医疗保健是很有前途的人工智能市场。它的推理能力和在大量病历、医疗图像和流行病等统计数据中进行模式识别的能力有巨大的潜力。人工智能可以帮助医生改善他们的诊断，预测传染疾病，并定制医疗方案。人工智能与医疗保健数字化相结合，可以让提供者远程监视或诊断病人，同时还能够改变方式治疗占据大宗医疗预算份额的慢性病。
AI能够快速诊断，制定更好的治疗方案
医疗诊断领域的人工智能主要有两个方向，一个是基于自然语言处理，根据病历和症状诊断疾病；一个基于计算机视觉，通过识别医学影像诊断疾病。
以肺癌识别为例，AI可以通过两种方式诊断肺癌，一种是基于自然语言处理，代表是IBM的Watson，在长达4年的时间内Watson学习了200本肿瘤领域的教科书，290种医学期刊和超过1500万份的文献后，Watson开始被临床
应用，将病人的病历信息和症状输入系统，可以识别肺癌。如今Watson在肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌等癌症领域已经可以为医生提供诊断建议。
另外一种是基于计算机视觉的诊断方式，代表企业是国内的Airdoc，由于肺癌早期没有任何临床症状，如果有症状就是中晚期，目前约75%的肺癌患者在诊断时已属于晚期，肺结节的有效诊断和及时治疗至关重要。
然而，大面积使用人工智能诊断疾病可能还不会太快发生。虽然机器学习能够利用数据进行诊断，但完全自动化的诊断不太可能很快实现，部分原因在于患者是否会接受这种诊断，还有部分原因在于整合多个来源的数据和遵守严格监管要求都具有相当的技术难度。
同时，在医疗行业意识到这一潜力之前，医疗保健提供者必须对他们的商业模式做出重大改变，对计算能力和技术专长进行大量投资，并努力提高能源的可用性，从而推动对包括医疗记录在内的数据的处理和利用率。（专门的数据经纪人，比如IBM在2015年收购的“探索”（Explorys），已经提供了综合的医疗保健数据，并将其出售给潜在的人工智能解决方案提供商和用户。）
无论如何，基于AI的诊断工具在医学能否取得成功，将取决于政府部门是否会签署、资金投入以及立法保护患者的隐私，允许医务人员访问疾病和治疗方面的匿名数据，以训练计算机别和治疗各种疾病。
做出这些改变并不容易，然而一旦成功回报则相当可观：报告显示，在医疗行业高管回顾关于人工智能使用的案例分析时，较早采用人工智能技术的公司高管表示，他们预计，在未来3年内，这些技术将使利润率提高5个百分点。根据世界卫生组织（World Health Organization）的数据，人工智能能够提高医疗保健水平，同时也能降低成本。这可绝不是一件小事——2014年全球医疗支出达到GDP的9.9%（法国为11.5%，美国为17.1%）。
AI能识别公共健康威胁和最受威胁人群
人工智能技术普及率很低。目前最先进的应用领域是机器学习算法支持的支付和索赔管理。一些临床医生使用人工智能来预测某些疾病的传播，并试图预测哪些病人最有成为患者。他们根据这些信息提供预防性治疗。他们还利用这些预测来帮助医院管理人员安排工作人员，与保险公司协商报销费率，制定预算，并优化库存水平。
这种利用医疗和社会数据来更好地管理成本的想法，使得医疗预测在医疗保健领域，吸引了一些顶级技术、制药和医疗公司以及小型初创公司。Johnson & Johnson与SAP合作，使用机器学习来预测客户需求、库存水平和产品组合。Careskore，一个预测分析平台，使用机器学习来确定病人被重新接纳到医院的可能性。
在未来，人工智能工具将大大加速医疗保健向预防医学的转变。医疗专业人员将专注于远程管理病人的健康，让他们不用进医院。为了做到这一点，人工智能工具不仅会分析病人的医疗历史，还要分析影响健康的环境因素，比如污染和生活、工作噪音。这样就可以识别风险群体，并告知当地政府在哪里实施预防医疗计划。
机器学习适合于分析数以百万计的病历数据，以预测基于一定人口水平上的健康风险。这可能是人工智能的早期胜利，因为它带来了巨额储蓄的潜力，而且在预测个人健康风险时不需要监管审查。
医疗提供者将得到信息，让病人参与预防行动，包括医疗服务和生活方式和环境因素，如营养、锻炼和避免污染。医院的管理人员将会更好地预测峰值期，譬如入学人数的激增。人工智能工具通过结合个人医疗记录、天气数据和其他信息，追踪传染性疾病的发病率，将帮助预估有多少人需要住院治疗。又譬如，人工智能应用程序可以使用医疗和人口数据来预测分娩的增加，如果产科诊所需要额外的工作人员，就会提醒卫生保健管理人员。
报告估计，采取AI措施之后，美国每年的全部医疗服务的潜在成本节约将是3000亿美元，约占GDP的0.7%。英国，使用人工智能目标预防保健，每年可以节省每年？33亿住院费用。
人工智能可以帮助医学专业人员诊断疾病，提高操作机器学习的能力，提高诊断准确性。斯隆凯特琳研究所（Sloan Kettering Institute）估计，在诊断癌症患者和处方治疗时，医生只使用了20%的实验性知识。人工智能应用程序可以在数百万页的医学证据中筛选，几秒内提供诊断和治疗方案。
基于AI的图像识别和机器学习可以在MRI和x射线图像上看到比人眼更详细的信息。例如，不同类型的胶质母细胞瘤有明显的遗传异常，医生就根据这些异常来治疗。但是放射科医生不能仅凭图像就能识别这些脑癌的基因异常。梅奥诊所有一个机器学习程序，则可以快速和可靠地识别异常。
创新并不局限于图像识别。企业家正在努力改变病人护理过程中的每一个步骤。一家名为Enlitic的初创公司正在开发一款深度学习应用程序，可以提高疾病诊断的准确性。Oncora医疗公司开发了一种人工智能工具，帮助肿瘤学家起草针对癌症患者的个性化辐射治疗方案。
人工智能的自动化有可能通过减少医生和护士的日常活动来提高医疗保健的生产力。总有一天，配备深度学习算法的聊天
机器人能够缓解急诊室面对大量非紧急病患的情况，如喉咙痛和尿路感染患者。
启用人工智能意味着运营效率的极大节省。
根据调查，尽管人工智能有巨大潜力，医疗保健在应用人工智能技术方面还是落后于其他行业。人工智能的使用主要集中在运营和客户服务方面；最常用的技术是语音识别和计算机视觉，在我们的调查样本中，两者在医疗保健公司的份额分别是9%和7%，其中包括已经注意到人工智能的组织。在大多数医院，诸如预约安排等运营管理职能，仍然是手工完成的。
我们已经发现，如果一个部门在采用数字技术方面进展缓慢，那么它对于人工智能的的使用也有同样的倾向。报告《数字美国》发现，全国近四分之一的医院和超过40%的医生尚未采用电子健康记录系统。即使是那些有电子记录系统的，也没有与病人或其他提供者无缝共享数据；重复的测试是不必要的，病人需要反复讲述他们的病史，因为这些系统无法共通操作。另一份MGI报告，即《分析的时代》，发现美国的医疗保健部门只应用了10%到20%的机会使用高级分析和机器学习。
之所以进展缓慢，并不是由于医务人员和行政人员对AI缺乏兴趣。人们有兴趣，但医学面临着一些独特的高难度障碍。医疗记录的敏感性和严格的保护隐私规定妨碍了深度学习应用和其他人工智能工具所要求的高质量聚合数据的收集。此外，数据和行业本身、医疗保健行业的碎片化以及其他监管障碍的复杂性也在减缓这一进程。
在发达国家启用人工智能意味着运营效率的极大节省。对美国的估计占到GDP的1%到2%。在其他高收入国家，估计节省将占GDP的0.5%至1%。全人工智能可以将在编护士的生产力提高40%到50%。麦肯锡的研究发现，这可以使医院节约一半的人力成本，同时还能显著减少病人的等待时间。
医院还可以通过使用人工智能解决方案优化许多普通的业务任务来提高他们的能力利用率。虚拟代理可以使常规的病人交互自动化。语音识别软件已经在客户服务中使用，它降低了处理病人的日常工作的成本，比如安排预约和登记入院的时间。自然语言处理可以分析期刊文章等文件，并对其内容进行整理，便于医生快速查阅。这些类型的应用程序可以产生显著的影响，而不需要通过监管审查。
保险公司可以设计新的方法来鼓励预防保健并激励提供者
机器学习技术能够预测病人行为和计算疾病概率，比目前的方法以及医疗保险提供者更能提高生命的可能性。
新的商业模式可以将人工智能与行为健康干预结合起来，将注意力集中在预防、疾病管理和健康上——在人们成为病人之前就处理他们的不健康。一家名叫“Discovery Health”的南非的保险公司，追踪受保者的饮食和健身活动，并为他们的健康行为提供激励。
人工智能还将鼓励付款人、供应商和制药公司之间建立新的伙伴关系，并将促进按绩效收费的模式，加速向预防性医疗的转变。Payers可能会更多地参与到护理管理中，或者鼓励他们的提供者，通过引入基于机器学习识别风险的契约模型或者基于AI的风险管理模型来实现。
当更多的保险公司使用机器学习来分析历史病历数据时，基于内容的支付计划会得到显著的扩展，该计划将根据该组织所有提供者的平均治疗费用来支付医生和医院的费用。根据麦肯锡的客户经验，我们认为这种方法会对成本产生明显的影响，使整形外科医生的费用减少8%到12%，而医生诊断费则会降低4%到5%。
医生将可以为单个病患定制治疗方案——甚至药物
病患也能够直接受益于人工智能在医疗保健领域的兴起。
考虑到每个病人的历史和基因组成的复杂性，标准化的治疗方法并非对每个病人都会起作用，因此研究人员正在使用先进的分析方法来个性化治疗方案。决策可以基于数据分析和远程诊断设备得到的病人监控。一家名为“Turbine”的初创公司使用人工智能来设计个性化的癌症治疗方案。该技术在分子水平上对细胞生物学进行建模，试图识别用于特定肿瘤的最佳药物。它还能识别复杂的生物标志物，并通过每天进行数百万次模拟实验来寻找组合疗法。
人工智能利用海量数据来解决狭窄问题的能力与定制医疗的倡导者产生了共鸣。他们承诺提供一种独一无二的药物、理疗和治疗，旨在以最少的副作用提供最大益处，因此了解数百万其他有类似症状、预后和年龄的人的健康结果对他们来说有无法估量的价值。一些公司已经在使用机器学习或其他人工智能技术来对个别病人进行治疗。Mindmaze使用机器学习来优化中风病人的康复活动。Ginger.io使用机器学习，根据病人的新陈代谢和其他因素，来推荐最佳服药时间。量身定制的治疗可能会使人均医疗支出减少5%到9%，同时增加0.2到1.3年的平均寿命，并每年提高200美元的生产力。在全球范围内，经济影响可能在2万亿美元到10万亿美元不等。
虚拟代理可以作为病人的主要接触点
医疗领域最突出的问题就是优质医疗资源不足。这个问题可以说是全球性的。再加上人口老龄化的加剧，未来对医生的需求量很有可能是有增无减。
医疗实践已经采取了一些小的步骤，将人工智能纳入患者管理，引入语音识别和其他语言方面的人工智能技术，以实现操作自动化。未来，具备语音识别、图像识别和机器学习工具的虚拟助手，将能够进行协商、诊断，甚至开药等操作。如果这些系统缺乏足够的信息来得出结论，虚拟代理可以命令额外做测试，并和病人约好时间。
在农村地区，虚拟代理将能够进行远程咨询。然而，这种情况需要患者、提供者和监管人员对完全自动化的诊断和处方感到自在。
较少争议的是，在医院，虚拟代理将能够帮助病人挂号，并将他们推荐给合适的医生来解决他们的问题。虚拟助理将能够帮助病人在医院机构中导航，为他们准备测试，并确保他们准时赴约。
几大拦路虎，数据可用性首当其冲
阻碍人工智能开发及其在医疗保健方面应用的最大的可能性瓶颈之一，是足够数量并且格式标准的高质量数据。如前所述，当今信息高度分散，遍布整个行业，分散在各处，最难以协调的如电子医疗记录、实验室和成像系统、医生记录和医疗保险索赔材料。将这些信息合并到大型的综合数据库中是很困难的，然而这又是促使人工智能深入了解疾病及其治疗方法的必要条件。
例如，文化障碍阻碍了医疗保健数据所有者——医院、保险公司、制药商——和诊断公司之间的合作。当然，数据本身也是高度敏感的。当人们在网上购买或加入某项信用计划时，他们通常会允许访问某些种类的个人数据，但他们可能会抗拒任何试图更深入地接触更隐秘的医疗历史的尝试，尤其是如果他们不认为这是必要的，而潜在的好处又很抽象。他们可能还担心，对黑客和数据窃贼来说，隐私性的健康细节的集中收集将是一个理所当然的目标。监管机构将需要积极制定明确的规则，定义哪些人能够使用这些数据，他们可以使用哪些数据，如何存储它们，以及它们如何匿名化。
技术限制是另一个障碍。
为了完成工作，人工智能技术必须对病人和其他人们进行深入了解，但人们对人工智能技术如何实际诊断或选择治疗计划仍知之甚少。有多少患者会相信人工智能工具，愿意相信人工智能诊断或遵循人工智能治疗计划仍是一个疑问。如果没有人能够解释计算机是如何做出决定的，或者如何防止某种情况再次发生，监管者就不会冒风险急于做出错误的决策去伤害一个病人。即使对于最强大的人工智能工具来说这也是一个问题，比如深度神经网络，并且在一段时间内仍会维持这种情况。尽管在理论上来说，人工智能工具比单独的人类临床医生更不容易犯错误。
人工智能公司将不得不解决市场分化问题。数以百计的供应商提供数千种不同的机器学习程序，每一个都为特定的临床情况而设计。但在日常实践中，医生需要的是那种能够处理不同情况的平台。
如果医疗保健者想要利用人工智能的能力，他们也有一些事情要做。首先，他们必须雇用或培养受过训练的、具有部署、维护和操作人工智能系统能力的人。除了数据分析师和技术人员之外，这还包括项目管理、团队开发和解决问题的技能。
与此同时，传统的工作人员——医生、护士和其他医疗专业人员——需要习惯在机器和人工智能工具的支持下工作。虽然这将使他们有机会更多地关注临床病例，并将管理和低风险工作交给人工智能和数字解决方案，但他们必须克服严重的怀疑心理。
结语：一方面是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；另一方面，随着人口老龄化加剧、慢性疾病增长、对健康重视程度提高，医疗服务需求持续增加。可以预见的前景是，尽管当前AI在医疗领域的全面落地仍有一些障碍，但是雷锋网认为，在不久的未来，医疗行业必将成为AI的下一个蓝海。这也是谷歌、IBM等巨头不惜血本不断撒钱的根本原因。而从另一个角度看，即使早已入局的巨头公司，他们在医疗领域的人工智能研究也不过是入门级水平，我们更加可以说，AI+医疗，必将大有可为。
