临床诊断时的误诊，是国内紧张的医患矛盾的一个触发因素。如何让全科医生、刚毕业入职的新医生，在面对患者时，给出更科学准确的判断、更合理与个性化的诊疗方案，成为降低临床误诊率、缓解医患矛盾的关键。
在国内传统的看病流程中，患者往往在千方百计挂号、焦虑地来到主治医生面前之后，通过简单描述，或者附加医学检查，然后等待医生的“宣判”。医患之间，并没有足够的沟通时间，导致信息不对称，况且医生水平、经验参差不齐，再加上部分疾病的复杂性等，种种因素叠加，误诊自然发生。
关于临床误诊率的统计，尚没有相关部门权威数据，但国内医疗行业的共识是30%左右，其中，鼻咽癌、白血病、胰腺癌、结肠癌等恶性肿瘤的平均误诊率在40%以上;肝结核、胃结核、肠系膜淋巴结核等肺外结核的平均误诊率也在40%以上。
四川华西医科大学的一个研究团队，从上世纪60年代开始，几乎每个年代都选取几千个样本做调查研究，结果发现，即便诊断技术在快速发展，临床误诊率依然在30%上下。
事实上，100%的诊断正确率基本不存在，即便是发达国家的医生，也有一定的误诊率。如何提高临床诊断的正确率？
在人的学习与认知能力有限的前提下，人工智能技术被寄予厚望。2016年12月21日，海虹控股（000503，SZ）在海南省海口市预了其第一款智能医疗产品――“海虹智能医疗项目”，这是基于人工智能与大数据技术，形成的一套综合性智能辅助医疗系统。
“智能医疗可以让基层医生减少一些低级错误。”海虹控股大健康事业部副总经理张运江对《财经》记者分析。
按他对海虹智能医疗系统的分析，这套系统可以毫秒间为医生推荐针对性的治疗方案，如果其所在医院是签约医院，还可以给出所在医院的最优治疗方案。
一个名医，需要倾其所学，用积累了几十年、成千上万的病例经验，才能对疑难杂症短时间内作出判断、给出诊断，智能医疗系统如何在毫秒间达到名医的决策水平？
当医生在系统中输入患者个人信息后，人工智能能在瞬间给出最佳的诊疗方案，得益于系统背后庞大的数据库，该数据库包括病案、教科书、文献、专家共识等六大数据、知识与经验。
可见，足够数据量的病案是关键。“全科医生与刚毕业的医生，在临床诊断时最需要的并不是那些顶级三甲医院的治疗方案，反而是一些疾病的诊疗标准。”深圳市第二人民医院急诊外科主治医师姚彬接受《财经》记者采访时说，他曾经试图构建一个辅助诊疗系统，但受限于数据量与技术，未能成功。
海虹通过为国内众多城市进行的医保智能审核服务，积累了对病案审核、判断和分析的宝贵经验，通过人工智能系统的发酵，衍生出大量基于循证医学的诊断、治疗信息。
现实中，三级甲等医院往往可以接触到美国最新的治疗方案与技术，甚至可以同步获得新药;然而，二级以下的医院却往往滞后一大截，不仅如此，对这些医院的医生有指导意义的教科书与疾病诊疗指南，也常常滞后于最新的技术与诊疗方案。
将大数据、深度学习、云计算、人工智能等相关的技术，应用于疾病诊断与治疗，国外的科技公司早已布局。
微软开发了一个能够“消化”每年发表的所有论文的机器学习项目Hanover。Hanover正在俄勒冈卫生科学大学Knight癌症研究所被投入使用，在自动分析研究论文中的数据以及临床试验、影像学诊断报告、电子医疗记录的基础上，寻求能够有效治疗急性骨髓性白血病的药物、预测药物的有效性，并为病患制定个性化治疗方案。
今年8月，IBM宣布经由纪念斯隆・凯特琳癌症中心训练的WatsonOncology系统（Watson肿瘤解决方案）进入中国，在国内已有21家医院计划使用。
人工智能在医疗领域的广泛应用价值
目前，人工智能在医疗领域的研究成果频出，人工智能应用医疗领域已是大势所趋。各个科技巨头都相继布局人工智能医疗行业。对人工智能在医疗的应用主要基于多方面的客观现实：比如优质医疗资源供给不足，成本高，医生培养周期长，误诊率高，疾病谱变化快，技术日新月异；此外，随着人口老龄化加剧和慢性疾病发病率的增长，人们对健康重视程度普遍提高，医疗服务需求也在持续增加。
人工智能结合医学应用有非常多的益处，可以让患者、医师和医疗体系均受益。比如对于患者来说，可以更快速地健康z查，获得更为精准的诊断结果和更好的个性化治疗方案建议；对于医师来讲，则可以消减诊断时间，降低误诊的概率并对可能的治疗方案的副作用提前知晓；对于医疗体系来说，人工智能则可以提高各种准确率，同时系统性降低医疗成本。
据悉，人工智能在智能诊疗、智能影像识别、智能药物研发和智能健康管理等方面都有广泛的应用价值。
比如在智能诊疗方面，就是让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案。智能诊疗场景是人工智能在医疗领域最重要、也最核心的应用场景。谷歌宣布已尝试将其面向消费者的机器学习能力应用到医疗保健领域中。今年谷歌的人工智能算法在乳腺癌诊断上也表现出了很高准确度；苹果公司最近收购了Lattice，该公司在开发医疗诊断应用的算法方面具有很强能力。
在智能影像识别方面，人工智能的应用主要分为两部分：一是图像识别，应用于感知环节，其主要目的是将影像进行分析，获取一些有意义的信息；二是深度学习，应用于学习和分析环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握诊断能力。作为医生，从一个大的图像如CT、核磁共振图像判断一个非常小的阴影，是肿瘤是炎症还是其他原因，需要很多经验。如果通过大数据，通过智能医疗，就能够迅速得出比较准确的判断。
在智能药物研发方面，则是将人工智能中的深度学习技术应用于药物研究，通过大数据分析等技术手段快速、准确地挖掘和筛选出合适的化合物或生物，达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。人工智能通过计算机模拟，可以对药物活性、安全性和副作用进行预测。目前借助深度学习，人工智能已在心血管药、抗肿瘤药和常见传染病治疗药等多领域取得了新突破，在抗击埃博拉病毒中智能药物研发也发挥了重要的作用。
在智能健康管理方面，则可以将人工智能技术应用到健康管理的很多场景中。目前主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。比如通过获取信息并运用人工智能技术进行分析，识别疾病发生的风险及提供降低风险的措施。计算机还能收集病人的饮食习惯、锻炼周期、服药习惯等个人生活习惯信息，运用人工智能技术进行数据分析并评估病人整体状态，协助规划日常生活。在精神健康领域，计算机可运用人工智能技术从语言、表情、声音等数据进行情感识别。在健康干预层面，计算机则可以运用AI对用户体征数据进行分析，定制健康管理计划。
从IBMWatson的发展看医学人工智能的未来
目前国内外已经有很多高科技企业将认知计算和深度学习等先进AI技术用于医疗领域，并出现了很多产品，其中以IBM的“沃森医生”（IBMWatson）最有代表性。IBMWatson作为该领域中的翘楚，随着人工智能技术的逐渐成熟，在2016年开始放开手脚，以肿瘤诊断为重心，开始在慢病管理、精准医疗、体外检测等九大医疗领域中实现突破，逐步实现人工智能作为一种新型工具在医疗领域的独特价值。
沃森是2007年由IBM公司开发的，IBMWatson具备了自然语言处理、信息检索、知识表示、自动推理、机器学习等能力，能够快速搜索分析非结构化的数据，获取想要的结果。2015年，日本东京大学医学院研究所最初的诊断结果，确诊一位60岁的日本女性患了急髓白血病，但在经历各种疗法后，效果都不明显。无奈之下，研究所只好求助IBMWatson，而IBMWatson则通过对比2000万份癌症研究论文，分析了数千个基因突变，最终确诊这位60岁的日本女性患有一种罕见的白血病，并提供了适当的治疗方案。整个过程IBMWatson只用了短短10分钟。
自2012年罗睿兰接手IBM开始，IBM公司发展方向与业务架构就一直在进行根本性调整。传统硬件与系统软件业务地位不断退后，而云计算、网络安全、数据分析与人工智能成为了公司现金流的核心投放领域。现在的IBM正在转型为一家认知计算和云平台的公司。其中在医学人工智能的优势也越来越明显。
IBMWatson首先进入的领域是复杂的癌症诊断和治疗领域，这也是目前全世界医学界聚焦的重点。Watson的第一步商业化运作就是通过和纪念斯隆・凯特琳癌症中心进行合作，共同训练IBMWatson肿瘤解决方案（WatsonforOncology）。癌症专家在Watson上输入了纪念斯隆・凯特琳癌症中心的大量病历研究信息进行训练。在此期间，该系统的登入时间共计1.5万小时，一支由医生和研究人员组成的团队一起上传了数千份病人的病历，近500份医学期刊和教科书，1500万页的医学文献，把Watson训练成了一位杰出的“肿瘤医学专家”。随后该系统被WatsonHealth部署到了许多顶尖的医疗机构，如克利夫兰诊所和MD安德森癌症中心，提供基于证据的医疗决策系统。
相继攻克肺癌、乳腺癌、结肠癌、直肠癌后，2015年7月IBMWatsonforOncology成为IBMWatsonhealth的首批商用项目之一，正式将上述四个癌种的肿瘤解决方案进入商用。2016年8月IBM宣布已经完成了对胃癌辅助治疗的训练，并正式推出使用。此外沃森还在2016年11月训练完上线了宫颈癌的服务。
目前IBMWatson肿瘤解决方案已经进入中国。2016年12月，浙江省中医院联合思创医惠、杭州认知三方共同宣布成立沃森联合会诊中心，三方将合作开展IBMWatsonforOncology服务内容的长期合作，这是自IBMWatsonforOncology引入中国以来，首家正式宣布对外提供服务的Watson联合会诊中心，意味着中国医疗行业将开启一个新型人工智能辅助诊疗时代。目前Watson可以为肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌6种癌症提供咨询服务，2017年将会扩展到8-12个癌种。在医生完成癌症类型、病人年龄、性别、体重、疾病特征和治疗情况等信息输入后，沃森能够在几秒钟内反馈多条治疗建议。
此外，IBMWatson还与辉瑞达成了一项新协议，会将前者的超级计算能力用于癌症药物研发。辉瑞将用上WatsonforDrugDiscovery的机器学习、自然语言处理及其它认知推理能力，用于免疫肿瘤学（Immuno-oncology）中的新药物识别，联合疗法和患者选择策略。由于免疫肿瘤学的未来在于针对独特肿瘤特征的组合，这会改变癌症治疗方式。而在药物研发中利用Watson的认知能力，可以更快地为患者带来可能的新免疫肿瘤治疗。
毫无疑问，人工智能将会成为未来IBM的成长引擎。沃森目前已经不仅仅满足于涉及糖尿病等慢病、大健康、医疗影像、体外检测、精准医疗、机器人、疾病研究治疗这几个领域，未来，沃森的触角还会伸到医疗的其他行业，为整个医疗行业服务。
中国版小小“沃森”不断面世
与IBMWatson十年的发展轨迹不同，中国在医学人工智能领域的发展属于追赶者。由于中国没有统一的医疗数据格式以及数据孤岛的隔离，中国在医学人工智能I域投放的资源相对要少很多。不过这并不妨碍国人对其发展的热情。在智能影像识别和诊断方面，中国已经出现了若干版本的小小“沃森”，他们的功能虽然没有IBMWatson那么强大，但也在各个领域显示出独特的应用价值。
浙江德尚韵兴图像科技有限公司是由浙江大学知名专家和珠海和佳医疗设备股份有限公司共同投资成立一家高科技公司。浙江德尚韵兴利用深度学习处理超声影像，同时加入旋转不变性等现代数学的概念，形成了“DE-超声机器人”。该机器人算法借助计算机视觉技术，可以对甲状腺B超快速扫描分析，圈出结节区域，并给出良性与恶性的判断，大大节省了医生的诊断时间。一般来说，人类医生的准确率为60%-70%，而当下算法的准确率已经达到85%。
据悉，人体甲状腺结节已成常见病，如果不加重视，甲状腺结节可能会发生恶变，进而发展成癌症，危及生命。但由于个体化差异，目前三甲医院甲状腺结节的诊断准确率平均也只有60%，如果不做活检，不同医生对同一张片子可能会做出不同判断。而超声机器人的出现，不仅能辅助医生做出精准判断，还能缩短病人就医时间，提升医疗效率。目前“DE-超声机器人”已经在浙江大学第一附属医院、中国电子科技集团公司第五十五所职工医院和杭州下城区社区医院临床应用，一年病例达到8万多，准确率达86%以上。
2017年2月，中山大学中山眼科中心刘奕志教授领衔中山大学联合西安电子科技大学的研究团队，利用深度学习算法，建立了“CC-Cruiser先天性白内障人工智能平台”。该人工智能程序模拟人脑，对大量的先天性白内障图片进行分析和深度学习，不断反馈提高诊断的准确性。将该程序嵌入云平台后，通过云平台上传图片，即可获得先天性白内障的诊断、风险评估和治疗方案。
据悉，先天性白内障是一种严重威胁儿童视力的疑难罕见病。中山眼科中心有全球最大的先天性白内障队列（队列人数近2000名），基于该队列开展了一系列严谨的研究，积累了大量高质量的先天性白内障临床数据。中山大学眼科中心于2017年4月设立“人工智能应用门诊”，由人工智能云平台辅助临床医师进行诊疗。在人工智能门诊就诊的患者，除接受常规诊疗外，其检查数据即时同步到CC-Cruiser云平台，同时享受由人工智能机器人提供的“专家级”诊疗。目前CC-Cruiser已在3家协作医院完成临床试点应用，并取得理想效果。此外，中山眼科中心已经连接了、新疆、云南、青海等边远省区上百家基层医院，每天有大量眼科检查数据上传云平台请求专家协助诊断。在医学人工智能应用场景下，病例以及图像数据将首先通过人工智能程序进行初审，再由专家复核，效率将提升70%以上，极大提高了专家协诊效率。
2017年5月，丁香园、中南大学湘雅二医院和大拿科技共同宣布就皮肤病人工智能辅助诊断达成独家战略合作，并了国内首个“皮肤病人工智能辅助诊断系统”。资料显示，系统性红斑狼疮是一种慢性自身免疫性疾病，属于风湿性疾病中的弥漫性结缔组织病，可引起全身多个脏器受累，包括皮肤、关节、肾脏、血液等。如何精准诊断系统性红斑狼疮，一直是困扰各国科学家的世界医学难题。
目前三方合作研发出的是红斑狼疮人工智能辅助诊断模型，该模型对红斑狼疮各种亚型及其鉴别诊断疾病能进行有效区分，识别准确率超过85%。据悉，该系统一方面是面向皮肤科医生，医生通过APP，把图像传到系统以后，系统提示最有可能的皮肤病类型，然后建立皮肤病电子百科全书，通过百科全书再去学习，辅助临床诊断；另一方面是面向患者，系统提供图片鉴别和导诊意见。据悉，该系统第一期主要实现以红斑狼疮为代表的皮肤病人工智能辅助诊断，下一步将“渗透”到其他医疗机构，并将开放患者端服务。
医学人工智能真正落地
需要全产业链配合
专家指出，要真正实现医疗产业的人工智能化，仅靠单方面的力量难以实现，这需要依托全产业链包括医疗主管部门、医疗机构的参与和信息化服务商等各个环节的共同努力。
比如像前文所述的甲状腺结节、红斑狼疮、先天性白内障的诊断，都要依靠形态学的图像数据，这些在皮肤病和病理科特别常见，所以人工智能的优势在此可以得到充分体现。训练一个好的皮肤科医生可能要十年，把人工智能引进后，可以大大缩短时间。但是医学人工智能研发成本高、数据获取难、尚未深入诊疗核心等成为阻碍其真正落地的因素。
人工智能技术形成产品，最重要是要有大量高质量的数据。深度学习靠的是“吃透”大量样本。但目前大部分医疗机构并不愿公开数据。比如前文介绍的德尚韵兴，为了收集数据，尝试通过多个渠道，有社区检查，有付费志愿者，也有试点医院。最后该公司收集了两三万张超声图像，不嗟厥淙胂低持胁疟Vち苏锒献既仿试85%以上。该公司负责人也评价到，如果样本量能提高一倍，诊断准确率还有较大的提升空间。
在获取高质量的医疗数据方面，国内医院在过去信息化程度不高，数据虽然多，但相对杂乱，使用难度大。如何找到合适的切入点，并快速获取数据会是一个很高的门槛。同时，医院信息孤岛现象长期存在，各个医疗机构的数据尚未实现互联互通。这一局面则逐步从政策层面迎来破冰。去年6月，国务院公布了《关于促进和规范健康医疗大数据应用发展的指导意见》，明确指出健康医疗大数据是国家重要的基础性战略资源，需要规范和推动健康医疗大数据融合共享、开放应用。但该政策的真正落地依然需要时间。