去年11月，Google的研究人员在JAMA上发表了一篇论文，表明Google经过大量眼底图像数据训练的深度学习算法，可以在诊断糖尿病性视网膜病变上，具有90%以上的高准确性。Pichai透露他们正在积极将AI应用到病理学上。

他说：“病理学涉及到庞大的数据问题，然而机器学习已经做好准备去解决它。我们构建了神经网络，来检测癌症是否扩散到了相邻的淋巴结。这个工作还处于早期阶段，不过它已经显示出了能将准确度从73%提升至89%的能力。当然我们仍需要警惕的是，我们的诊断也存在很多误报，不过这个问题我们已经交诸病理学家来解决，他们能够提高诊断准确性。”

除开Google，另一个例子就是苹果公司最近也收购了一家名为 Lattice的AI公司，该公司有着开发医疗应用算法的技术背景。

微软自然也不甘落后，几个月前，他们推出了医疗 NExT计划，将AI、云计算、研究以及行业合作伙伴关系整合到了一起。此项计划包含了基因组学分析和健康聊天机器人技术的项目，开奖，并与匹兹堡大学医学中心建立了合作伙伴关系。

几周前，微软和数据连接平台供应商 Validic建立了合作伙伴关系，将患者参与度纳入到了 HealthVault Insights研究项目中。

将患者数据应用到真实诊断中

巨头公司们在发力，初创企业们也是各显神通，我们现在已经见识到了各种各样的AI应用形式，从 Ginger.io的行为健康监测和健康分析平台 Sensely的虚拟助理，到 Ava等公司推出的可穿戴设备和各种APP，再到Clue公司最近推出的生育预测窗口。另外一个典型是Buoy Health最近推出的医学专用引擎，Buoy的数据库涵盖了18000份临床文献和17000余种病情，患者样本逾500万人。

除了症状检索以外，Buoy首先会要求用户输入年龄、性别和症状等筛选条件，然后在细分数据后决定接下来的问题，从而不断缩小搜索范围，大约使用两三分钟后，问题越来越具体，并为用户提供可能的病症列表和接下来的选项。

另一个十分具有前景的领域就是医学成像。去年11月，以色列的机器学习成像分析公司Zebra发布了新平台，使人们可以通过互联网随时随地上传和接收他们的医学扫描分析。

Zebra成立于2014年，致力于开发算法，使电脑自动识别医学图像，诊断从骨科到心脑血管疾病等多种疾病。该公司现在已经稳步建立了自己的数据库，并结合深度学习技术，以开发算法来实现自动医学诊断。另一家以色列的同类型公是AiDoc，这家公司刚刚融资了700万美元。

然而，不论一家科技公司规模多大或者技术有多先进，只有将患者数据应用到真实诊断中才是王道，这也是噱头和有效算法之间的分水岭。所以也就不奇怪，为什么还有那么多公司还处于AI摸索学习阶段。

风投公司8VC的CEO Joe Lonsdale在斯坦福的 Light Forum会议期间表示：“最初的难点就在于创建数据。”

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则给出了更为明晰的观点。她在近期旧金山举行的HIMSS大数据和医疗分析论坛期间说道：“真实世界的数据都很复杂，而我们还没有完全理解他们之间的联系。在探索更加复杂的领域中，机器学习在某种程度上过于野心勃勃了，这可能不是一件好事。”

好算法千金难求

机器只能从给定的数据中进行学习，所以研究人员、工程师和企业家们都为构建更大更高质量的数据库，忙得焦头烂额。

上个月，Verily与斯坦福大学医学院和杜克大学医学院展开合作，启动了Baseline Project研究，收集了大量表型健康数据，从而制定明确的人体健康参考标准。

这个项目旨在收集10000名参与者的数据，每个参与者将被追踪4年，用所收集的数据建立人类健康“基线”图，并探寻从健康到疾病转变的玄机。

数据的收集形式多种多样，包含了临床、自我报告、医学图像、传感器和生物样本等等。该研究的数据库将建立在Google计算基础构架之上，并储存于Google云端平台。

“如果政府愿意实现数据共享，那么局面将会明朗许多，”Roam Analytics（旧金山的一家机器学习分析平台公司，专注于生命科学领域）的首席科学家Andrew Maas在Light Forum上表示：“如果私人部门愿意这样做并收集大量数据，这也很好。把数据交给我们，我们将回馈很惊人的成果。但是如果因为人们的惧怕，数据不能被有效收集，那我们将一事无成。”

患者数据和算法的可用性是区分空头支票和有效实践的试金石。让我们把目光转向IBM的Watson Health，他们通过众多伙伴关系积累了大量数据，为认知计算模型带来了洞悉患者健康的能力。但是由于还没有实际证据证明其有效性，公众对其的态度也是两极分化。