在未来， “沃森”将成为全世界最出色的诊断医生，拯救我们的生命

人工智能不仅能够提升我们的生活质量，它也能够拯救我们的生命。例如，在赢得“危险边缘”电视游戏节目之后，“沃森”超级计算机就开始了在医学院的“研究之路”。更准确一点说，IBM正在申请研发和“危险边缘”电视游戏中的超级计算机相似的创新项目，在这个项目中，“沃森”超级计算机能够帮助医生更好地诊断病人的疾病，并能正确地回答医生的疑难杂问。

当然，有别于普通学科知识，“沃森”超级计算机将被培训以掌握世界顶级医学出版物上的医学信息和资料，然后凭借这些信息和资料去匹配病人的症状、用药史和诊断结果。最后形成一套完整的诊断和治疗方案。由于“沃森”超级计算机能够掌握现代医学的海量信息，所以这一技术进展的意义也非常重大。据IBM估计，如果想要与相关的医学信息和资料保持同步，一位人类医生每周需要花费160个小时阅读这些信息和资料。

人类正在探索人工智能在临床上辅助诊断的机遇，因在临床，医疗影像是协助医生判断病情的重要信息，医疗数据中有超过90%的数据来自于医学影像。而在未来，80%常见病的诊疗方案可以由人工智能来提供，把医生从大量重复性劳动中解放出来，将更多精力投入到疑难杂症中。

现在，IBM与它的合作伙伴纪念斯隆–凯特琳癌症中心(MemorialSloan Kettering Cancer Center)和克利维兰医疗中心(Cleveland
Clinic)，正在合作研发“沃森”计算机医生。参与这一研发项目的组织极其谨慎地声称，人工智能技术将被用于提高医生的临床诊断技能和经验，而并不是替代他们。然而，如果未来的某一天“沃森”医生能够成为全世界最出色的诊断医生，也并不是一件不可能的事情。

IBM在宣传片中说，“你不是在运行Watson，你是在和它一起工作。Watson和你都会学得更快”。沃森的意义不在于全权处理各种问题，它的意义在于通过“半人半人工智能”的方式，帮助人类更好地学习。我们可以预见，参与到“半人半人工智能”中的Watson能帮助医生、老师和科学家们提高专业水平和科研能力，成为推动不同行业发展的强大动力。

事实上，沃森并不是第一个被用在医疗领域的机器人，已经有很多“前辈”的身影出现在医院里。除在运送和搞卫生的机器人之外，医院里面还有来自日本Riken和Sumitomo Riko公司的“大白”机器人护士Robear，以及来自美国达芬奇公司的协助或者部分代替医生做手术的机器人。

护理机器人在我国将有比较大的市场需求，随着人口红利的逐渐消失和老龄化的进程加快，以后我们很可能面临着病人老人无人照顾的问题，彼时，能代替很多人力的护理机器人就将大有作为。

我们已经看到人工智能辅助诊断系统在一些医疗领域使用，一个由病理学家安德鲁·贝克(Andrew Beck)引领的团队开发了C–Path(即Computational Pathologist)系统，用于自动诊断乳腺癌并通过检查乳腺组织成像预测生存率，就像人类病理学家所做的那样。

自从20世纪20年代，人类医生就开始接受辨识癌细胞细微特征的培训。而相比较来说，C–Path团队能够使用软件以一种全新的眼光检查组织成像，并没有对与癌症严重性或者病人的症状相关的特征设定任何的预编程序。实践证明，这个软件不仅和人类医生诊断得一样准确，它还能够辨识出乳腺癌组织中有助于转变成生存率良性指标的三个特征。但与此相对的是，病理学家们并没有接受这方面的培训。

基于医疗图谱的人工智能应用正在对医疗行业进行重塑，通过对电子病历、医疗影像、病理生理学等数据整合，可以分析和预测人体的健康状态，并获取准确的处方信息，帮助医生做出迅速有效的判断。

Enlitic公司通过一个基于云技术的分析平台，他们将一些看似不相关的数据集中起来，帮助医疗组织分析出一些有见解的信息。Enlitic通过研究、整合、建模、分析以及可视化等功能转换数据。帮助医疗提供商与用户交互，并用完全不同的方式营销他们的服务。数据可能包括X射线、核磁共振、CT扫描、三维医疗等影像。Enlitic软件可以插入到医疗机构已经在使用的系统当中，从而分享或查看医疗图像。医生可以标注图像，然后单击以找到其他类似的数据元素，来诊断病情。

IBM以10亿美元收购了医学公司Merge Healthcare，这样IBM研发的人工智能计算机系统Watson就可以从Merge Healthcare的医学影像管理平台获得了数据和图像，运用其图像分析和认知能力进行医学图像的处理和加工，从而提高医疗保健质量和效率，并帮助医生做出更好的护理病人的决策。

IBM的Watson健康云计划是基于云数据共享中心，整合Explorys和Phytel功能，Explorys是世界上最大的医疗保健数据库之一，包含了我们去医院所要经历的各种复杂的财务、运营以及医疗记录源系统信息。Phytel可以从医疗服务提供者获得目前的电子医疗记录技术，减少患者再次住院，并实现自动化。

像我们现在所看到的大多数已被应用到医疗健康领域的人工智能系统，它们几乎都依赖于大型数据库，这些人工智能系统会通过各种复杂的统计模型和机器学习技术，从其所收集到的海量数据中，自动提炼出各种重要信息。

那些已投入使用的医疗数据信息源(仍处在不断增长当中)——包括电子病历(EHRs)、临床和医保数据库、从各类消费电子产品和App上传来的健康数据——目前已经被大量地应用到人工智能系统的实践，这些人工智能系统具有极大的能改善社会医保水平的潜力。无论是临床诊断、病人护理，还是施药;无论是药品生产、组织管理，还是医保信息交互，这些AI系统都为医疗从业者的工作起到了极大的助力。