如今，医疗健康的关注点主要在心脏病、糖尿病、哮喘等慢性病。因为慢性病的治疗往往需要很长的时间，并多次到医疗服务机构就诊。但在追求效率的现代社会，“曾经的医疗服务形式行不通了，”Krishnapuram说，“我们要大幅改善患者的就医体验，可以将更多的治疗过程从医生的办公室转移到门诊甚至患者的家里。”
不同于传统的劳动密集型医疗，新兴的医疗模式是知识驱动和数据密集的。因此，未来将会有众多的新的医疗服务模式依赖于新一代用户友好、实时大数据分析的人工智能/机器学习工具。
在Krishnapuram看来，未来人工智能/机器学习的工具和技术的应用，将在以下5个医疗领域中带来造福人类的变革：
人口管理：识别风险，判别病人是否处于风险中，并对可能降低风险的措施进行识别。
护理管理：为每个患者设计个性化的护理计划，缩小在护理中的差距。
患者自我管理：支持并能够为患者个人定制自我管理治疗计划，实时监视患者健康，调整药物剂量，并为有利健康的行为改变提供激励机制。
系统设计：优化医疗流程——从基本的治疗过程到医疗保险的一切，通过缜密的数据分析，在提高护理成果和质量的同时，降低成本。
决策支持：帮助医生和患者基于最新的测试或监控数据，选择合适的药物剂量，协助放射医师识别肿瘤等疾病，分析医学文献以及建议将产生最好结果的手术方案。
在这五个医疗领域应用人工智能/机器学习策略，对于创建大规模、高性价比、个性化、以病人为中心的医疗临床系统是必不可少的。在本报告中，O’REILLY深入这些领域，并与把人工智能和医疗相结合的先驱专家进行了访谈。将门编译了这些专家的观点，希望与大家分享人工智能在医疗领域的前沿应用和理念。Enjoy~
人工智能/机器学习：百万患者的福利
人工智能和机器学习在医疗健康领域有巨大的潜力，除了我们较熟悉的提升癌症治疗与诊断水平以外，AI/ML还可以应用于众多的医疗场景：如胎儿监护、败血症早期发现、组合药物风险识别以及再住院的预测等等。
“医学和生物学都是非常复杂的，我们想要达到一定的专业水平往往需要经过长期的学习和反复的练习。”斯坦福大学生物医学信息学负责人RussAltman博士说，“在学习和发现知识的能力上，计算机能够比人类更快达到成熟水平，这是非常令人激动的。”
Altman认为，机器学习和神经网络在发现大型生物数据库的规律时是非常有用的。目前，机器学习在医学研究中最有前景的几个领域包括：
“组学(omics)数据”（基因组学、基因转录组学、蛋白质组学、代谢组学等)
电子病历
通过可穿戴设备、智能手机等设备实时监控的个人健康等。
实时或近实时测试和分析在自我管理的场景中尤为重要。例如，糖尿病人准确监测自己的血糖浓度是很重要的。如果等待医生或者护士进行测试，会影响其结果的准确度和对疾病的恰当管理。
“如果说测试结果显示你的血糖是偏高，那可能是你在测试前摄入的碳水化合物过多，或者昨前一晚没有睡好，又或者是压力过大，也可能是因为本周没有锻炼身体。这些因素都可能影响你的血糖浓度。”Krishnapuram解释道。
如果你的医生根据你在他这里每两个月进行的一次测试，作为他调整你药物剂量的依据，其实这很难确定最合适你的药物剂量，有效控制你的病情。而AI/ML工具的出现，不仅可以快速有效的分析结果以及合理调整药物剂量，还可以及时的提醒患者保持运动、吃健康食物和保证充足的睡眠。
“一些不好的生活习惯是需要改变的。”Krishnapuram说。AI/ML可以在医疗服务提供者与患者之间建立多种沟通渠道，有效激励我们的行为改变。
数字的力量
有组织的医学实践可以追溯到公元前3000年。虽然在早年间，医生会用超自然现象去解释许多疾病的根源，但为常见病制定切实可行的治疗方案已屡见不鲜。即使引起疾病的原因被严重曲解，生病或者受伤的病人依然期望医生能找到补救措施或者有效的治疗方法。
如今，医学已发展成为了一门科学。新的疗法不断出现，如果看起来有发展前景，就会通过周密的分析与严格的统计过程来进行系统科学的测试。如果这种新的疗法在足够大量的情况下被证明是安全和有效的，它就会被批准并用于治疗患者。
但在现实中，科学往往在这里戛然而止。绝大多数医疗从业人员都不是科学家。而医疗艺术（medicalarts）这个词不仅仅被赋予浪漫色彩，它是医疗如何在世界大部分地区实行的准确描述。
AI、ML以及其他统计过程在医疗方面的实践，除了医学研究以外，将是和工业革命同等大规模的、飞跃式的应用。
就算这次变革没有成功，“我们仍可以带着回首看过去几个世纪时的错愕来看待这个世纪。”Enlitic（一家从事医疗ML技术开发的公司）首席科学家NateSauder说。“我们的感觉是，医疗——特别是医疗诊断，其实是一个数据分析相关的问题。从基因序列到CT扫描图像，病人会产生大量的数据，因此机器学习技术是一个非常自然的选择。”
举例来说，Sauder和他Enlitic的同事正在帮助放射科的医生提高诊断的准确性。“我们之所以选择放射科，因为它大多数的报告和文件已数字化，使得数据管理更容易。这也将为计算机视觉技术带来爆炸式的发展。“
可访问的数据、高质量的计算机视觉技术以及机器学习的结合，将会为全球数以百万计的患者生活质量的提高带来很大的可能。“我们以几个放射学中的比较难的问题来验证我们的方法。”Sauder解释道，“举个例子，胸部X光片肺部结节的早期发现是非常重要的，因为从治疗的第一阶段到第四阶段，治疗成功率的差异是十分巨大的。我们准确识别肺部结节的概率能够比放射科医生高出40％-50％。“
AI/ML可以超越人类的一个原因是，在长时间盯着屏幕后，人类会不自觉地厌倦。另一个原因则是，即使在很理想的条件下，人类也很难发现扫描图中微小的癌变碎片。“我们的肺里有一堆贯穿其中的小静脉，在横截面切片中，癌变的小块和一个小静脉看起来非常相似，因此这就使得我们人肉眼来检测癌变十分困难。”Sauder说。
现有的技术如3D扫描，虽然可以比较容易地看到肿瘤和静脉之间的差异，但放射科医生总是发现3D图像的可读性并不是很好。而软件，却可以通过训练使阅读3D图像变得和2D图像一样容易。“其结果是，计算机可以看3D扫描，并能比人更准确地发现肿瘤。”Sauder说。“此外，人类看1个案例的所花费的时间里，机器学习系统可以完成50,000例。这些优势意味着可以挽救更多的生命。“
然而，工作流程的整合是确定AI/ML的产品或服务能否取得成功的关键因素。“我们真的需要理解，许多放射科医生会认为机器学习是他们的一个替代品，或者是他们建立工作流程的一个挑战。”Sauder说。
和报告中采访的大多数专家一样，Sauder认为AI和ML的工具与技术对医疗从业者只是辅助，而非替代品。他相信，当AI和ML作为医疗诊断工具组件被普遍接受时，它们所带来的便利会在整个医学界被更广泛的理解。
“机器学习能提供两种基本方法来提高诊断效果。首先，它可以帮助医生更快速和更精确地执行诊断。第二个原因是我们可以把机器学习应用在检查上，其实这也是从长远的角度看更要的原因。因为检查的成本很高而且会有较多的误报，但是自从有了机器学习技术，电脑就可以从上亿个检查报告中发现更小、更奇怪又很容易被我们忽略的东西。
机器学习的愿景是，能够从大量的场景中，分选和发现细微的或隐藏起来疾病与数百个变量之间的关系模型，包括行为、地域、年龄、性别、营养和基因组学等。“我们希望机器学习可以从医疗的角度，将从上亿的检查报告中生成的丰富数据集精选出来。”Sauder说。
进入行业的障碍
尽管AI和ML有很好的前景和潜力去彻底改革医学，然而大部分的医疗保健供应商仍然坚持使用传统方法去诊断和治疗患者，其中部分原因归结于人们仅仅停留在对“人工智能”字面意思的理解上。对于许多人来说，“人工智能”仍然引发人们联想起有感知能力的计算机夺取世界的画面。只有少部分人理解“机器学习”的基本概念。
因此，对于应用AI或者ML技术在医疗保健领域方案的讨论仍很片面。另一方面，大部分人认同医疗费用很昂贵、不方便，并且时常不那么有效果。人们真正渴望对于现代医疗保健问题有一个可以负担的起的解决方案。但是，对于大多数人来说了解AI和ML是如何帮助我们的还是很困难的问题。
另外一个阻碍了AI和ML广泛传播的障碍是政府管控。这些管控时常阻碍了创新和和创造力。Skymind是一家开源的深度学习供应商，它的外部工程负责人JoshPatterson说，“你就是不能把新的软件安装在医疗显示器上。有许多的管控设置了进入行业的障碍，它使得小公司很难去竞争”。
漫长的集成周期也降低了基于AI、ML、深度学习和神经网络的新方法所采用的时间。“医院是众所周知的难以卖出产品的地方，除非你已经是建立合作关系的供应商。然而有合作关系的供应商一旦他们已经获得了合同，就不太倾向于贸然提供新产品特性。”Patterson如是说，“如果合作商确实想提供新的ML或AI特性，他们必须想办法如何把新特性集成到他们的产品里。”
依据Krishnapuram的说法，有4个主要的障碍限制了AI/ML技术的广泛采用，即：
围绕着数据所有权和隐私性的困惑。数据是加速AI/ML学习过程的“燃料”。那么哪一个利益相关者应该拥有医疗数据？是应该属于患者、医生、医院、研究中心还是技术供应商？医疗数据在不损害个人隐私和对抗已有的管控的情况下，能否被用来开发临床医学的洞察力？
功能失衡的刺激。在当前的形式下，医疗保健支付系统围绕着护理量。转移到一个回报高质量护理和提高成果的系统下需要大部分医疗保健模型最基础的检验调整。
责任。尚不明确当AI/ML系统引发一些事故时哪一个当事人应该承担责任。谁承担风险？谁负责任和谁赔偿损失？AI真的会治疗不当吗？
传统研究范例不支持个性化医学。当病人们被单独治疗并拥有定制化的治疗方案，怎么样实施统计意义上的临床实验？怎么样设定底线，建立标准，以及发展通用程序当每个病人都是“其中之一”？
“这些不是没有价值的问题。”Krishnapuram说。这些问题的解决需要学习，需要公开讨论，需要合法改革，以及需要一个关于数据分析价值的新的社会共识的出现。
用患者数据增强智能
鉴于上文提到的一些阻碍，目前医疗机构在引入大数据和AI/ML方面依旧进展缓慢。尽管如此，寻找切实可行的方法以解决广泛存在的医疗问题仍旧十分必要。而AI/ML技术在这一方面能够提供最优和最快速的途径，以实现个体化的和结果导向的医疗。
“相较于其他领域，例如零售业和金融领域，医疗领域在人工智能和机器学习方面是被开发得最少的。”EricXing如是说。EricXing是CMU大学计算机学院的教授，拥有Rutgers大学的分子生物学和UCBerkeley的计算机专业两个博士学位。
他曾说过，缺少医疗数据并不是一个问题，大量的数据存在于患者、医生和科学实验当中。这些医疗数据并没有被充分利用，它们只是存在于各种数据集中。
例如，医务人员每天都会收集临床数据，但是大部分这样的数据很少被利用。EricXing教授表示:“这些都是从患者处得到的第一手信息，它们的价值非常之大，但却很少被再次查看，除非同一个患者再次回访。因此，在某种程度，我们并没有很好的利用这些数据。”
目前，EricXing教授所在的CMU团队正在研发一个AI项目，该项目旨在整合多源的患者信息，例如X-rays、血液检查、组织样本，人口统计、护理人员的记录等。EricXing表示，“一旦我们拥有高度综合性的患者数据，我们就可以将其部署在机器学习算法中，并以此生成预测模型。”
例如，这些数据可被用于各种分析中，以帮助医生来评估患者是否患有与原始病症相关子病症的风险度，或者帮助医生来预测某患者在下次检查之前可能出现的病症。
AI模型也可以帮助医生设计出安全、高效和适用的治疗方案来面向不同的个体患者。EricXing表示，“医生制定治疗方案通常是比较费时的，除非该医生有着大量治疗相似患者的经验。在AI系统的辅助下，医生可以看到所有潜在的风险，可以更易了解容易出错的地方。系统的知识库包含了百万级别的患者信息，设定的算法可以让医生在数秒内就能搜索到相似患者的情况。”
一个非常实在的意义，AI和ML系统可以让不同的医生个体来扩展他们的医疗知识和经验，这远比在传统的环境下可行的多。EricXing认为，“把单个患者连接到整个病患数据库中，这样可以更容易的窥探到深层的病原机理，从患者的角度来讲，就像为其配备了一个庞大的拥有资深经验的医疗团体一样。”
与Saude一样，EricXing教授也不认为AI可以作为医生和医务人员的替代。在他看来，AI系统的目的并不是在临床应用中取代医生，医生仍旧是决策和提供护理的中心。
EricXing用飞机的自动驾驶系统做了类比：“它们并不是人类飞行员的替代品，当遇到问题时飞行员仍旧起着重要的决策作用，自动驾驶仅是帮助飞行员更好地驾驶飞机而已。”
个性化医疗的大势所趋
有关个性化精准医疗的概念已经提出超过二十年了，人工智能和机器学习拥有将其真正带入现实的潜力。EricXing教授解释说，“个性化医疗是建立在病人独特的基因特征基础上的，但是它在应用上存在诸多困难，因为我们并不了解疾病的机理与基因基础。另一方面，整个数据十分难以理解。数据有上百万个多态性位点（polymorphicsites），但是我们并不知道哪一个位点真正地引起了疾病，还是跟着疾病一起呈现出来。”
通常，医生们通过检查一小部分的关键突变来判断和病人的某一疾病相关联，但这样的捷径很可能错失了个性化医学的价值。EricXing教授说，“当你从很多病人的突变中寻找共性的时候，你就失去了个性化的力量，因为每一个人都被相同的方式所对待。”
EricXing教授和他的同事正在建立的机器学习项目，就是利用这个项目分析每一个病人的基因组、蛋白质组以及包括增量风险因子在内的新陈代谢数据。这个项目可以为病人生成高度定制化的档案。EricXing教授还说，“你可以使用机器学习模型得到潜在疾病或者症状的独特模型，还能识别药物的潜在目标。”
可穿戴设备与其他健康设备
对于提升健康的可穿戴设备与移动设备而言，人工智能将会是其发展过程中重要的组成部分。除了监控疾病信号比如脉搏、血压、呼吸等，下一代的移动健康科技将会提供个性化的实时警报与建议，从而调整我们的行为，最终达到实现健康的目的。
EricXing教授和他的团队正在开发APP去帮助患有帕金森综合征的病人。他说，“移动健康领域将会成为日常生活的重要组成部分。我们的APP不仅仅是被动的提醒病人何时吃药，它还会主动的检测病人的过去、现在以及未来的活动。它会记录病人的环境与风险等级，然后对用药计量、时间、频率等提出建议，并且还能给出预防措施的建议以降低风险。”
EricXing教授还说道，“移动平台是给病人提供实时反馈与建议的最好方式。为了提供这些服务我们需要人工智能，因为这个平台必须可以从病人的数据和已有的医疗数据中学习。它需要能根据一些现象检测疾病的类型，并且能根据这些类型给出有效的建议。”
预测药物的相互作用
调酒师会告诉你说，“不混酒，喝不醉”。但很多病人混合服用多种药物，却不知道这些药物的混用会带来无法预料的影响。
哥伦比亚大学的生物医药信息学助理教授、科学数据研究所的NicholasTatonetti博士说：“我们现在并不清楚两种药物混用时会有什么样的相互作用，产生什么样的问题。”两种药物对同一个病人分别单独使用时可能都是无害的，而若同时服用就有可能会产生不良反应。然而，预测“药物与药物之间的相互作用”非常的困难。
在他们最近的一个项目中，Tatonetti博士和他实验室的同事们使用机器学习算法来寻找有可能造成心律紊乱的药物对。Tatonetti解释说：“我们从哥伦比亚大学收集了20年的药物应用记录，然后训练了一个专门寻找具有更高概率、造成心律紊乱的药物对的机器学习算法。该算法在初期提出了1000个药物对。然后我们进一步测试和评估这些药物对的相互作用的成因。仅仅通过数据分析，无需加入人类的判断，我们就将范围缩小到20个药物对。”
最终，该机器学习算法发现了头孢曲松（ceftriaxone，抗生素类药物）和兰索拉唑（lansopravole）这两种药物混合，可以导致心律紊乱。Tatonetti博士说，“这是从没有人研究过的假说，因为从没有人怀疑过这两种药合用会产生心率紊乱。在这个寻找心律不齐的算法中，我们发现了一个新的模式，该模式能检出这种新的、具有潜在危害的药物之间的相互作用。”
机器学习是实现更快更好的医学研究的关键
人类具有更好的“大局观”。我们可以在样本、数据和碎片化的信息混沌中，发现联系、挖掘故事。我们总是倾向于走思维捷径———即DanielKahneman和AmosTversky所提出的“快思维”(fastthinking)。
但当我们试图理解和管理复杂的现象的时候，例如癌症和阿兹海默症，人类这种从少数事实迅速总结出一个普世结论的本能，则成为了我们的致命弱点。
机器学习是一种可能的解药——专门针对我们这种高度进化，但却并不总是有效的，从收集到的信息创造现实的天赋（快思维）的解药。机器学习擅长识别潜在的模式和联系。而这些模式和联系，由于我们长期的进化，已经无法理解。我们忽略细节制造迷信。而对于细节的关注成就了机器学习。
大多数疾病其实是由小疾病组成的，而这些小疾病又是由更小的疾病所导致。多层次的相互关联的生物过程很难运用简单的“经验法则”来解决。
机器学习的能力是寻找模式和发现隐藏在微小疾病之间的关系。这是医学科研人员所最为关注的。例如，在医学研究中基因型和疾病表现型之间的联系是一个非常复杂的问题。下面是斯坦福哲学百科全书（Stanford Encyclopedia of Philosophy）中有关基因型和表现型区别的定义：
基因型（genotype）是对从母体继承下来的整套DNA分子的基因组的描述。
表现型（phenotype）是表现有机体物理性状的现象的描述，包括其生理学、形态学和行为性状。
“尽管我们有大量的基因型和表现型的数据，但是要挖掘出基因型与疾病表现型之间的关系，需要引入能够处理生物学内生的复杂因果关系的运算模型。”Amplify Partners的负责人和《未来机器智能》（《The Future of Machine Intelligence:Perspectives from Leading Practitioners》）的作者David Beyer这样说。
“在过去十年，科研人员已经从主要应用浅层机器学习技术（本质上是线性的）转换为新的方法——深度学习。深度学习是一种使用多层神经网络的机器学习方法，”Baeyer解释道，“由于深度学习在视觉等领域出现了突破性的进展，生物与医药领域也对其成功抱有厚望。”
酵母的启示
基因型与表现型之间的缺失限制了基因科学在治疗疾病方面的应用。具有同样基因变异的人们在患有同样的疾病时，也可能会表现出不同的症状，有的甚至没有任何症状。
基因医学是又一个机器学习技术可以产生显著影响的领域。在Tatonetti博士的实验室，科研人员通过研究酵母的基因来理解为什么有些人类的基因变异其本身无害，而与其他变异结合却变得致命。这种现象叫做协同致死作用（syntheticlethality）。正是这种作用使得利用基因信息治愈人类疾病如此的困难。
理解人类协同致死作用是开发个体化的，专杀癌症细胞，而对健康细胞无害的靶细胞的关键。“我们对酵母中的协同致死作用有深入的理解，但很难把相关知识从酵母迁移到人类。”Tatonetti博士解释说，“人类有酵母五到十倍的蛋白质。所以人类蛋白质的相互作用相对于酵母蛋白质，有着指数级的差距。”
之前利用酵母理解人类疾病的研究难以成功，是因为研究的重点放在蛋白质上。“我们使用了不同的方法，”Ttonetti说，“我们使用监督机器学习算法，并告诉它哪些基因对在酵母中具有协同致死作用。然后把在酵母数据上训练得到的算法应用于人类基因。算法本身不区分基因的来源，它只是分析数据。算法得到的结果是，它预测了上百万可能具有协同致死作用的基因对。”
研究团队比较了算法的输出与当前所有的前人详尽研究的人类肿瘤细胞的致死性数据。“通过与较小的‘黄金标准’（goldstandard）数据集进行比较验证，我们发现算法取得与‘黄金标准’同样好的表现。”
Tatonetti博士和他的同事们成功地开发出了从单细胞有机体迁移知识到多细胞有机体的迁移学习机器学习算法。“我们不再试图去枚举式地理解每个蛋白质在人体中的作用，而是使用机器来为我们检出最重要的模式。”
人工智能还是一个“小朋友”
如果说人工智能在医学方面有一位冉冉升起的新星的话，那一定是德克萨斯大学的副校长和首席创新官LyndaChin博士。她说：“人类的大脑受到容量的限制，而医学也因为越来越多的患者数据和爆炸性增长的医学知识变得越来越复杂。没有哪个人可以跟得上医学领域知识增长的步伐，特别是照顾病患的工作。因此，我们特别需要帮助。”
Chin认为人工智能将是帮助人类提高认知能力的有力工具。人工智能对于医生来说就相当于助理对于律师和法官一样重要，虽然他们无法替代律师和法官的工作，但是他们对于司法系统的高效性至关重要。举个例子来说，人工智能能帮助医生组织和综合大量的数据，比如患者、疾病以及治疗方案的选择等等，数据的智能化已经变得可行。
Chin说：“想象一下一个十五分钟的门诊时间内，如果医生可以在两分钟之内得到所有需要的数据，而用接下来的十三分钟和病人询问病情；而不是用十三分钟寻求数据，两分钟来和病人交流，那这样会提升多少诊疗效果和效率呢？”
然而，她描述的成熟的人工智能医疗解决方案，现在为止还只是一位在飞速成长的小朋友。“在医学领域里将人工智能训练成有用的工具就像教育孩子一样，一点也不轻松！不仅仅是基础的人工智能分析需要完善，更因为人工智能医疗本身也是一个巨大的挑战，因此这是一个需要不断迭代学习的过程。”
分享数据是关键
在Chin的远景规划中，一个最大的障碍便是获取各种各样代表不同人群、不同异质性疾病的纵向医疗健康数据，这样才能在医学领域发展和应用人工智能。她说：“这些数据遍布整个世界，却没有被共享，也没有被标准化。这样其中的每一个数据库都因为太小、样本面太窄，不适用于训练人工智能系统而白白浪费了价值。”
从她早期与IBM Waston合作开发出的MD安德森的肿瘤学专家系统（MD Anderson Oncology Expert Advisor?），我们可以看到，一种虚拟的专家系统可以组织癌症的治疗知识和经验。Chin认为AI系统的可靠性只有在数据的壁垒被拆除后才能实现。她说：“数据的分享需要超出单个医院或者医疗系统的限制，因为没有一个机构可以拥有足够的数据。”
在她迎接这个数据挑战的过程中，Chin开始与普华永道合作研发出了“超级兼容”的云平台，来为各家独立的机构和组织共享数据并进性安全的分析。
其中关键的是平台收到监管，并向所有股东承诺其中的数据只会用于特定的场合，而不会用于其他任何的地方。她说：“很少有人会说明所应用的数据，无意中使用私人数据会让大多数人感觉不好。因此，即使是共享，我们也需要强调数据保护。”
为了完成目标，她的团队与美国电话电报公司（AT&T）合作研发了一套安全传输医疗数据的网络，她说：“我们需要保证数据传输的安全性和私密性，并不仅仅是在存储的时候。”
云平台的基础设施可以连接医疗健康和其他行业之间不同的数据源，她希望看到“原来越多的患者、机构、网络的数据，以及来自更多数据源的数据集都聚合到这个平台上来”。
Chin还展望了这些新兴技术的应用，以及将这些技术应用到医疗服务的边缘地带的实现能力。“我们需要考虑为没钱治病的人提供必要医疗服务，”她说，“人工智能和可穿戴移动设备的结合可以为这些人提供质优价廉的医疗服务。”
展望未来
作者按：作为一个婴儿潮时代出生的人，六十多岁的我开始越来越多的和医疗系统打交道。作为一个经常写数据科学的人，对于医疗信息的收集、审理、分析以及分享，我常常因其匮乏而大吃一惊。
小时候大人们告诉我医学是一门科学，更是一门艺术。我已经见识到了艺术的部分，医生们复位骨折的骨头、切除坏死的组织，就像观看奇迹发生一样。
和大多数人一样我也期待着医学的发展，更先进的科学技术叩开人类健康更高的大门。很显然人工智能技术会为医疗的各个方面带来革命性的影响，并将扮演重要的角色。但是人工智能的潜力还没有被人们完全发掘，直到全社会在医疗数据的共享上达成共识。
是时候开启一场关于医疗数据的大讨论啦！我们是选择将数据作为私人财产而持有并出售，还是将其公开作为公共财产可以自由的分享和使用呢？答案将极大的影响人工智能在医疗领域的命运！
