Airdoc创始人张大磊：中美医疗人工智能存在四大差异；人工智能是拐杖型技术，自身并不能创造价值

文丨张大磊

整理丨王楚韵

很高兴今天和大家做一个小的分享，在过去几年里面我们在美国市场和中国市场都做了一些工作，我们也很明显发现了这两个市场有非常多的不同之处，今天在这里和大家做一个小的分享， 看看中美两个市场在医疗人工智能领域里面有哪些不同的地方。

首先介绍一下我们公司，Airdoc其实是一个纯内资的公司，包括在美国的分公司也是中国公司的分支机构。和其他做医疗人工智能公司不太一样的地方是我们做的相对比较早一些，那个时候人工智能没有这么热，所以我们其实在冷静过程中也学到了很多东西。

我们的定位是做每个人都能用的人工智能， 我们不太希望自己最终做出来的东西是只有大专家能用得着的，我们也不太希望做出来的东西是只受益于非常小的群体，我们希望在座每一个人，我们的父母、小孩都是我们的用户群体。

过去几年里面，医疗人工智能这个领域，从不被接受到慢慢被接受，到现在成为一个相对比较热门的东西。我相信整个监管层面、行业层面、科技医疗领域里面都发生了很多变化也经历了一个认知的过程。在整个医疗领域，国内的医疗机构里面，像北京、上海、广州这些医疗相对比较发达的地方，比较牛的三甲医院陆陆续续做的事情，包括像今年的卫生信息学会、今天人工智能大会，也包括今年很多三甲医院一起办的会，都有很多人开始对人工智能课题非常感兴趣。

今年的中华医学会皮肤科年会、眼科年会，还有10月13号的中华医学会放射科年会上，都专门给Airdoc留了一个人工智能的分会场，我们把行业里面优秀的同行和优秀的思想家都召集到一起去讨论，这在三年前是不可想象的。

不仅仅医疗领域，我们也注意到在科技领域，大家也开始变得比较关注这个。我们今年年初办了一个深圳的人工智能研讨会，有差不多有一千左右的人参加了。当然我们办这个会的目的是想招人，所以当我们通过各种各样的方式去解决这些问题的时候，我们就发现原来其实越来越多人对这个感兴趣。而且现在真正在人工智能这个领域里面工作的这帮人，在几年前和这个产业离的相对比较远。但是他们逐渐意识到一个问题，人工智能是拐杖型的技术，自己不能创造价值，必须和某个领域结合起来。结合的领域里面大家看到的像安防、金融这些领域里面，已经有人在做探索工作，像医疗领域已经有越来越多的公司做起来，我们觉得在医疗领域人工智能也有很多可以提高和改善的地方。

上面是我们正在合作的一些医疗机构。在几年前的时候我们就开始和卫计委（原卫生部）沟通人工智能这个东西在医疗行业能够发挥作用，包括我们在《健康报》上面做系列专栏，讨论人工智能会不会取代医生，能不能在病理科上面做事情，是不是真的能够用在病人身上，我们做了很多有意义得讨论和探索。但实际上据我所知，最开始我们写的东西基本上只占非常小的版面，大多数人并不关心——医生会认为我的工作就是每天看病，连远程会诊都没有做起来，人工智能还非常遥远。但是现在我们在《健康报》这个专栏每天看的人非常多，很多人甚至在线看。

我们在专栏上面讨论人工智能和医疗相关的文章，在整个《健康报》上面的网站点击率明显比其他更高一些，这是非常棒的一件事情，表示越来越多的医生开始关心这个事情了。

但是在越来越多人关心之下， 我们也注意到这个领域现在变得比较浮躁 ，这导致了很多人期望值变得非常高。 但是现在技术的发展就像之前的各位领导提到的，它不一定能满足大家的心理预期。 因为到现在为止，人工智能的一些核心技术，本质上并没有非常突破性的进展。在做这个公司之前，我负责过视频公司PPTV，那个年代我们也是大量做人工智能相关的东西，比如说每天有几百万人网上传视频，这里面色情、暴力什么都有，不可能组织人看完，所以我们也是拿算法把所有的录像、截图都算出来，识别里面是什么内容。所以说看上去生物学的人工智能是一个新的东西，至少2012年开始才广为人知的，但实际上算法这个圈子里面，这些都是大家已经熟悉的东西。

但是为什么在过去几年里面开始慢慢热起来呢？我认为这中间有一个很大的因素就是我们现在的医保和医疗改革确实走到困境，不只是中国，我们在美国市场也看到同样的情况。 中国市场和美国市场在人工智能领域上面走过的路也非常不同，最大的不同我认为在以下四个方面：

首先中国市场和美国市场基本的不同的之处有两个，第一个就是我们的医疗市场和美国市场还是有很大的距离，最大的距离就是诊断的一致性上面 。基本上说以B超为例，我们很早也做过B超辅助诊断，发现B超在国内是没有统一操作标准的，每个人有自己的手法，你说B超看到了什么，其实每个人看到的东西不一样，因为扫的过程不一样。但是在美国，大多数B超医生都做11个切面，被训练过的技师就是把这11张图取出来，大夫看的时候如果发现不是这几张图，会打回去重新做。这是一个很好玩的一点，我们的思维方式是比较混沌和艺术的，但是老美的思维比较专业和统一。像诊断这里面，我们注意到辅助诊断在美国不是很大的市场，我们一直在关注美国做辅助诊断的公司，我们之前合作的一些公司都是在美国融了好大一笔钱，然后做了几年后做不下去了。因为在美国分级医疗体系建立相对比较完善，所以很小的问题到全科医生那里就搞定了。再稍微严重一点的问题会到不同的地方去，由于支付体系是按照效果付费的，都有非常严格的要求，实际上有一个机制把治疗结果或者诊断结果比较差的医生从这个体系里面不断排挤出去的。

我们国内并不是这样的，在之前打交道的很多医疗机构里面，不同的医疗机构之间水平差的非常远， 所以我们第一个看到的就是辅助诊断在国内是一个市场，但是在美国这个市场并没有那么大。

第二不同之处，治疗本身在美国是一个非常大的市场，精准治疗或者个性化治疗在美国都是非常大的市场，但是在国内的精准治疗我认为它的市场比美国的还要落后非常多。 我们也注意到，我们之前曾经把分诊往下推的时候，我们也联系基层医生，大多数基层医生回访的时候，当他发现一个疾病一般都不会推给县医院、市医院，基本上到省会医院的时候就到头了。如果病人在省会医院治不好，大概率就认为这么着了，有一些经济能力比较好的人可能会到北京、上海、广州，但是很多人还是在本地解决的，但是本地的水平其实有一些是有限的。

上面这个诊断一致性方面显著的区别，我们开玩笑叫“阿尔法狗”和“狗阿尔法”的区别。 Verily是谷歌投过的一家公司，谷歌把人工智能医疗扔给一帮做调查的人做，不指望那个挣钱，真正指望Verily挣钱。Verily是做数据处理的，自己本身并不做医疗人工智能，不过给做医疗人工智能的公司提供数据以及数据处理服务，这个我觉得是一个非常聪明的一点。 因为整个医疗人工智能的发展期我们认为是十年，不是说今年就发财明年就发财，而是一个巨大的产业，同时很多人冲进来，Verily就帮你写数据，帮你把里面的东西做的非常好。我清理出来的数据也许药厂可以用，保险公司可以用，医疗人工智能公司也可以用。他们对这个行业的定位相对比较长期，所以长期过程当中发展起来的是基础设施应该做好。这个我们认为是比较有特点，但是在国内大量医疗人工智能的公司我们观察到，现在普遍在走我们三年前的路，我们三年前做的时候就是算法过一遍，看什么有病什么没有病，然后卖给医院。我们认为这个就像阿尔法狗一样，你尝试取代或者尝试辅助医生做一件事情，但是这里面的话真正给医生带来的价值多大，其实我们认为是有限的。

第二个不同之处是，在美国市场我们注意到在以上五类人工智能应用过程当中，这五类是比较均衡的，基本上大致都是五分之一，每个部分都有大量的公司在做。但是在国内大量的公司只做医学影像这块，包括我们过去几年也做了很多医学影像方面的工作。 我们做了病理影像的，还有识别皮肤病的，包括从眼里的可以识别出来疾病，已经不少了。但是实际上用AI做辅助新药研发上面，我们在国内参与的靠谱公司,我们认为是一只手就可以数出来的。我们看到美国有大量的公司在做这些AI相关的东西，但是在国内非常少。无数的公司大部分集中在医学影像这里，而且我们注意到无数的公司是扎堆在放射科，为什么？因为放射科获取数据最容易，相对标准化，都是机器出来的，无非是几个厂家（GPS、联影），出来的数据比较标准化，所以大家都冲进去了。但是这样我们认为其实是，可能短期来看做个PR比较容易拿到一笔钱，但是长期来看我们认为这个领域有大量的低水平重复的建设。

第三个不同之处，从重诊断到重治疗的模式。 真正意义上的这几年所有的医学进展，至少在模式上注意到大量的进展来自于治疗领域。可能在座当中有知道CAR-T，知道这样的东西，你才能知道医药行业这几年做了些什么。

实际上，在诊断这个领域我们恰恰注意到，我们认为在诊断领域这里面过去几年没有太大的进展，而且算法能够提供的东西有限。诊断领域里面我们判断很大程度上算法提供的诊断接近人类的医生，做到最牛基本上就是接近人类医生的水平。但是实际上治疗层面上可能反而是不一样的，因为治疗层面上有非常多的参数，非常多个性化的东西，有可能算法比人类做的更好一些。而在诊断领域里面，有很多是算法无法替代的，人会观察这个人的身态、步态，交互的方式，所以这是我们的观察。我们也是希望有越来越多的国内做医疗人工智能的公司更多做治疗这个层面，把诊断和治疗结合到一起，因为病人需要的东西是恢复健康，病人是需要干预和治疗成功，不仅仅需要诊断成功——诊断是医生需要的，但是从来没有人在医生诊断工具上赚到钱，这是一个很残酷的现实。

第四个中国市场和美国市场很大的不同之处是目标市场， 中国人都非常重视人身上的医疗人工智能，但是我们注意到在人之外的，在老美市场我们可以做很多市场，像我们在美国花了大量时间分析拿算法看肠道微生物，因为在人之外有很多东西。第一个是拿算法看人眼的时候，如果出一个诊断报告，可能FDA说不行，我拿它看鸡、猪实际上这些动物不会说话，你观察它血管和疾病也是很好的方式，但是对整个相关行业的上下游来讲这些东西也是非常需要的。同样的话像我们看到在微生物领域里面，在肠道菌微生物里面也是大量的数据，像我们处理过的微生物的数据，那个量级是百万级别的，比基因测序测出来的多很多。这里面都可以起多很多作用，而且有时候还可以跑出原来的研究根本不知道的东西，这里面我觉得也有非常多好玩的地方。我们也注意到国内现在有一些人慢慢开始做基因领域里面的深度学习，但是我并没有看到特别多做微生物领域或者动物领域，我们认为动物是非常大的市场。

刚才是中国和美国市场的不同之处， 相同之处大家也非常了解了，相同之处都是市场不好做，相对比较慢的。 比如说医生签字权问题，这就是很典型的问题，假设我们拿算法识别疾病，我们能做的比人类医生更好，你把它部署到医院的放射科，比如说一天看一百个病人，你看了95个，医生要在95个你说正常的病例上面签字的时候他要承担法律责任，解决这个问题的办法是整个法规上要允许算法签字。当然允许算法签字这个事情牵涉的工具非常多，这个短期很难被解决。我们一个同事的学生在美国做了一个公司号称是第一个被FDA批过的AI的公司，但是实际上做的事也是，它被批过相当于一个PR的方式过的，并不是算法出来就有法律效益。这块上面监控层面会非常慎重，我相信监管层面会非常负责，在座任何一个人如果你是FDA或者CFDA官员的时候，你会考虑到你批准的每一个背后都是人命。大量的慢性疾病防控压力还没有到一个临界点，没有到必须要用算法把每天生活状态串联起来，到这个阶段才有更多的关联。

所以，我们希望我们做的每一个东西都是在座能够真正用上并且解决问题的。