AI健康走到十字路口

到2025年，AI应用市场总值将达1270亿美元，其中医疗行业占1/5——这是IDC的统计数据。巨大的蛋糕吸引着一众企业投身于此，就连老牌的互联网科技巨头也不例外，甚至步子也越发紧凑起来。

2019年3月，先是百度以2252万元入股东软医疗，加速AI技术与医疗行业的融合；随即，腾讯与飞利浦宣布达成合作，共同研发电子阴道镜AI辅诊系统；而阿里健康、支付宝联合武汉市中心医院打造的“未来医院”也正式上线……进击之心，不可谓不迫切。

这些动作，自然离不开政策方面的支持。2016年，国务院发布《关于促进医药产业健康发展的指导意见》，明确提出要大力开展智能医疗服务；2017年7月，《新一代人工智能发展规划的通知》印发，制定“到2020年人工智能总体技术和应用与世界先进水平同步”的目标，医疗健康领域也在其中。

政策红利的刺激下，大批“AI+医疗”模式的创业公司纷纷成立。火石创造HSMAP系统的统计数据显示，国内医疗人工智能企业自2014年开始出现一个增长的高峰，并在2016年上涨到36家的峰值，其中不乏深睿医疗、联影医疗、数坤科技等融资轮次靠后的明星企业。

不过，横向对比BAT与这批垂直布局的AI健康公司，我们还是能够发现前者思路上的差异。相较于初创企业选择单一的AI健康细分场景，百度注重数据，阿里更乐于搭建平台，而入局晚些的腾讯则忙着做链接。不论这是否意味属于互联网科技巨头的“收割时刻”即将到来，一头扎入这个领域的参赛者们，迈过AI健康“狂飙突进”的风口后，都不得不面临走到十字路口的“左顾右盼”。

“取代”与“赋能”之争

AI能给医疗健康带来什么？

正如2016年那场备受关注的人机围棋对战所掀起的讨论一样，随着AI的逐渐成熟与落地，医疗行业也经历过一番技术之于人力的争执。其中一派认为，随着医疗AI的发展，医生将被机器所取代。这种观点最为具象化的表现之一，就是近年一度为业内所见的“人机阅片”比赛。

“我们看到的相关宣传语，诸如‘看一张肺部CT，医生需要十几分钟，而AI影像诊断产品则只需要5秒钟……’，它们更多是把医生与人工智能技术对立起来。”天津大学医学科学与工程学院副院长何峰曾这样指出此类比赛的本质。

单从速度方面来看，AI确实具备人所难以比拟的优势。除去阅片的效率，或许更令人期待的地方在于，通过深度学习与模型的优化，AI能够迅速实现由无到有的相关医疗技能积累。不过，疾病与生命的复杂程度，远甚于一盘棋局。因此，更普遍的共识，则是AI赋能医疗一派：技术并非取代医生，而应该成为医生的左膀右臂，帮助其实现工作效率的提高与问题的解决。

根据国家卫健委发布《2018年我国卫生健康事业发展统计公报》，截至2018年底，全国3.16万个乡镇的卫生人员共计139.1万人，与上年相比人员仅增加3.1万人；全国54.2万个行政村的村卫生室人员共计144.1万人，与上年相比人员减少了1.4万人。从这个角度来说，我国医疗水平的地域分布尚不均衡。

另一方面，即使社会资本不断涌入民营医院、诊所等赛道，城市三甲公立医院还是大部分患者就医的首选。医保支付的差异，无疑是促成这一虹吸现象的重要因素。由于政策上的制约，现阶段民营医疗机构还难以做到医保支付的全面打通，想要与公立医院形成差异化竞争，发展的方向无外乎要回到中高端医疗的发展方向上来。

但需要指出的是，这种思路却在一定程度上偏离了“分级诊疗”与“强基层”的“医改”趋势。故而，AI、互联网、大数据等技术的出现，为缩小医疗资源的地域间差距提供了新的可能与路径。

“赋能”也好，“取代”也罢，二者背后都在试图回答一个共同的问题，即AI能给医疗健康带来什么？无可否认的是，医疗正从以疾病为核心的模式走向以患者为核心的模式，而这一转变的基础就离不开大数据与人工智能。换言之，AI为代表的技术，正逐渐成为医疗健康产业升级的新动力。

扎堆、退潮之后

“AI+健康”如何走向长路尽头？

“医学影像AI是投资相当火热的领域，该领域公司至少有一百多家。但很多时候，他们设备还在我们医院，公司却没了。”这是大连大学附属中山医院放射科副主任张清近来的感受，很多打着AI健康标签的产品，因为研发跟不上临床需求而沦为“无用之用”。

实际上，张清的观察并非个例。业内周知，AI的三大核心分别是算法、算力和数据。相对于其他应用场景，数据成了当前影响AI在医疗细分领域的布局关键。由于数据量大，多样性和真实性较好，医学影像成为各家企业一较高下的“红海”。另一厢，医学影像数据30%的增速远高于放射科医师约4%的年增长率，供需的不匹配意味着市场和机会越大。然而即使如此，在五年不到的时间里，这一行业便呈现出梯队甚大的局面。

资本从“狂热”逐渐恢复“冷静”，能够得到青睐的AI健康企业注定是少数派。《2019年中国人工智能市场研究报告》中，亿欧智库就曾指出，中国医疗人工智能已经进入“价值验证期”，核心体现在商业模式与监管注册之上。

那些在竞争中逐渐掉队以至于惨遭淘汰的AI健康企业，通病大都离不开算法仅停留在疾病的筛查阶段。而作为一个完整的健康闭环，筛查之后牵涉甚广。从患者的角度来看，他们不会因为纯粹的筛查或诊断获得价值，还必须将筛查到诊断、随访、观察、手术、愈后等环节打通，这样才能找到节省成本和商业变现的可能。

首都医科大学宣武医院的神经内科遗传代谢专业主任王朝东指出，AI健康需要更多的数据价值挖掘。“例如，我们确实可以通过数据训练得到一个AI模型，借助它来提高医生看片的速度。但如果片子对于疾病诊断并无指导意义，那么即使速度再快、精度再高，从治疗意义上说就毫无价值。”王朝东补充说。

而在监管层面，上海同仁医院院长马骏则透露出相关隐忧。“从宏观层面来说，医疗社会成本是越来越高的，因为（在AI等新技术的推动下）看病越来越容易，所以过度医疗一定会伴随产生。”马骏认为，从宏观角度怎么对新技术赋能医疗健康进行管控，这是政府部门亟待思考的问题。