在人类历史发展的长河中，每次技术的革新都会带来医疗水平的飞跃，从人类理解细菌致病的原理，发明抗生素到现代信息技术的发展，先后出现了多种现代医疗设备如X光机、CT、核磁共振等各种用于辅助诊断和治疗的设备。可以预见随着大数据时代的到来而出现的人工智能必然会导致人类医疗历史的又一次飞跃。从目前来看，以大数据为基础的智慧医疗可以给医疗带来的革新主要包括三个方面：降低医疗成本、辅助诊断以及帮助解决医疗资源分配不均与短缺的问题。

　　降低医疗成本

　　人类在医疗上遇到的最大障碍恐怕就是居高不下的医疗成本了，根据世界银行数据，美国与医疗相关的开销可以占到GDP的17%-18%，并且呈逐年上升趋势，预计到2020年将会达到GDP的20%左右。在中国看不起病、因病致贫的例子也并非罕见。导致医疗成本过高的原因主要有两个：高昂的药费与诊疗费。药品开发成本过高与医生的培养成本过高似乎给了药品价格与治疗费用居高不下很好的解释。

　　药品成本过高的原因可以归结为新药研发周期太长、费用太高，并且伴随着研发失败的高风险，导致有很好疗效药物的售价昂贵，并非人人都可以负担。新药的研发需要大量的医药专家通过阅读大量的论文与数据，积累经验找出药物与疾病之间的关系。据统计，科学成果的数量每九年便会翻一番，要理解不同类型的数据，阅读大量的论文找到数据之间的相关关系已超出了人的能力范围。但正是由于积累了足够的数据给人工智能在制药领域的应用提供了沃土。人工智能系统通过阅读专利数据库、医疗数据库、医学论文，学习从分子结构、基因组序列和图像的一切信息，建立关联，形成假设，寻找可用于制造新药的分子或配方。人工智能算法可在几周内阐明数据之间的强相关性，提供新的思路，可以很大程度提高新药的研发进度，降低药品的研发成本与风险。而人类要想得到同样的成果，除了需要大量专业人员花费大量时间外可能还需要医药专家们的灵光一现。

　　冗长的新药研发周期

　　医生的培养同样面临高成本与高风险的问题，以美国医生为例要成为一名医生首先要完成四年大学本科的学习，本科毕业后经过激烈的竞争才能进入医学院，较好的医学院录取率低于哈佛大学，在医学院里仍然要进行四到五年的学习才能够获得医学博士学位。结束了医学院的学习后需要经过两年左右的医院实习和两到三年的专科医生实习才能获得专科的行医执照。整个过程平均需要花费13年时间，期间还有很高的被淘汰的风险。一个获得行医资格的医生从本科算起需要的花费在50-70万美元之间，这些医生投入了大量的时间和金钱，从投资回报率的角度看，必须要有高的收入才合理，这也就导致了诊疗费用的昂贵。然而，以放射科医生为例，曾经被认为需要太多专业技能与经验，但是如今基于智能模式开发的识别软件通过对医学影像的识别和分析，比经过多年培养有经验的放射科医生的诊断正确率与诊断效率更高。这无疑要改变医疗行业的现状，能够被广泛复制的智能算法代替需要花大量时间和金钱培养出来的医学专家必然会大幅度的降低医疗费用，当然这对医生这个行业也是一个巨大的冲击。

　　辅助疾病诊断

　　在很多患者心目中，看病要找有经验的年长的大夫。老大夫的经验积累来源于一个病例一个病例的学习与研究。然而学习能力再强的大夫也不如计算机学得快。一个放射科的大夫每天能够阅读的X光片数量有限，穷其一生也很难研究10万个病例，而计算机则很容易在短时间内学习能够获得的所用病例。应用辅助诊疗软件，放射科医生可以根据计算机输出的结果结合经验对病人的病情进行判断，不仅提高了诊断效率，由于计算机学习了大量案例更是提高了诊断的正确率。

　　致力于机器学习的IBM公司联合了20多个顶尖的癌症研究机构，用这些机构提供的数据教会其著名的人工智能系统Watson理解基因和肿瘤学。Watson仅用了一周的时间就读完了2500篇医学论文。据统计每天新发表的医学论文有8000多篇，没有哪个人可以有如此巨大的阅读量，因此医生的诊断通常都是滞后于最新研究成果的，而且通常是滞后一到两年。然而Watson却是能够及时的分析大量的数据并据此作出诊断的。基于Watson的辅助诊疗颇有成效，在其研究的病例样本中，Watson为其中30%的病人找到了治疗方法，但是一群医学专家却没有找到。

　　IBM Watson计算机

　　人工智能不仅帮助病人找到治疗方法，在恶性疾病的早期诊断上也具有人类所没有的优势。2012年美国的一位高中生，通过对760万个样本的机器学习，设计了一种确定乳腺癌细胞位置的算法，其位置预测的准确率高达96%，已经超过目前专科医生的水平。据统计美国每年新增的肺癌患者高达22.5万人，每年消耗在肺癌诊疗上的经费有120亿美元之多。如果利用大数据结合机器学习能提高早期肺癌的诊断率，这对人类整体健康而言具有难以估量的现实意义。

　　相比医生，计算机在诊断方面具有更大的优势，首先，计算机诊断的失误概率非常的低，能够发现医生很容易忽视的问题，其次，计算机诊断的准确率很高，并且随着医疗数据的不断累积，诊断的准确率会不断提高;最后，计算机不像医生那样有情绪问题的困扰，诊疗的稳定性更好。

　　解决医疗资源短缺

　　当今，世界医疗水平分布极为不均，很多国家医生数量不足，社区医院与顶级医院医生的诊疗水平相差甚远。在人工智能的帮助下，同样数量的医生可以服务几倍甚至更多的患者，医疗资源匮乏的地区可以通过引入智慧医疗系统为患者提供顶级医院顶级医疗专家的服务。

　　仍然以Watson智能系统为例，它可以分析各种医学数据和各种影响，帮助疾病诊断和医疗信息的理解。目前如果没有医生的干预，仅仅靠计算机通过分析病人病例，阅读各种检验结果，倾听病人陈述而得出的诊断已经能达到中等水平医生的水平，这在医疗资源并不匮乏的大城市似乎作用不大，但在医疗资源匮乏的地区就显得尤为重要了。考虑到随着医疗数据的不断积累，计算机学习能力的不断增强，可以预见在不久的将来计算机在某些疾病的诊疗上会超过顶级医疗专家。

　　未来的医生也许只需读取诊疗方案

　　在人工智能的帮助下，顶尖的医生和科学家可以腾出时间研究更具挑战型的项目。在医疗资源匮乏的地区，医疗水平一般的医生可以提高诊断的准确率，提高医疗服务质量。智慧医疗无疑是解决医疗资源分配不平衡的最好方法。

　　结语

　　2015年互联网+成为了一个新的概念，造就了很多新行业的出现。如今随着互联网到移动互联网再到物联网的演进，使得数据的积累量达到了前所未有的规模，为以大数据为基础的人工智能+行业的涌现提供了条件。计算机、大数据和算法相结合的智慧医疗是人工智能对人类社会最有意义的贡献，随着智慧医疗的不断发展，人工智能将会彻底改变人类健康管理的历史。