2016年4月16日，“2016蜂巢初橙·中國互聯(lián)網醫(yī)療健康大會”在杭州夢想小鎮(zhèn)完美落幕，風和投資吳炯、好人生章智云、杏樹林祝華鋒、藥脈通張瑞、認仕醫(yī)生李成君等互聯(lián)網醫(yī)療領域的阿里校友投資人、創(chuàng)業(yè)者，以及浙江省健康服務促進會會長朱耀傳等業(yè)內人士齊聚一堂，圍繞“突圍、創(chuàng)新、顛覆”這一主題分析互聯(lián)網醫(yī)療健康的行業(yè)痛點，發(fā)掘未來新機遇。

△峰會現場

峰會上，前阿里巴巴集團CTO、風和投資董事長吳炯發(fā)表主題演講，有意思的是，吳炯在分享后半段集中闡述了醫(yī)療人工智能代替全科醫(yī)生進行轉診的可能性，以及訓練醫(yī)療人工智能的兩個途徑。 即便經過整理，吳炯的演講全文、觀眾問答加起來依然接近6000字，因此小編將吳炯的幾個觀點先提煉出來：

• “顛覆醫(yī)療”是一個非常有問題的口號；

• 互聯(lián)網醫(yī)療是為數不多的創(chuàng)業(yè)機會;

• 偉大的互聯(lián)網醫(yī)療公司，應當幫助病人和醫(yī)生正確地連接和匹配；

• 全科醫(yī)生是分級診療、轉診的基礎；

• 人工智能對醫(yī)療行業(yè)價值非分，未來很多的創(chuàng)業(yè)項目都會包含著人工智能因素；

• 計算能力、算法都已經成熟，打造醫(yī)療人工智能最缺的是大數據；

• 醫(yī)療人工智能的大數據有兩個來源：電子病歷和X光片；

• 大數據的最佳應用場景，是成為訓練人工智能的樣本；

• 誤診率不是醫(yī)療方式的問題，而是醫(yī)生素質的問題。?

?

“顛覆醫(yī)療”是一個非常有問題的口號

?

我記得講的第一點：“顛覆醫(yī)療”的這個口號害了很多創(chuàng)業(yè)者。 這一點在今天仍然很適用，中國醫(yī)療體制的改革不可能是一蹴而就的，也不可能在很短的時間內有一個翻天覆地的革命性變化。就像中國從1978年開始的經濟改革一樣，它是一個漸進的進化過程。醫(yī)療這個行業(yè)只會更保守，只會更慢，所以必須創(chuàng)業(yè)者要在體制允許的范圍內和現有體制達成一個緊密的合作，一個良性的互動。 創(chuàng)業(yè)者必須要和政府的主管機構、醫(yī)院管理團隊、現在的醫(yī)生體制有一個良好的銜接，不是所謂的顛覆。顛覆的意義在于掀翻，沒有什么人愿意被你掀翻掉。我看到很多創(chuàng)業(yè)者天天叫著“顛覆醫(yī)療”的口號，甚至在一些媒體、公眾場合，和一些醫(yī)院院長、醫(yī)療機構主管去辯論，然后相互攻擊，甚至謾罵，我覺得這個對創(chuàng)業(yè)沒有幫助。 今天在互聯(lián)網醫(yī)療創(chuàng)業(yè)領域里，做得最大、最有影響力的幾家公司，都是和現有醫(yī)院達成合作，幫助他們做一些漸進式的改革，這才是一個比較明智的方法。如果20年、30年以后回頭看，發(fā)現整個醫(yī)療行業(yè)發(fā)生了翻天覆地的變化，在這里有幾家公司起了關鍵性的作用，你可以用這個詞——“顛覆”?！邦嵏病笔菑?015年開始，或者2016年開始。但是，你不能從開始那一天就叫著“顛覆”的口號。 打個比方，像支付寶、微信支付這樣的支付企業(yè)，對整個中國金融行業(yè)，是可以用“顛覆”這兩個字形容的。但是，如果2004年馬云剛開始做支付寶的時候，他就打著顛覆金融、顛覆銀行的口號，那麻煩了，就沒有今天的支付寶，沒有今天的螞蟻金服。道理是一樣的，所以“顛覆醫(yī)療”是一個非常有問題的口號。

??

△?吳炯在"2016蜂巢初橙·中國互聯(lián)網醫(yī)療健康大會"上發(fā)表演講

互聯(lián)網醫(yī)療是為數不多的創(chuàng)業(yè)機會

?

我去年講的第二點：醫(yī)療行業(yè)是今天中國互聯(lián)網、移動互聯(lián)網剩下的最后也是最大的機會。這一年多來，這個行業(yè)里的創(chuàng)業(yè)者和投入到這個行業(yè)的資金都證明了這個觀點。 今年，整個大的投資環(huán)境變冷了。去年下半年股市開始急劇往下走，到今天也沒有恢復。VC和PE的投資也隨著資本市場的變冷而變得很謹慎。 在投資界，O2O一定程度上變成一個臟字，很多人對于O2O公司避之不及。但現在互聯(lián)網醫(yī)療仍然是一個熱點，可能是熱點中的熱點。 去年年底微醫(yī)集團又從幾個最知名的投資機構——高盛、騰訊、復興集團、國開行——非常有份量的投資機構融了3億美元。現在整個投資環(huán)境趨冷的情況下，更多的資金聚焦到互聯(lián)網+醫(yī)療這個行業(yè)里面來。

??

互聯(lián)網的價值，在于連接和匹配

?

去年我講的第三點，我強調了互聯(lián)網的精髓，互聯(lián)網能夠做的最好的事情，互聯(lián)網的附加值最大的地方，叫所謂連接和匹配，可以智能化的進行匹配。 中國整個醫(yī)療行業(yè)面臨著一個首要大的問題，是資源配置的不協(xié)調，資源的不匹配，大家都在爭奪很有限的高端醫(yī)療資源，大家都蜂擁到那些最好的三甲醫(yī)院去。有些沒有患了重疾的病人，并不需要最好的醫(yī)生。但是，他們都盲目地到三甲醫(yī)院，就去搶知名醫(yī)生的號，造成了醫(yī)療資源嚴重的不匹配。 我當時強調互聯(lián)網是一個非常好的工具，解決連接和匹配的問題?；仡^看看最成功的互聯(lián)網公司，它都是在極致的發(fā)揮了互聯(lián)網連接和匹配的特性。阿里、淘寶做的事情是匹配買家和賣家，買家、賣家輕松找對方，這是以前阿里的價值訴求。百度，做了人和信息的完美匹配。騰訊，騰訊是個社交網絡，人和人之間的匹配。 我去年講的這一點的核心內容，如果有一家偉大的互聯(lián)網醫(yī)療公司，它的核心附加值應該仍然是連接和匹配這件事情。但是怎么樣連接匹配呢，是病人和醫(yī)生正確的連接和匹配。

??

全科醫(yī)生是分級診療、轉診的基礎

?

剛才我提到中國醫(yī)療行業(yè)很大的問題是資源分配的不均衡，這里造成這個情況，是因為今天的醫(yī)學，現代醫(yī)學。西醫(yī)的一個特點，每個醫(yī)生的專長仍然分得非常細。一個名醫(yī)，最擅長的幾種病就是那么三五種，出了他的研究領域之外，可能別的病找他都是浪費了他的時間，浪費了這個資源。所以把這個病人得的病和醫(yī)生的專長匹配起來，非常重要。 以今天的技術，互聯(lián)網、移動互聯(lián)網，有沒有辦法智能化的做自動匹配？可能我們的技術還沒有到這個水平，我很期待今后五年、十年里面，人工智能的技術可以快速的發(fā)展，能夠做這樣一件事情。但是在今天，互聯(lián)網的智能化還沒有智能到這個程度。?

在這個階段怎么解決智能匹配的問題？我提出的觀點，需要先知道誰最了解這個醫(yī)生的專長呢？有人說為醫(yī)生打很多標簽，但標簽通常是很不準確的，每個醫(yī)生都想盡量提升自己，包裝自己，所以很多標簽都是名不符實的。通過標簽用文字搜索的方法，百度搜索的方法，通常找到的醫(yī)生不解決根本問題。 那么誰最知道某個醫(yī)生真正的專長，他的學術研究專注的方向，他治病的功底在什么地方？是別的醫(yī)生，是這個醫(yī)生的同事、同學，經常和他交流，一起開會。微醫(yī)集團去年推出的系統(tǒng)，就是“團隊醫(yī)療”，把醫(yī)生和醫(yī)生之間相互做了一個網絡，這個網絡是做轉診。當我看到這個病人，發(fā)現他需要專家關注，需要找一個好的醫(yī)生；我也知道我的同事、同學——另外一個醫(yī)生，他研究的項目剛好就是這個病人的病。然后，我就可以把這個病人通過轉診，介紹給具有專長的醫(yī)生。微醫(yī)集團做的“團隊醫(yī)療”試圖解決這個問題。 微醫(yī)集團建了五六千個醫(yī)生團隊，短短一年來成績非常大，轉診已經開始運作起來。 通過這樣的實踐，我們也發(fā)生了很多問題。剛才我就說了，我們期望這個醫(yī)生來做轉診，來做推薦，把病人推薦給專家，推薦給別的醫(yī)生。

所以第一線的醫(yī)生非常重要，他首先接觸到病人，他要做一個判斷，這個醫(yī)生，這個病人是不是應該看專家，然后應該去看哪個專家，這個判斷很重要。 這個醫(yī)生是誰來做的，就是我們經常聽到的所謂全科醫(yī)生、家庭醫(yī)生。他不是專家，所有的病都可以找他，但他可以做分診、導診。整個中國的醫(yī)療行業(yè)環(huán)境里，全科醫(yī)生是一個重大缺失的環(huán)節(jié)，數量嚴重不足。還有，在僅有數量不多的全科醫(yī)生中間，他們所受到的培養(yǎng)和教育程度嚴重低于患者想要的標準。 全科醫(yī)生人數很少，而且通常不專業(yè)，他給你的轉診意見，可能都不如一個不懂醫(yī)的親戚朋友給你的建議。而且挺糟糕的是，這個情況可能不是短時間里能夠解決的。 我們需要趕快培養(yǎng)更多專業(yè)的全科醫(yī)生。十年種樹、百年育人，培養(yǎng)一個稱職的全科醫(yī)生，絕對不是幾天、幾個月就能夠做的事情。整個中國醫(yī)療體系要實現資源的匹配，需要全科醫(yī)生，這會有一個時間周期的過程，也是一個重大的缺失。 缺乏全科醫(yī)生是一個缺失，可能也會是一個市場的機會。比如剛才說的，我們需要培養(yǎng)大批合格的，很大數量的全科醫(yī)生。在培訓、教育上面有這么一個機會。

?

人工智能對醫(yī)療行業(yè)價值非分

?

最近這幾個月非常熱鬧的話題是人工智能， Google的“阿爾法狗”打敗了李世石。人工智能可能會開發(fā)一些實踐性的產品，幫助我們解決很多問題。我們是不是可以開發(fā)出機器人全科醫(yī)生來幫我們做分診、導診這件事情？

很多人想在互聯(lián)網醫(yī)療中創(chuàng)業(yè)，跟他們探討這個問題，我說中國非常缺合格的全科醫(yī)生，機器人全科醫(yī)生可以做自動分診、導診這件事情；人工智能是不是有這樣的項目，誰愿意開發(fā)，誰想開發(fā)？ 這就把互聯(lián)網、移動互聯(lián)網更往前推進了一步，不單單是做連接和匹配，這是智能化的連接和匹配，這是人工智能。像這樣的項目，我覺得會是今后五年、十年之后創(chuàng)業(yè)的熱潮。后互聯(lián)網時代創(chuàng)業(yè)的熱潮，必然很多的創(chuàng)業(yè)項目都會包含著人工智能因素。 今天醫(yī)生誤診率是相當高的，很多專家都會誤診，因為中國全科醫(yī)生教育培訓的水準仍然不夠，全科醫(yī)生的誤診率更高。即使在英美這樣的發(fā)達國家，誤診率還是高達30%~40%，甚至更高。 在這么高誤診率的情況下，機器人可以比人做得略好一點。如果普通醫(yī)生誤診率在35%，機器人做到30%，就說明這就是一個有實用性的機器人。

?

打造醫(yī)療人工智能最缺大數據

?

最近這幾年，人工智能發(fā)展很快，像“阿爾法狗”這樣的超級機器人開始出現，很重要的兩個原因。 第一個，計算能力大幅提高。計算能力的提高，不是因為超級計算機，是因為互聯(lián)網，互聯(lián)網把很多小型計算機的計算能力結合在一起。大家都知道云計算的方法，把小型計算機的計算能力集中在一起，形成了非常大的計算能力。 第二個是算法的改進，像“阿爾法狗”這樣的系統(tǒng)，用現在最先進的算法——“深度機器學習”。不需要為這些機器人醫(yī)生制定它的算法規(guī)則，只要給它大量的數據，它自己會總結歸納。電腦，計算機自己可以總結和歸納一個規(guī)律，你只要給他一個大量的數據，這就是所謂的深度機器學習。 我們如果要造一臺具有診斷能力的醫(yī)療人工智能，最重要的是需要有大量的數據來訓練這個機器人。算法、計算能力不是問題，現在要造一臺醫(yī)療機器人，最缺的是大數據。?

在我覺得可能有兩個方向試著突破： 第一個方向是大量的電子病歷。現在非常可惜，很多醫(yī)院都是劃地為牢，他認為這些電子病歷都是醫(yī)院自己的財產。如果一個創(chuàng)業(yè)公司找醫(yī)院要電子病歷作為培訓機器人的大數據訓練樣本。醫(yī)院都會說NO，這些醫(yī)院非常保守。因為他隨隨便便把電子病歷、把診斷記錄拿出去的話，他非常擔心一件事情，就是病人會用這個作為依據來告他醫(yī)療事故，這是他最大的思想顧慮，另外還有官僚體制上的問題。我知道這樣的創(chuàng)業(yè)公司，他們希望醫(yī)院給他們大量的數據，但是他們和醫(yī)院打交道幾乎都是吃閉門羹的。 有些公司在做電子病歷，就是做電子病歷的工具，讓醫(yī)生能夠把就診記錄電子化、標準化。我覺得這是一個潛在的很好的數據來源，如果這樣的工具能夠上規(guī)模，吸引大量的醫(yī)生能夠使用這樣的工具。假以時日，這些工具里就會留存和積累下來大量的診療數據。這個數據可以成為機器人深度學習的樣本。 這是第一個方向，通過電子病歷來制造、培訓一個全科醫(yī)生的人工智能。?

第二個方向，這個數據比電子病歷更客觀，就是醫(yī)療影像。我們去醫(yī)院里都拍過X光片，X光片是有專門的讀片醫(yī)生，醫(yī)院放射科醫(yī)生每天的工作就是看這些X光片，通過看片子，這個陰影可能是腫瘤，那個陰影可能是一個結石，這是放射科醫(yī)生每天做的事情。我覺得人工智能很快就會具備這個能力，它會學會這個能力，和醫(yī)生一樣可以看出來一個片子里是不是有潛在的腫瘤、結石。 制造這樣的機器人，同樣也是需要大量的數據，大量的樣本作為范本。你給他一個片子，然后告訴電腦，“這個片子是一個典型的情況，這是一個潛在的腫瘤?！蓖ㄟ^大量這樣的片子、案例給電腦看，通過機器深度學習，我們可以制造出讀X光片的機器人。 今年年初，風和投資投資了一家做醫(yī)療影像的公司，也是我們?yōu)槿斯ぶ悄苓@個方向做一些準備。這家公司做PAX，很多醫(yī)院都用他們的影像系統(tǒng)。假以時日，他們也會積累大量的醫(yī)療影像，這些數據也可以成為訓練讀片機器人，為我們今后制造出這樣的醫(yī)療人工智能做準備。

△ 觀眾提問

?

提問：我現在是做醫(yī)療美容的導診階段，想在線上做一個醫(yī)療美容的診斷，怎么在線給別人做一個適合醫(yī)療美容整形這一塊的服務？

吳炯：這個還是有點意思的，我們可以探討一下可能性。很多想整容的人，她找醫(yī)生咨詢一下，或者有朋友跟她說兩句，鼻子不好看，可以搞一搞，那個說眼睛這邊割一下，很多都是她道聽途說的，聽朋友說了之后會要求醫(yī)生做手術。我們可以做一個自動的系統(tǒng)，讓病人傳一個照片上來，或者在攝象頭前面轉一轉。然后你就把這個照片用人工智能分析一下，通過樣本的標準數據，用深度學習的方法，可以給出建議來，就像你實地做了一次咨詢一樣。 這個事情可以在網上發(fā)生，我甚至把手機拿出來，我用手機前后左右拍照上傳。上傳了之后，你給她一個咨詢意見，我建議整哪里。

?

提問：這個建議深入到診斷這個環(huán)節(jié)了，在線診斷是我們比較欠缺，所以我們目前在做前端。

吳炯：我剛才問你樣本數據有多大。樣本大非常重要。前些年我們講大數據，這個話題講了很久，但是我們回頭看看，過去三四年大數據領域沒有出現如雷貫耳、了不得的公司。實際上，大數據最好的應用，就是成為訓練人工智能的樣本。 大數據前面這些年的積累，是為以后人工智能的發(fā)展做準備。數據量大非常的重要，如果數據量小，訓練出來的人工智能能力就會很有限，像“阿爾法狗”這個機器人，它能夠把李世石打敗了，它是所有古往今來找得到的棋譜，都讓“阿爾法狗”去學習過了。那人能夠學多少棋譜，每天不吃不睡也就十幾個小時，機器是通過這樣大量的數據去訓練它。 但是人也有人的優(yōu)勢，人一天十幾個小時學不了幾個棋譜，為什么他也能夠跟“阿爾法狗”打得難解難分，人有他的優(yōu)勢，人不需要很大量的數據。人有一個本事，中國有一個成語“舉一反三”，他只要看一個類似的，知道一類，不需要很大的樣本量。電腦不會舉一反三，它舉一就是一，所以要有大量的數據用以學習，大數據的這個“大”仍然在人工智能里非常重要。

?

提問：關于人工智能和大數據，我想請問一下吳總，如果本身數據的提供就是一個錯誤的數據，解決的方法本身就是不正確的，人工智能怎么解決這個問題？

吳炯：很好的問題，我如果給了人工智能一個錯誤的數據，那么它就寫錯了。老師也會犯錯誤，老師教學生通常也會犯錯的，那你通過什么方法糾正呢，他可以看到別的老師教的數據，又會教對。 讀X光片的數據，給它一個片子，以及醫(yī)生做出的結論。這兩個結果都要給電腦。有可能就像你說的，醫(yī)生讀片可能是錯的，機器人就會被它誤導。但是你要給它更多的片子，如果它拿到十個樣本，九個是對的，一個是錯的，它就會把錯的數據放到相對不重要的位置。 錯誤的信息通常不是大量的，錯誤的信息通常是小量的。錯誤的信息給它沒有關系，但不能一直給它錯誤的信息。如果你給它訓練樣本里大量的都是錯誤信息，那你教出來的就是一個具有錯誤信息的機器人。

?

提問：現在全國乃至全世界醫(yī)療問題這么嚴重，現在是不是我們最基本的認識方法出現了問題呢？

吳炯：你剛才說誤診率很高，誤診率不是醫(yī)療的方法出了問題，還是醫(yī)生素質的問題。我們?yōu)槭裁匆矣薪涷灥尼t(yī)生和名醫(yī)，這是很有道理的。因為年輕的醫(yī)生剛從醫(yī)學院出來，病人看的也不多，經驗、閱歷都比較缺乏，所以他就很容易誤診。工作了十幾年，甚至工作二、三十年的醫(yī)生，就會給出比較好的、正確的判斷。 這是很好的問題，我們選什么數據培訓機器人？需要要選好的數據。通常，我們給醫(yī)療人工智能的數據，是一個名醫(yī)做出來的診斷，一個正確的數據，即便混雜了個別錯誤的數據，問題不大，只要盡量把好的數據給它。剛才舉“阿爾法狗”的例子，“阿爾法狗”看了很多棋譜，這些棋譜絕大部分都是高手乃至世界冠軍的棋譜；如果像我跟你下一盤圍棋，這個棋譜就不要給“阿爾法狗”看了。