醫學作為與我們每個人都密切相關的行業，在人類歷史發展中一直扮演著重要角色，同時也是對新技術最為渴求的行業，也是目前人工智能商業化落地的一個典型代表，而實現這一切的則是Watson Health。Watson是IBM開發的一種認知系統也是一種技術平臺，會根據不同的應用場景推出相應的訂制產品。在醫學領域的代表產品就是Watson Health。有人說人工智能的崛起會導致大量醫生下崗，但事實的真相究竟如何呢？

現代醫學需要人工智能

在醫療這個領域，不論是病情的診斷，還是治療方案的制定以及藥物開發，都離不開三個重要步驟：檢查、分析和結論。以病情診斷為例，醫生首先對需要對患者進行全方位的檢查，從而找出異常的指標。接下來根據異常指標來從過往案例或者醫書的結論中尋找對應的病癥，最終根據以往結論再結合自身的經驗來做出最終診斷結論，從這個過程中我們可以發現人工智能的發揮空間。

異常指標可以作為一種檢索關鍵字，而過往案例和醫書可看作是數據庫。分析和下最終結論的過程有點類似我們在搜索引擎上進行查詢的過程。眾所周知，電腦的數據查詢速度要遠遠快于人類。同時在分析疑難雜癥的時候，由于需要考慮諸多條件，因此在尋找數據彼此之間的關系上也相對人類有著很大優勢。例如東京大學醫學研究院就曾利用Watson判斷一位女性患有罕見的白血病，而這只用了10分鐘的時間。

這個案例中的患者為一名60歲的女性。最初診斷結果顯示她患了急髓白血病。但在經歷各種療法后，效果并不明顯。 根據東大醫學院研究人員Arinobu Tojo的說法，他們利用Watson系統來對此病人進行診斷。系統通過比對2000萬份癌癥研究論文，在10分鐘得出了診斷結果：患者得了一種罕見白血病。

從這個案例中我們可以看出人工智能在現代醫療中的重要性除此之外在藥物研發，基因分析等各種前沿醫學領域，憑借高速的計算分析能力，人工智能都扮演者日益重要的角色。

人工智能還需人

人工智能領域中有個非常重要的技術叫機器學習，在醫療領域也不例外。以Watson為例，其代表的是一種名為“認知計算”的計算模式，可以模仿人類通過推理、分析、對比、歸納等方面完善自我的的分析模型從而提高準確度。具體包括三大層面也就是理解、推理和學習。

理解：能“理解”人類，是Watson能進行認知協作的第一步，主要運用的是計算系統處理結構化和非結構化數據的能力。

推理：Watson主要運用的是一種名為“假設生成”的算法，能從數據中抽絲剝繭，尋找事物間的相關聯系。

學習：Watson從大數據中提取關鍵信息，以證據為基礎進行學習。

機器學習的背后需要的是人來輸入數據，也是需要人來告訴機器應該如何思考和學習（設計算法）。但很遺憾，由于人類在思考一個問題時考慮的維度極其廣泛，同時我們也很難將所有的因素都進行量化，比如中醫中的聞，氣味如何用數據表述？而這就使得我們很難設計出可以媲美人類思維的系統。

以Watson Health中最成熟的腫瘤解決方案為例，不論是從最初的案例數據搜集篩選還是分析的算法設計到最終采用哪種結論都需要人的參與。Watson Health從始至終都扮演著一個輔助者的角色。而分析階段由于各種疑難雜癥層出不窮，需要人工不斷更新并改進算法。至于最終的結論也是Watson在進行各種分析后將可能出現的結論按照比例從高到低將各種結果呈現出來，至于選不選，選哪種最終都依然需要醫生來結論。

看似不夠完美的的人工智能系統卻恰恰成為了最佳解決方案。假設一個患者因為一個人工智能系統誤診而發生醫療事故，那么這個后果究竟應該由誰來承擔？這就好比醫生分析一個CT照片分析錯了，你很難去追究CT生產廠家的責任，因為從始至終決定權都在人手里，所有的儀器與系統都是一種輔助。

未來前景很光明

IBM曾提出過“增強智能”的說法。而從Watson Health也能看出一定的端倪。以我國為例，醫療資源不論是人才還是資金還是設備都高度集中在北上廣深這些發達城市，這種不平衡的現象造成了大量患者為了得到更好的治療因此全部涌向發達城市，這就使得大量優秀醫生也愿意前往大城市發展使得這種不平衡的狀況得到進一步的惡化。

像Watson Health這種產品雖然說不能完全替代醫生，但在很多方面都可以改善這種不平衡。以打通信息壁壘為例，小地方的醫院由于自身案例儲備少，因此在碰到一些疑難雜癥時可能會比較棘手，此時可以通過Watson Health幫助做一些案例搜集和分析，也許機器分析的結論最終并不準確甚至是錯的，但是由于可以提供大量相似案例以及一些分析思路，最終可能會啟發醫生最終做出正確決定，而這也正是人工智能在未來與醫學的結合中的重要發展方向。筆者相信借助人工智能的輔助，將有更多的患者從中獲益

原標題：你敢讓人工智能醫生給你看病么