捅破砂鍋！這位在AI醫療埋頭多年的創業者，說出了這些行業真相

作者 | 明明

編輯 | 鴿子

不是醫生，是不是意味著不能從事醫療行業？

答案是否定的，如果你不是一名醫生，你還可以是一名碼農。

2017年，AI行業飛速發展，其中醫療AI獲得巨額融資，卻被大家稱之為是最難和AI相互融合的行業，那麼現在醫療AI發展的現狀究竟如何？針對這個問題，營長專訪了醫療領域人工智慧領軍企業Airdoc的創始人張大磊，將本次的專訪以故事的形式呈現給大家。

午後，在望京的一個咖啡廳見到了張大磊。

他身穿紅色的毛衣，微瘦，帶著眼鏡，手中端著咖啡杯，一邊向我走來，一邊說：「不好意思，剛剛在咖啡廳一樓和朋友談事情，耽擱了一會兒」。此時，我們坐在這家咖啡廳二樓的大堂中。

在已然過去的2017年，張大磊的創業公司Airdoc站在了「AI風口」上，當各大科技巨頭都在談AI的時候，學醫出身的張大磊，早已將自己的事業同AI緊緊的綁在了一起。

2017年，醫療AI飛速發展。據億歐智庫發布的《AI+醫療報告》顯示，國內醫療人工智慧公司累計融資已超過180億人民幣。在看到AI的巨大潛力后，各處的資金向醫療行業湧來，這也使得一大批新興企業爭相加入這個行業。

2015年，學醫出身的張大磊初入醫療AI時，這個行業並沒有太多人做，出去和醫生說AI醫生覺得離自己很遙遠。在剛剛過去的一年內，這個行業受到投資機構關注，一筆又一筆上億元的融資使得醫療AI這個行業逐步從小眾而走入大家的視野中，並變得異常的火熱。

但是在張大磊看來，這種火熱的現象並不會持續太久。「醫療AI不像互聯網一樣可以快速崛起、快速暴富，醫療AI的發展是一個漫長的穩步向前的過程。」張大磊堅定的說道。

不可否認，醫療AI的未來十分光明，甚至可以獲得巨額的回報，但在那之前，還將經歷一輪又一輪的洗盤。

全身心投入醫療AI領域三年後，張大磊對這個行業也有著自己獨到的看法，在他看來這個行業可以分為五大類。

第一類：影像識別

影像識別是醫療AI的入門階段。比如說從肺上面看一個結節，在一個大片子上識別結節，這對人工智慧來說難度不高，對醫生來說也沒什麼大的挑戰。

原來大家設想的場景是：醫生看很多片子，每天非常累。

實際上在中國，大多數的醫院裡面，下午放射科患者並不多。只有特別牛的三甲醫院人到下午快下班都非常多，但是這些醫院下午的患者門診量也不及上午。普通醫院下午放射科人很少，並不存在片子多的實在看不過來的情況。

「沒有AI的時候，你也沒見誰拍了片子沒拿到片子，或著拿了片子醫生沒告訴你問題。」張大磊說。

但是為什麼這麼多人做這個領域呢？因為門檻相對較低，放射科都是標準化的設備，基本的設備數據格式都差不多，基本上每個公司都會認識幾個醫院的放射科醫生，都能去放射科拿到脫敏數據去標一下。

還有的通過網上的公開數據集，直接下載下來。放射科獲取數據較為簡單，同時也是壁壘最低的，誰都可以做，獲得融資的公司中90%集中在這個領域。

但在這上面，價值創造可能有限，為什麼呢？AI能看到的東西，醫生也能看到，目前階段還不存在比專家看的好很多的狀態；另外，對病人來講的話，病人更想知道片子上有病沒病？有什麼病？並不是只想知道是否有結節，如果有結節的話，病人還想知道是良性還是惡性怎麼分型怎麼治？

現在不少公司做的都是從片子上檢測一下結節，但病人想知道的良惡性判斷，是需要結合起來病理來看的。通過一個放射片子直接把良惡性做到專家一樣准，還需要一個過程。

第二類：問題分診疾病

通過詢問問題診斷出這個人患有什麼病，這一類也有很多人在做。大多數做自然語言處理，學習病例、教材、文獻，到最後判斷出來有什麼問題。

問題分診疾病要比讀肺結節更加有「中國場景」。可以替代一些全科醫生的部分工作，中國特別缺全科醫生。全科醫生在國外保險公司願意買單，最好能夠早發現早治療，自己在家處理一下，不要耽誤到很嚴重才去醫院，那樣保險公司花的更多。

張大磊認為在商業保險上，中國比不上美國的環境，美國的商業保險較為完善。

張大磊之前也做過問題分診疾病這項業務，有十幾萬基層醫生每天在用，但在中國很難賺錢，中國保險行業沒有起來，政府也不會出資買這些東西。

只有商保能起來，這塊自然也就跟著起來了。

但是這裡面，有個最大的問題是，在以往的實際經驗中，病人往往說不清楚哪裡不舒服，很多人只是說「我不舒服」，「我不舒服」這件事情沒有任何可用的有價值的信息。如何讓患者準確描述體征和癥狀，這是分診疾病的一大問題。

第三類：基因、微生物研究

理論上來講，如果能夠取到所有人的基因數據、對應每個人的臨床表現、身體特徵這些東西，就可以拿演算法訓出來哪個基因和胖瘦有關？哪個基因和鍛煉有關？哪個基因和帕金森有關？

然後就可以取出來這樣東西，實際上基因微生物獲取成本相對高一些，也沒有人把所有基因微生物全部訓出來，但這個機會是存在的。

比如說肥胖，有的人怎麼吃都不胖，有的人稍微吃點就發胖，這個就由體質來決定的。

所謂體質要麼就是先天的基因，要麼就是微生物或者是腸道菌群，有的人怎麼吃都不胖，可能因為降解代謝的非常快，如果把這個人所有的腸癌道菌群移植到另外一個人身上，另外一個人吃肉也不發胖，這樣的話，控制體重相對來講就是簡單的事情。可能不需要運動，也並不胖。

醫療上很多問題要搞定的話必須要有專業的醫生教授，再有做演算法的人在一起才行，單純的讓一堆做演算法的人來做比較困難。張大磊舉例說，如果做演算法的人可以搞定一切的話，Facebook、谷歌、微軟會是全世界最牛的醫療公司，很顯然不是的。

這一類是張大磊非常看好的一項內容。

尤其是微生物這塊，微生物可以調節，所以理論上來講存在一種可能性是大家每天想吃啥吃啥想睡就睡，也不鍛煉，但是你每天吃飯的時候喝個特別的益生菌，就會永遠不胖，這是有可能的。

怎麼做到呢？或許可以找一些特別胖的人，再找一些特別瘦和正在變瘦的人，把腸道菌取出來，拿演算法跑一遍對比發現差異，再把有差異部分做成一個能喝的飲料或是粉末每天扔到水裡喝一下。

這個機會很明顯比「影像識別」大，「影像識別」只能賣給醫院，而這個則是每個家裡都可以用的。當然，在研究階段，對採集樣本的能力要求很高。

第四類：新葯研發

在研發藥物的很多環節上都可以拿演算法改進。

研發藥物時，做臨床實驗的時候需要找一些病人來吃這個新葯，找病人入組條件也比較複雜。

舉個例子，醫生們想要找一組沒有被任何方式治療過的老年痴獃的病人，同時剛好年齡在60-65歲，女性，剛好不抽煙不喝酒，沒有任何心臟問題等等各種問題，同時每周來做一次檢查。

另外一組就是正在吃某一組葯，吃了兩年時間，同時其他條件一模一樣，這樣篩上一千人，光是這個時間就得花上一兩年時間。

一個葯上市晚一年損失就要用多少億來算。

如果有一個演算法從全部病歷中批量篩出來有這些問題、這種條件的人，就能夠快速找到符合要求的病人。在藥物研發上面，還有藥物不良反應監控上面，也是大市場。

在美國，有很多人做這個事情，藥廠願意出錢，就像問題分診場景中保險會出錢一樣，但是在國內做的非常少，因為中國原創葯很少。

「這一塊，對中國還有個特別的機會。」張大磊說，我們有很多中醫、古方、湯劑。拿演算法把裡面全部抽出來也是一個機會。

舉個例子，最簡單的抗病毒這件事情，在以前所有的古書中和抗病毒相關的提到的方子，幾百幾千個肯定是有的，這些裡面哪些是可信度高的如張仲景、李時珍提出的，哪些是可信度低的如偏方，裡面同時顯示的成分或是組方高頻存在，說明與這個東西更可能有關係。

在張大磊看來，把歷史上中藥文獻全部拿演算法過一遍找出來裡面有價值的部分，會非常的有意思。說不定就可以醫治某一些不好治的病。

像瘧疾那麼難治的病，死那麼多人，最後青蒿素可以發揮作用，我們國家過去了幾千年，這幾千年出現很多聰明人做醫療，只是沒有被很好的傳承下來。但是這些醫書都在那放著，讓一個個人把歷史上所有這些醫書全部讀一遍不太現實，可能一輩子都讀不完，但是用演算法中間抽一些東西是很有可能的。

第五類：食物營養成分研究

現在有很多問題實際上吃出來的，你看我們現在飲食習慣，都不用更久遠，我們父母一代人吃的東西都和我們年輕時候不一樣的。

從健康角度來說，實際上二三十年前中國人吃的東西可能比現在吃的東西健康，我們現在心血管、糖尿病發病率有多高，為什麼呢？

在過去多少年裡面，我們並不是每個人都隨時隨地可以吃肉。我們天天吃穀物的肚子，現在變成天天吃肉的，基因並沒有快速的改變，像糖尿病、高血壓、動脈硬化會越來越多。

以前在古代的時候鹽比較珍貴，不是超市裡面隨便買一個，合理的量是一天吃6克鹽。我們現在誰吃6克鹽，統計一下發現絕大多數每天都是超標的，隨便吃上一個咸餅乾可能就比6克多了。

張大磊介紹說，我們之前做的APP，在吃東西之前拍張照片，中餐我們拿人工演算法識別出來這是什麼菜？有什麼樣元素？有什麼食材？高血壓病人能不能吃？糖尿病人能不能吃？這些東西從未來長遠來看具有更高的商業價值。

例如，在食用一個三明治時，在APP上面拍一張照片，算出來這個東西大約有多重？裡面營養成分分別是什麼樣的？裡面有多少碳水化合物？多少的熱量？多少的重金屬？多少的微量元素？

這樣的話，每個人在吃東西的時候有所控制，對每個人健康狀況都是非常好的。

外國人在在購買東西時會習慣的看一下包裝上都有什麼營養元素和熱量，我們則沒有這個習慣。這是為什麼呢？我們祖先在幾十年前吃的都比較健康，他不需要每天看這些東西，他吃五穀雜糧，現在我們的食物結構發生了變化，可以吃飽了，但是人們按照膳食指南吃東西的習慣沒有養成。

現在大多數人吃的蔬菜水果是偏少的，可能精細的主食和肉吃的偏多的，這實際上可能並不利於身體健康。

中國每天就診有兩千萬人次，如果按照15億人基數來算，這意味著大多數人只有在扛不住了才去醫院。實際上有差不多三億人身患某種非致命性的慢性疾病，但是他自己可能不知道。

舉個例子，很多糖尿病人高血壓病人不知道自己的病情，一年中參與體檢的人次才是幾百萬，有很多人都不去體檢，導致的後果是本來花五塊錢能解決的事情，非要等到花五千、五萬才去治。

在這個現實面前，真正對中國價值創造最大的是把有慢性病的人能夠早期發現，同時給予很好的干預。

除了介紹醫療AI上的五大類別之外張大磊還講述了醫療AI上，現階段的兩大怪象。

怪象一：醫療AI扎堆影像識別

無數人衝到「影像識別」這裡。我們真的需要這麼多放射科演算法大夫嗎？是不是讓大家少生病更有意義？

實際上放射廠商是非常強的，如GE飛利浦西門子這些世界五百強，在中國每年銷售額百億千億這樣規模，他們能把一個幾百萬幾千萬的設備賣到醫院裡去，客戶關係自然是現成的，數據又多，專家關係又好，演算法本身也差不多，那可能對設備廠商來說「影像識別」做起來或許不會太難。

長遠的結局是什麼呢？放射廠商做這塊之後，加到硬體中售賣或者送出去這項業務，對創業者和投資人都將會是一個巨大的壓力，該如何應對這種情況呢？

「有一些公司把醫療想的過於簡單，從網上下公開數據跑跑，在資本熱潮下拿到一些投資，我認為這些創業公司可能不好成功。」

為什麼呢？門檻相對較低。

「我們公司2015年就做過結節，敏感性特異性很不錯，實際上我們也不覺得這有什麼神奇的，我們結節演算法是實習生做的，比大家想象的簡單很多。」張大磊介紹。

單病種的演算法相對多病種來講門檻低一些。舉個例子，之前拍照識別皮膚病，人的皮膚病幾千個，不能拍完照告訴他這不是濕疹，得告訴他這是什麼病，單病種對病人來說用處有限。病人想知道自己什麼病該怎麼治，因為病人在就醫前大概率不知道自己是什麼病。

就像上面判斷的沒有結節，實際上對病人來講也意義有限。如果你不舒服，你咳嗽跑到醫院去拍片子，醫生給你出的報告說你沒有結節，你肯定不滿意，你肯定想知道：我有沒有肺炎？我有沒有肺結核？有沒有其他問題？你不會只想知道我沒有結節。

在張大磊看來，放射科AI盈利機會更多屬於設備廠商。

怪象二：患者數據獲取監管空白

在醫療AI的研究中，無疑是需要數據的，這就需要數據合作。有這樣幾個方式：醫院、學會、專家、政府。

絕大多數的企業只是與幾個個別專家合作，從法律上來講的話患者數據不屬於專家，這也意味著許多公司未來是會吃虧的。

和醫院和衛計委和醫學會合作流程較慢，有的時候簽協議一年就過去，時間非常長，但是必須要做的。

有一些公司搞上幾個專家直接把醫院數據跑出來帶著所有患者敏感信息，從法律上來看數據不屬於專家，未來可能會面臨監管上的一些問題。

另外一方面，拿出來的數據可能還存在很多信息標註的偏差問題。

一般一個醫院醫療體系裡面拿出來的數據都有某種偏見，這個醫院一直都以這種方式看，另外一個醫院以那種方式看，數據重新讓三家以上醫療機構標，大多數公司不做這個活，因為這對資源整合要求比較高，只有和這個領域裡面比較牛的專家和比較牛的醫院合作，讓他們獨立的標註數據，結合完整病歷，標註取得一致部分，才有訓練價值。

結語

對於AI醫療的發展來說，張大磊認為醫療AI想要獲得像新葯一樣盈利，對這個行業來說至少還需要十年時間。因為醫療行業是一個比較難以改變的行業，整個醫療行業發展很慢，在人身上使用的東西是非常慎重的，首先要確保安全有效，其次再說經濟成本。

顯微鏡從被發明出來到被所有醫生普遍用上花了百年時間；射線從發現到大量醫院開始拍X光，又花了幾十年時間。

AI從開發到運用到醫療上，需要多長的時間還不可知，但是就目前的社會進程來說，新的事物的發展更新迭代速度變得非常的快，也許不再需要幾十年的時間甚至是幾百年的時間。

這個行業需要致力於高科技研發的AI人才，與醫院醫生相互協作，共同致力於醫療AI的發展。也許你不是一位醫生，但你是一位碼農，那麼很高興的告訴你，醫療AI同樣需要你。