不断滋生的海量数据、较为清晰的判断规则、大量简单的重复劳动……这些医疗行业的现实情形与人工智能的特性之间存在着良好的契合度，这也是近年来AI+医疗越来越被看好的原因所在。

吴恩达年初接受《麻省理工科技评论》采访时表示：“我认为医疗领域将在10年内大量采用人工智能，未来该领域将呈现出与现在截然不同的面貌。”

毫无疑问，相关数据越丰富，对人工智能（AI）进行训练的难度就越低。ImageNet等大型数据集证明，人工智能能够成为图像识别的一件利器，促使从学术界到大型科技公司的每个人都参与其中，投入大量时间和精力编制新数据集，以不断拓展人工智能的极限。

11月14日，吴恩达与另一位斯坦福大学的科学家在ArXiv网站发表了一篇新研究论文（但未进行同行评议），阐述了一个新数据集如何快速用于训练人工智能算法，使其在短时间内接近人类的准确度。

借助9月27日国立卫生研究院公布的10万幅X光片，他们对人工智能算法进行训练。很快，算法根据X光片诊断肺炎的准确率便与4名经过专业训练的放射科医师不相上下。只用了短短两个月，人工智能便超越放射科医师。

除了肺炎外，人工智能算法还能根据X光片，诊断国立卫生研究院数据集中涵盖的其它14种疾病，其中包括纤维变性、疝气和细胞团块。在对这14种疾病进行诊断时，人工智能的误诊率和漏诊率均低于国立卫生研究院的基准研究。

短短5年时间，参加ImageNet挑战赛的算法的准确率便从75%提高到95%，在准确率提高的同时，人工智能系统的研发速度也不断加快。

当然，AI除了用于识别X光片、判断病情之外，还可以帮助医生提高文书效率，使得医生从琐碎重复的文书和病例等工作中解放出来。

科大讯飞近来利用语音识别技术开发出“语音电子病例”，该病例能够让医生在进行诊疗的同时实现病例的结构化录入，从而使得医生病例录入的效率提升4倍，经过优化，其针对医学术语的识别准确率高于98%。

人工智能的应用场景中，提高文书效率、识别病情，更多侧重于对医生的辅助，而AI另一种重要的应用场景，是辅助进行药物研发，在这一方向上，近期也有重大突破。

位于美国巴尔的摩（Baltimore）的InsilicoMedicine尝试运用人工智能技术为新药研发带来革命。他们开发了两种计算机网络，一种能找到具有抗癌活性的新分子，另一种则能剔除那些基于现有疗法提出的建议。

在互相磨练后，这两款网络从公开数据库中的个化学分子里找到了不少潜在的抗癌新药，其中有60款已经被其他公司注册，这从侧面验证了这套系统的确能找到具有抗癌活性的分子。

研究人员声称，在短短的一个月里，他们的技术就能从几百万个分子中，找到最有潜力的个候选新药。这能大大缩短新药发现的过程，并有望减少试错的成本。

这些飞速进展，显示了人工智能与医疗对接后所形成的剧烈化学反应，在这种趋势下，或许根本用不了十年，吴恩达所说的“与现在截然不同的状态”就将实现。

本文为未来图灵（futureturing）独家文章，转载请申请授权并注明来源。

编辑：DeepBlue

图片：来源自网络

转载、合作事宜，请联系：

邮箱：weilaituling