人類醫生無可替代，AI是目前最好的輔助工具。

　　智能機器可以簡化抽象的檢查、診斷流程，卻無法對患者病情確診承擔責任；機器無法理解CT影像，但可以運行人造神經網絡為影像科醫生提供更全面的信息。

　　TechWeb筆者坐在致遠慧圖（Vistel）研發的眼底檢查儀面前，現場演示人員提醒筆者緊盯著機箱內閃亮的熒光點。啟動鍵按下后，檢查儀在2維平面內緩慢移動，準確的找到了眼球位置，機箱的攝像機前后對焦尋找最合適的距離，兩次閃光后，筆者的眼底照片便在平板電腦上顯示出來。

　　“系統正在將照片發送到云端決策后臺，請您稍等”，演示人員講到。

　　不到半分鐘，“檢查結果”出來了，在復雜的底片上，能看到筆者眼球內部的血管與潛在異常情況。“請放心，您的眼底沒有問題。”演示人員在云端回傳的檢測報告上，并未發現任何異常病變。

　　病人的眼底檢查結果，可以在一臺機器人掛載的顯示屏上查到。這臺機器人連接著4G網絡，可以在醫院內任意角落擺放。

　　這是TechWeb在上海國際醫療人工智能會議上體驗到的一款AI輔助診療機器，時間是2019年4月2日。

　　據藥監局醫療器械部門副主任透露，國家對醫療人工智能監管政策去年已落實，鼓勵廠商創新應用、支持技術創新，而截止4月1日，國內沒有一款醫療AI儀器獲得上市許可。

　　這不禁使人困惑：病人真的可以相信一臺機器給出的診斷報告么？

　　1、苦苦尋覓，初見希望

　　“三甲醫院人滿為患，基層醫院門可羅雀”，百度靈醫負責人黃艷表示，人口老齡化、醫療資源有限、醫療經濟負擔是中國醫療長期面臨的挑戰，結構性失調一直是國內醫院的常態。有數據顯示，數量上占比8%的三級醫院，承擔著國人40%的診療重任。

　　結構性失調，讓大量醫生苦于疲憊。

　　以往影像的檢查只需看幾張片子，而CT診斷時間從幾天到半把月不等，MRI（核磁檢查）的診斷時間也隨影像數量增加而延長。重復性、“吃經驗”的工作不僅增加了影像醫生的負擔，同時增加了高壓力工作狀態下醫生的犯錯可能。

　　如同珍妮紡紗機，AI能“學習”醫生的讀片經驗，成為提高人類工種勞動效率的機器。技術上，以卷積神經網絡（CNN）為例，目前CNN為核心的影像診療儀已足夠成熟，肉眼終究難以戰勝機器的速度，同時機器不會因疲勞而犯錯。“醫療+AI”，是一種改善現有醫療結構的最優策略，據悉，具備“輔助診斷”能力的智能機器在醫療AI領域占比61%，是最快落地的功能。

　　圖片中，一邊是國內AI影像公司BioMind的讀片機器人，一邊是人類代表的優秀臨床專家，通過顱內、腦血管影像判讀“人機大戰”，人類代表毫無懸念的敗給機器人。此舉表面證明了機器讀片的準確、高效、成熟，卻忽略在現實生活中醫患關系中的微妙關系。

　　2、AI與醫生，相依相存

　　機器無望完全取代醫生，但卻是有力的“助手”，極有可能讓醫生從簡單、耗時、耗人力的勞動中解放出來。比如，曾經人工用15分鐘時間篩查300~400張影像才能判定的肺結節，AI只需要1分鐘；人工3~5分鐘才能測出的腦卒中出血體積，AI只需幾秒鐘。與此同時，后者擁有更高的準確率。

　　當然，回歸根本問題：我們憑什么信任一個“黑盒子”？是因為它的準確率？顯然不是。

　　陳寬，深圳人，在美國讀的經濟學，2014年輟學回國創業，創辦AI影像公司推想科技（inferVISION）。陳寬本人講起影像技術時，不由自主的透露出激情，按照他的說法：人工智能影像會成為未來臨床的革命性技術。目前，推想科技已經在國內、日、德、美、西等國推行自己的臨床產品。

　　陳講到，公司最開始將InferRead CT（一套人工智能CT輔助工具）帶到西班牙時，被當地頂級醫學專家狠狠拒絕，理由很簡單：臨床不需要毫無情感的機器做診斷。于是陳寬表示讓專家體驗一周，不收取費用。結果，一周后西班牙專家對InferRead CT 表示認同，認為人工智能是外科讀片最好用的軟件。

　　“這是我用過最好的工具！”西班牙專家用英文對我們的產品評價到。講到這里，陳寬臉上露出一份對技術的自豪。

　　人類相信“黑盒子”，不僅是源于對診療效率的追求，更是為彌補人類醫生的天然不足。

　　如果醫療人工智能可以學習人類醫生的判斷經驗，成為診斷正確率99.99%（目前人或AI尚不能達到）的“專家”系統，這聽起來恰如人意，但誰會成為“不幸的”0.01%？很明顯，我們不可能將最終的判斷交給機器。在醫院里，人類醫生也會出差錯，誤診、錯診、漏診，一項醫療事故可能不僅會改變一家人的命運，也可能改變一位醫生的職業道路。當我們談論AI+醫療時，聊的不僅僅是算法、數據，還有人類進化歷程中不可規避的矛盾：道德。

　　3、前途未卜，道德先行

　　國內外，AI醫療器械的推廣與銷售，對于初創公司都是一項艱巨的任務，原因有三：

　　1）醫療圈層復雜，信任權重高。

　　2）國際標準不同，受當地政策影響。

　　3）市場成熟度差距。

　　國際上對與AI+醫療的重視程度不一，國內已將此視為醫療改革重點方向，甚至逐步將大數據醫療、醫療AI上升為國家戰略的高度。而多數發達國家對醫療AI有自己的看法，觀望者居多，并未采取推進措施。推動發展中國家的醫療AI項目的力量，目前來自世界衛生組織（WHO）。相較國際水平，國內醫療AI產品有相對較高成熟度，在國際項目中具備足夠優勢。

　　國內的醫療AI還未正式啟程，美國IBM的“沃森”似乎已石沉大海。

　　IBM研發的沃森是一臺具備搜索算法、自然語言處理與知識圖譜構建的智能機器人，它曾在綜藝節目中戰勝人類選手，負責人希望沃森可以在癌癥臨床醫學發揮優勢，但結果讓其寸步難行。沃森不做影像，只專注自然語言處理，通過對大數據的學習，可以為病患進行診斷與藥物推薦，推薦出的要放不能令人滿意：有些癌癥病人得到的處方具有一定潛在醫療風險，而人類醫生絕不會像沃森一樣擔負高風險，優先采用穩定的治療策略。

　　醫療AI的內核有三：算法、算力、數據。算法可以由數學家解決（究其原因，IBM的沃森機器人便是輸于算法），計算的壓力由硅基處理器應對，大多數人想不到：目前的數據方為是制約醫療AI發展的關鍵。

　　“醫療領域少有完整大數據，幾乎全是是稀疏的小數據。”上海交通大學附屬第一人民醫院副院長鐘力煒認為：醫療數據的可用性很差，目前現有的公開可循、記錄完備、診斷準確的醫療數據并足以支撐醫療AI。即使某個病種有了足夠數據訓練出了一些AI產品，有沒有標準測試庫給AI一個客觀評價呢？

　　“也沒有”。鐘力煒回答，這額數學系出身的醫療專家，對醫療AI的發展有較深入見解。他認為AI需要與人類醫生共同決策，而這種組合又會帶來新的復雜醫療模型。

　　你也許會繼續問，如果可以改善算法、滿足算力，并增加數據數量與質量，醫療AI就可以可以成為毫無差錯的醫生么？答案否定的。人類醫生與AI，終將成為相輔相成的組合。

　　或許在未來的醫院里，AI將如同被廣泛應用的青霉素，成為該領域不可或缺的組成。