近年来，资本扎堆医疗AI。自2014年以来，国内医疗AI企业数量进入高速增长期，2016年已经达到36家之多，到2018年这个数字已经超过50。而近距离观察这些企业，我们发现“医疗＋AI”构想虽多，技术层面也不断有产品推出，应用场景的国内商业落地却少之又少。
4月17日，动脉网“医疗AI商业化落地”系列文章《希氏异构与华西医院深度合作，走出了一套自己的模式》报道了希氏异构深耕华西医院，探索其商业化落地之的案例。
正如希氏异构创始人兼CEO宋捷所讲，国内医疗AI商业落地面临诸多瓶颈，诸如条块分割的“科室＋AI”模式无法形成合力去触发真正的变革、数据采集法律壁垒过高致无法达到“量”的需求、技术商硬件研发能力弱无法将技术为最终产品等难题。这无疑制约了人工智能技术对于改善医疗行业痼疾发挥实质作用。
那么如何破解这些难题呢？国内AI企业做了许多尝试，动脉网一直在进行报道。现在让我们换一种思，将视角转向美国的大医院，看看他们是如何应用AI的。一百多年以来，美国一直能够快速将创新迭代到现实场景中，成为技术变革最大的受益者。
为了帮助患者缩小就医检索范围，《美国新闻与世界报道》每年会公布“最佳医院荣誉榜”。在本文中，我们选择了2017－2018年度榜单排名前五的大医院，分别是梅奥诊所、克利夫兰诊所、麻省总医院、约翰霍普金斯医院和UCLA医疗中心。
梅奥诊所位于美国明苏尼达州罗切斯特，是世界最著名的医疗机构之一。梅奥诊所创立与1889年，目前已经成为全面的医疗保健系统，包括门诊、医院、医学研究及医疗教育机构等。
2017年1月，梅奥诊所个性化医疗中心宣布与Tempus合作，双方将基于分析和机器学习技术为癌症患者提供个性化治疗。
梅奥诊所与Tempus计划合作开展两项研究。Tempus对梅奥诊所的1000名患者进行测序和分析，从而获得可以临床级肿瘤测序的基因组结果。随后，Tempus运用生物信息学分析和机器学习工具将这些基因组结果生成可供梅奥诊所研究团队直接使用的数据。梅奥诊所可以运用这些数据为患者制定个性化的癌症治疗方案，让他们尽量避免被采用无效药物，从而减少不必要的药物毒性。梅奥诊所认为，最为重要的是个性化的癌症治疗将提高患者存活率，改善患者生活质量。
Tempus CEO埃里克莱夫科夫斯基指出，过去二十年来，科技取得了令人难以置信的进步，但尚未完全渗透到医疗系统中。“我们很高兴能将Tempus的操作系统和分析技术带到梅奥诊所，为医生和患者的癌症战争带来益处。”
Tempus是一家专注于使用机器学习平台开发个性化癌症护理的健康科技初创公司。Tempus创建了数据管道，用于收集和分析海量数据，以及管道动力软件应用程序，用以协助临床决策支持和学术研究。Tempus还拥有自己的CLIA认验室，目前每年有超过50000名患者。成立至今三年，Tempus始终贯彻公司的：从癌症患者身上积累海量的基因组和临床数据，以便医生使用这些信息来更好地进行个性化治疗。
此外，2017年3月，梅奥诊所与医疗设备制造商Omron Healthcare一起完成了对心脏健康创业企业AliveCor的D轮投资，投资总额3000万美元，动脉网曾对此进行过报道。（详见《获欧姆龙、梅约诊所投资3000万美元！智能心电图企业AliveCor正推出新一代AI面板》）。
2017年7月，梅奥诊所与AliveCor合作将AliveCor的AI技术与梅奥诊所的专利算法相结合开发帮助医疗和非医疗人员轻松地筛选长QT综合征的工具。长QT是一种先天的获得性疾病，每年导致三千至四千名美国儿童和年轻人猝死，美国有16万人属于这种疾病高危人群。
通过这次合作，Kardia Mobile设备将开发检测长QT综合征的新方法和新技术。AliveCor拥有人工智能专利技术、算法和数以百万计的心电图数据，梅奥诊所则拥有海量医疗数据数据和世界领先的临床专业知识，双方融合将使人们能够以前所未有的规模实践预防性医学，并提供以前无法获得的即时结果。患者能够更全面地了解他们的心脏健康状况，主动监测并创建心脏护理的新标准。心电图包含大量关于一个人整体健康状况的信息，并将机器学习应用于数百万条心电图记录，作为对传统心电图分析的重要改进。
AliveCor是一家智能手机心电图设备制造商，同时也是苹果手机的配套商之一。AliveCor的旗舰产品Kardia Mobile和升级产品Kardio Pro可以让患者随时采集自己的心电图，并将结果以邮件形式发送给医生，是第一个经过临床验证和FDA批准的心电图消费级产品。Kardio Pro是AliveCor运用人工智能的技术对Kardia Mobile进行了改进的产品，它以心电图资料为背景，可以追踪患者血压、体重、活动量情况，数据都被放到同一个面板中进行综合比较。通过机器学习，Kardio Pro系统把医生需要重点关注的患者圈出来，并标出没有问题、可以忽略的健康人群。
克里夫兰诊所位于美国，隶属于非营利性公司克利夫兰临床基金会，并由其经营。克里夫兰诊所创立于1921年，集合医疗、研究和教育三位一体，提供专业医疗和最新治疗方案的非营利性机构。克里夫兰诊所开创了医疗领域许多首例，例如首例冠状动脉造影、首例微创心脏瓣膜手术、首例fMRI引导的脑深部电刺激手术等。
2016年9月，克利夫兰诊所与微软合作，使用微软AI数字助理Cortana 进行预测性和高级分析，帮助克利夫兰诊所 “根据ICU护理确定潜在的心脏骤停高危患者”。
早在2014年，克利夫兰诊所就推出了自己的指挥中心eHospital，来实现对ICU中的患者进行夜间远程监测，与微软的合作让eHospital系统将Cortana整合其中，变得更加智能。此外，从eHospital系统收集的数据被存储在微软的Azure SQL数据库中，Azure SQL数据库是为应用程序开发人员设计的基于云的数据库。未来，数据收集点将拓展到患者生命体征和实验室数据。
根据微软2016年年度报告显示，Cortana每月用于1．26亿个Windows 10用户，是微软智能云部分的一部分。Cortana的功能包括设置备忘、无须用户提前录入预定义命令即可识别人类语言，以及从Bing搜索引擎上抓取信息从而回答问题。
麻省总医院是一所坐落于的综合型医院，是哈佛大学最大型的医学教育中心及生物医学研究，具有非常浓厚的研究气氛。麻省总医院创立于1811年，至今共有11名诺贝尔得主与麻省总医院有联系，他们曾在这里从事研究工作或者接受培训。
在2015年对麻省总医院在数字医疗领域发展布局进行过梳理（详见《告诉你麻省总医院的互联网那点事》）。截至发稿的2015年8月，麻省总医院尚未尝试将机器学习应用到现实场景中。
随后，在2016年4月NVIDIA宣布作为“创始技术合作伙伴”加入麻省总医院“临床数据科学中心”。当时NVIDIA已经开始了人工智能战略，而麻省总医院所设立的“临床数据科学中心”目标是成为利用医疗AI来改进检测、诊断、治疗和管理疾病。合作中，NVIDIA将NVIDIA DGX－1安装在麻省总医院，按照NVIDIA公司描述，NVIDIA DGX－1是一款“深度学习的超级计算机”GPU。
麻省总医院拥有一个包含约100亿张医学图像的数据库，利用数据库总的大量表型、遗传学和成像数据可以训练深层神经网络。运用人工智能，医生可以将患者的症状、测试和病史与大量其他患者的见解进行比较。最初，麻省总医院临床数据科学中心将重点放在放射科和病理学领域，这些领域拥有特别丰富的图像和数据，随后将扩展到基因组学和电子健康记录。
“我们现在有能力将放射学领域扩展到为人类解析提供可视化信息的主要功能之上，”麻省总医院放射学副兼中心执行主任Keith J． Dreyer在一份声明中说，“在精确医疗保健的指导下，我们正在进入生物统计量化的放射时代，我们的解析将通过从广大患者群体的诊断数据中学到的算法得到加强。没有GPU的处理能力，这是不可能的。”
约翰霍普金斯医院位于美国马里巴尔的摩，是一家大型综合医院，曾连续23年获评《美国新闻与世界报道》全美最佳医院。约翰霍普金斯医院创立于1889年，是约翰霍普金斯大学的教学与科研医院。
2016年3月，约翰霍普金斯医院宣布启动医院指挥中心，GE Healthcare Partners是其合作伙伴，负责指挥中心的设计和建造。该中心使用预测性分析来支持更高效的操作流程，从而提高病人护理管理效率。
指挥中心里分布着22台显示实时数据的器，场景类似于美国宇航局军事和太空作战设施的作战室，将最新的系统工程、预测分析和情境意识相结合。
指挥中心的工作人员有24名工作人员，都是从医院不同的现有部门中抽调的，他们负责集中管理病人从入院到出院的整个流程。平均而言，该中心每分钟约翰霍普金斯医院的从14个不同IT系统接收500条消息，生成实时数据。这些数据每30秒刷新一次，涵盖从床位可用性和手术室效率到病人状态和人员配置等所有内容，工作人员可以立即采取措施预防或解决瓶颈问题，减少患者等待时间，协调服务并降低风险。对采集数据进行分析，指挥中心还能够预测每层楼未来两天的入住情况及未来三天每天进出病人的具体预期数量。
指挥中心运行一段时间以来，在改善患者体验和操作结果方面取得了重大。根据约翰斯霍普金斯报告，其接受来自全国其他医院的复杂医疗状况患者的能力提高了60％、急诊科为患者病床速度提高了30％、手术后手术室转移延迟减少了70％、中午前病人数量出院增加21％。
UCLA医疗中心坐落于美国，创立于1955年，附属于大学，是一所教学医院性质的综合医院。
2017年3月，UCLA介入放射科医生利用人工智能创建了一个虚拟放射科医师（VIR），为非介入放射科医生提供临床决策支持。
VIR是使用IBM的沃森人工智能计算机自然语言处理技术创建的类似于在线客户服务的聊器人。IBM的沃森人工智能计算机为VIR提供了超过2000个示例数据点，以模拟常见的介入放射科医师接收咨询期间收到的数据。VIR计划使用“深度学习”，随着更多数据的输入，它变得更加智能。
VIR通过短信自动回复临床医生的问题，帮助其选择最佳的疗程。例如，它可以告诉提问者是否对患有特定过敏症的患者执行特定治疗。“这就像与人类放射科医生发短信一样，但它使用人工智能来自动响应。这是获取信息的最快捷方式，它是由医疗数据支持的非常精心策划的信息，所以结果是更好的患者护理，“UCLA放射学住院医师兼应用程序员Kevin Seals博士说。若查询的问题超过VIR自动处理能力，VIR将提供医院中的介入放射科医师联系信息，从而建立人与人直接联系。
基于机器学习的人工智能技术占据资本市场风口已经两年有余，参与者从最早资本端的私募、风投已经蔓延到产品端的大型实业企业，似乎验证了它作为一种未来趋势改变世界的能力。
一是，数据壁垒最小化。在美国，医院通常选择与强大的头部企业合作，例如克利夫兰诊所联手微软、麻省总医院联手NVIDIA、约翰霍普金斯医院联手GE、UCLA医疗中心联手IBM等，这些案例中的技术供应商都是技术领域老牌的企业。此外，一些头部技术企业选择在同一时期与多家医院合作，如GE。这种强强联合，甚至是网络化的强强联合，能够打破数据壁垒，使得医疗AI应用得以基于海量数据，确保机器学习具有准确的人工智能。而在国内，尽管一些技术供应商选择了医院作为突破口，但囿于有限的实力和法律障碍，医疗AI应用被局限在科室内部或者医院内部，产生的数据壁垒自不必说。
二是，应用场景前端化。一般来说，医疗AI应用细分领域分为疾病预测、医院管理、辅助诊疗、精准手术和健康管理。与国内医疗AI将重心放在辅助诊疗不同，美国大医院在医疗AI应用内场景方面侧重疾病预测（如克利夫兰诊所与微软合作、约翰霍普金斯与GE合作、UCLA医疗中心的VIR）和健康管理（如Mayo Clinic与AliveCor的合作）等前置位。医疗最终目的是健康，将医疗AI应用与健康链条更前端能够有效提高社会健康水平。
新技术的应用必然是探索、总结、再探索的过程，探索中的总结可以是向内的，也可以是向外的。未来，动脉网将持续关注国内外医疗AI商业落地的最新进展。
也可能你和他们都不同，有自己想发表的观点，这样的你都是我们在等的人，只要你准备好了，“与非网专栏作者”就会成为你的一个标签。你不再是普通的人“甲、乙、丙”，而是工程师和电子产业的发言人。
成功取决于行动力，赶紧将你的职场态度和行业观点进行整理、提专栏大纲吧，以“专栏作者+大纲名称”为主题，发送到：即可，或者你还有些疑惑想更多了解专栏作者的情况，也可以加小编的微信+详谈。
随着终端变得越来越智能，同时与云端相联，并且可以从数据和行为中进行学习，这所有的一切都着人工智能将成为驱动所有行业变革的关键。那么，作为一家移动通信公司，Qualcomm如何看待人工智能的演进？
2017年，中国汽车产销2901.54万辆和2887.89万辆，同比增长3.19%和3.04%。汽车数量的多年连续增加，也给汽车电子元器件供应商打了一针针强心剂。Gartner最新的报告也显示，目前汽车中含有的半导体价值从中低端车型的300美元到高端豪华车型的1000美元不等。在2018年第一季度中，赛普拉斯(Cypress)汽车电子营收
随着AI的发展，AI如今已渗透到很多行业，智能手机行业自然也不例外。记者注意到，从2017年下半年开始，绝大多数手机品牌厂商均提出了AI的概念和相关功能。比如，三星的AI助手Bixby、vivo X21中加入的Jovi AI助理、华为旗舰机搭载的麒麟970芯片及苹果的A11 Bionic神经引擎等。
作为全球手机芯片的霸主，高通拥有着移动生态领域最强的话语权，但到了人工智能时代，端与云的竞争拉扯愈发激烈，AI芯片王者的争夺也呈白热化的态势。
据外媒报道，由于化疗、放疗以及手术费用昂贵，还会造成免疫系统功能退化，而且还不适用于所用癌症患者，美国普渡大学的研究团队开发出了一种微创技术，可以帮助医生更好地发现和治疗癌细胞、组织和肿瘤，而不会对附近的健康细胞造成影响。
5月23日下午，大学第一医院创伤骨科手术室在进行一台特殊的手术。患者被诊断为骶骨H型骨折、脊柱骨盆分离、低位髋臼前柱骨折。手术中，一台手术机器人成为医生们的“新助手”。
据外媒报道，AI技术将提高医疗保健行业处理数据资料的进度，其应用与普及有望将医疗费用降低一半。
原国家卫生计生委副主任、中国卫生信息与健康医疗大数据学会会长金小桃曾提到，“国务院提出要把健康产业培育成我国国民经济重要支柱产业，如果按照P的15％计算，我国健康产业规模将达到数十万亿人民币。”在这个庞大的市场里，以AI为支点的数字健康经济将为中国健康产业腾飞贡献力量。
在当今的医疗设备中充满了日益复杂的电子设备，以此来完善设备在监测，显示，协助和患者的一系列功能。最新一代的医疗设备电子设备体积更小，结构更紧凑，却能塞进更多的监测仪器，随之而来的最大的设计难点就在于，如何能有效的降低电磁波对设备的干扰？”
网友评论 ()条 查看