騰訊的“移動互聯(lián)網(wǎng)+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(shù)當(dāng)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(xùn)，卻仍然值得此輪醫(yī)療創(chuàng)業(yè)者借鑒。
當(dāng)下，移動醫(yī)療從2015年下旬開始經(jīng)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(jīng)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(shù)字醫(yī)療這個詞了。這是一位從2014年就開始深入調(diào)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(wǎng)根據(jù)深入調(diào)查而出具的一份名為《互聯(lián)網(wǎng)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(shù)含量不高導(dǎo)致的創(chuàng)業(yè)同質(zhì)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(xùn)。
2016年中旬左右，幾乎像是一場足球比賽上下場的轉(zhuǎn)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(jìn)到2017年，你會發(fā)現(xiàn)在過去的9個月中，國內(nèi)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(yīng)用場景。
當(dāng)然，與曾經(jīng)同質(zhì)化嚴(yán)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(jìn)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(nèi)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(shù)與研發(fā)當(dāng)仁不讓成為公司宣傳的核心；而資本方也難得進(jìn)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(lǐng)域，只有拼技術(shù)就夠了？移動醫(yī)療曾經(jīng)經(jīng)歷的那一場暴風(fēng)雪，是否也有相似的教訓(xùn)值得當(dāng)下借鑒？
VoxelCloud（體素科技），算是最近一頭扎入這個領(lǐng)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(lǐng)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(shù)額與融資頻率應(yīng)該會讓當(dāng)下一眾同類型的創(chuàng)業(yè)公司十分眼紅。
當(dāng)然，盡管騰訊有自己醫(yī)療布局的考慮在內(nèi)（剛剛推出一款醫(yī)療影像產(chǎn)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(chǎn)品，以后還會有更多創(chuàng)新性應(yīng)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(jǐn)慎的，甚至承認(rèn)現(xiàn)在的技術(shù)和硬件并不天然滿足醫(yī)療應(yīng)用級產(chǎn)品的研發(fā)，需要通過大量另辟蹊徑實現(xiàn)。
我們有技術(shù)，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(jīng)犯過的錯誤。
只談學(xué)術(shù)，不談應(yīng)用，這不靠譜
借助先進(jìn)的人工智能技術(shù)，系統(tǒng)在短時間內(nèi)處理海量數(shù)據(jù)，并對病人做出愈加準(zhǔn)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(lǐng)域最負(fù)盛名的產(chǎn)品，卻遭到了無數(shù)醫(yī)生的質(zhì)疑與媒體的嘲諷。
可靠的技術(shù)，高質(zhì)量的數(shù)據(jù)，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(guān)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(shù)據(jù)過程中是否會遇到各種問題？給出的診斷結(jié)果是否會參考不同國別、人種的差異？
作為加州大學(xué)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(rèn)研發(fā)與應(yīng)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(shù)與樣品，其實很容易見光死。
這也是他為何通常在產(chǎn)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(xué)的是計算機視覺這一學(xué)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(zhuǎn)，我都見過。我覺得，做醫(yī)療產(chǎn)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(xué)習(xí)技術(shù)融合。
另外在臨床實驗過程中，對某一項任務(wù)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(xì)節(jié)的問題。
你不走進(jìn)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(jìn)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(zhǔn)的，或者是被醫(yī)生認(rèn)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(yīng)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(rèn)為，與醫(yī)生主觀印象做比對是一種錯誤的認(rèn)知，機器診斷結(jié)果，應(yīng)該在有條件的情況下，去對比該疾病的金標(biāo)準(zhǔn)檢查結(jié)果（GoldStandard）。
早期疾病的篩查在絕大多數(shù)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(jié)果下得到的只是初步意見，不能作為金標(biāo)準(zhǔn)來下定論。我們能夠保證的，是基于數(shù)據(jù)信息量，讓病癥在某一階段的診斷準(zhǔn)確率無限接近金標(biāo)準(zhǔn)。
當(dāng)然，如果出現(xiàn)某一特殊病癥沒有現(xiàn)有的金標(biāo)準(zhǔn)可以參考，也同時為了保證診斷結(jié)果的客觀性，我們會請權(quán)威醫(yī)療專家，把他們分成4~5組，分別獨立去做一批數(shù)據(jù)診斷，對數(shù)據(jù)做質(zhì)控標(biāo)記。
這就相當(dāng)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(nèi)。
實際上，一些市場中現(xiàn)有計算機輔助診斷系統(tǒng)出現(xiàn)的問題，在某種程度上也被丁曉偉認(rèn)為是AI醫(yī)療產(chǎn)品之間存在的目標(biāo)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(jié)果，而有些產(chǎn)品是既給出診斷結(jié)果，也會改進(jìn)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(chǎn)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(yīng)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(jìn)一步的但代價更大的醫(yī)學(xué)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(rèn)知中，一件成功的醫(yī)療診斷產(chǎn)品，不僅會學(xué)習(xí)海量的數(shù)據(jù)，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(wù)都學(xué)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(shè)想與GoogleDeepmind團(tuán)隊一邊做糖網(wǎng)病篩查診斷系統(tǒng)，一邊研發(fā)醫(yī)務(wù)支持與任務(wù)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(jié)果的準(zhǔn)確率。這不是一個單純拼技術(shù)水平高低的問題，而是誰能在現(xiàn)實診療過程中更有風(fēng)險控制的能力。
但是，無論通過什么手段來保證診斷的準(zhǔn)確率與提升醫(yī)生的滿意度，丁曉偉也承認(rèn)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(shè)立研發(fā)中心，與美中兩國醫(yī)療機構(gòu)同時進(jìn)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(xué)中心，UCLA醫(yī)學(xué)中心的關(guān)系也非常好，項目都是一起合作的。在國內(nèi)，雖然合作醫(yī)院需要取得授權(quán)才可以透露名字，但已經(jīng)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(shù)據(jù)會有地域差異。國內(nèi)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(jié)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(shù)據(jù)是否是核心競爭力？
好算法雖然是價值千金，但是好數(shù)據(jù)卻更是千金難買。
風(fēng)投機構(gòu)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(shù)據(jù)。
而美國癌癥中心MDAnderson的一位負(fù)責(zé)人也認(rèn)為，只有在擁有上萬患者數(shù)據(jù)的前提下，才能初步找到針對性治療模式：
從各種患者數(shù)據(jù)中找到不同的特征很關(guān)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(xiàn)有數(shù)據(jù)集，上述愿景是無法實現(xiàn)的。你可能只有1萬個肺癌患者數(shù)據(jù)，但其實這個數(shù)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(xiàn)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(shù)據(jù)。
很簡單，醫(yī)療數(shù)據(jù)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(xùn)練，不斷地收集與咀嚼道路數(shù)據(jù)，才能繪制出更高精的地圖，逼近更高的安全數(shù)值。
同理，人體的復(fù)雜性更是不必多說。這也是為何IBM的數(shù)據(jù)工程師與醫(yī)生們耗費了六年之久，才僅僅讓W(xué)atson學(xué)習(xí)了7種癌癥；而科技巨頭與這個領(lǐng)域內(nèi)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(jìn)行摸索學(xué)習(xí)。
丁曉偉也認(rèn)同這個觀點。他認(rèn)為，目前這個市場，大多數(shù)公司都在做肺癌、糖網(wǎng)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(shù)據(jù)比較容易能拿到，包括網(wǎng)絡(luò)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(shù)AI醫(yī)療公司研究最多的4種病癥：肺癌、糖網(wǎng)病、冠心病、肝病
根據(jù)知名醫(yī)療媒體mobihealthnews的一份調(diào)查，在醫(yī)療領(lǐng)域，數(shù)據(jù)的收集形式其實很豐富，包含臨床實驗、醫(yī)生報告、醫(yī)學(xué)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(zhì)數(shù)據(jù)，特別是干凈的患者數(shù)據(jù)，對于所有該領(lǐng)域的公司來說，是更為至關(guān)重要的。
不管是研究項目、還是產(chǎn)品項目，模型的能力是不可能超出收集數(shù)據(jù)的質(zhì)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(shù)活檢，或者穿透活檢的病例結(jié)果，然后把這個結(jié)果作為金標(biāo)準(zhǔn)用于目前的訓(xùn)練。
但問題在于，在一家醫(yī)院里，有活檢病人的數(shù)量是遠(yuǎn)少于沒有活檢病人數(shù)量的。丁曉偉這樣解釋高質(zhì)量數(shù)據(jù)的重要性。
換句話說，要保證有持續(xù)的高質(zhì)量數(shù)據(jù)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(gòu)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(biāo)準(zhǔn)。