AI技术会对医疗行业产生重大而深远的影响

医学人工智能发展的热度历经IBM Waston的裁员、DeepMind医疗项目负责人“被休假”之后似乎有所回落。但仍不断有医学人工智能Start-up成立，仅以San Francisco区域为例，不到2年的时间，医学人工智能创业公司数量就增长了3.9倍，创业公司的业务领域包含了从筛选新靶点到匹配临床研究和患者等不同细分领域。

当然，谁也不能否认，人工智能是最令人期待的技术之一，并会对医学研究、医药研发、医疗促进以及医保优化等产生重大而深远的影响。但面对技术浪潮，如何早期分辨谁在“裸泳”，而不用等到潮水退去时才知道。试着问问如下5个问题：医学人工智能初创公司的核心技术或算法能否获得制药公司的青睐，这是一个关键性指标。因为大药厂对于医学人工智能的需求非常明确，就是能否帮助大药厂提升日益困难的新药研发能力和效率，在竞争性市场获得先机。

当然，要获得大药厂的青睐，首先要有与大药厂关键决策人的沟通机会，比如说会议。即便是已经获得A轮融资的初创医学人工智能公司，如果没有经过大药厂的“洗礼”或“检验”，其核心技术或算法的应用性可能无法脱颖而出，仍然是“众多之一”。因此，医学人工智能的创业团队，应不仅仅只有算法天才或计算天才，还要有医学人才，了解医疗这个行业的本质和特点。

也就是创业团队的核心技术、算法和团队是否具有独特性，可以让大药厂的关键决策人看到，选择创业团队比内设部门要高效。目前如诺华、葛兰素史克、安进等财大气粗的公司已经开始着手组建自己的人工智能和数据挖掘团队。这就要求创业公司不仅技术领先，还有互补的团队和洞察制药企业核心需求的能力，当然还得要有成本效益方面的优势。

这一点非常重要，医学人工智能初创公司的发展是依赖他人的数据，还是自己产生数据？依赖他人数据的初创公司采取的是，通过“吃进”已有的公开文献，期望经过分析后有新发现；或通过分析已有的药品应用情况，希望发现新的适应症等。这在新药研发领域可能不太有吸引力。就好比，在围棋领域取得进展的“Deep Learning”照搬到新药研发可能就不太适用。“Deep Learning”好比是增强记忆的“涡轮增压”，但医疗领域却存在大量的“特例”，或者是许多细分领域中“未被满足的需求”。这会不会是曾因“阿尔法狗”轰动世界的DeepMind联合创始人兼医疗负责人“被休假”的原因呢？

所以，依靠已有公开数据的模式可能不会产生重大突破，也就是无法赋能药厂的新药研发能力与效率。大药厂更需要基于某一个特定的目标，或临床上一个重大未被满足的临床需求而来的算法或技术，也就是，能自己产生数据的人工智能团队更具有竞争性。

硅谷发展的特征之一就是，大公司为了避免竞争，通常在早期就以并购的方式对有可能威胁其未来发展的创业公司进行“团灭”。但医学人工智能领域似乎还没有表现出硅谷“赢者通吃”的这一基本特性。医学人工智能有细分领域特点，不同的需求只覆盖一定的人口基数并要求相应的技术和算法；而不像社交网络公司，一个APP就可以覆盖足够多的人口基数和市场份额。

所以，也不必因为没有互联网巨头对其感兴趣就因此而低估创业公司的潜能，关键还是要有慧眼，也就是判定该团队的核心技术或算法是否与其研究的应用领域相匹配，比如Deep Learning，如果用于对海量的病理切片进行模式分类的话，可能会更高效。

目前国际医学人工智能领域资本流向特点是，20%的初创公司吸引了近80%的风险投资。大多数初创公司还是举步维艰，要么创始人自己注资，要么天使投资。目前，医学人工智能领域虽然还没有出现“公司破产”的情形，但已有“僵尸初创公司”出现了，没有活力，缺乏资金等。

当然，虽然也有一些交易，但由于行业仍处于培育期，仍难以判断真正好的有发展潜力的初创公司，即便是那些已经获得大药厂投资的医学人工智能公司的发展潜力也需要时间才能做出判断。