腾讯的移动互联网+AI，正通往移动医疗

AI技术与资本的激烈追逐：医疗领域的新赛道之战

随着AI技术的飞速发展，众多巨头BAT与各路资本纷纷将目光投向了这一热门领域，尤其是AI技术在医疗领域的垂直应用场景。回顾历史，早在移动医疗刚刚兴起之时，就曾经有过一场寒冬，许多创业者付出了惨痛的代价。如今AI与医疗的结合，却展现出了前所未有的生机与活力。

当下，AI与医疗的双高门槛已经成为区别于两年前移动医疗的重要标志之一。尽管移动医疗的失败教训仍然历历在目，但新一代的创业者们已经找到了新的突破点。就在过去的不到两年时间里，超过百家以医疗为重点的AI创业公司如雨后春笋般崭露头角。

特别是在医疗影像诊断领域，AI技术正在发挥着巨大的作用。而VoxelCloud这家AI创业公司，凭借其在医疗影像诊断自动化方面的技术创新和产品化努力，成为了行业的佼佼者。仅仅成立两年，就已经获得了红杉和腾讯等知名机构的投资。

腾讯和红杉等机构在投资VoxelCloud时，看中的正是其明确的产品方向和未来的创新性应用。创始人丁晓伟在接受采访时也坦诚表示，尽管公司拥有先进的技术和人才，但仍然需要面对商业模式、市场接受度等实际问题。他也承认，现有的技术和硬件并不天然满足医疗应用级产品的研发需求，需要通过大量的创新和实践来实现。

与此一些曾经备受瞩目的AI医疗项目却在现实中遭遇了困境。例如IBM的Watson医疗诊疗系统，尽管在技术上有着诸多亮点，但在实际应用中却遭遇了无数医生的质疑和媒体的嘲讽。这也充分说明了医疗领域的特殊性，技术只是基础，还需要考虑多种因素才能真正落地应用。

丁晓伟也提到了这个问题，他认为只有将技术、数据、医生等要素真正结合起来，才能实现AI技术在医疗领域的真正应用。他比喻这就像是一个机器人需要有完整的身体、四肢、关节和润滑剂才能动起来一样。而在医疗领域，还需要考虑国别、人种等差异因素。尽管AI技术在医疗领域有着巨大的潜力，但仍然需要谨慎对待每一个应用场景，真正从医生和患者的需求出发，才能实现真正的价值。

AI技术与资本的激烈追逐已经拉开了新一轮的医疗领域变革的大幕。但在这个新的赛道上，创业者们需要更加深入地理解医疗领域的特殊性，将技术与实际需求结合起来，才能真正实现突破和创新。同时还需要面对商业模式、市场接受度等实际问题这也是对创业者们的一次全新挑战和机遇。他之所以在产品研发过程中长时间与医生们紧密合作，长达六个月之久，源于他深厚的医学背景和对医疗行业的深刻理解。

他虽学习计算机视觉，但家族中多位医生的影响让他从小就对医疗环境耳濡目染。他深知，要想开发出真正符合医疗需求的优质产品，就必须深入医院，亲身体验并观察医生的日常工作流程。

以研发无创肺癌筛查诊断系统为例，他和医生们长时间共事，共同探讨，并非为了掌握某种特定病症，而是为了深入理解医疗过程中的难点和痛点。他希望自己的产品能够解决医生在实际操作中遇到的各种问题，因此他会深入了解每一个细节，从临床安全性的编制到医生的需求和容错空间。

他不走进医院，就无法了解到那些棘手的问题。但即便与医院进行长时间紧密合作，他也明白无法确保机器给出的治疗方案完全精准或得到所有医生的认同。就像在某些情况下，Watson给出的建议因倾向美国患者和医院治疗方案而引发了一些争议。

针对这种质疑，丁晓伟首先纠正了一个关于人工智能医疗应用的误解：机器诊断报告并非必须与某个医生的主观印象高度一致。他认为，正确的做法是将机器的诊断结果与疾病的“金标准”检查结果进行对比。

他强调，在早期疾病筛查中，不确定性是常态。机器的诊断结果只是基于大量数据的初步分析，不能作为绝对的定论。他们努力的目标，是使诊断准确率无限接近金标准。对于没有金标准的特殊病症，他们会请权威医疗专家进行独立诊断并做质控标记。

市场上的一些计算机辅助诊断系统存在的问题，在某种程度上被丁晓伟看作是不同AI医疗产品之间的目标差异所致。例如，有些产品只提供图像诊断和辅助性结果，而他的产品除了诊断，还致力于优化医生的工作流程，提供更加人性化的服务。他希望自己的系统不仅仅是提供诊断，更能给予医生一种信任感。

他认为，成功的医疗诊断产品不仅要“学习海量的数据”，还要深入理解诊断过程。这需要像人类一样具备“处理不确定性的能力”，包括写报告、向上级寻求帮助、二次审核等梯级任务。他们的目标不仅仅是提高诊断结果的准确率，更是优化整个看病流程，具备在现实诊疗过程中进行风险控制的能力。

为了实现这一目标，他们考虑到了地域差异。无论是在美国还是中国，他们都设立了研发中心，并与当地医疗机构合作进行项目试验。这不仅是因为患者数据存在地域差异，还因为国内外诊疗流程有很大不同。他们必须同时考虑到这些因素，实现两地研发的互补。

通过与医生的紧密合作和对地域差异的深入考虑，他们努力开发出一款既高效又人性化的医疗诊断产品，旨在为医生提供更便捷、更准确的工具，为患者提供更优质的医疗服务。VoxelCloud与交大携手共谋医疗影像创新合作

在数字化时代，数据被誉为新时代的原油，是驱动各领域发展的核心动力。尤其在医疗领域，数据的价值更是不言而喻。算法固然重要，但珍贵的数据更是千金难求。

风投机构8VC的CEO Joe Lonsdale在今年的斯坦福Light Forum会议上指出：“医疗诊断的初始挑战在于数据的收集与创建。”美国癌症中心MD Anderson的一位负责人也强调，只有拥有上万患者数据，才能初步探索出针对性的治疗模式。

一位专注于医疗创业项目的分析师表示：“当前AI医疗初创项目的竞争焦点，在于谁能掌握更多的数据。”的确，医疗数据对于医疗诊断的重要性，就如同实地训练对于无人驾驶汽车的意义。只有不断收集和分析道路数据，才能绘制出更精确的地图，确保更高的安全性能。

同理，人体的复杂性使得医疗数据的收集与分析面临巨大挑战。IBM的数据工程师与医生们经过六年努力，才让Watson学会了识别7种癌症。而科技巨头及初创企业大多从单一的或几种疾病入手，逐步学习摸索。

丁晓伟也认同这一观点。他认为，目前市场上，多数公司选择针对肺癌、糖网病等发病率高、影响范围广、难以攻克的疾病进行AI医疗诊断。这些病症的数据相对容易获取，包括网络等多种途径都能搜集到案例。

根据知名医疗媒体mobihealthnews的调查，数据的收集形式在医疗领域是多样化的，包括临床实验、医生报告、医学图像等。获取优质数据，尤其是“干净”的患者数据，对所有公司来说都是至关重要的。

丁晓伟解释，要保证数据的持续高质量输入，公司需要尽可能与医院及其他医疗机构合作。如何与医院达成合作项目，成为衡量AI医疗创业公司生存能力的重要标准之一。

VoxelCloud正积极与包括国内知名学府交大在内的医疗机构洽谈合作。虽然丁晓伟未透露与顶尖医疗机构的具体合作内容，但其导师Demetri Terzopoulos在全球医疗界的声望无疑为VoxelCloud铺设了广阔的道路。其丰富的技术背景与豪华的技术团队是否能处理成百上千万的数据，展现出卓越的开发者能力？根据丁晓伟提供的案例，他们正在基于包含超过250万病例的数据集开发眼底疾病分析模型，诊断准确率已达到专业医生水平。

挑战依旧巨大。MIT曾在批评包括Watson在内的医疗诊断系统时，指出其问题在于“数据处理的难度”而非“数据的量级”。这也是所有AI医疗公司所面临的短板。数据的复杂性与相对不可用性，需要AI系统基于数据不断调整参数以达到最佳效果。在某些复杂的病况下，实现准确诊断仍然是一项艰巨的任务。在探讨人工智能医疗领域的发展时，加州大学伯克利分校公共卫生学院的生物统计学教授Maya Peterson也表达了类似的观点。她在今年的一次医疗会议上指出：“人体的数据纷繁复杂，联系尚未被完全揭示。在探索复杂病症时，机器学习技术的野心过大，有时可能适得其反。”这一观点揭示了人工智能在医疗领域的挑战与风险。

这个市场并非当下就能谈盈利的。对于AI医疗创业公司来说，数据的量级与其价格成正比，再加上优质算法和优秀技术团队的高昂成本，这构成了一个残酷的现实。IBM在医疗数据领域的两次大动作——收购医学成像及临床系统供应商Merge Healthcare和医疗保健数据与分析服务提供商Truven Health Analytics——突显了数据在这个市场中的重要性。尽管有所投入，但AI医疗仍处于早期阶段，商业模式尚未确定，盈利更是无从谈起。

作为AI医疗领域的从业者，丁晓伟深知其中的挑战。虽然VoxelCloud已经推出了成熟的产品，但他们仍面临巨大的压力。公立医院的合作往往是非盈利的，而私立机构使用他们的系统则需要付费。除了商业模式和盈利问题，他们还需面对监管障碍、人才短缺以及外界的不信任声音等挑战。

从投资人的角度看，虽然现阶段AI医疗领域的技术应用仍处于早期阶段，但他们依然对这个领域充满期待。对于创业者来说，他们可能需要的不仅仅是资金，更是时间。他们需要时间来证明自己的技术可行、商业模式可行。与此投资方也需要时间来观察和评估这些公司的潜力。华创资本前沿科技项目的投资负责人也指出：“如果技术门槛非常高，早期可以不必过分考虑盈利模式的问题，但最终还是需要接受市场和盈利的考验。”虽然目前AI医疗领域面临着诸多挑战和不确定性，但未来的前景依然充满希望。

除了商业模式和盈利问题外，AI医疗创业公司还面临着监管障碍、人才短缺以及外界的质疑声等挑战。尽管一些前沿技术已经取得了进展并得到了应用许可，但整个行业仍然需要时间来成熟和发展。中国科学院院士贺林在解读国务院发布的《新一代人工智能发展规划》时指出：“目前，国内还没有一款医疗领域的人工智能产品得到国内FDA的批准。”这意味着AI医疗领域还需要进一步努力和发展才能得到更广泛的认可和应用。招聘问题和外界的不信任也是当下AI医疗创业公司所面临的难题之一。尽管如此，随着技术的不断进步和应用场景的不断拓展相信这些问题将会逐渐得到解决。在这个过程中也需要、企业和社会各方面的共同努力和合作以推动AI医疗领域的健康发展。在当下这个风起云涌的AI医疗创业时代，各大企业纷纷面临着人才短缺的挑战。这其中，丁晓伟团队只是众多AI医疗创业公司中的冰山一角。他们虽然汇聚了来自梅奥医学中心、加州大学洛杉矶分校、卡内基梅隆大学等高校的顶尖专家，共计四十余人，但在面对数据的复杂性和医疗研发的严谨性时，他们仍然感到人手不足。为了加速研发进程，他们几乎是连轴转地工作。在人才争夺战中，他们不遗余力地招募各大高校的计算机和医疗专业的高材生。

这种人才短缺的现象并非丁晓伟一家公司的独特感受，而是整个AI产业界普遍存在的焦虑。尽管人才身价不断攀升，被越来越多的人视为创业领域的“泡沫”，但各大公司仍然不惜投入巨大资源去抢夺人才。与此AI医疗领域也面临着高门槛和盈利难题。尽管设立了严格的准入条件，但AI医疗仍然存在着“盈利无着”、“烧钱过快”等问题，让人担忧其是否会重蹈两年前移动医疗的覆辙。

一位不愿透露姓名，但曾经历移动医疗寒冬并调查过多个失败项目的行业资深人士对机器之能发出感叹。他认为，虽然人工智能医疗创业目前非常火热，但主要背景是人力资源短缺和医疗成本高企。人工智能在医疗领域的应用，包括影像诊断等，仅仅是辅助工具。而投资人之所以不注重商业盈利问题，是因为他们也无法忽视人工智能技术的潜力与前景。

无论各方如何给出自己的判断，医疗创业寒冬留下的教训仍然值得所有AI医疗从业者深思。过分的承诺和夸大其词的报道只会让人失去信任。只有怀着对医学与AI技术的敬畏之心，才能真正在这个领域取得长足的发展。无论是企业还是投资者，都应该以脚踏实地的态度，不断探索和推动AI医疗技术的发展，为人类的健康事业做出更大的贡献。