以下为硅发布第 29 期跨境直播
《
什么医疗项目是伪AI？
》
里部分分享，分享嘉宾为美国非传统医疗器械孵化器TheraNova业务发展副总裁林源。此前林源就职于强生和巴德，林源也是TheraNova孵化器里唯一一位华人。
什么是真正的 AI +医疗硬件
如果说定义，维基百科会有一个，我觉得挺全面。实际应用中我自己有两方面感受：
第一，既然是 AI
，当你有一个输入时，你可以预测它输出，但这个输出，不会百分百和你预测的一样，
即你的输入和输出不会是一个一对一结果，而是一个黑匣子关系。
这个定义其实已经砍掉很多自称是 AI 的东西。举个例子：现在 AI 最流行应用是看病理片子，那如果我和你都是非常好医生，看出来结果可能一样，但如果你没那么多经验，看出来的也许就不同。所以 AI 能抓住本质，哪怕它表征不同，如果你是训练得很好的 AI，理论上它应该能看到很多东西。
再举一个例子：眼底筛查。实际上现在眼底 AI 的识别很多人已经不觉得是 AI。因为就是一个图像识别应用，关系相对简单直接，你有没问题？一个简单的图像识别就能看出来，不需要多层级变化。那在我定义里，这种我可能就会把它定义成不是 AI，或勉强是弱 AI。
第二，要有一个“持续性学习”过程
。
比方说我们有个项目要预测“急性肾损伤”的提前量（要预测 3 或 10 个小时后这个人可能发生急性肾损伤）。假设我模型是在不断学习，那么 30 天后数据量增加，它应该会算出比今天更好的结果，比方说现在能算出三小时后可能有问题，但如果是更好的 AI 计算假设过程，提前四小时可能就知道了。所以它是可持续学习的，有能够进步的空间（有自己思考空间）。反过来看，现在很多项目都没这个空间，它就一直恒定不变，现在训练是这个时间，以后也一直这样；或者说，它其实是拿一堆数据来得到一个结果，没有持续性学习过程。
我的观点：基本上上面两个条件都必须达到，才能称为医疗器械方面的 AI 项目。
“AI+医疗”最不可忽略的 3 个问题
第一，大家都在讨论 AI 的技术，但有时忽略了一个本质问题，即数据的来源和质量。现在看，数据来源是最重要的。我给大家看个图：
纵轴是附加值，横轴是产业组成部分。
现在附加值最多的是哪一块？其实是数据来源和应用场景
，而算法都快变成一个“商品”，因为人才积累多了，谷歌、苹果等 AI 相关领域工作过的工程师，都有了一定技术积累，它附加值就慢慢变少，但高质量的数量来源仍然很少，必须从医院来，医院的数据还是稀缺，而且你得是有标识的数据，然后是标准化的数据。
但曾经有一段时间，AI 刚有时，图中这个钟是倒过来的，因为算法稀缺，只有那么几个人会，可能当年只有李飞飞、吴恩达这些牛人才真正掌握。那时在市面上还没有那么多自称 AI 的公司时，虽然数据也少，但至少还有，而这些人是稀缺的。现在反过来，探索数据源和应用场景的人附加了更多价值，因为聚焦在图上半部分，数据来源是他们找到的，当然也可能是在技术帮忙下找到的，应用也是他们去医院发现。这是我想表达的第一点。
有关数据来源的另一概念是：已经存在的很多数据来源，价值没有新来源的数据高。为什么？比方说，我们都想拿到心脏的压力数据，你是放个传感器进心脏里才能拿到，但我吹一口气就能拿到，后者这种低创伤性的数据来源，就一定要比前者数据来源价值更高。
第二，医疗不是数字游戏。
很多人说：假阴性 98.5%，假阳性 97.5%，模型运算上已经很好，可真正在医疗过程中会发生什么呢？我们跟医生有过很多探讨，尤其是假阴性，我举个例子。
比方说做影片识别。那么假阴性是什么？是这个人有癌症，但你没看出来，不管你是 98.5 还是 99.5，如果你是那 0.5，那就麻烦了。对人类来说，只要没达到 100%，就都一样有问题。我可能比较极端，在假阴性没达到 100% 前，我认为 AI 就只能辅助人。有人说人也有失误，但一个新事物要代替人时，你必须比我更好，否则我用你干嘛？
所以不能刻意去追求数据化，而是说：这个数据到临床到底是什么？
比如我一个朋友在做一个直肠癌项目，就是息肉的筛查，做肠镜，医生要一点点进去看肠壁，到底有没有东西？这一做就要做 20、30 分钟。医生很累，那如果有图像识别能帮医生更快，肯定更好。
我觉得这个事从数据来源和应用场景上，AI 都 OK。但医生不这么认为。因为这里最开始做出的模型，假阴性可能已经做到很好，都是 97% 多，但医生说：不行，你要反过来看：假阴性你要调到零，如果能到零，假阳性没关系，你告诉我这个是假阳性，可能是，这个也可能是，然后我看一眼，这个不是，那个不是，就没关系了，对吧？但如果你给我丢掉一个，那不行，我宁愿错杀一百，不能放过一个，这个逻辑是可以的。所以他们就要重新去调模型，把假阴性填得很高，那假阳性就变成 80% 多，但机器这样就至少能辅助医生。所以给到大家这个例子，如果我们只看数据游戏，第一个肯定更好，但实际应用场景下，要根据临床需求去判断。
第三，AlphaGo Zero打败AlphaGo。他们两个前者是没有用人类规则，我们只是告诉它围棋规则，但没告诉它人类怎么下，而后者是我们同时告诉它我们这么下，所以AlphaGo其实是人类的一个子集，它可能最后通过计算，也创造出了一些我们看不大懂的算法，但没有跑出人类思维方式，AlphaGo 打赢了人，是因为它计算能力比人强，反应更快，而且没有情绪，未必是它的思维比人强，因为它的思维来源是人给它训练进去的，就像你教小孩说话，TA 说的就是中国话，走不出更远，可能中国话比你强，或者唱歌比你更好。
而 Alpha zero 可怕地方在我只告诉你围棋规则是这样，至于你想怎么下，你自个儿玩去，所以它就走出了人的框架，跟人一样，你从没教过它下围棋，你只告诉它围棋规则和目的，它自个就不断试怎么能赢，慢慢下着下着，36 个小时后就把 AlphaGo 打败了。
而未来真正的 AI 在医疗中的本质上变化就会发生这样的事。比方说我告诉你这个片子是一个癌症病人，这个片子是一个健康的人，这个片子又是一个癌症病人，我都给你，然后我告诉你癌症定义是这样，你自己去学，最后你给我找出哪个片子是癌症，它也许就能做得比人强，因为能看到我看不到的东西，本质上已经真的做得比我们好。但医疗的规则比围棋的规则复杂得多，人类还都在不断探索，所以这条路还很长。
TheraNova里符合AI定义的项目
