前不久，百度宣布對醫療事業部進行重大改組，對醫療業務進行組織架構調整和優化，集中優勢資源，將醫療業務的重點布局在人工智能領域。此舉一出就引發了業內的關注，百度在醫療領域的任何動作都會招致各種議論，原因大家都知道，在這里也就不多說了，那么，人工智能技術與醫療事業的契合點在哪里？現階段的人工智能是否能夠對醫療事業帶來重大影響？我們簡單的來分析一下。

醫療作為一個特殊的行業存在，由于其自身體系的獨特性與封閉性，難免會存在著這樣或那樣的問題，就像大家知道的那樣，看病難、看病貴已經成為人們普遍抱怨的對象。人民的生活水平得到了逐步的提高，對醫療資源的需求也日益增強。由此一來，衛生服務需求與醫療衛生資源的矛盾日益突顯。

醫療資源集中、小病也去大醫院，無形之中就給醫院帶來了很大的負擔。大醫院的功能本應是收治危重病人和疑難病人，卻收治了大量常見病、多發病患者，不僅造成看病難、看病貴，還浪費了大量的寶貴資源；“以藥養醫”的畸形發展更是給病患就診帶來了不必要的經濟負擔，小毛病動輒開藥幾百上千元早就是家常便飯，回扣的潛規則導致一些醫生并不是為患者考慮最優的診療方案，而是最貴的方案。

地域之間的公共醫療資源分配不均，比如三甲醫院大部分都分布在省會城市，先進的醫療器械和優質的醫護資源也都集中在這些醫院中，這就自然導致了大量的患者涌入這些醫院，就診效果難以保證。從另一個角度來看，傳統醫療手段對于疾病診斷方面存在一定的誤差，在某些疑難病癥上的診斷與治療更是存在兩眼一抹黑的情況。

可見，醫療是個“歷史遺留”問題，在我國是這樣，在很多發展中國家乃至發達國家也擁有類似的問題。而對于人工智能技術來說，其在大數據領域與運算速度上的先天優勢可能為醫療事業帶來驚人的進步。在最簡單的化驗分析階段，如今已經擁有人工智能設備在進行這一環節的操作，雖然樣本采集諸如采血、采便、穿刺等還需要人工來進行，但后續環節已經完全可以由人工智能技術代勞，樣本分類、離心、推片、染色、劃片等步驟要比人類操作的效率高很多。

統計機構IDC的預測數據顯示，到2020年醫療數據量將達40萬億GB，數據生成和共享的速度將迅速增長，其中80%以上的數據為非結構化數據。IDC認為，未來人工智能技術將在醫療領域被廣泛應用，尤其在輔助診斷、藥物研究、醫學影像、基因科學等細分的醫療場景。從目前來看，IBM的“沃森”應該是全球領先的醫療人工智能系統，它將人工智能的數據整合、分析與判斷能力與人類醫生的診療經驗相結合，提供輔助醫療的處理邏輯。

中醫“望聞問切”的時代早已遠去，今天的醫療技術更加追求縝密、嚴謹、細致，這恰好是人工智能技術所擅長的。在疑難雜癥方面，人工智能技術可以把全球病例匯集成一個龐大的數據庫，只要幾毫秒的時間就能調取并檢索關鍵數據；而基于神經網絡、計算機視覺、深度學習和語音識別等技術的人工智能系統還能對阿爾茲海默癥、精神分裂癥等疾病進行早期預警與診斷。

Winterlight的機器學習軟件對阿茲海默癥患者和健康人的演講進行分析，從語料中找到語速、語調和語法的區別，找出規律。普通人用這個軟件去測試，能夠得知自己未來罹患阿茲海默癥或其他認知障礙的風險有多高這項技術能夠幫助人們提早預測抑郁、中風、失語、自閉癥、多動癥等認知障礙，進而進行預防或提早接受治療。

波士頓生物醫療公司的BERG人工智能系統對比分析從癌癥患者和健康人身上采集的樣本，試圖在14萬億個數據節點中找到能夠“對癥下藥”的那些關鍵節點，而如此海量的數據節點完全無法依靠人類醫生來分析。由此可見，因為數據量龐大、病例罕見等原因導致很難由人類醫生的完成的工作，正在被人工智能技術一點點發現并解決，雖然人工智能要形成完全的診療能力還需要很長時間，但其已經影響到了醫療行業的工作模式，讓新藥研發、病理診斷等工作變得更加高效。

相對于雇傭家庭醫生的高價格，人工智能技術可以通過人們的工作環境、工作時間、作息規律、飲食偏好、病患病史等眾多細節來量身定做一套適合每一個個體的醫療服務，還包括健身、保健等等。通過智能手環、智能心率帶、智能內衣等周邊設備獲取人們的數據，并上傳到云端服務器，再通過系統制定一套可供參考的醫療服務細則，類似的事情已經在歐美國家開始部分試點，想必距離全面鋪開也只是時間問題。

總的來說，人工智能在醫療領域的機遇主要有七大方向：一是提供臨床輔助診斷等醫療服務，應用于早期篩查、診斷、康復、手術風險等評估場景；二是醫療機構的信息化，通過數據分析，幫助醫療機構提升運營效率；三是進行醫學影像識別，幫助醫生更快更準地讀取病人的影像所見；四是助力醫療機構大數據可視化及數據價值提升；五是在藥品研發領域，解決藥品研發周期長、成本高的問題；六是健康管理服務，通過包括可穿戴設備在內的手段，監測用戶個人健康數據，預測和管控疾病風險。