吴炯：“颠覆医疗”是一个非常有问题的口号，人工智能可以成为称职的全科医生

2016年4月16日，“2016蜂巢初橙·中国互联网医疗健康大会”在杭州梦想小镇完美落幕，风和投资吴炯、好人生章智云、杏树林祝华锋、药脉通张瑞、认仕医生李成君等互联网医疗领域的阿里校友投资人、创业者，以及浙江省健康服务促进会会长朱耀传等业内人士齐聚一堂，围绕“突围、创新、颠覆”这一主题分析互联网医疗健康的行业痛点，发掘未来新机遇。

△峰会现场

峰会上，前阿里巴巴集团CTO、风和投资董事长吴炯发表主题演讲，有意思的是，吴炯在分享后半段集中阐述了医疗人工智能代替全科医生进行转诊的可能性，以及训练医疗人工智能的两个途径。 即便经过整理，吴炯的演讲全文、观众问答加起来依然接近6000字，因此小编将吴炯的几个观点先提炼出来：

• “颠覆医疗”是一个非常有问题的口号；

• 互联网医疗是为数不多的创业机会;

• 伟大的互联网医疗公司，应当帮助病人和医生正确地连接和匹配；

• 全科医生是分级诊疗、转诊的基础；

• 人工智能对医疗行业价值非分，未来很多的创业项目都会包含着人工智能因素；

• 计算能力、算法都已经成熟，打造医疗人工智能最缺的是大数据；

• 医疗人工智能的大数据有两个来源：电子病历和X光片；

• 大数据的最佳应用场景，是成为训练人工智能的样本；

• 误诊率不是医疗方式的问题，而是医生素质的问题。 

“颠覆医疗”是一个非常有问题的口号

我记得讲的第一点：“颠覆医疗”的这个口号害了很多创业者。 这一点在今天仍然很适用，中国医疗体制的改革不可能是一蹴而就的，也不可能在很短的时间内有一个翻天覆地的革命性变化。就像中国从1978年开始的经济改革一样，它是一个渐进的进化过程。医疗这个行业只会更保守，只会更慢，所以必须创业者要在体制允许的范围内和现有体制达成一个紧密的合作，一个良性的互动。 创业者必须要和政府的主管机构、医院管理团队、现在的医生体制有一个良好的衔接，不是所谓的颠覆。颠覆的意义在于掀翻，没有什么人愿意被你掀翻掉。我看到很多创业者天天叫着“颠覆医疗”的口号，甚至在一些媒体、公众场合，和一些医院院长、医疗机构主管去辩论，然后相互攻击，甚至谩骂，我觉得这个对创业没有帮助。 今天在互联网医疗创业领域里，做得最大、最有影响力的几家公司，都是和现有医院达成合作，帮助他们做一些渐进式的改革，这才是一个比较明智的方法。如果20年、30年以后回头看，发现整个医疗行业发生了翻天覆地的变化，在这里有几家公司起了关键性的作用，你可以用这个词——“颠覆”。“颠覆”是从2015年开始，或者2016年开始。但是，你不能从开始那一天就叫着“颠覆”的口号。 打个比方，像支付宝、微信支付这样的支付企业，对整个中国金融行业，是可以用“颠覆”这两个字形容的。但是，如果2004年马云刚开始做支付宝的时候，他就打着颠覆金融、颠覆银行的口号，那麻烦了，就没有今天的支付宝，没有今天的蚂蚁金服。道理是一样的，所以“颠覆医疗”是一个非常有问题的口号。

△ 吴炯在"2016蜂巢初橙·中国互联网医疗健康大会"上发表演讲

互联网医疗是为数不多的创业机会

我去年讲的第二点：医疗行业是今天中国互联网、移动互联网剩下的最后也是最大的机会。这一年多来，这个行业里的创业者和投入到这个行业的资金都证明了这个观点。 今年，整个大的投资环境变冷了。去年下半年股市开始急剧往下走，到今天也没有恢复。VC和PE的投资也随着资本市场的变冷而变得很谨慎。 在投资界，O2O一定程度上变成一个脏字，很多人对于O2O公司避之不及。但现在互联网医疗仍然是一个热点，可能是热点中的热点。 去年年底微医集团又从几个最知名的投资机构——高盛、腾讯、复兴集团、国开行——非常有份量的投资机构融了3亿美元。现在整个投资环境趋冷的情况下，更多的资金聚焦到互联网+医疗这个行业里面来。

互联网的价值，在于连接和匹配

去年我讲的第三点，我强调了互联网的精髓，互联网能够做的最好的事情，互联网的附加值最大的地方，叫所谓连接和匹配，可以智能化的进行匹配。 中国整个医疗行业面临着一个首要大的问题，是资源配置的不协调，资源的不匹配，大家都在争夺很有限的高端医疗资源，大家都蜂拥到那些最好的三甲医院去。有些没有患了重疾的病人，并不需要最好的医生。但是，他们都盲目地到三甲医院，就去抢知名医生的号，造成了医疗资源严重的不匹配。 我当时强调互联网是一个非常好的工具，解决连接和匹配的问题。回头看看最成功的互联网公司，它都是在极致的发挥了互联网连接和匹配的特性。阿里、淘宝做的事情是匹配买家和卖家，买家、卖家轻松找对方，这是以前阿里的价值诉求。百度，做了人和信息的完美匹配。腾讯，腾讯是个社交网络，人和人之间的匹配。 我去年讲的这一点的核心内容，如果有一家伟大的互联网医疗公司，它的核心附加值应该仍然是连接和匹配这件事情。但是怎么样连接匹配呢，是病人和医生正确的连接和匹配。

全科医生是分级诊疗、转诊的基础

刚才我提到中国医疗行业很大的问题是资源分配的不均衡，这里造成这个情况，是因为今天的医学，现代医学。西医的一个特点，每个医生的专长仍然分得非常细。一个名医，最擅长的几种病就是那么三五种，出了他的研究领域之外，可能别的病找他都是浪费了他的时间，浪费了这个资源。所以把这个病人得的病和医生的专长匹配起来，非常重要。 以今天的技术，互联网、移动互联网，有没有办法智能化的做自动匹配？可能我们的技术还没有到这个水平，我很期待今后五年、十年里面，人工智能的技术可以快速的发展，能够做这样一件事情。但是在今天，互联网的智能化还没有智能到这个程度。 

在这个阶段怎么解决智能匹配的问题？我提出的观点，需要先知道谁最了解这个医生的专长呢？有人说为医生打很多标签，但标签通常是很不准确的，每个医生都想尽量提升自己，包装自己，所以很多标签都是名不符实的。通过标签用文字搜索的方法，百度搜索的方法，通常找到的医生不解决根本问题。 那么谁最知道某个医生真正的专长，他的学术研究专注的方向，他治病的功底在什么地方？是别的医生，是这个医生的同事、同学，经常和他交流，一起开会。微医集团去年推出的系统，就是“团队医疗”，把医生和医生之间相互做了一个网络，这个网络是做转诊。当我看到这个病人，发现他需要专家关注，需要找一个好的医生；我也知道我的同事、同学——另外一个医生，他研究的项目刚好就是这个病人的病。然后，我就可以把这个病人通过转诊，介绍给具有专长的医生。微医集团做的“团队医疗”试图解决这个问题。 微医集团建了五六千个医生团队，短短一年来成绩非常大，转诊已经开始运作起来。 通过这样的实践，我们也发生了很多问题。刚才我就说了，我们期望这个医生来做转诊，来做推荐，把病人推荐给专家，推荐给别的医生。

所以第一线的医生非常重要，他首先接触到病人，他要做一个判断，这个医生，这个病人是不是应该看专家，然后应该去看哪个专家，这个判断很重要。 这个医生是谁来做的，就是我们经常听到的所谓全科医生、家庭医生。他不是专家，所有的病都可以找他，但他可以做分诊、导诊。整个中国的医疗行业环境里，全科医生是一个重大缺失的环节，数量严重不足。还有，在仅有数量不多的全科医生中间，他们所受到的培养和教育程度严重低于患者想要的标准。 全科医生人数很少，而且通常不专业，他给你的转诊意见，可能都不如一个不懂医的亲戚朋友给你的建议。而且挺糟糕的是，这个情况可能不是短时间里能够解决的。 我们需要赶快培养更多专业的全科医生。十年种树、百年育人，培养一个称职的全科医生，绝对不是几天、几个月就能够做的事情。整个中国医疗体系要实现资源的匹配，需要全科医生，这会有一个时间周期的过程，也是一个重大的缺失。 缺乏全科医生是一个缺失，可能也会是一个市场的机会。比如刚才说的，我们需要培养大批合格的，很大数量的全科医生。在培训、教育上面有这么一个机会。

人工智能对医疗行业价值非分

最近这几个月非常热闹的话题是人工智能， Google的“阿尔法狗”打败了李世石。人工智能可能会开发一些实践性的产品，帮助我们解决很多问题。我们是不是可以开发出机器人全科医生来帮我们做分诊、导诊这件事情？

很多人想在互联网医疗中创业，跟他们探讨这个问题，我说中国非常缺合格的全科医生，机器人全科医生可以做自动分诊、导诊这件事情；人工智能是不是有这样的项目，谁愿意开发，谁想开发？ 这就把互联网、移动互联网更往前推进了一步，不单单是做连接和匹配，这是智能化的连接和匹配，这是人工智能。像这样的项目，我觉得会是今后五年、十年之后创业的热潮。后互联网时代创业的热潮，必然很多的创业项目都会包含着人工智能因素。 今天医生误诊率是相当高的，很多专家都会误诊，因为中国全科医生教育培训的水准仍然不够，全科医生的误诊率更高。即使在英美这样的发达国家，误诊率还是高达30%~40%，甚至更高。 在这么高误诊率的情况下，机器人可以比人做得略好一点。如果普通医生误诊率在35%，机器人做到30%，就说明这就是一个有实用性的机器人。

打造医疗人工智能最缺大数据

最近这几年，人工智能发展很快，像“阿尔法狗”这样的超级机器人开始出现，很重要的两个原因。 第一个，计算能力大幅提高。计算能力的提高，不是因为超级计算机，是因为互联网，互联网把很多小型计算机的计算能力结合在一起。大家都知道云计算的方法，把小型计算机的计算能力集中在一起，形成了非常大的计算能力。 第二个是算法的改进，像“阿尔法狗”这样的系统，用现在最先进的算法——“深度机器学习”。不需要为这些机器人医生制定它的算法规则，只要给它大量的数据，它自己会总结归纳。电脑，计算机自己可以总结和归纳一个规律，你只要给他一个大量的数据，这就是所谓的深度机器学习。 我们如果要造一台具有诊断能力的医疗人工智能，最重要的是需要有大量的数据来训练这个机器人。算法、计算能力不是问题，现在要造一台医疗机器人，最缺的是大数据。 

在我觉得可能有两个方向试着突破： 第一个方向是大量的电子病历。现在非常可惜，很多医院都是划地为牢，他认为这些电子病历都是医院自己的财产。如果一个创业公司找医院要电子病历作为培训机器人的大数据训练样本。医院都会说NO，这些医院非常保守。因为他随随便便把电子病历、把诊断记录拿出去的话，他非常担心一件事情，就是病人会用这个作为依据来告他医疗事故，这是他最大的思想顾虑，另外还有官僚体制上的问题。我知道这样的创业公司，他们希望医院给他们大量的数据，但是他们和医院打交道几乎都是吃闭门羹的。 有些公司在做电子病历，就是做电子病历的工具，让医生能够把就诊记录电子化、标准化。我觉得这是一个潜在的很好的数据来源，如果这样的工具能够上规模，吸引大量的医生能够使用这样的工具。假以时日，这些工具里就会留存和积累下来大量的诊疗数据。这个数据可以成为机器人深度学习的样本。 这是第一个方向，通过电子病历来制造、培训一个全科医生的人工智能。 

第二个方向，这个数据比电子病历更客观，就是医疗影像。我们去医院里都拍过X光片，X光片是有专门的读片医生，医院放射科医生每天的工作就是看这些X光片，通过看片子，这个阴影可能是肿瘤，那个阴影可能是一个结石，这是放射科医生每天做的事情。我觉得人工智能很快就会具备这个能力，它会学会这个能力，和医生一样可以看出来一个片子里是不是有潜在的肿瘤、结石。 制造这样的机器人，同样也是需要大量的数据，大量的样本作为范本。你给他一个片子，然后告诉电脑，“这个片子是一个典型的情况，这是一个潜在的肿瘤。”通过大量这样的片子、案例给电脑看，通过机器深度学习，我们可以制造出读X光片的机器人。 今年年初，风和投资投资了一家做医疗影像的公司，也是我们为人工智能这个方向做一些准备。这家公司做PAX，很多医院都用他们的影像系统。假以时日，他们也会积累大量的医疗影像，这些数据也可以成为训练读片机器人，为我们今后制造出这样的医疗人工智能做准备。

△ 观众提问

提问：我现在是做医疗美容的导诊阶段，想在线上做一个医疗美容的诊断，怎么在线给别人做一个适合医疗美容整形这一块的服务？

吴炯：这个还是有点意思的，我们可以探讨一下可能性。很多想整容的人，她找医生咨询一下，或者有朋友跟她说两句，鼻子不好看，可以搞一搞，那个说眼睛这边割一下，很多都是她道听途说的，听朋友说了之后会要求医生做手术。我们可以做一个自动的系统，让病人传一个照片上来，或者在摄象头前面转一转。然后你就把这个照片用人工智能分析一下，通过样本的标准数据，用深度学习的方法，可以给出建议来，就像你实地做了一次咨询一样。 这个事情可以在网上发生，我甚至把手机拿出来，我用手机前后左右拍照上传。上传了之后，你给她一个咨询意见，我建议整哪里。

提问：这个建议深入到诊断这个环节了，在线诊断是我们比较欠缺，所以我们目前在做前端。

吴炯：我刚才问你样本数据有多大。样本大非常重要。前些年我们讲大数据，这个话题讲了很久，但是我们回头看看，过去三四年大数据领域没有出现如雷贯耳、了不得的公司。实际上，大数据最好的应用，就是成为训练人工智能的样本。 大数据前面这些年的积累，是为以后人工智能的发展做准备。数据量大非常的重要，如果数据量小，训练出来的人工智能能力就会很有限，像“阿尔法狗”这个机器人，它能够把李世石打败了，它是所有古往今来找得到的棋谱，都让“阿尔法狗”去学习过了。那人能够学多少棋谱，每天不吃不睡也就十几个小时，机器是通过这样大量的数据去训练它。 但是人也有人的优势，人一天十几个小时学不了几个棋谱，为什么他也能够跟“阿尔法狗”打得难解难分，人有他的优势，人不需要很大量的数据。人有一个本事，中国有一个成语“举一反三”，他只要看一个类似的，知道一类，不需要很大的样本量。电脑不会举一反三，它举一就是一，所以要有大量的数据用以学习，大数据的这个“大”仍然在人工智能里非常重要。

提问：关于人工智能和大数据，我想请问一下吴总，如果本身数据的提供就是一个错误的数据，解决的方法本身就是不正确的，人工智能怎么解决这个问题？

吴炯：很好的问题，我如果给了人工智能一个错误的数据，那么它就写错了。老师也会犯错误，老师教学生通常也会犯错的，那你通过什么方法纠正呢，他可以看到别的老师教的数据，又会教对。 读X光片的数据，给它一个片子，以及医生做出的结论。这两个结果都要给电脑。有可能就像你说的，医生读片可能是错的，机器人就会被它误导。但是你要给它更多的片子，如果它拿到十个样本，九个是对的，一个是错的，它就会把错的数据放到相对不重要的位置。 错误的信息通常不是大量的，错误的信息通常是小量的。错误的信息给它没有关系，但不能一直给它错误的信息。如果你给它训练样本里大量的都是错误信息，那你教出来的就是一个具有错误信息的机器人。

提问：现在全国乃至全世界医疗问题这么严重，现在是不是我们最基本的认识方法出现了问题呢？

吴炯：你刚才说误诊率很高，误诊率不是医疗的方法出了问题，还是医生素质的问题。我们为什么要找有经验的医生和名医，这是很有道理的。因为年轻的医生刚从医学院出来，病人看的也不多，经验、阅历都比较缺乏，所以他就很容易误诊。工作了十几年，甚至工作二、三十年的医生，就会给出比较好的、正确的判断。 这是很好的问题，我们选什么数据培训机器人？需要要选好的数据。通常，我们给医疗人工智能的数据，是一个名医做出来的诊断，一个正确的数据，即便混杂了个别错误的数据，问题不大，只要尽量把好的数据给它。刚才举“阿尔法狗”的例子，“阿尔法狗”看了很多棋谱，这些棋谱绝大部分都是高手乃至世界冠军的棋谱；如果像我跟你下一盘围棋，这个棋谱就不要给“阿尔法狗”看了。