人工智慧醫療從三個維度可以去看，第一，首先代替人工，替換勞動力，例如機器人護士，24小時陪伴加監護。第二，人工智慧做手術，精準，避免錯誤，加上大資料分析，超越傳統人工手術。第三，人工智慧加奈米技術，例如頭髮絲機器人力量到來，可以穿越體內進行治療。未來人工智慧醫療領域無人手術是發展方向。

我覺著在醫療資源緊缺，培養醫生費時的情況下，人工智慧醫療來解決這些問題，非常有潛力。

疾病診斷應該是比較容易實現的一種。

如果能結合自動化，做出來自動護理的醫療倉，每家每戶都放一個，那更舒服了。

人工智慧的醫療應用市場前景廣闊，預計到2021年。這個市場的規模將增長到66億美元，根據埃森哲諮詢的訊息。這項新技術引領了許多進步，從基於AI的醫療記錄管理軟體到機器人輔助手術。雖然發展勢頭驚人，但該市場仍處於起步階段，並且有望以指數級增長來完全改變醫療保健領域。

患者資訊已經以電子病例的形式出現，無線患者監護裝置和可穿戴裝置的發展迅速。虛擬助手已經線上連線到醫療資訊。在AI的支援下，Siri，Cortana，小愛同學和天貓精靈等虛擬助手的功能已經不僅僅是查天氣了。當前，研究人員正致力於透過AI為虛擬助手提供動力，以促進對醫學術語和臨床語言的更好理解。這不僅具有革新醫護人員與EHR互動方式的能力，而且還可以幫助患者瞭解其特定的解剖結構和體質，使他們更多地參與護理過程並堅持用藥。

藉助AI，亞馬遜的Echo和Google的Home可能很快將能夠與醫生進行遠端影片聊天並執行可視掃描。藉助AI，從可穿戴裝置收集資料並共享這些檔案可以幫助診斷。

隨著科技巨頭在醫療保健創新上投入大量資金，近年來人工智慧得到了巨大的推動。Google的DeepMind Health專案承諾在幾分鐘內處理大量醫療資訊，從而加快臨床過程。IBM的Watson系統可透過在就診期間收集的患者資料來幫助早期診斷心力衰竭。後一種系統已進入許多醫院病房，並且比傳統方法更有效。

事實證明，人工智慧在診斷醫療狀況方面與醫生一樣可靠。英國牛津一家醫院的研究人員已經開發出可預測心臟病的人工智慧。根據他們的研究，在80％的情況下，該技術在預測心血管疾病方面的表現優於醫生。同時，哈佛醫學院的科學家們開發了一種基於機器學習的顯微鏡，能夠以驚人的95％的準確度檢測致命的血液感染。

目前很多人工智慧都還處於探索的階段，但我覺得應該更多的去應用、探索，去解決實際問題，在這個過程當中再不斷的去形成一些標準和規範，之後再規範應用。人工智慧醫療器械是一個新興的領域，在研發的過程中，很多的產品、想法和思路確實遇到了一些技術的難點，但是對於器械的研發，企業單獨靠自己解決的挑戰比較大。

對於人工智慧醫療影像未來的發展趨勢，總體來說，目前還是剛剛起步，現在的應用還比較單一，未來有更大的潛力。在很多醫院應用的早期產品，大部分都是跟肺結節篩查、X光晶片等AI診斷相關的產品，真正能解決更多、更復雜的臨床疾病的AI產品還沒有出現或成熟。實際上，醫療的疾病種類是非常多且複雜的，人工智慧用武之地還有很多，包括人體的大腦結構、神經系統疾病、心血管系統疾病和腫瘤疾病等比較複雜的科學問題和重大疾病的病因解決問題方面。

人工智慧在進入新一代的時候，將對醫療儀器和人類醫療保健的方式產生巨大的變化，也對醫療、藥物和醫療保健的整個系統的構成產生一個巨大的變化。在這個變化中間，醫療的水平一定會取得極大的提高，關鍵要在醫院、醫生和病人以及政府之間形成一個多贏的模式，如此才能把醫療的智慧化迅速的推向一個高潮。

對於傳統藥企來說，以產品為主，將產品打包銷售給患者即可。但在藥品銷售過程中，決策者、使用者、接收者的需求日益多元，這就致使原來的簡單思路在目前的大環境下已經“失效”，藥企必須利用人工智慧、大資料技術進行企業內部結構革新。

大資料對於藥企內部轉型起著事關重要的作用。尤為一提的是，大資料在醫藥研發上的“功勞”。新藥研發歷來貼著風險大、週期長、成本高的標籤。國際上甚至有“雙十”的說法：10年時間，10億美金投入，才能成功研發出一款新藥。

醫療健康領域，尤其是傳統醫藥與人工智慧的交匯是傳統醫藥技術的創新點，也使得健康行業面臨著一個全新的機遇和挑戰。在AI+醫療健康的主題背景下，人工智慧的結合不僅僅能夠將現有的傳統醫藥研發能力乃至醫療健康大環境下的科學技術得到前所未有的提升、創新和發展，也能夠大幅度降低研發的人力和物力和成本。有助於解決醫療健康懸而未決，或者是日漸顯現的難題，有利於為醫療健康產業和傳統醫藥行業注入新的血液，帶來值得期待的多米諾效應，這正是人工智慧與醫療健康跨行業合作的真諦所在。

人工智慧在醫療領域的機遇

首先分享一個好訊息。粗略統計，今天台下聽眾本人是90後或孩子是90後的人佔到了70-80%。我做醫學研究的時候曾看到這樣一篇報道說，按照醫學的發展速度，2000年左右出生的人，超過一半壽命將超過100歲。這將是一個非常了不起的成就，我非常期待。看到這個好訊息，我非常振奮也很好奇，就去查閱了這篇文章背後的學術論文。

我看到一篇2009年在英國《柳葉刀》雜誌上發表的論文，它標題寫的是“未來的挑戰”。假如未來超過一半的人壽命超過100歲，對社會醫療系統將是非常大的挑戰。現在人口老齡化已經非常嚴重，通常來說，人的年紀越大醫療成本就越高。假如超過一半人活過100歲，而我們又沒有更好的醫療方法，將給社會帶來很大的成本。我們剛開始做醫療研究時，美國每年大約有14%的GDP耗費在醫療上，現在這一佔比已經上升到了18%，越來越高了。按這個趨勢發展下去，社會將無法承受。我們相信，解決這個問題一定要靠技術。如果沒有新的技術，就無法給大家提供好的醫療條件，讓大家健康快樂地活到100歲。

我舉一個醫療領域的例子——病理切片的解讀，這在中國是一個特別大的挑戰。中國每10萬人口中只有不到兩位病理醫生，美國每10萬人中有超過50位病理醫生，日本每10萬人中也有超過10位病理醫生。也就是說，中國的病理醫生非常缺乏。我們再看病理醫生要做哪些工作：假如一個人不幸患了肺腫瘤，病理醫生要把他的切片切成二三十片，然後仔細觀察其中哪一類是病變的，是什麼樣的病變，A、B、C型別病變的百分比各是多少。這個工作很耗時間，另外，訓練這樣的專業人才也很困難。假如我們可以用電腦輔助醫生做這些工作，是不是可以讓他們更加高效？

所以我們提出了機器學習，這就帶出了我的下一個話題——弱監督學習。為什麼要提弱監督學習？面對一個病理切片，我們通常有三個目標——分類、切割或聚類。病理圖片通常很大，一張病理圖片可以達到5萬X5萬畫素，甚至更大。訓練模型有三種方法：一是沒有標籤的訓練，這對病理圖片來說很難；二是弱標籤訓練，即利用相對簡單的標籤學習；三是帶詳細標籤的訓練，比如剛才提到的肺腫瘤的例子，你需要標註每一個腫瘤組織的情況。

下面給大家展示兩張圖片，看看人類是如何學習的。

我給幾位醫生看過這兩張圖片，他們很快就發現了其中的差別：上面這張圖片中有兩種魚，除了橘色的小丑魚，還有一種黑白相間的魚；下面這樣圖片則只有小丑魚。使用弱監督學習的時候，只要告訴系統這兩張圖片有差別，不需要說明差別在哪，讓他自己學習就好了。這樣一來，標註的工作就少了很多。

回到病理切片的例子，下面這張圖片中既有癌細胞又有正常細胞：上面的是癌細胞，下面的是正常細胞。就像前面講的，我們只需要提供這兩類圖片，無需勾畫所有癌細胞和正常細胞的邊界，系統就能學習。這樣的好處在於：中國的病理醫生很缺乏，讓他們標這些影象的邊界是非常大的工作量而且也很難。現在只需要標出有沒有癌細胞，就相對容易多了。弱監督學習的優勢就在於在減少標註工作量的情況下，更充分、有效地利用資料。

這種弱監督學習的方法我們從2012年就開始使用了，當時還沒有深度學習。下面介紹一項新的研究成果——把弱監督學習和深度學習結合在一起。大家如果感興趣，可以查閱我們去年11月發表的論文。

這個方法的基本概念是訓練兩個分類器，上面是正常細胞，下面是有癌細胞。我們希望自動訓練分類器，讓它在畫素級別告訴我們一個細胞到底是癌細胞還是正常細胞。我們統計出圖片中的細胞有癌還是無癌後，再把它放到下圖中的訓練方程式裡。

下面是一張比較完整的架構圖，我們不僅分了好幾層，還用到了Area Constraints。

如果光用剛才講的分類的方法，不管一張圖片中有10%的面積是癌細胞，還是60%的面積是癌細胞，它訓練的評價模式是一樣的。所以它傾向於把越來越多的細胞當成癌細胞。我們想，能不能繼續減少標註量，同時還能得到更好的效果？於是我們加入了Area Constraints。醫生只需要估計裡面到底有10%、20%還是30%的面積是癌細胞就可以了，而不用標出癌細胞在哪，這又減輕了工作量。我們讓兩位醫生標註，如果標註結果不統一，再請第三位醫生來看哪個標註結果是正確的。

下圖中的資料庫是我們微軟亞洲研究院和浙大合作的，用一些大腸癌的圖片訓練，訓練資料約有600張，測試資料有兩百張左右。

我們用這個方法實驗，來看一下結果。下圖中紅色標註的是弱監督學習的結果，它的指標與人工判別的情況差不多，跟大量標註訓練的結果也差不多。我們希望透過這種方法，用更多資料來訓練——原來只有一兩百張，現在可以用幾千張——同時大幅降低資料標註的成本。

下圖也展示了我們的成果：第二列是醫生標註的結果，最右邊一列是我們系統標出來的結果。可以發現，只要有癌細胞的地方，系統基本都找出來了。這是我們2012年還沒有用深度學習時達到的效果，這五年裡又取得了很多進步。

下圖中我們改變了訓練的資料量，從20%-100%，資料越多，效果就越好。

下圖是我們加入Area Constraints前後的對比。加入Area Constraints之前，系統把大部分細胞當成了癌細胞，加入之後它把所有正常細胞和癌細胞進行了區分。

簡單總結一下：我們希望透過端到端的深度學習方法培育這個系統，幫助在標籤有限的情況下，進行醫學影像的處理、分類和切割。這種方法除了前面提到的大腸癌，在很多其他領域也可以用到，比如肺癌、宮頸癌等。因為它們面對的是同樣的問題，有很多資料需要標註。如果能減少標註時間，就能利用更多的資料。

除此以外，比如我們和比爾蓋茨基金會合作的瘧疾方面的應用。瘧疾現在仍是全球的一個大問題，每年有七八十萬人——相當於每天有近2000人死於瘧疾。大家或許感覺不到，因為瘧疾主要發生在欠發達地區。

比爾蓋茨基金會和一家廠商合作，開發了一款很小的裝置，它可以自動掃描玻璃膜片，在窮鄉僻壤幫助診斷瘧疾。醫務人員只需要抽血做膜片就可以了，不必從膜片中找紅血球和瘧疾細菌侵入的樣本。這個系統可以自動掃描出有多少紅血球被瘧疾細菌侵入了，統計瘧疾細菌侵入的密度，密度越高表示病情越嚴重。長期治療中，我們可以用這種方法觀察密度的變化。如果膜片有很多層，系統還可以自動對焦，看哪個是最準的。

下面列舉了一些案例。圖中紅色部分是被瘧疾侵入的細胞，用肉眼很難看出來。每天要看這麼多膜片，統計被入侵紅血球的數量，是一項非常繁瑣的工作。這項工作需要專家來做，但在非洲和拉丁美洲的偏遠農村，根本不可能找到這方面的專家。所以我們希望透過這種方法，讓電腦自動完成這些工作。

再看一個腦腫瘤病理切片分析的例子，腦腫瘤病理切片分析也是一項龐大的工作。一個腫瘤被切除後，需要知道切片中的腫瘤屬於哪一類，這決定了你的預後處理方式，是觀察、化療，還是放射性治療。病理醫生需要看切片然後給出建議，這中間存在著兩大挑戰——分類和切割。

一般病理圖片非常大，2014年已經有了深度學習系統，我們當時決定，不管分類還是切割都用深度學習的方法來做。深度學習不需要涉及特徵，而是透過機器學習的方法學習特徵。我們用到的是遷移學習的方法，也就是說，特徵不是在病理切片等醫學影像上訓練，而是在ImageNet上訓練出來的。雖然如此，這個神經網路還是可以抽取病理影象的資訊，把它送入分類器並分析出來。

下圖是我們2014年用這種方法獲得的結果，不管在分類還是切割上都排名第一。當時深度學習剛剛出來，我們在這個課題第一次使用了深度學習，而後面幾名都沒用，可見當時深度學習的效果。

作為一家平臺公司，微軟需要跟不同領域的專家和企業合作，才能更大程度地發揮人工智慧等前沿技術的價值。

下圖介紹了我們和英國劍橋醫院的醫生合作的一個關於影象分割的專案。假如一個腦腫瘤患者要做放射性治療，第一步要把腫瘤分割出來，甚至還要標出一些正常部位，比如管視覺或聽覺的部位。透過這種方法讓放射性治療更精準，避免誤傷其他細胞。

我曾經問做放射性治療的醫生，做這件事情要花多長時間。他回答說，這件工作挺複雜的，可能需要30分鐘左右。我又問，如果病人是你的母親，你會花多長時間。他回答說，這種情況可能要花三個小時。大家都是人，為什麼會有這種差別？這表明，很多情況下醫生無法花那麼長時間細緻地做這件事。所以，我們希望利用人工智慧和機器學習，幫助醫生更高效地完成工作。

再看一個微軟與印度合作的案例。我們和印度一家做眼底裝置的企業合作，檢測視網膜上的糖網病變，做早期篩查，評估病變的嚴重程度。目前全世界有超過20個國家在使用這家企業的裝置，治癒了超過20萬名病患。美國FDA不久前剛剛批准了這類應用。我相信國內也有很多合作伙伴在做這類事情。我的看法是，這種技術多多益善。

我們還和印度另一家機構合作，分析病人是不是有近視，會不會轉化成嚴重近視，以及是否會出現視網膜脫落等。這家機構有很多小孩子在不同年紀拍攝的眼底照片。我們基於這些照片進行機器學習，用演算法檢測他的眼部疾病是否會繼續惡化。

除了醫學影像之外，還有沒有別的利用人工智慧改善醫療的機會？我這裡也有一些案例。

美國每年有38000人死於交通事故，很多交通意外是由人為因素導致的，所以大家對自動駕駛充滿熱情。如果我們能用自動駕駛減少這些人為因素，即使只減少一半，在美國每年也能挽救近2萬人的生命，是對社會的巨大貢獻。

美國約翰霍普金斯的一個團隊做過調查，美國醫院裡每年有近26萬人因為醫療意外（包括交叉感染、意外跌倒等）死亡，是除心腦血管疾病和癌症之外的第三大死因，致死人數是車禍的近6倍。如果我們能用技術減少這種錯誤，對社會也是巨大的貢獻。

這方面我們也有一些案例。比如，微軟跟巴西一家醫院合作，透過影片分析病人在病床上的行為。如果病人在床上，但是安全柵欄沒拉起來，系統就會發出警報，提醒護士檢視。這裡又要提到弱監督學習，因為影片的資料量非常大，如果每一幀都要標註，工作量十分龐大。採用弱監督學習的方法，只要看到病人有沒有下床就可以了，不用每一幀都標註。

未來，在醫院的複雜環境中，可以透過計算機視覺判斷更多情況，比如一個剛剛做完手術的病人是否走得太遠了，需不需要人去接他等。透過這種方法可以減少醫療意外。

最後快速總結一下：有人開玩笑說，所謂的人工智慧是靠大量人工實現少量的智慧，比如做圖片識別，需要先找大量人對影象進行標註。醫療影像的標註需要專業知識，甚至需要幾位專家商量後才能決定怎麼標，很難找到這麼多標註人員，標註成本也很高。

所以我們希望透過弱監督學習的方法提高可被使用的資料量，充分發揮機器學習的能力，構建更復雜和精確的模型。（微軟亞洲研究院）

人工智慧醫療往以下幾個方面發展比較好：

1.手術機器人：手術機器人擁有高解析度3D立體視覺，在很狹小的空間內提供超越人類的視覺體系，提高了手術的精度。

2.疾病檢測和診斷：人工智慧在輔助醫生在疾病檢測和診斷中發揮積極的作用，提高了疾病檢測和診斷。

3.人工智慧服務：機器人護士，未來也是趨勢，解決醫院護士資源緊張的局面。

4.人工智接待病人：人工智慧客服安排預約和登記時間，語音識別，對接病人。

5.人工智慧藥物研發：新藥的研發是一個耗時耗材且失敗率高的工程，人工智慧能解決這一問題。

總之，人工智慧醫療可發展的方向很多。

工智慧在醫療方面的運用，最終的結果是任何器官上的疾病都是可以解決的，未來人的疾病來自於精神方面，就是人工智慧無法解決的

人工智慧（Artificial Intelligence，AI）其實分三類：

·弱人工智慧（Artificial Narrow Intelligence ，ANI）：擅長於某一方面的人工智慧，比如大名鼎鼎的阿爾法圍棋（AlphaGo）；

·強人工智慧（Artificial General Intelligence ，AGI）：在各方面相當於人類；

·超人工智慧（Artificial Super Intelligence ，ASI）：各方面都比人類強。

從《星球大戰》延續到《西部世界》，直接拉高了我們對後兩類AI 的期待與恐懼。

具體到醫學領域，人工智慧目前在診斷硬體、資料採集、輔助診斷、監測反饋、教學培訓、精準醫療等方面。

跟各位分享一下阿里巴巴達摩院AI中心醫療健康實驗室釋出的《人工智慧在醫療場景中的應用分享》

聚焦四大人工智慧應用場景。以政策驅動“新技術”，結合當前廣大醫療產業現狀，我們認為，應當聚焦四大人工智慧應用場景：

1.人工智慧+醫學影像；

2.人工智慧+醫院管理；

3.人工智慧+疾病診斷和預測；

4.人工智慧+醫學研究；

現在在醫療領域的AI，可以從兩方面來劃分出基礎研究工作：A. 醫療影象；B. 醫療文字（電子病歷、離散資料、biomedical texts）。

基於醫療AI的基礎研究工作的進行，後續的談論才會涉及到“智慧醫療”、“精準醫學研究”之類的泡沫詞。

作為一名科技工作者，我來回答一下這個問題。

首先，從當前人工智慧的發展趨勢來看，人工智慧與醫療領域的結合有非常大的想象空間，相關領域也正在成為一個創新、創業的熱點領域。目前在醫療領域也確實有一些人工智慧產品實現了落地應用，而且在5G通訊的支撐下，未來會有更多的人工智慧產品在醫療領域開始應用。

人工智慧與醫療領域的結合將帶來以下三方面優勢：

第一：提升醫療水平。人工智慧產品在醫療領域的應用能夠全面提升醫療診治水平，尤其對於醫療資源比較匱乏的地區來說，更是如此。對於醫生來說，人工智慧產品的應用也會降低醫生的工作難度，很多高難度的診療活動都可以藉助於人工智慧產品來完成。

第二：提升醫療能力。當前醫療領域的整體醫療能力還存在一定的不足，尤其在應對大規模疫情的情況下更是如此，比如新冠肺炎疫情對於全球的醫療能力都提出了重大的挑戰。藉助於人工智慧產品，醫療領域的整體醫療能力會有較大程度的提升，在面對大規模疫情時也會更從容。

第三：降低醫療成本。當前整體的醫療成本還是比較高的，藉助於人工智慧產品不僅能夠提升醫療系統的醫療能力，同時也會在一定程度上降低醫療成本，這會讓更多人有能力享受到更豐富的醫療資源服務。

從當前人工智慧技術與醫療領域的結合情況來看，人工智慧產品目前主要的作用是輔助醫生開展各種診療服務，未來一些基礎的診療活動也可以採用智慧體來完成，從而提升診療效率。

近年來，在數字經濟不斷推進的大背景下，人工智慧發展迅速，並與多種應用場景深度融合，逐漸成為推動經濟創新發展的重要技術，醫療作為社會經濟和人民生活最密切的場景之一，人工智慧與醫療應用場景之間的聯絡愈發緊密，人工智慧醫療越來越受重視。目前，我國人工智慧醫療處於成長期，投融資市場發展迅速，專案以A輪和天使輪為主。醫療機器人作為人工智慧醫療主要細分應用領域之一，2019年市場規模達43.2億元，其中康復機器人、手術機器人、輔助機器人和醫療服務機器人佔比分別為47%、17%、23%和13%。

政策“自上而下”持續傳導發酵，重點發展診斷輔助和疾病預防

我國人工智慧醫療政策的發展呈現出“由上到下”的特點，即從國家宏觀層面出臺指導性檔案和發展規劃，為人工智慧研發和應用提出指導路線，各地政府根據中央指導意見出臺相關執行檔案，在工信部印發的《促進新一代人工智慧產業發展三年行動計劃(2018-2020年)》中提出在醫療影像、智慧服務機器人等細分行業的發展目標，明確發展方向。由於人工智慧發展水平的限制，我國目前人工智慧醫療的重點發展方向與國外基本一致，集中於診斷輔助和疾病預防等方面。

行業處於成長期，資本熱度高

近年來，我國人工智慧醫療領域投融資專案數量增長較快，熱度提升明顯，且大部分企業融資輪次較為靠前，整個行業處於成長期。根據鯨準資料庫，截至2020年6月30日，共收錄349個人工智慧醫療相關專案。其中，A輪專案126個，天使輪專案103個，B輪和C輪專案共50個，而E輪及以後的專案共2個。

從投資案例看，2012-2020年上半年，我國人工智慧醫療領域股權投資熱度呈現先增後降趨勢，其中股權投資熱度較高的年份為2016年、2017年和2018年。2019年，受到資本寒冬影響，人工智慧醫療領域投資熱度有所回落，投資案例數下滑至52起，投資金額為15.46億元。2020年上半年，由於新冠疫情的影響，投資案例數量依然處於低位，未有明顯回升，上半年投資數量為14起，投資金額為9.17億元。

人工智慧+醫療機器人發展迅速，康復機器人佔比最高

醫療機器人為人工智慧醫療主要應用場景之一。隨著人口老齡化加劇，醫療機器人的應用需求逐漸增加，多種不同功能的醫療機器人均已得到應用。從市場規模來看，當前我國醫療機器人裝機分佈主要集中在三級甲等綜合性醫院及部分公立醫院，市場普及率處在較低水平，市場規模僅佔全球醫療機器人市場規模的5%左右。根據中國電子學會的統計，2019年我國服務機器人市場規模約為153億元，其中醫療機器人43.2億元，佔服務機器人市場規模的28.2%。

根據國際機器人聯合會(IFR)分類，醫療機器人具體可分為手術機器人、康復機器人、輔助機器人以及醫療服務機器人四大類。從市場結構來看，2019年康復機器人佔比最高，為47%;手術機器人佔比為17%;輔助機器人佔比為23%;醫療服務機器人佔比為13%。