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

△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表主題演講，有意思的是，吳炯在分享后半段集中闡述了醫療人工智能代替全科醫生進行轉診的可能性，以及訓練醫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：

• “顛覆醫療”是一個非常有問題的口號；

• 互聯網醫療是為數不多的創業機會;

• 偉大的互聯網醫療公司，應當幫助病人和醫生正確地連接和匹配；

• 全科醫生是分級診療、轉診的基礎；

• 人工智能對醫療行業價值非分，未來很多的創業項目都會包含著人工智能因素；

• 計算能力、算法都已經成熟，打造醫療人工智能最缺的是大數據；

• 醫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；

• 誤診率不是醫療方式的問題，而是醫生素質的問題。?

?

“顛覆醫療”是一個非常有問題的口號

?

我記得講的第一點：“顛覆醫療”的這個口號害了很多創業者。 這一點在今天仍然很適用，中國醫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。醫療這個行業只會更保守，只會更慢，所以必須創業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。 創業者必須要和政府的主管機構、醫院管理團隊、現在的醫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。我看到很多創業者天天叫著“顛覆醫療”的口號，甚至在一些媒體、公眾場合，和一些醫院院長、醫療機構主管去辯論，然后相互攻擊，甚至謾罵，我覺得這個對創業沒有幫助。 今天在互聯網醫療創業領域里，做得最大、最有影響力的幾家公司，都是和現有醫院達成合作，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，發現整個醫療行業發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”。“顛覆”是從2015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，對整個中國金融行業，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“顛覆醫療”是一個非常有問題的口號。

??

△?吳炯在"2016蜂巢初橙·中國互聯網醫療健康大會"上發表演講

互聯網醫療是為數不多的創業機會

?

我去年講的第二點：醫療行業是今天中國互聯網、移動互聯網剩下的最后也是最大的機會。這一年多來，這個行業里的創業者和投入到這個行業的資金都證明了這個觀點。 今年，整個大的投資環境變冷了。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。但現在互聯網醫療仍然是一個熱點，可能是熱點中的熱點。 去年年底微醫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?，F在整個投資環境趨冷的情況下，更多的資金聚焦到互聯網+醫療這個行業里面來。

??

互聯網的價值，在于連接和匹配

?

去年我講的第三點，我強調了互聯網的精髓，互聯網能夠做的最好的事情，互聯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。 中國整個醫療行業面臨著一個首要大的問題，是資源配置的不協調，資源的不匹配，大家都在爭奪很有限的高端醫療資源，大家都蜂擁到那些最好的三甲醫院去。有些沒有患了重疾的病人，并不需要最好的醫生。但是，他們都盲目地到三甲醫院，就去搶知名醫生的號，造成了醫療資源嚴重的不匹配。 我當時強調互聯網是一個非常好的工具，解決連接和匹配的問題。回頭看看最成功的互聯網公司，它都是在極致的發揮了互聯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網醫療公司，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，是病人和醫生正確的連接和匹配。

??

全科醫生是分級診療、轉診的基礎

?

剛才我提到中國醫療行業很大的問題是資源分配的不均衡，這里造成這個情況，是因為今天的醫學，現代醫學。西醫的一個特點，每個醫生的專長仍然分得非常細。一個名醫，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生的專長匹配起來，非常重要。 以今天的技術，互聯網、移動互聯網，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展，能夠做這樣一件事情。但是在今天，互聯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生的專長呢？有人說為醫生打很多標簽，但標簽通常是很不準確的，每個醫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，通常找到的醫生不解決根本問題。 那么誰最知道某個醫生真正的專長，他的學術研究專注的方向，他治病的功底在什么地方？是別的醫生，是這個醫生的同事、同學，經常和他交流，一起開會。微醫集團去年推出的系統，就是“團隊醫療”，把醫生和醫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，發現他需要專家關注，需要找一個好的醫生；我也知道我的同事、同學——另外一個醫生，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生。微醫集團做的“團隊醫療”試圖解決這個問題。 微醫集團建了五六千個醫生團隊，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，我們也發生了很多問題。剛才我就說了，我們期望這個醫生來做轉診，來做推薦，把病人推薦給專家，推薦給別的醫生。

所以第一線的醫生非常重要，他首先接觸到病人，他要做一個判斷，這個醫生，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。 這個醫生是誰來做的，就是我們經常聽到的所謂全科醫生、家庭醫生。他不是專家，所有的病都可以找他，但他可以做分診、導診。整個中國的醫療行業環境里，全科醫生是一個重大缺失的環節，數量嚴重不足。還有，在僅有數量不多的全科醫生中間，他們所受到的培養和教育程度嚴重低于患者想要的標準。 全科醫生人數很少，而且通常不專業，他給你的轉診意見，可能都不如一個不懂醫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。 我們需要趕快培養更多專業的全科醫生。十年種樹、百年育人，培養一個稱職的全科醫生，絕對不是幾天、幾個月就能夠做的事情。整個中國醫療體系要實現資源的匹配，需要全科醫生，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，我們需要培養大批合格的，很大數量的全科醫生。在培訓、教育上面有這么一個機會。

?

人工智能對醫療行業價值非分

?

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出機器人全科醫生來幫我們做分診、導診這件事情？

很多人想在互聯網醫療中創業，跟他們探討這個問題，我說中國非常缺合格的全科醫生，機器人全科醫生可以做自動分診、導診這件事情；人工智能是不是有這樣的項目，誰愿意開發，誰想開發？ 這就把互聯網、移動互聯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、十年之后創業的熱潮。后互聯網時代創業的熱潮，必然很多的創業項目都會包含著人工智能因素。 今天醫生誤診率是相當高的，很多專家都會誤診，因為中國全科醫生教育培訓的水準仍然不夠，全科醫生的誤診率更高。即使在英美這樣的發達國家，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。

?

打造醫療人工智能最缺大數據

?

最近這幾年，人工智能發展很快，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，是因為互聯網，互聯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，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生制定它的算法規則，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?？上?，很多醫院都是劃地為牢，他認為這些電子病歷都是醫院自己的財產。如果一個創業公司找醫院要電子病歷作為培訓機器人的大數據訓練樣本。醫院都會說NO，這些醫院非常保守。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。我知道這樣的創業公司，他們希望醫院給他們大量的數據，但是他們和醫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模，吸引大量的醫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，就是醫療影像。我們去醫院里都拍過X光片，X光片是有專門的讀片醫生，醫院放射科醫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療影像的公司，也是我們為人工智能這個方向做一些準備。這家公司做PAX，很多醫院都用他們的影像系統。假以時日，他們也會積累大量的醫療影像，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療人工智能做準備。

△ 觀眾提問

?

提問：我現在是做醫療美容的導診階段，想在線上做一個醫療美容的診斷，怎么在線給別人做一個適合醫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生做手術。我們可以做一個自動的系統，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節了，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，誤診率不是醫療的方法出了問題，還是醫生素質的問題。我們為什么要找有經驗的醫生和名醫，這是很有道理的。因為年輕的醫生剛從醫學院出來，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，我們給醫療人工智能的數據，是一個名醫做出來的診斷，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。