如果AlphaGo读了很多病例，会不会战胜医生？
2016年年底，美国高盛集团发布的一份长达9 9页的重磅人工智能报告——《人工智能、机器学习和数据将
推动未来生产力的发展》（以下简称《报告》）指出，人工智能是信息时代的尖端技术，正深度介入医疗、农业、金融、零售业、能源业等领域，人工智能服务的发展有可能开辟新的市场。
2016年以来，“互联网颠覆医疗”的舆论逐渐消退，“人工智能颠覆医疗”的论断又起。人工智能的拥趸认为，与互联网不同，人工智能对医疗领域的改造是真正意义上的“颠覆”。随着图像识别、深度学习、神经网络等关键技术的突破，人工智能在世界范围内迎来了新一轮大发展，而在这轮发展中，“人工智能+医疗”是最可能落地的领域之一。
目前，“人工智能+医疗”已经在部分病种的应用上取得了突破性进展。如IBM Watson已在肿瘤的辅助诊断方面开始了大范围应用。国内不少创业公司在医学影像分析方面也已有了非常多的尝试，并成功在肺部疾病、心血管疾病的诊断方面取得进展。
全球芯片巨头英特尔在人工智能领域的一举一动都受到行业关注。事实上，英特尔已对市场倾注了极大热情，目前已先后斥巨资收购多家人工智能初创公司，并在相关配套软件上也向人工智能倾斜。
“英特尔希望推动中国融入人工智能时代，在加速人工智能和医疗行业融合发展的道路上，我们将同产业伙伴一道加速技术创新和应用进程，使人工智能更快地惠及大众。”英特尔医疗与生命科学集团亚太总经理李亚东在2016年11月举行的“第十届中国医院院长年会”上表示。
“人工智能+医疗”毫无疑问将成为解决医疗资源不足、提升医疗领域生产能力的重要推动力，但以英特尔为代表的科技力量将从哪些方面、如何推动人工智能与医疗健康实现融合是关键问题。只有明确了这个问题，才能洞悉“人工智能+医疗”的未来。
数据洪流开启人工智能
阿里云研究中心和BCG发布的报告从技术突破和应用价值两个维度分析认为，未来人工智能会出现服务职能、科技突破、超级智能三个阶段。基于数据的服务智能阶段将在接下来3〜5年爆发：人工智能拓展、整合多个垂直行业应用，丰富实用场景。高盛发布的《报告》也认为，近年来，机器学习（Machine Learning，ML）和深度学习（Deep Learning，DL）的应用领域极速扩张，而数据、更快的硬件、更好的算法则是推动人工智能的进展的三大基石。IDC Digital预测，截至2020年，医疗数据量将达40
万亿GB，预计约80%数据为非结构化数据。
美国斯坦福大学发布的《2030年的人工智能与生活》研究报告指出，人工智能在医疗领域的主要功能包括：临床医疗决策支持、患者监控及辅导、自动化手术及患者护理设备、医保体系管理等。其中，数据是关键。虽然人工智能从个人监控设备及手机应用软件、电子病历、医院机器人助手等多处收集数据的能力增强，但其发展速度并没有想象中那么快，很难利用这些数据对患者及患者群体进行更加细致的诊断和治疗。
研究报告称，电子病历的普及就是这样一个案例。电子病例市场由少数几家供应商垄断、用户界面不符合标准等多层面障碍的存在导致电子病例数据至今得不到有效利用。落后的管理条例及激励机制阻碍了其研究和应用的发展。且医疗体系庞大而复杂、人机互动方式匮乏，这些都增加了人工智能的应用难度与风险。接下来15年，只有数据充足且目标精准，人工智能才能彻底改变医生现有职责。
实际上，随着人工智能算法的日益复杂以及所需数据集的不断增加，计算创新成为人工智能发挥价值的强大源泉。作为计算创新领域的全球领先者，英特尔公司数据中心为人工智能提供了强大的支撑，英特尔数据中心即是云服务的基础架构，也是人工智能的一部分。
英特尔公司全球副总裁兼中国区总裁杨旭认为，迈向人工智能，关键在于驾驭数据洪流。预计到2020年，全球将有500亿台相互连接的智能设备。随着互联的物体越来越多、越来越智能，将产生汹涌而来的数据洪流。中国拥有世界上最大规模的互联网用户，未来也将拥有世界上最多的智能互联设备。面对如此庞大而复杂的数据，人工智能如何充分挖掘、释放数据价值？
“一个重要的因素，就是端到端的计算。从终端数据的产生、采集，数据的高速传输与存储，到云端数据的分
析、挖掘，端到端计算助力人工智能充分释放数据价值，带来更多的创新和增值，引发各行各业由此而来的深刻变革。比如在精准医疗领域，可以利用人工智能寻找靶向药物，以更好地治疗目前难以治愈的疾病。”
英特尔公司副总裁、数据中心事业部数据中心解决方案部门总经理JasonWaxman在不久前举行的“释放IA原力，拥抱AI时代”论坛上表达了类似的观点：“人工智能将变革企业业务运营方式以及人类与世界的交互方式。从海量数据分析中创造业务洞察，人工智能正在扮演着越来越重要的角色，并不断推动着行业的变革和转型。”
目前，数据中心在英特尔众多业务中的作用越来越重要，因为健康医疗、教育、政府行业都在转型（云服务和大数据的应用），对数据中心提出了新的要求。根据研究数据显示，目前产生的数据当中有95%没有得到使用。这就意味着企业花了大量资金来存储数据，然而数据却没有给企业带来应用的价值。这其中有企业自身对数据价值不重视的原因，但更重要的是目前处理大规模数据的效率并不高。
英特尔认为，人工智能和深度学习就能解决这一问题，这已在无人驾驶以及医疗健康领域等已经得到了广泛应用。例如，精准医疗可以在基因图谱上诊断病情，并且根据每个人独有的基因图谱给出治疗方案。
2015年12月英特尔以167亿美元完成对Altera公司的收购，补充了其具有领先优势的产品组合，并为高速增长的数据中心和物联网细分市场提供了新类别的产品。此后，英特尔又并购了一系列计算机视觉公司。这被认为是英特尔在人工智能领域加强布局的实际行动。
Jason Waxman透露，英特尔正继续转型以聚焦已经崛起的良性循环——云和数据中心、物联网、内存和FPGA等加速器，它们紧密联系在一起并通过摩尔定律而进一步增强——从而加速人工智能创新及其在企业和社会中的应用和普及，迎接人类历史上伟大时代的到来。
适用医院各种场景
人工智能在医疗健康领域中的应用从应用场景来看主要分成虚拟助理、医学影像、药物挖掘、营养学、生物技术、急救室/医院管理、健康管理、精神健康、可穿戴设备、风险管理和病理学等方面。
虚拟助理是一个语音助手，交谈是与虚拟助理交互的基本模式。苹果手机上的Siri是最为人熟悉的虚拟助理。虚拟助理可以根据和患者的交谈，智能化地通过病情描述判断患者病情。虚拟助理是目前较受青睐的人工智能医疗健康细分领域，国内虚拟助手刚刚起步，国外所熟知的医健虚拟助理是Babylon Health。
Babylon Health是一家位于伦敦的初创公司，该公司在过去两年里建立了一个庞大的医学症状数据库，拥有总共36500个案例的数据库，在看医生前利用语音识别来询问用户一系列问题。Babylon Health走向应用
需要经过两个阶段的建造，第一个阶段有两个步骤，第一个步骤是自然语言处理，也就是听懂患者对症状的描述，根据疾病数据库里面的内容进行对比和深度学习，对患者提供医疗和护理建议。这个阶段局限于肾脏、肝脏、胆固醇和骨科等较小范围的领域。
在第二个阶段，随着更大规模数据库的加入和更长时间的训练，BabylonHealth将提供更多种类的疾病建议。但Babylon Health遇到的瓶颈是，在政策法律方面，由于医疗责任主体不明，监管部门禁止虚拟助理提供轻微疾病的诊断和重症的任何建议。
医学影像与人工智能结合是医疗健康领域的热点。目前医疗数据中有超过90%来自医疗影像，这些数据大多要进行人工分析，如果能够运用算法自动分析影像，再将影像与其他病例记录进行对比，就能极大降低医学误诊，在图像的检测效率和精度两个方面帮助做出准确诊断。
目前中国医学影像正在从传统的胶片向电子胶片过渡，电子胶片的广泛使用使得医学影像数据大幅度增长，美国数据年增长率达到了63.1%，在中国也达到30%。放射科医生的年增长率美国和中国仅仅只有2.2%和4.1%，远远低于影像数据的增长，形成了巨大的缺口。这意味着医师工作量大增，判断准确性下降，借助人工智能对影像进行判断则能有效弥补该缺口。
医疗领域的痛点之一是药物发现与开发的时间和成本。根据塔夫特药物发展研究中心的数据，一款新药的面市从药物发现到获得FDA批准平均大约需要97个月。《报告》指出，在药物开发过程中结合机器学习，有提升开发效率的潜力。机器学习不但可以加速时间范围，还可以提高到达后期试验阶段药物的成功概率。随着人工智能和机器学习的不断整合，人类有望在新药研发过程中显著地降低风险，不但将节约每年约260亿美元的研发成本，同时还将提高全球医疗信息领域的效率，节约的成本价值超过每年280亿美元。
医疗领域的一项特别挑战，依然是医生的医疗实践明显滞后于新药和新治疗方法的获批。因此，许多医疗领域的机器学习和人工智能专家正不断鼓励主要的医疗服务供应商，让在其工作流程中融入现代的机器学习工具，以使其充分利用收集到的和已发表的海量医疗数据存储。机器学习和人工智能可有望降低药物发现和医疗实践之间的时间差。与此同时，它们还能对治疗进行优化。
在医院管理方面，人工智能也越来越有了用武之地，急诊科管理就是鲜明的例子。众所周知，在大型医院中，急诊科的管理往往非常混乱。管理者和前线的医护人员每天都不得不为诸如怎么配备人员、手术室、占用时间预估等问题头疼，整个管理和看病流程效率偏低。通常情况下，急诊科的非急诊患者至少占1/3，需要立刻抢救的大概只占急诊总量的5%～10%。但由于没有智能的医疗健康系统，经常会出现患者在急诊室门口等待几小时却无人医治，或者医护人员和病床资源空闲时，却无人可医的情况。
成立于2013年的AnalyticsMD是美国一家以医院智能决策分析系统技术的初创公司，其业务是帮助医院开发符合HIPAA标准的SaaS系统。通过该系统，医院管理者可以时时掌握目前的工作状态和进度，做出更好的选择，不落后于其他同行。系统的另一个目的是提高患者和医护人员看病的质量和效率。目前该系统已在旧金山多家医疗机构应用。
能否减少医疗开支决定因素在于前线的医务人员，他们的经验是决定成本和服务水平的关键。但现实情况是，他们得不断地处理一个又一个的紧急病例，根本没有时间去研究繁多的病例图表来提高效率。有了AnalyticsMD开发系统自带的DecisionOS之后，可以从医院自身的EMR系统提取大数据，通过机器算法处理，系统自动分析、监测和预估，给临床医生提供最合理的建议，帮助他们在合适的时间内给患者提供最合适的治疗和服务。
此外，AnalyticsMD通过大规模的机器学习预测，经过分析后的一些指标，如患者的停留时间和数量，可视化的数据将提供给医护人员更多辅助。根据每家医院服务患者的相关数据，分析出如病房或手术室不足等问题的原因，从而帮助管理者优化医院的资源配置。
英特尔布局人工智能
英特尔将利用技术和产品上的整合优势，为人工智能提供全面且灵活的端到端解决方案产品组合，具体包括：
构建于业界领先的基于英特尔架构的涵盖至强处理器、至强融核处理器、Nervana平台和FPGA、Omni-Path网络、3DXPoint存储等技术的硬件平台，结合英特尔针对深度学习/机器学习而优化的英特尔数学函数库（Intel MKL、英特尔数据分析加速库Intel DAAL）等和致力于为多节点架构提供卓越性能的开源软件框架如Spark、Caffe、Theano以及Neon等，及可推动前后端协同人工智能发展布局的Saffron、TAP、Nervana系统、Movidius等工具和平台。
这些产品组合将帮助广泛的行业和企业更方便地获取、开发和部署人工智能应用，将人工智能潜能在各个领域中充分释放，如医疗健康、生命科学、智能工厂、无人驾驶汽车、体育、欺
诈检测等。
如英特尔Nervana平台产品组合旨在提高人工智能应用的速度和易用性，是构建高度优化的人工智能解决方案的基础，可帮助更多的数据专家在基于行业标准的技术上解决世界上极度艰巨的挑战。
为进一步推动人工智能研究和战略实施，英特尔宣布成立Nervana人工智能委员会，并与全球领先教育机构Coursera合作，为学术社区提供一系列人工智能在线课程，推动技术探索和创新。英特尔还将与Mobile ODT联合主办Kaggle竞赛活动，学术社区可借此机会运用其人工智能技能解决实际的社会经济问题，如在发展中国家利用人工智能拍摄软组织影像照片鉴别早期宫颈癌。
据悉，英特尔将于2017年上半年测试第一款基于Nervana技术的芯片（代号为Lake Crest），并在下半年向主要客户发售。此外，英特尔还在产品路线图中增加了一款新产品（代号为Knights Crest），它将Nervana创新技术与英特尔至强处理器紧密集成。而Lake Crest处理器则专门针对神经网络进行了优化，可为深度学习提供极高性能，并可通过高速互连网络提供前所未有的计算密度。
2015年10月，英特尔宣布收购人工智能公司Saffron Technology。和其他人工智能公司一样，Saffron的技术旨在通过模仿人类大脑工作方式的算法来从庞大的数据集里提取有用的信息。但不同的是，该公司专注于研发自家的“联想记忆”技术，而非像谷歌和Facebook等重度投资的深度学习类人工智能。据了解，平台采用了基于内存的推理技术和异构数据透明化分析方法，该技术非常适用于小型设备，可在物联网环境中实现本地智能分析并推动前后端协同人工智能的发展，专为客户提供业务洞察而打造的领先解决方案。
为简化人工智能的部署，英特尔推出了通用智能API，可支持从边缘到云平台的英特尔分布式处理器产品组合，以及英特尔实感摄像头和Movidius视觉处理单元(VPU)。此外，英特尔和谷歌正式宣布建立战略联盟，帮助企业IT部门根据业务需求构建开放、灵活、安全的多种云基础设施。双方合作包括专注于Kubernetes（容器）、机器学习、安全和物联网的技术集成。
在中国，英特尔还将携手本土合作伙伴，围绕机器学习、语音识别、计算机视觉、精准医疗等应用在科研、互
联网、电商、生命科学等不同领域，共同推动人工智能多元化应用开发，加速产业创新。
英特尔在中国人工智能布局已经取得成效。在“第十届中国医院院长年会”上，浙江大学教授、浙江省数理医学学会理事长孔德兴就分享了英特尔人工智能技术在甲状腺疾病筛查、干预和治疗过程中的应用。“依托英特尔至强平台，我们针对甲状腺超声影像数据的特点对算法进行了改进和优化，并利用所获得的大样本对计算机进行训练，经与浙江大学附属第一医院的联合测试，其诊断准确率可达85%以上。我们期待，这项应用在未来可以拓展至更多领域。”
李亚东则表示，在近期发布的人工智能战略中，英特尔宣布将通过一系列从前端到数据中心的全新产品、技术及相关投资计划拓展人工智能的发展空间，加快发展速度，突破性能瓶颈，实现技术大众化及社会效益最大化。
