文/草因心
前言：
在DeepMind CEO哈萨比斯看来，AI系统会首先在两个领域部署，一个是医疗，一个是交通，比如医学诊疗和自动驾驶。
人工智能正向医疗行业渗透，尤其是在医学影像诊断领域发展迅速，DeepMind进行的一些前沿研究也有了很好的进展，如识别诊断糖尿病视网膜病变，利用视网膜扫描帮助诊断视网膜退化，利用机器学习检测乳腺癌等。
目前AI+诊断赛道拥挤，AI+治疗赛道成为下个市场热点，但这个赛道好不好做很多人并不清楚，尤其在肿瘤治疗方面。
AI+肿瘤诊断可行吗?
随着中国人口老龄化的加速，癌症成了第一大致命杀手，癌症治疗也是医疗中最难突破的场景。
一项来自美国哈佛医学院的研究显示，人工智能辅助医生进行乳腺癌诊断可将误诊率从4%降低到0.5%。同时，基于卷积神经网络的深度学习系统几乎可以在很短的时间里就让人工智能达到专家医生的水平。
AI可以帮助医生、护士和放射科医师，减少他们的工作量。尤其是在大型医院，他们没法应付如此多的扫描需求和处理需要诊断的病变，病变的误诊和看漏时有发生。目前国内不少知名医院都已经引入了人工智能阅片系统，协助医生解决漏诊误诊的问题和提升效率。
癌症在早期往往很难被发现，因此肿瘤的早期筛查意义重大。但由于早期癌症病变区域小，临床诊断上传统方法难以判断良恶性，只能通过活检的方式但会给病人带来极大痛苦。利用AI筛查癌症成了大家关注的焦点。
2017年世界胃肠病学大会&美国胃肠病学年会将唯一的国际奖授予了一项关于AI筛查结直肠癌的临床研究，这项研究来自于一个中国团队，是AI在肿瘤筛查应用的一大突破。
但对目前的AI肿瘤诊断来说，直接对病灶定性判断其是良性还是恶性依旧面临众多挑战。尤其是在诊断有效性的认证上，对肿瘤领域来说，需要深入到分子层面、细胞层面才能去做判断和定性。而对于医学影像而言，目前仍是基于形态学，通过对纹理特征的识别实际不能支持对肿瘤良恶性的判断。
因此AI肿瘤诊断仍存在很大局限性，有效性在医学上的认证有很大难度。现在有一些团队正在进行这方面的研究。12月16日，上海交通大学与依图医疗宣布成立联合实验室。双方将在医学影像诊断、病理信息分析、分子医学等方面展开合作，重点研究人工智能在肺癌MDT(多学科综合治疗)诊断以及多种实体瘤影像识别方面的应用。
据相关人士透露，目前AI诊疗主要还是作为一种辅助的手段，想真正运用于临床还需要克服很多难题，有效性验证仍需要较长时间。这就意味着可以市场化的产品极少。据粗略统计，目前国内已经有70多家AI医疗公司，他们多数都在与医院合作进行回顾性研究和临床验证，长周期的大规模临床验证及有效性验证是他们很难避开的难题。
AI+肿瘤治疗 路在何方?
AI+治疗是AI应用于诊断后的下一应用阶段，但相比诊断，AI应用于治疗难度更大，场景更少，落地难度更大。
比如，在过去十年，放疗在美国已逐步取代手术方式成为占比最大的一种治疗方式。放疗设备的精确度也越来越高，在美国，一台设备一天可治疗20个病人。但放在北京的大医院，一天一台设备要治疗近120个病人。
将近6倍的治疗人数带来的是细节和质量控制的欠缺，因此治疗效果也只有美国的一半。因为治疗过程中靶区勾画和放射方案制定非常耗时，医生首先需要在100多层的图像上将病灶和治疗过程中有可能会影响到的所有正常器官和组织的位置圈画出来。目前已有部分AI公司参与其中，实现基于AI的靶区勾画。以连心医疗为例，从一开始就定位于肿瘤“AI+治疗”领域，起步较早，目前在放疗质控和靶区勾画方面已经领先。
相比靶区勾画，真正有门槛的是利用AI设计放射性治疗的方案。门槛主要有两个，一个是特定领域的稀缺人才，将AI应用到放疗治疗需要具有核物理背景的专业人才，但相关人才在中国目前极度稀缺，主要集中在国外大型放疗设备公司。
应用场景的落地则是另外一个门槛，在中国医疗行业，诊疗资源极度不均衡、诊疗能力不足、部分滥用等问题众所周知，但这并不意味着AI+医疗可以轻易重新分配这些资源，所以很多时候，投资人会陷入这个误区当中，然后进行错误的判断。近两年AI+诊断的赛道日渐拥挤，AI+诊断的落地前景尚未清晰。资本逐渐将目光投向AI+治疗，却不知其落地难度相比诊断更有过之。
首先，医疗行业是个无比庞杂的系统，AI也无法将各个环节整合起来，更实际地应用是利用AI将某单个环节做好，即使是这样对于落地也并不很容易。以肿瘤治疗来讲，基层医院有设备也有条件，但患者始终会质疑其诊疗能力，依旧义无反顾地涌向北上广。即使他们需要为此承担很高的租房、住院等间接成本压力，还需要放弃当地医保的高报销比例。
形成如此反差的一个出发点是对当地基层医疗的不信任，因此，如何获取患者的信任也是AI+肿瘤治疗最重要的问题，这就意味着仅通过CFDA等认证还远不足够，AI+治疗公司尚需要业内处在领先地位的大型三甲医院的认可，因此，即便目前很多公司与大型三甲医院进行科研合作，但是从合作到大型医院的认可还有一个过程，并不容易。
其次，诊疗的有效性认证需要很长的周期，资本没办法加速这个过程。这也是医疗行业区别于其他行业最重要的特征，试图短期内希望看到明显效益的资本投入都显得非常可笑。
这主要是受限于监管体系，倒不是说监管体系存在问题，而是因为目前的监管体系很难匹配AI高速发展的特性。举个例子，算法在一年内可以进行多次迭代，效率和准确率可以在短期内得到很大提升，但理论上每一次算法的迭代用于临床都需要重新通过一次漫长的医学认证周期，但很多时候用于临床的AI技术版本还是1到2年前的版本，AI带来的高成长特性就很难体现。
此外，监管与AI发展相匹配的问题也不是短期内可以解决的，投资者必须清楚。
再有就是对有效医疗数据的获取，目前，据GPLP君调查显示，AI+治疗类的创业公司往往限于通过和医院合作的方式获取数据，他们把服务器放到医院去训练，但医院本身并不具备这些数据的所有权，因此数据的获取仍是一大难题，国家正在推动医疗大数据平台的建立，但尚需时日。
而对于医疗行业内的AI治疗公司来讲，也并不是数据越多越好，最根本的还是要回归到数据解读专家以及肿瘤专家。以肿瘤为例，没有标注的数据没有用，而数据的标注只能找相关领域的专家，而且很多还是极度稀缺的专家，这样标注的成本就很高。
“其实在一些应用领域，通过几千个案例和数据就能满足机器学习的基本需求，并解决一定场景的问题。”连心医疗CEO章桦表示，“对于数据的识别和分析，人工智能算法其实可以帮助大家做出来，壁垒并不高，但对于AI+治疗来说，最后的壁垒往往在于能否将识别、诊断、勾画、治疗等环节形成一个完整的治疗方案，比如把图像识别转化为指导设备的放射治疗方案。”
但目前在国内做过工业级产品的国内就5个人，人才壁垒使得目前国内能够实现AI从靶区勾画到治疗方案的团队少之又少。
AI+治疗：创业和投资需要避雷针
随着国民经济和AI技术的快速发展，从AI+诊断到AI+治疗，资本开始进入到这个长跑道。但一些投资机构其实根本没有医疗领域的投资经验，也不清楚AI对医疗的实际影响程度。但在投资压力下，他们又必须快速进入这个领域。
这种情况，如何破呢?
客观来讲，监管和AI发展的不匹配让资本的加速效益无法体现，产品迭代快慢并没有实际意义，投资人应该关注的是真正具有核心壁垒的慢公司而不是快公司。
大公司不了解的场景才是有机会的场景，才能有机会建立竞争壁垒，AI+治疗这样的场景对于初创公司才更有机会，因为AI+治疗的壁垒往往不在于算法和技术，而是在于具有核心医疗技术背景的稀缺人才，对有效数据的运用能力远比数据多少更有价值，但类似医疗影像的场景就很容易就被大公司掌握，大部分创业公司很快将失去竞争的渠道和机会。
目前的人工智能的本质是对之前的数据进行最大化利用，对于AI+治疗也是如此，2018年的机会在于把之前积累的数据转化为医疗服务。人工智能结合数据并最终变成医疗服务的不多，但只有这样才有可能变成可收费的商业模式。
商业模式很重要，如果还是依附于传统的渠道，最好的结局是被收购，卖给硬件厂商，或者是只有绕过传统的渠道才有可能实现独立盈利。
AI+治疗的未来如何呢?
且等时间的答案。
