图片来源@视觉中国

文|石岛

医疗行业一直被认为是AI应用的最佳场景之一。在上一波AI医疗中，人工智能的应用主要集中在影像领域。那么，在这一波AIGC中，AI医疗是否迎来了新的突破？

最近，红杉资本发布了一份名为《医疗保健中的生殖AI》的报告。其中提到，目前AI可以很好地处理患者交互、文档记录、预授权、编码和收入周期管理，比如自动将医患之间的对话转换为电子病历并编码。红杉资本认为，目前的AI已经开始渗透到医疗行业的很多方面，从而大大提高医疗领域的效率和质量，降低成本和人力。

那么，除了处理这些非结构化数据，医疗行业的“卡脖子”领域——医疗诊断，能否在这波人工智能浪潮中获得新的解决方案？有什么困难？最近，《华尔街日报》发表了一篇文章《AI能帮助医生提出更好的诊断吗？给出了一些答案。文章的作者是劳拉·兰德罗(Laura Landro)，她专注于医学和健康领域的写作，并出版了《幸存者:控制你与癌症的斗争》等书。石岛对原文内容进行了删节和补充，以下为正文。

准确性永远是第一痛点，AI无法取代医生的经验。虽然生成性AI可以提出诊断建议，并提醒医生患者病情的可能趋势。但在临床实践中，医生除了一份冷冰冰的体检报告，还要与患者进行面对面的交流，通过听、听、建立联系、取得信任，从细微之处察觉患者病情的起因和发展，调查不合逻辑的事实。

比如在肥胖门诊，很多患者会隐藏自己真实的食欲。医生可以通过提问，推断出患者的实际饮食和运动情况，从而给出合理的治疗方案。但如果把这些“躺着的病人”交给AI，它很可能会陷入无序。

第二，AI会“捏造”诊断。如果说ChatGPT的自创引用勉强可爱，那么当它开始自创诊断的时候就很可怕了。

英国的一项研究发现，聊天AI漏掉重要诊断的概率高达60%，而这些诊断往往会危及生命，这也是每一个有经验的临床医生最关心的问题。

显然，大部分患者也对艾医生持怀疑态度。在一项针对美国成年人的调查中，66%的女性和54%的男性对AI提供的医疗服务没有信心。

来源:皮尤研究中心，2022年12月12日至18日进行的调查

解决数据问题=解决一半以上的难题为了防止诊断中的错误，一些基于特定任务开发的模型被应用于医学领域。

例如，梅奥诊所设计了一种可以检测心房颤动(AFib)迹象的算法，医生只需点击嵌入梅奥电子健康记录中的AI仪表盘，就可以查看所有接受心电图检查的患者的情况。

哈佛大学和麻省理工学院的联合研究发现，AI在胸部x光检查中的表现比66%知道患者病史的放射科医生更准确。

这两个模型有助于评估风险，帮助医生进行下一步的检查和治疗。但它们只能执行训练数据集和标签预定义的任务，无法完成临床实践中的其他任务，灵活性较差。

然后，AI诊断的重担就落在了更灵活的大模型身上。他们能胜任吗？

虽然，在大模型下，AI诊断不再只是给出简单的结果，它也可以像专家一样与医生进行深入的讨论；大模型带来的人机自然语言无障碍交互，也可以调动多种能力，在多场景下解决问题。

然而，正如上面提到的第二个例子，大模型的“编东西”能力是其在医疗领域应用的一大绊脚石。

但这个问题并不是不可解决的。

首先，技术进步可以大大改善现状。

就像第一次工业革命时期，世界上第一辆火车跑不过马车，唱大模型医学诊断还为时过早。

例如，斯坦福大学的研究人员发现，GPT-4在回答一些临床推理问题时击败了大二的医科学生。它不仅比GPT-3.5精确得多，而且甚至不会认真地胡说八道。OpenAI表示，虽然GPT-4比GPT-3.5产生事实内容的可能性高40%，但要进一步减少“幻觉”的发生，还有很多工作要做。虽然我们不知道该怎么办，但至少事情会变好。

其次，解决了数据问题就能解决一半以上的问题。

模型的质量取决于人类喂给它的数据。这些数据依赖于人的反馈结果，可能带有很强的主观色彩，不客观准确。当“不够好”的数据充斥其中时，人工智能模型所依赖的良性循环模式(飞轮效应)就发挥不出来了。

一方面，大而多样的医疗数据集很难获得。目前，我国大部分医疗数据存储在各级医疗机构，业务系统相对独立，数据难以共享，存在明显的“数据孤岛”现象。

目前国内AI模型训练所需的医疗数据，大部分是通过企业与医院签订R&D协议获得的。在实际操作中，会有专门的模块对数据进行清理，只保留必要的数据。在数据采集和模型建立的过程中，医院和企业需要做好物理隔离，做到数据不排出，模型排出。

另一方面，大量的训练数据集意味着高成本。这也提出了一个新的挑战:数据集模型有多大？但实际情况可能是，采集医疗数据的需求取决于医疗的实际应用，甚至无法对数据需求做出准确的估计。比如对于癌症的诊断，需要由影像科、病理科、肿瘤科医生组成的多学科专家组进行联合判断，确保患者得到准确的诊断。而这样的诊断交给AI模型，输出应该如何验证？

此外，虽然国内也出现了一些AI医生，比如阿里健康的AI医生号称可以在1.5秒内给出90%的准确诊断；百度的AI医生可以识别900多种常见病，但恐怕没有患者会拿自己的诊断和大医院的专家的诊断做比较，这就说明了当下最大的问题——你真的相信AI医疗诊断吗？

哪些曲目最有胜算？综上所述，在人工智能的新浪潮下，医疗诊断的AI解决方案仍然具有挑战性，有很大的想象空间。那么，在AI医疗的其他赛道中，有哪些机会可以立刻被企业抓住？

从市场需求和规模来看，国内AI医学影像和AI药物研发仍是主要的增长突破口。换句话说，属于最后一波AI医疗的任务还没有完成。

医学影像科在医院发展中起着重要的作用。目前，影像数据占医疗数据的90%，年增长率超过30%。影像报告占所有诊断信息的70%；影像科收入占医院收入的25%以上。

根据Global Market Insights的数据，全球AI医疗影像市场占医疗AI市场的25%，是仅次于AI制药的第二大细分市场。对于国内医疗行业来说，我国医学影像数据年增长率高达30%，但影像科医生年增长率仅为4%。考虑到医生的培养周期较长，AI影像医疗的发展可以有效缓解医疗人才的短缺，市场仍有很大的增长潜力。

在AI药物研发方面，AI可以有效解决新药研发成本高、效率低、风险大的问题。2020年，中国新药R&D产业市场规模为1.2万亿元，但新药R&D的成功率仅为11.3%，即使进入临床三期，成功率也只有53.4%，临床阶段的整体费用占70%。

这说明新药的研发需要投入巨额的资金和时间，但是收益和风险都很不确定。通过人工智能的认知能力，加速靶点发现、化合物筛选和药物设计，可以有效提高新药的成功率和质量。

例如，2021年，中国AI制药公司石英智能与浙江大学合作，利用自主研发的AI平台优化设计了抗癌药物PD-1抗体，并获得了美国FDA的临床试验许可。这一成果显示了AI技术在新药研发方面的潜力，也预示着其大规模增长的可能性。