BAT 們與各路資本齊齊砸下血本，對這個 AI 技術當下最熱門的垂直場景之一發起了多輪攻勢。AI 與醫療的雙高門檻，是區別于兩年前移動醫療熱潮的最重要因素之一。但是，將上一輪移動醫療熱情徹底澆滅的那些教訓，卻仍然值得此輪醫療創業者借鑒。
當下，移動醫療從 2015 年下旬開始經歷的那一場突然而又漫長的寒冬，已基本無人談起。
“那是 2015 年吧，移動醫療就已經死了一批了，有些融完 A 輪就不行了。后來慢慢的，相比移動醫療，大家就開始更多地用“數字醫療”這個詞了。”這是一位從 2014 年就開始深入調查分析醫療創業項目的分析師給到我們的碎片式回憶。
實際上，早在 2016 年 10 月，動脈網根據深入調查而出具的一份名為《互聯網醫療生存報告：38 家企業為什么死去？》的醫療創業項目倒閉白名單，曾轟動一時。
其中，技術含量不高導致的創業同質化，對醫療工作流程特殊性的錯誤理解，監管層面的約束，對市場的忽視，以及過高的估值與資本介入，都是那時候醫療創業者用血與淚換來的教訓。
2016 年中旬左右，幾乎像是一場足球比賽上下場的轉換，AI+醫療強勢崛起。這個難得讓 BAT 與資本們共同找到興奮點的醫療新賽道，在過去不到 2 年的時間里，孕育出超過 100 家以醫療為重點的 AI 創業公司。
如果再快進到 2017 年，你會發現在過去的 9 個月中，國內外以醫療為重點的 AI 創業公司獲得融資的頻率幾乎可以媲美曾紅極一時的“共享充電寶”。其中，“醫療影像自動化診斷”算是一個近期各家“齊頭并入”的熱門應用場景。
當然，與曾經同質化嚴重的移動醫療相比，極高的 AI 門檻加上極高的醫療門檻，讓進入 AI 醫療界的一眾創始人們一開始就似乎有了“睥睨天下”的資本。
業內人士，算法專家，海歸博士……與其他 AI 創業公司并無太多差異，技術與研發當仁不讓成為公司宣傳的核心；而資本方也難得進入“高僧打坐”模式，只是“期待”，閉口不談商業模式與盈利要求。
那么，一個如此早期的領域，只有拼技術就夠了？移動醫療曾經經歷的那一場暴風雪，是否也有相似的教訓值得當下借鑒？
VoxelCloud（體素科技），算是最近一頭扎入這個領域的 AI 創業公司中比較露鋒芒的一個。2016年才成立，就在2017年5月獲得紅杉領投的千萬級融資；僅隔3個月，又在今天得到騰訊的超億元人民幣 A+輪投資。很顯然，這個數額與融資頻率應該會讓當下一眾同類型的創業公司十分眼紅。
當然，盡管騰訊有自己醫療布局的考慮在內（剛剛推出一款醫療影像產品“覓影”），但對于選投 VoxelCloud 的理由，騰訊與紅杉的“口徑”較為一致：
“他們之前就有了明確的產品，以后還會有更多創新性應用”。
VoxelCloud 的創始人丁曉偉很爽快地接受了我們的專訪，而且并不避諱一些敏感問題。不過，自始至終，對于 AI 醫療，他的態度是謙卑且謹慎的，甚至承認“現在的技術和硬件并不天然滿足醫療應用級產品的研發，需要通過大量另辟蹊徑實現”。
“我們有技術，有很強的人，但是我們也必須考慮商業模式，也需要正確面對那些市面上的 AI 醫療診斷系統曾經犯過的錯誤。”
只談學術，不談應用，這不靠譜
“借助先進的人工智能技術，系統在短時間內處理海量數據，并對病人做出愈加準確的診斷。”這是 IBM 旗下的 AI 診療系統 Watson 曾做出的承諾。
然而，在 IBM 將 Watson 推向全世界的 6 年里，這個 AI 醫療領域最負盛名的產品，卻遭到了無數醫生的質疑與媒體的嘲諷。
可靠的技術，高質量的數據，醫生的配合。事實上，這些在研發人員中最為看重的幾個因素，一旦“合體”落實到臨床實驗中，就會遇見各種各樣的麻煩。這就像一個僅有完整的身體與四肢，卻沒有關節與潤滑劑的機器人，只能是一個無法動彈的殘次品。
譬如，在實際工作中，Watson 合作醫院的醫生們真的會主動用它來處理病患信息嗎？醫生輸入數據過程中是否會遇到各種問題？給出的診斷結果是否會參考不同國別、人種的差異？
作為加州大學洛杉磯分校的計算機視覺博士，VoxelCloud 的創始人丁曉偉并沒有否認研發與應用之間橫亙著巨大的鴻溝。那些在實驗室中熠熠閃光，讓人十分興奮的技術與樣品，其實很容易“見光死”。
這也是他為何通常在產品研發過程中，選擇與醫生們一待就是 6 個月的原因：
“我雖然學的是計算機視覺這一學科，但是我家人都是醫生，我基本從小就長在中國的醫院里。哪個科室做什么，到底怎樣運轉，我都見過。我覺得，做醫療產品必須走到醫院里，去觀察醫生的每一步到底是怎么做的。
譬如我們在研發無創肺癌篩查診斷系統的時候，就跟醫生長時間一起工作，大概要相處半年吧，天天在一起討論。這不是說我們一定要掌握哪一種病癥，而是要去了解這個病的知識難點，看看醫生處理的時候會有哪些問題。然后我們再獨立去分析一個病種的時候，再去考慮怎么與深度學習技術融合。
另外在臨床實驗過程中，對某一項任務的安全編制，醫生的需求是什么，這里面的容錯空間有多大，做成什么樣子是最能為他們解決問題的，這些都是非常細節的問題。
你不走進醫院，你絕對不知道有哪些很棘手的問題。
但是，即便與醫院進行長時間無縫隙合作，也不能保證機器給出的治療方案給出的一定是精準的，或者是被醫生認同的解決方案。這就像歐洲一些曾對 Watson 系統多有抱怨的醫生透露，Watson 給出的建議帶有針對美國患者與美國醫院治療方案的傾向。
對于這個疑問，丁曉偉首先提出了一個大部分人對人工智能醫療應用的理解誤區：機器診斷報告一定需要與某個醫生的主觀印象高度匹配。
他認為，與醫生主觀印象做比對是一種錯誤的認知，機器診斷結果，應該在有條件的情況下，去對比該疾病的金標準檢查結果（Gold Standard）。
“早期疾病的篩查在絕大多數狀況下，不確定性是不可避免的。而且醫生也知道，在初步篩查結果下得到的只是初步意見，不能作為金標準來下定論。我們能夠保證的，是基于數據信息量，讓病癥在某一階段的診斷準確率無限接近金標準。
當然，如果出現某一特殊病癥沒有現有的金標準可以參考，也同時為了保證診斷結果的客觀性，我們會請權威醫療專家，把他們分成 4~5 組，分別獨立去做一批數據診斷，對數據做質控標記。
這就相當于，把我們的系統作為第 6 組醫生，它與每一組醫生的差異率要維持在這幾組醫生之間差異率之內。
實際上，一些市場中現有計算機輔助診斷系統出現的問題，在某種程度上也被丁曉偉認為是 AI 醫療產品之間存在的目標性差異。
譬如，有些公司可能只做圖像診斷，給出一個輔助性的診斷結果，而有些產品是既給出診斷結果，也會改進醫生的工作流程，把醫生寫報告、做隨訪的時間也給一同安排了。“大概我們的產品在人性化方面會要求的更高一些”，丁曉偉說得比較委婉。
“你看市面上的大部分的診斷應用，可能都是機械地去做特定疾病檢測與判斷。這起到的是查缺補漏的作用，因為我們顯然不可能完全相信算法。
但我想讓自己的系統多一點特性，就是能給予醫生一種信任感，讓人不會覺得那么生硬。你看，就像完成一個機械動作，人與機器都能完成，但是過程與感覺是不一樣的。
作為醫生，除了給出一個診斷，他還具備『處理不確定性的能力』。他知道哪些是不確定的，會去找上級醫生尋求幫助，會去尋求更進一步的但代價更大的醫學檢查。
舉個例子，某一種病的治療方案如果沒有特別有說服力的信息量，醫生的選擇總是通過各種各樣的方式去驗證，譬如不斷地去隨訪，或者尋求外部援助。而這些機制機器都是通通忽略的，妄圖在一次檢查中給出最好的答案。”
換句話說，在他的認知中，一件成功的醫療診斷產品，不僅會“學習海量的數據”，還要對診斷過程有一個深度理解。把醫生寫報告，向上級尋求幫助，二次審核等梯級任務都學到手，具備像人類一樣的“處理不確定性的能力”。
某種程度上，這個設想與 Google Deepmind 團隊一邊做糖網病篩查診斷系統，一邊研發醫務支持與任務管理系統的“兩手抓”計劃有共通之處。
“所以，我們想優化的是整個看病流程，而非僅僅提高一個診斷結果的準確率。這不是一個單純拼技術水平高低的問題，而是誰能在現實診療過程中更有風險控制的能力。”
但是，無論通過什么手段來保證診斷的準確率與提升醫生的滿意度，丁曉偉也承認一定需要考慮地域之間的差異。這也是 VoxelCloud 在美國與中國分別設立研發中心，與美中兩國醫療機構同時進行項目試驗的根本原因：
“我們的研發中心是洛杉磯，跟梅奧醫學中心，UCLA 醫學中心的關系也非常好，項目都是一起合作的。在國內，雖然合作醫院需要取得授權才可以透露名字，但已經有 100 多家了，都是北京和上海的三甲醫院。
這樣做的理由，不只是因為病患的數據會有地域差異。國內外的診療流程也很不一樣，兩者都是相輔相成的，而且兩地的研發結果也能做到互補，我們必須同時考慮到。
VoxelCloud與交大洽談醫療影像合作
數據是否是核心競爭力？
好算法雖然是價值千金，但是好數據卻更是“千金難買”。
風投機構 8VC 的 CEO Joe Lonsdale 曾在今年在斯坦福舉行的 Light Forum 會議上稱：“做醫療診斷一開始遇到的挑戰就在于搜集與創建數據”。
而美國癌癥中心 MD Anderson 的一位負責人也認為，只有在擁有上萬患者數據的前提下，才能初步找到針對性治療模式：
“從各種患者數據中找到不同的特征很關鍵，這對針對性治療與精確用藥非常有幫助。但是如果不能擴大現有數據集，上述愿景是無法實現的。你可能只有 1 萬個肺癌患者數據，但其實這個數字并沒有很大。”
此外，一位專注于醫療創業項目的分析師告訴機器之能：“現在 AI 醫療初創項目之間的競爭核心，就在于誰能拿到更多的數據。”
很簡單，醫療數據之于醫療診斷的重要性，就像道路測試之于無人駕駛汽車。你只有不斷地讓汽車去實地訓練，不斷地收集與“咀嚼”道路數據，才能繪制出更高精的地圖，逼近更高的安全數值。
同理，人體的復雜性更是不必多說。這也是為何 IBM 的數據工程師與醫生們耗費了六年之久，才僅僅讓 Watson 學習了 7 種癌癥；而科技巨頭與這個領域內所有創業公司也只能從單一的或者兩三種疾病入手來進行摸索學習。
丁曉偉也認同這個觀點。他認為，目前這個市場，大多數公司都在做肺癌、糖網病的 AI 醫療診斷，一方面是因為這些病種發病率非常高，影響范圍非常廣，且難以攻克，所以研究價值非常大。
而另一方面，其實是因為這些病的數據比較容易能拿到，包括網絡等很多途徑都是能搜集到很多案例的。
“這些可能是起點與上手都相對其他病癥來說更容易一些（不是說本身容易）的項目，所以大家都從這幾個病種入手。”
目前大多數AI醫療公司研究最多的4種病癥：肺癌、糖網病、冠心病、肝病
根據知名醫療媒體 mobihealthnews 的一份調查，在醫療領域，數據的收集形式其實很豐富，包含臨床實驗、醫生報告、醫學圖像、傳感器和生物樣本等多種獲取途徑。
然而，如何獲取優質數據，特別是“干凈”的患者數據，對于所有該領域的公司來說，是更為至關重要的。
“不管是研究項目、還是產品項目，模型的能力是不可能超出收集數據的質量。目前對于癌癥來講，可能最有效的做法就是取得病人的手術活檢，或者穿透活檢的病例結果，然后把這個結果作為金標準用于目前的訓練。
但問題在于，在一家醫院里，有活檢病人的數量是遠少于沒有活檢病人數量的。”丁曉偉這樣解釋高質量數據的重要性。
換句話說，要保證有持續的高質量數據的輸入，公司只能盡可能多得通過與醫院及其他醫療機構的合作來獲得。因此，如何“拿下”醫院的合作項目，也是鑒別 AI 醫療創業公司生存能力的一個重要衡量標準。
雖然丁曉偉并沒有過多透露 VoxelCloud 與國外包括美國 NIH（美國國立衛生研究院）、梅奧醫學中心等頂尖醫療機構的合作條約內容。但很顯然，其導師 Demetri Terzopoulos 在全球醫療界的赫赫聲望，為 VoxelCloud 鋪開了一張巨大的關系網：
“我們算是師徒創業吧，我的博士生導師 Demetri 是英國皇家科學院院士和加拿大科學院院士，在業界的地位非常高。
當然，IEEE Fellow、ACM Fellow 等頭銜，奧斯卡技術成就獎，德國亥姆霍茲獎等一大堆獎項就不用說了，其實他被肯定的最重要的一點，是對醫療應用層的貢獻。譬如他參與研發的圖像分割算法，就被廣泛應用于醫療成像技術中。”
這種略顯豪華的技術背景優勢，是否能夠讓開發者在面對成百上千萬的數據時，更能對它們進行游刃有余地處理？ 根據丁曉偉給出的一份案例顯示，他們正在基于一份包含 250 多萬病例的數據集上做出眼底各種疾病分析模型，診斷結果已經能夠達到專業醫生水平的準確率。
然而，他們需要面對的挑戰依舊很大。
MIT（麻省理工科技評論）曾在批評包括 Watson 在內的諸多醫療診斷系統“不作為”時，把矛頭指向“數據處理的難度”而非“數據的量級”，這同樣也是所有 AI 醫療公司都有的短板：
“很多時候，診斷結果不夠好并不是公司本身的原因，而是由于數據的復雜性與相對不可用性。因此，這需要 AI 系統基于數據調整參數，以達到最佳擬合效果。對于相對容易的任務，比如檢測惡性腫瘤 X 射線，效果可能很好；但在很多關系復雜的病況下，就很難實現。”
而加州大學伯克利分校公共衛生學院的生物統計學教授 Maya Peterson 也持有同樣的觀點，她在今年 7 月的一次醫療會議上指出：
“人體的數據真的太過復雜，而我們還沒有完全理解他們之間的聯系。在探索更加復雜的病癥中，機器學習在某種程度上野心過大，這也不是一件好事。”
這不是一個當下能談盈利的市場
對于 AI 醫療創業公司來說，還有另一個很嚴酷的事實：數據的量級是與其價格成正比的。與此同時，還有優質算法與優秀技術團隊的高昂成本。
換句話說，在進入這個市場前，所有人都應該意識到這是一個“資本無底洞”。
2015 年 8 月，IBM 耗費 10 億美元收購了醫學成像及臨床系統供應商 Merge Healthcare，垂涎的就是后者手中積累的海量數據。
2016 年 2 月，IBM 又甩出 26 億美元欲拿下醫療保健數據與分析服務提供商 Truven Health Analytics，為的就是后者掌握的 8500 家客戶與 3 億病患數據。
這兩個舉動也被 MIT 看作是“IBM Watson 即便再被世人討厭，也仍然有其競爭優勢”的關鍵證據。
而另一個殘酷的反面案例是，作為 Watson 的第一批合作伙伴，曾希望借助 Watson AI 診療技術來構建獨立腫瘤專家建議系統的安德森癌癥中心 MD Anderson，在耗盡 6000 萬美元后，宣告項目失敗。
此外，與龐大投入相對應的，是商業模式仍然在尋找，盈利更是不可能談起的早期探索狀態。
丁曉偉向機器之能透露，VoxelCloud 目前已經推出了成熟的產品，但在當下所有簽訂的合同中，與公立醫院的項目肯定是非盈利的合作形式，而私立機構用他們的系統則是要收錢的。
“現在大家都處于早期，研發與搜集更多的數據是最重要的事情。雖然我們已經有了不少成熟的產品線，但是這個領域真的太新了，我們必須懷著謹慎和敬畏的心，持續往前去推進。
公司在不同的發展階段，肯定會有不同的商業模式，但是作為一個從業者，我認為現在的主要矛盾不是賺錢，而是把賺錢的前一步走好，先把這個事做成了再說。
說實話，現在 AI 醫療領域的技術需要很多非常規的技術變通才能達到應用級的要求。”
而從肯定不愿意做虧本買賣的投資人角度來看，這些“禿鷲”目前能做的，也是給予這個領域的創業者一些更多的時間，讓自己再多盤旋幾圈。
今年 8 月，VoxelCloud 本輪的投資方騰訊，曾推出了自家的醫療影像產品“覓影”，當時在發布會上，公司的互聯網+醫療部門負責人常佳就曾針對騰訊的醫療布局表示：
“我們認為 AI 在所有領域的應用還處于早期階段，長遠看才會有更大的空間。因此，現階段我們還不考慮商業化的事情。”
而丁曉偉也向機器之能透露，其上一輪領投方紅杉資本對 VoxelCloud 并沒有盈利方面的短期要求。
“紅杉本來就是長線投資方，他們非常看重這個領域。而且在我看來，投資人會比較看你已經有了什么，只談潛力是不夠的。我們有了比較成熟的應用和產品，而且部分產品線已經拿到了美國 FDA（食品及藥物管理局）與歐洲 CE 的許可；而國內 CFDA 也快要拿到了。”
但是，對于永遠最看重回報的投資方來說，這類公司無論如何都是要最終接受市場考驗的。華創資本的前沿科技項目投資負責人公元則告訴機器之能：
“如果技術門檻非常高，早期雖然是不用考慮太多盈利模式（要先把壁壘建立起來）。但最終肯定是要接受市場和盈利的考驗，只能說看資本市場能接受的長短度而已。”
而更加無法忽視的現狀是，除了商業模式與盈利問題，擋在 AI 醫療創業公司面前的還有監管障礙、人才短缺以及那些來行業內外的“不信任的聲音”。
根據《中國科技報》的一份報道，中國科學院院士、上海交通大學 Bio-X 中心主任賀林在解讀國務院在今年 8 月發布的《新一代人工智能發展規劃》時曾直擊當前國內 AI+醫療項目的監管痛點：
“目前，國內還沒有一款醫療領域的人工智能產品得到國內 FDA 的批準，相關收費也沒有進入醫保目錄，人工智能對于國內醫療行業來說仍然是新興事物，需要與現有醫療模式一起經歷“磨合期”。”
而另一方面，丁曉偉自己則把“招聘問題”與”外界質疑”列為當下 VoxelCloud 最大的兩個難題。其中，他認為“人才短缺”是包括他在內的當下所有同類公司都需要面對的挑戰：
“我們團隊有 40 多個人，雖然大家基本都是來自梅奧醫學中心，加州大學洛杉磯分校與卡內基梅隆大學，亞利桑那州立大學等高校的專家，但是我們覺得人手還遠遠不夠，因為顧及到數據的復雜程度與醫療研發的嚴謹度，我們需要耗費大量心力去做研發。對于創業公司來說，速度也很重要，因此我們平時基本連軸轉。
現在大家都會想盡一切辦法去搶人，因此我們基本不會放過任何學校的計算機及醫療專業的高材生。”
實際上，這不是丁曉偉一家 AI 醫療創業公司的心聲，而是整個 AI 產業圈焦灼的人事狀態。然而，在這個人才身價雖然水漲船高，但同時卻被越來越多的人提出“泡沫說”的創業領域，是否值得我們“將所有身家都壓在上面”？
此外，雖然設立了高門檻，但同樣有“盈利無著”“燒錢過快”等問題的 AI 醫療是否會重蹈兩年前移動醫療的覆轍？
這就像一位不愿透露姓名，但曾經歷移動醫療寒冬，并調查過幾十個死掉的移動醫療項目的行業資深人士對機器之能發出的一番感嘆：
“包括移動醫療在內的數字醫療曾死過一大批，但這不就是創業的正常現象嗎？現在人工
智能醫療創業如此火爆，咱們不說炒作嫌疑，我覺得主要背景是人力資源短缺與醫療成本高企。人工智能在醫療里，包括影像，頂多是輔助。
另外，之所以投資人都不注重商業盈利問題，是因為他們注重也沒辦法盈利。”
然而，無論各方如何給出自己的判斷，當初醫療創業寒冬留給所有 AI 醫療從業者的教訓，其實都可以匯成一句話：
“不要做出過分的承諾，不要相信關于你自己過于天花亂墜的報道，懷著對醫學與 AI 技術的敬畏之心，匍匐前進。”
