人工智能是一个很耐人寻味的概念。认真地追究起来，究竟什么是智能?什么是人工智能?机器可以拥有智慧和思想么?如何定义人工智能?人工智能到现在，在科学界还是一个包罗万象,见仁见智的一个概念，很难去明确定义。投资界谈论的人工智能是指人工智能的核心技术在某个特定的领域的应用而言。比如在医疗领域的人工智能，是指以机器学习与数据挖掘为两大技术核心的人工智能技术，在医疗产业在人力所不能及的领域的应用，提升医疗相关活动的效率，并对整个医疗相关产业链产生影响。

国内医疗需求在不断上升，医疗资源仍然是严重缺乏，卫生支出不足，卫生人员整体素质有待提升，急需新的技术出现来改善医疗资源配置，优化医疗诊疗流程，提升医务人员的效率。在很多新的生物医药研究领域，人工智能可以帮助优化研究结果，加速研究的进度，指明研究方向。人工智能技术给生物医药以及卫生服务领域带来了前所未有的发展想象空间。

目前我国在人工智能和医疗领域的公司和产品，可以分为医学影像，疾病风险预测辅助诊疗，药物挖掘，医院管理，虚拟助理，健康管理，辅助医学研究平台等大类应用场景。疾病风险预测和医学影像场景下的公司最多，计算机视觉和基因测序技术向队成熟，所以相关产品开发比较快速。但是产品形态以软件为主，算法模型处于训练优化阶段，尚没有大规模应用的产品。公司主要服务的对象包括医院，体检中心，药店，药企，研究机构，保险公司，移动医疗等。业务主要是基于科研对外合作，以引入技术，训练模型，获取数据与服务等为主。

国内131家医疗人工智能公司集中于北京、上海、深圳，这些创业公司在2014和2015年大量涌现。公司创始人大都是具备生物医学专业背景的博士和博士后。截至2017年8月15日，国内医疗人工智能领域的投资额达到180亿，红杉资本，真格基金，北极光创投等知名的创投基金都纷纷投资了该领域。国内的阿里巴巴、腾讯、百度、科大讯飞、华大基金，海外的IBM、Google、苹果、微软、亚马逊等也都在该领域布局。

人工智能在医疗领域的三大典型应用：辅助诊疗，疾病风险预测和医院管理。也和大家分享建投资本在这些领域所作的相关投资。

辅助诊疗（Diagnosisi & Treatment Assistant)

凡是为医生诊断与制定治疗方案提供辅助的产品，都可以认为是辅助诊料产品。除了医学影像外，还有以下两种：
A. 医疗大数据辅助诊疗，其中包括基于认知计算，以IBM Watson for Oncology为代表的辅助诊疗解决方案；
B. 医疗机器人（指针对诊疗环节的机器人，导诊等医院流程环节的机器人不包括在内）

医疗大数据辅助诊疗是基于海量医疗数据与人工智能算法，发现疾病规律，为医生诊断和安排提供参考意见。比如某种肿瘤的大数据平台。医疗大数据平台的建立现阶段还是有很多障碍需要跨越，包括医疗数据孤岛，数据样本量小，成本高，数据结构化比例低等。医疗信息本来就是病人的私密敏感信息，需要保密。各家医院的医疗信息系统现在并没有互通，而且很多医疗信息的输入还没有电子化和标准化，只有一些病理检验，X光/CT影像资料，往往是以纸质形式保存的，所以这些医疗信息数据有待进一步的解读和清理。目前，科研合作是打破医院数据壁垒的有效方式之一。比如某公司以肿瘤研究为立足点，获取病理数据的同时，研发了肿瘤知识库和标准化肿瘤科研模型，将临床数据与基因数据整合分析。公司除了与医院进行合作，还与基因公司，CRO公司（专业从事药品研发）、移动医疗公司开展合作，提供更多标准化的增值服务。

医疗机器人最典型的案例是IBM Watson for Oncology，它也是全球第一个将认知计算运用于医疗临床工作中的案例。认知技术是比人工智能更宽泛的概念，比如用到深度学习算法等等。如果说人工智能关注的是“读懂人的世界”，那么认知计算可以说是“读懂大数据的世界”。IBM运用认知计算，打造人类认知非结构化数据的电脑助手，主要从理解、推理、学习这三项特质训练入手，让系统或人类直接交互训练，或深入各类非结构化数据自我训练。目前已通过美国执业医师测试。IBM 联合MSK（纪念斯隆*凯瑟琳癌症中心）基于NCCN（美国国立综合癌症网络）癌症治疗指南和其在美国100多年癌症临床治疗实践经验，历时4年多的训练，诞生了Watson for Oncology, Watson for Drug Discovery（药物研发）, Watson Care Manager（健康管理解决方案）三大产品。

IBM Watson for Oncology在中国的落地仍有一些难题要解决。包括Watson目前仅能够就客观病理治疗进行方案推荐，但很多时候医生还需要根据病人的实际情况去调整，并说服患者接受。另外，由于中国还缺乏本地化的临床治疗数据库，Watson只能根据西方的临床经验来给出诊断。从2016年起，IBM Health陆续和中国的医疗科技类公司进行合作。Watson for Oncology在国内已经覆盖32家医院，预计2017年底将会合作超过200家三级综合医院。

疾病风险预测

是随着精准医学的发展而来的下游应用。精准医学的核心是“基因组学”，通过对人类染色体中所包含的30亿个碱基对组成的核苷酸序列进行破译，来解读人类遗传信息，认识疾病产生机制，从而实现疾病预测。基因测序已经发展到第二，第三代测序方法，可以高通量，更加精准的检测基因的类型。2014年以来，我国出现了大量通过基因测序技术来预测疾病风险的创业公司。依赖于测序技术的发展，近年来出现了通过检测血液的微量的遗传物质来监测和预测疾病发生的液体活检技术。国内进入该领域的公司一时大量涌现，但是真正能够做到提供精准，高效预测结果的公司非常有限。要做疾病预测，一方面需要非常成熟的技术，另一方面还需要大量的中国人群的数据积累。因此，随着测序数据的积累，预计未来3-5年内，国内疾病风险预测领域将会出现领头企业。2017年5月，建投资本管理的新兴产业基金厦门嘉溪完成对微塞特（北京）科技有限公司（以下简称微塞特）的股权投资。微赛特公司基于循环肿瘤DNA（血液中一种的和疾病发展相关的遗传物质）富集，第二代基因测序技术、测序大数据分析等液体活检技术对病人进行疾病诊断、持续监测，为医生提供诊疗方案。通过不断的肿瘤相关人群基因数据的积累，将来可以建立起一个中国人的疾病基因库，为精准医疗的实现提供基础，同时参与帮助国家制定循环肿瘤DNA基因检测的行业标准。微塞特项目也为建投资本将来在人工智能+医疗产业的投资带来新的契机和发展。

医院管理

指针对医院内部、医院之间各项工作的管理，主要包括病历结构化、分级诊疗、DRGs（诊断相关分类）、智能系统、医院决策支持的专家系统等。医院管理的发展依赖于各地方医院形成统一规范的临床结构化病历模型。由于中国医疗病历写作缺乏规范性，而且患者回访率比较低，造成数据延续性差。我国2002年已出台《病历书写基本规范（试行）》，开始对病历书写提出规范化办法。2009年“新医改”政策中，更是将病历电子化、规范化列入国家卫生计生重点工作中，连续出台多部文件，推动病历电子化与医疗数据产业化进程。2011年卫生部办公厅印发了《电子病历系统功能应用水平分级评价方法及标准（试行）》，其中对电子病历系统应用水平划分了8个等级，每个等级都有相应的评审标准。这使得医院病历结构化进程加速推进。病历结构化主要用到的是自然语言处理技术。

目前，国内提供病历结构化服务的公司，往往面向医院提供开放性平台服务，以服务换数据的形式，实现共赢。具体的业务模式分为两类：

A. 开放性的中文病历语义应用程序编程接口，提供医院无缝对接的可插拔式模块；
B. 提供智能病历分析服务，服务类型和范围较广，如为保险公司做医疗风险评估、精准医学大数据中心的业务规划合组织架构设计、协助重大研究课题进行前期分析研究、开放医疗人才培养系统等等;

提供病历结构化服务的公司，未来可以帮助保险公司做风险控制，发现并减少过度医疗行为，帮助药企监控新产品的安全性等。例如一家专注于医学文本分析的人工智能公司，其主要业务是通过机器学习和自然语言处理技术自动抓取医学文本中的临床变量，将积压的病历自动转化为结构化数据，生成标准化数据库。然后用智能算法来挖掘变量的相关性，从而对临床科研提供专业性的统计分析支持。现在美国通用的疾病诊断分类系统叫做DRGs（Diagnosis Related Groups), 它根据病人的年龄、性别、住院天数、临床诊断、病症、手术、疾病程度等因素将病人分为500-600个诊断相关组，然后决定给医院多少补偿。 利用DRGs系统变量所作的大数据分析能有效降低医疗保险机构的管理难度和费用，有利于宏观预测和控制医疗费用，减少医疗资源浪费。在该领域，建投资本也有所布局。2017年8月，建投资本所管理的医疗健康产业基金上海嘉稹完成了对杭州数睿科技有限公司（以下简称“数睿科技”）的投资。数睿科技是一家为医疗机构提供临床辅助编码和决策支持系统以及为科研单位和商业保险公司提供数据挖掘、计算和分析等信息化服务的科技公司。公司在自主开发的生物医学/临床医疗数据库和基于云计算架构的数据计算分析平台上实现临床、科研和疾病管理等多种信息化应用功能。公司通过将自然语言处理和机器学习应用于电子医疗档案和基因组等数据的分析挖掘中，为临床和科研机构提供个性化医疗的IT解决方案。公司开发的临床数据挖掘平台和计算机辅助编码、临床决策支持系统等医疗大数据应用在很大程度上能够帮助提高国内高端临床大数据挖掘及高级决策支持水平，促进治疗费用、医疗成本的大幅降低和医疗质量的显著提升。

医疗人工智能拥有广阔的市场需求和多元化业务发展空间。笔者主要看好辅助诊断，疾病风险预测，医院管理以及药物挖掘等方面的应用场景。随着国家对医疗领域的重视和医改的推进，这些领域成熟会较快，将是未来5-10年爆发各种巨头公司的领域。人工智能和医疗领域的结合不仅仅能够给医疗卫生领域的实用效率带来极大的提升，也会给生物医疗的科研提供海量具有实际意义的研究课题，从而进一步促进医疗应用的发展。在医疗数据的樊篱进一步瓦解后，医学影像，药物挖掘，辅助医学研究平台等领域也会带来另一波的全新发现。医疗一旦乘上人工智能的大船，必将开拓出一番新的疆域，带来之前都无法企及的多彩气象。我们期待着这个美好的未来快点到来。