近年来，AI惊动了各个领域，成为一种新的趋势，而且AI的东风早已吹到了医疗领域。
如今，AI医疗赛道上玩家众多，很多互联网巨头早已纷纷布局了AI医疗。譬如，腾讯推出了AI医疗产品“腾讯觅影”；阿里健康与万里云联合推出了医疗AI产品“Doctor You”；科大讯飞推出了“三品一台”——智医助理、影像辅助诊断系统、语音电子病历产品以及人工智能辅助诊疗平台。
那现在为何有如此多的AI医疗产品涌现在人们眼前呢？而这都要源于优质医疗资源的供需不平衡和人口老龄化，以及医生培养的周期长、误诊率高等这些因素，才引发了AI风吹向医疗。虽然AI医疗风头正劲，但是极少有AI医疗产品能够实现真正的落地。就目前来看，AI医疗仍然存在诸多需要突破的壁垒。
一、AI医疗的关隘：数据难题
医疗健康作为关乎民生的事业，其数据的重要性不言而喻。
根据IDC Digital的预测，截至2020年医疗数据量将达到40万亿GB，是2010年的30倍。但是，即使医疗数据量巨大，而其中80%左右的数据都是非结构化，这样也发挥不了“大数据”的价值。以下，笔者主要从两个方面来解释为什么数据量大不能转化成大数据的这一情况。
一方面，数字化医疗数据难以获取。目前国家乃至全世界都推行使用电子病例，目的就是将医疗数据信息化、结构化，以便于智能医疗的发展。然而中国大部分患者的数字化病例资料都是不完全的，这就对医疗数据的数字化整合带来一定的难度，那么企业获取优质医疗数据的难度也随之增加。据搜狐网报道，在大医院，满足要求的病例数据可能只有10%～20%，而在次级医院，这个比例仅仅只有1%。
而目前，很多AI医疗公司正处于通过医院“科研合作”免费试用的方式来获取有限的、优质的数据阶段。譬如，科大讯飞智慧医疗事业部总经理陶晓东曾表示科大讯飞跟医院合作，这才使得它旗下的AI医疗产品能够获取一手的医疗数据。这也就说明，企业获取优质医疗数据的渠道也是有限的。
另一方面，医疗数据的录入欠缺标准。不同的医疗机构或者企业，它们的数据录入标准是不一样的，而单个医疗机构或者企业积累的数据难以训练出有效的深度学习模型。因此，在不同医疗机构或者企业合作时，容易因标准不一导致优质的医疗数据丢失。
据光明网报道，广州金域医学检验集团股份有限公司首席科学官于世辉曾说，人工智能做膜性肾病的研究学习需要阳性标本一万多例，而广东一家著名的医科大学专业团队积累多年才有两千多份标本，金域医学虽有两万多份标本，但想要合作就要把每一个标本重新标注，让机器在同样一个疾病分类标准下深度学习。而我国有很多肾脏病分类体系，标准不统一会导致大量优质数据无法为医疗人工智能的发展服务。
可以说，AI医疗是基于大数据来发展的，而其要想为医生辅助诊断疾病提供最好的支持，首先必须要解决数据的难题。
二、AI医疗的发展亟需复合型人才
据光明网报道，根据业内统计，目前我国人工智能行业的从业人员不足5万人，每年通过高校培养出来的技术人员也不足2000人，而在人工智能行业从业者中，我国拥有10年以上工作经验的人才占比不到25%。
而且，据动脉网统计发现，在47名医疗人工智能创业公司的CTO或者首席科学家中，与医学专业相关的人才仅有7人，占比14.9%。可以见得，在人工智能人才短缺的大背景下，医疗人工智能的复合型人才更是短缺。
据了解，医渡云是一家以数据智能驱动医疗创新解决方案的医疗人工智能技术公司。笔者在医渡云的官网上了解到其团队构成，其中，大数据医学团队都是来自于全球领先医院的临床专家，而既懂医疗又懂技术的复合型人才还是比较少的。
而且据搜狐报道，汇医慧影创始人&CEO柴象飞曾表示，医学影像是一个非常交叉化和跨学科的东西，原来很多这个行业的人都离开了，但或许因人工智能大潮的推动，这批人又回来了，而且还有不少外行人加入其中。这么看来，虽然AI吸引了很多技术人员，但其中大多数技术人员并不一定懂医疗。
其实，在AI医疗的研发中具备医学和AI的复合型人才是越多越好，这样就有可能缩短了不同领域专业人才之间的磨合时间。因为不同领域的人才之间的交流还是会存在比较大的困难，都知道，一个领域的专业人才去了解另外一个自己不熟悉的领域，这之间的难处是显而易见的。因此，复合型人才的重要性也就凸显出来了，如果让越多具备医学知识和AI知识的复合型人才加入，必然对AI医疗的发展起到事半功倍的效果。
三、AI医疗的技术这一大基石尚待巩固
从技术的角度来说，目前AI医疗的医疗还处于弱人工医疗的阶段。虽然AI医疗的应用场景很广泛，比如虚拟助理、药物研发、健康管理、医疗影像辅助诊断等，但是真正落地、符合医院使用场景的产品还是比较少，因此，相关技术和产品的研发还有待进一步提升。
据了解，云知声导诊机器人一般都放在门诊大厅，其通过智能语音以及自然语言理解技术，可以模拟医生的问诊过程，完成病史的采集工作，从而提高医生的诊疗效率、减少误诊的概率。但在交互过程中，云知声导诊机器人还是存在方言的识别、使用场景嘈杂、需求指令不明确等问题。
而据亿欧网报道，云知声通过改进多MIC阵列、自主芯片降噪等技术来提高了用户的语音体验，同时，针对部分患者不习惯语音交互的问题，云知声也在扩大触控交互的适用范围，以摆脱对语音的依赖来提高适应性和用户的体验感。
虽然云知声针对这些问题在技术上做了完善，但是仍不一定能完全翻译出正确的意思，在语义理解上有时候可能仍存在歧义，甚至有时候答非所问。换句话说，自然语言理解技术目前还是处于初级阶段，也只能解决一些效率问题，还不足以对医疗问诊进行全面的解析。云天使基金副总裁张舒峣曾表示，医疗作为一个较为特殊的传统行业，对新技术相对保守，这也导致了AI医疗很难取得爆发式的进展。而且目前，智能语言服务也偏娱乐属性，在医院场景并不适用。
其实，不管是导诊机器人还是AI医疗影像、外科手术机器人，都有落地难题。因为医学算是一个比较前沿的行业，随时都有可能碰到疑难杂症，对此就会出现新的数据，那么AI医疗产品的数据算法就要不断的更新，而数据算法的技术难度也会随之增大。但目前大多数公司在多学科联合诊断算法上还存在技术瓶颈，而技术力量的欠缺就会限制AI医疗的进一步发展。
总之，医学领域维度多、门槛高，人工智能突破的难度还是比较大。
三座大山压制下，AI医疗难盈利？
在数据、人才和技术这三座大山的压制下，AI医疗的发展并非想象中乐观，其盈利还是存在问题。据《2018中国人工智能商业落地研究报告》显示，2017年，在整个产业链上，90%以上的AI企业依然处于亏损阶段，绝大多数企业年营业收入不足两亿。那么对于医疗这个重垂直化领域来说，大多数的AI医疗企业也是属于亏损阶段。
毕竟，AI医疗的盈利状况与AI医疗产品的落地情况有着很大的关系。据亿欧网了解到，人们对疾病预测的AI产品需求指数是比较大的，而这方面的落地指数却很小；在医疗影像上面的需求一般，但是其落地指数却处于比较大的值。这就意味着，需求指数不能很好地与落地指数成线性关系，换句话说，AI医疗产品并不能很好的满足人们的需求，这就容易导致人们不愿为AI医疗产品买单，因此，AI医疗的盈利就比较低，甚至可能不盈利。
况且，目前大多数AI医疗产品都在医院处于试用阶段，因此，它们在医院里仅仅充当医生常规检查过程以外的一个拾遗补漏的工具，并没有达到其早先的定位。照这么看，AI医疗产品依旧还未完全获得医生的信任，那么AI医疗产品短时间内很难在市场上被全面推广使用就不难理解了。
据了解，科大讯飞、云知声等AI企业在AI医疗业务上至今为止都未实现盈利，按理说，人工智能医疗市场的规模会因此而缩小，但目前的状况却是人工智能医疗市场规模在不断地增大。
前瞻产业研究院发布的《2018—2023年中国人工智能行业市场前瞻与投资战略规划分析报告》显示，2016年中国医疗人工智能的市场规模就已达96.61亿元，2018年有望达到200亿元，预计到2020年我国健康医疗大数据行业市场规模将突破800亿元。
这么看来，投资方非常注重AI医疗的发展，而我国在人工智能医疗方面仍是蹒跚学步的婴儿，绝大多数的产品都还没到商业化阶段。其实，要想让我国的AI医疗成长，就需要更多的产品能够实现真正的落地，并且大规模的适用于医院场景，只有这样，AI医疗产品才会慢慢走向商业化，实现盈利。而在AI医疗产品实现落地这一过程的探索中，就需要使用大量的资金。因此，AI医疗市场规模越来越大，但要完全实现AI医疗产品商业化还需要好长一段时间。
综合来看，对于掌握人工智能技术的计算机专家和技术的公司来说，AI医疗相当于给它们打了一针兴奋剂，而就AI医疗的盈利来看，表现出来的情况并不理想，毕竟真正实现落地的产品相当少。
总之，与人工智能医疗相关的公司要想在AI医疗上实现盈利，必然要攻破数据、人才和技术三大难题，才有可能使更多的AI医疗产品实现真正的落地，从而解决AI医疗难盈利的问题。但以目前的AI医疗发展状况来说，企业何时才能达到这一目标呢？
文/刘旷公众号，ID：liukuang110，本文首发旷创投网
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与极客网无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
