在AI全面下沉到产业的今天，缺席医疗自然是不可能的。
只不过和新冠疫情比起来，流感给美国、欧洲等国家带来的威胁，可能更真实一点。
根据美国疾病预防中心（CDC）统计，去年冬天，全美国已经有8200人死于季节性流感，1500万人感染，超过18万正在住院，各地的医疗机构都在加班加点地工作。
因此，在预防其他传染疾病上，或许才能更真实地见到AI的面貌。
简单总结一下，主要体现在四个方面：
1.舆情监测预警。
其实早在新冠疫情大爆发之前，12月30日，波士顿儿童医院(Boston Children's Hospital)的自动健康地图系统，就发布了中国境外首次有关这种新型冠状病毒的公共警报。
这套系统就得益于人工智能技术自然语言处理的支持。
通过扫描在线新闻、社交媒体报道和政府报告，寻找传染病爆发迹象的早期预警系统，并将预警的严重程度分为5级（新冠被定为3级），从而可以帮助WHO等在语言障碍可能出现的情况下率先洞察疫情。
智能抓取，是不是很容易联想到搜索引擎爬虫？
没错，这正是谷歌自上世纪90年代以来的核心技术。而早在2008年，谷歌就推出了流感趋势服务（Google Flu Trends），通过搜索流感症状的模式来发现流感爆发。
通过过去5年中已经完成的数10亿次搜索。，将与流感相关的查询（比如“咳嗽”或“发冷”），与美国疾病控制与预防中心的历史流感数据进行匹配，然后利用这些查询来预测未来可能的情况。
比如2008年1月28日，关于流感的查询数量趋势上飙升。两周后，美国疾病控制与预防中心报告称流感感染病例出现上升，并让医疗行业在流感季到来时做好准备。
2.药物或疫苗研发。
我们都知道，中国科学家正在加班加点地研发疫苗，其中，无极加速器科技企业开放的超大算力就起到了至关重要的效果。
而海外利用AI研发药物或疫苗的尝试也早已有之。
美国国家过敏和传染病研究所（US National Institute of Allergy and Infectious Diseases）就资助了一项研究，由南澳的弗林德斯大学（Flinders University）借助一个名为“配体搜索算法（Search Algorithm for Ligands，SAM）”的人工智能程序来设计药物。
研究者将数万亿种不同的化学化合物输入SAM，它会筛选出自己认为可能是最好的人类免疫候选药物。据说，由SAM独立设计的疫苗可以抵御流感病毒，并且已经开始在美国进行临床实验。
3.追踪病原体轨迹。
在预防或遏制传染疾病爆发的过程中，一项极为重要的任务，就是准确找出携带病毒的病人，或者动物。
许多新兴的传染病都是由动物传染给人类的，因此，利用机器学习来检测野生动物习性并判断它们的免疫风险，就成了研究者关注的对象。
比如美国卡里生态系统研究所就针对2000多种啮齿类动物建立了一套庞大的数据库，并训练AI认知它们的生活历史、生态环境、行为、生理特征和地理分布情况。并成功通过该模型，发现了超过150种新的潜在啮齿类动物和超过50种新的活跃型动物，可能携带多种病原体并传染给人类。
由此，可以绘制出影响各种疾病的啮齿类动物分布，以及容易被新生寄生虫和病原体传染的热点地区，以便实现疾病的早期预警监测。
当然，追踪人的去向对于疫情防治也很重要。但不像中国应对新冠疫情这样，是通过大数据+AI对重点人群进行行踪溯源预警，其他国家的AI主要还是表现在算法预防。
英联邦科学与工业研究组织（CSIRO）就使用贝叶斯推理开发了Data61模型，用以追踪将昆士兰州登革热病毒是如何传播到澳大利亚，并如何在人与人之间转移的。
借助昆士兰州卫生局提供的15年内匿名记录的登革热病例来进行训练，Data61可以综合判断多种人员流动信息，比如航空公司乘客数据、地理标记、社交媒体、旅游情况等等，从而预测可能发生疫情的时间和地点，让医疗机构早做准备。
据说，该模型还可以用于预测莱姆病、埃博拉和疟疾等人畜共生的疾病。
4.智慧诊疗。
在中国新冠防治中，AI在诊疗领域的应用主要是影像筛查、远程问诊等。
欧美等国家也正在将AI的计算能力应用到类似环节。
比如早在2013年，IBM就开始与全美综合医院排名前四的克利夫兰诊所进行合作，研究如何利用“沃森（Watson）”人工智能系统提高护理水平。
去年十月，谷歌也公布了一款名为LYNA的监测工具，能够以99%的准确率区分出有转移性癌症的载玻片和无转移性癌症的载玻片，将乳腺癌诊断的时间缩短了一半。
伦敦的医疗 AI 公司则与 Royal College of Physicians、Stanford Primary Care 和 Yale New Haven Health 等合作，打造出能够辅助实习医生独立行医的系统Babylon。经过测试，在初级护理医学最常见的病症方面，Babylon AI 的准确率得分为80%，而七名医生则为64-94%。而AI的安全性则达到了97%，高于医生的平均值93.1%。
将AI用于医疗产业，也是日本政府的重点工作之一。实际上，日本早在2017年和2018年分别在中国杭州和广州建立了医学影像诊断中心。在东京江户川区的目目泽医院，患者只需要在掌上电脑上面做选择题，回答“哪里痛”“痛的时间”等问题，AI系统就能根据患者的选择自动生成电子病历。这种问诊方式也被日本70多个医疗单位使用。
智能服务机器人，也很早就进入了许多大型医院。1985年，美国TRC公司研制出世界首个服务机器人“护士助手”，不仅能运送医疗器材、药品等，还能为患者提供送饭和送病历、报表及信件等服务，目前已在全球几十家医院投入使用。
人与疾病的斗争永无休止之日，无极4平台网址人工智能确实能够为早日结束战役注入一剂强心针。它或许未能在此次此刻的新冠疫情中，被欧美澳洲等国推到台前。但不可否认，AI早已与人类的健康紧密相连。
AI抗疫：中外的异与同
至此，我们可以发现海外AI与中国AI在防疫领域的一些有趣的异同点：
首先可以肯定的是，中国的AI抗疫手段与全球顶尖的AI医疗几乎站在了同一水平线。具体就体现在，在数据层、技术算法、产业应用方面全面覆盖。比如利用大数据追踪重点人群，借助深度学习辅助实现体温检测、医疗诊断，通过超大计算来进行药物研发等等。
当然，一些基础积累的不同，决定了双方的优势各不相同。
比如说，由于美国、日本等医护资源匮乏，所以很早就开启了诊疗数字化的进程，以帮助医护人员提升工作效率，降低工作强度，也因此为AI辅助医疗积累了大量高质量的数据。
比如美国的电子健康记录系统（Electronic health records，EHRs），十年内积累了1000万名病人的记录。其中就包括疾病诊断记录、病人用药效果、基因数据、家庭病史等重要信息。2011年之后，日本医疗数据也已经全面采用电子化报送系统，个人可以通过网络随时查阅云端保存的各种医疗信息。
这样患者在不同医院就诊时，数据被医务人员共享使用，许多重复治疗、检查可以避免，自然能够很好地提升就诊效率，缓解医疗资源紧张问题。
而中国医院体系的数字化、智能化程度相对不高，并且呈现出分散性、地域性，这就导致当研究者需要进行算法训练、开发，以及诊疗交流时，往往需要打破不同医院和地区的壁垒，才能实现数据交换共享，由此也限制了AI在医疗领域的发展。
另外，科技企业界的重度参与，为美国等AI提供了强大的技术助益。
谷歌从2015年开始，就将AI作为每个部门的战略核心，尤其是在Deepmind的助推下，Google在癌症、糖尿病、心血管疾病等疾病的预防和治疗方面，创造了许多领先业界的突破。并且谷歌母公司Alphabet旗下还有多家生物科技和医疗公司，能够协同发展。
此外，美国还有微软、苹果，以及多家医疗领域创业公司，也是其在一些医疗细分领域的AI进展较快。
日本政府的AI医疗战略，也与企业达成了非常紧密的合作关系。比如从2011年开始，索尼、富士通、松下、欧姆龙、山佐、A＆D、AQ、泰尔茂等公司，就推出了大批以NFC为主的居家医疗、照护产品，促进了家庭移动智能医疗护理系统的建构。
2016年，日本Qol公司打造的健康支援药房，也可以通过实时上传到云端健康管理平台的监测数据，来为高血压、糖尿病等常见慢性病患者提供诊断和药品发放，来减少治疗成本。
目前来看，中国医疗机构与产业在数据互联和信息共享上还没有形成覆盖全社会的网络体系，社区级无法帮助中心医院完成一些较为复杂的诊疗。各大科技企业的医疗大脑、AI体系目前还属于推广建设阶段，渗透到更广泛的公共医疗和病患个人终端，还需要一段时间的建设。
同时也应该看到，移动互联网、智能硬件、科技巨头算法超市等的出现，让中国基层社会在抗疫事件中，表现出了独一无二的高效。
比如智能测温在各大地铁、火车站等的应用，甚至有无人机飞行测温；AI机器人承担着消毒、安防、送餐等各种各样的无接触任务，降低感染风险；移动支付、小程序等快速解决了民众互动、流行病学调查、机构协作等难题。
与之相比，美国、欧洲等公共AI应用的不到位，或许也展现出了其长于算法、短于基础设施的弊端。
我们知道，受史上最严隐私法案的影响，欧洲许多国家禁止采集公众信息，对人脸识别等前沿技术的使用也出台了相关限制，并屡屡开出巨额罚单。尽管这在一定程度上保护了公众信息安全，而对社会智能化的防范与迟缓，也使其在面对大型公共卫生事件时，展现出了应对能力薄弱、救灾过程滞后、人员有限重复劳动等问题，在防疫效率上还有很大的提升空间。
就连美国《华尔街日报》也指出，利用数字设备，能够追踪每名患者的具体行程，快速确定人员流动轨迹，甚至可以精确到分钟，为防控“做了前所未有的努力”。
防疫终结站，和AI的下一站
当我们与世界共命运的时刻，或许也可以从中外不同的AI路径中，汲取下一站的力量。
必须承认，中国在AI能力上并不输给老牌科技强国。想要比它们做得更好，还有一些值得注意的经验：
1.有选择性地应用AI，并对数据本身怀抱合理的期待。
值得一提的是，AI疾病预警并非如想象中那么有用，它就如同汽车报警器一样，既容易触发，也容易被忽略。一个主要的原因是，不同机构、不同平台的数据都可能会阻碍算法。
哈佛大学(Harvard University)流行病学家Andrew Beam表示，扫描在线报告中的关键词有助于揭示趋势，但准确性取决于数据的质量。
比如谷歌就高估了AI对流感的流行程度，偏差超出了实际值的50%。最后在2015年关闭了该网站，并将其技术交给了HealthMap等非营利组织。
2.将AI巨头与流行病科研的合作常规化。
现阶段，产业界与医学界的合作几乎是不可避免的。一方面，产业界掌握着绝大多数宝贵的数据，以及高昂的算力资源。但同时，医疗领域又离不开专家对细节和方向的把握。强强联合就成了唯一的路径。
加州大学圣地亚哥分校完成的对抗流感病毒的新疗法中所涉及的分子模拟实验，就国家超级计算应用中心（NCSA）的petascale Blue Waters系统，这也是当时最大、功能最强大的超级计算机之一，蓝水公司给予了极大的支持。
在此次新冠抗疫中，中国诸多领先科技巨头对病毒测序、疫苗研发等开放了算法、数据集、计算中心等，也是AI与医疗的优秀合体方式，将这样的合作常规化，才能让技术的力量持续为医学助攻。
3.加速数字医疗基础设施建设，提升医疗机构诊疗效率。
一方面，中国医疗产业面临着美国、瑞士、日本等类似的问题，医护人员缺口正在变大，老龄化加剧，医疗服务的需求有增无减，提高机构效率将成为未来产业升级的重点。
而想要让AI承担医生的重复性工作，就需要精准算法的积累和海量的数据支撑。但目前医院之间的各自分野使得AI企业在进行机器学习训练时，往往需要跟各个医院单独沟通。除了数据获取难之外，如果算法训练只局限于某一特定区域，由此生成的模型在更广的范围使用时，也可能不完全适用，造成浪费。
如果能以省为单位建立庞大、具有公信力的数据中心，将会对AI医疗起到前所未有的加速作用。
此外，鼓励智能医疗领域的初创公司，无极4平台也对一些细分领域，如医疗影像、医院管理、药物挖掘等，让创业团队充分发挥自己的特长和优势，提供更加垂直、精准、到位的服务。
4.尽早建立数据采集、智慧诊疗的相关法律法规。
当然，上述行为必须建立在合法合规、保障个人健康隐私安全的基础上。2018年，《信息安全技术个人信息安全规范》中提出了保护个人信息安全应遵循的原则，但缺少针对医疗隐私保护的详细法律法规。而涉及到病人数据这类高保密级别数据，就对隐私保护、系统安全提出了更高的要求。
同时，AI诊疗、AI手术等新技术，一旦出现医疗事故由谁承担责任等伦理问题，也伴随着临床智能化而日渐引起重视。
网友回应