含臨床實驗、醫(yī)生報告、醫(yī)學圖像、傳感器和生物樣本等多種獲取途徑。
然而，如何獲取優(yōu)質數據，特別是干凈的患者數據，對于所有該領域的公司來說，是更為至關重要的。
不管是研究項目、還是產品項目，模型的能力是不可能超出收集數據的質量。目前對于癌癥來講，可能最有效的做法就是取得病人的手術活檢，或者穿透活檢的病例結果，然后把這個結果作為金標準用于目前的訓練。
但問題在于，在一家醫(yī)院里，有活檢病人的數量是遠少于沒有活檢病人數量的。丁曉偉這樣解釋高質量數據的重要性。
換句話說，要保證有持續(xù)的高質量數據的輸入，公司只能盡可能多得通過與醫(yī)院及其他醫(yī)療機構的合作來獲得。因此，如何拿下醫(yī)院的合作項目，也是鑒別AI醫(yī)療創(chuàng)業(yè)公司生存能力的一個重要衡量標準。