尽管医疗AI应用获得了大量风险投资，但医院在实际应用中使用机器学习的证据却很少。我们认为这个话题值得深入探讨，因为医疗系统的任何变化都会从多个方面直接影响商业领袖，例如员工保险覆盖范围或医院管理政策。
行业分析师估计，到2021年，AI医疗市场将达到66亿美元，到2026年可能为美国医疗经济每年节省1500亿美元。然而，目前还没有任何来源对美国领先医院的机器学习应用进行全面考察。
在本文中，我们旨在回答当今商业领袖提出的几个问题：
- 诸如麻省总医院和约翰霍普金斯医院等顶级医院目前正在使用哪些类型的机器学习应用，哪些正在开发中？
- 它们的创新努力中是否存在共同趋势——这些趋势将如何影响医疗的未来？
- 领先医院在机器学习和新兴技术创新方面投入了多少资金？
本文旨在基于2016-2017年《美国新闻与世界报道》最佳医院荣誉榜排名，简明扼要地呈现美国五家领先医院实施机器学习的现状。（虽然这是一个受人尊敬的行业来源，但我们承认荣誉榜排名方法可能无法完全代表每家医院的复杂性，我们只是利用这一排名来寻找一组具有代表性的高绩效医院）。
通过事实和数据，我们旨在为对这些顶级美国医院如何受到AI影响感兴趣的商业领袖和专业人士提供相关见解。
在介绍五家顶级医院的各自应用之前，我们先来看一下从本行业研究中浮现的一些共同主题。
医院中的机器学习——前置洞察
根据美国五家顶级医院当前的机器学习计划，最受欢迎的医院AI应用似乎是：
- 预测分析——通过分析关键指标数据监测患者并预防患者紧急情况发生的能力（参见下面克利夫兰诊所与微软的合作以及约翰霍普金斯与GE的合作）
- 聊天机器人——自动处理医生查询并将医生路由到合适专家的能力（参见下面UCLA的"虚拟介入放射科医生（VIR）"案例）
- 预测健康追踪器——使用实时数据收集监测患者健康状况的能力（参见梅奥诊所对AliveCor的投资）
在下面的完整文章中，我们将分别探讨每家医院的AI应用。需要注意的是，大型医院中的大多数AI应用相对较新，其中很少有应用能够明确展示这些技术带来的改进或效率提升。我们尽最大努力排除了那些看起来更像是公关噱头而非实际真实应用和计划的AI用例。
无论如何，您将在下文文章中看到，我们非常清楚地说明了哪些应用已获得认可，哪些迄今为止还没有任何结果。我们将从最佳医院荣誉榜排名第1的梅奥诊所开始。
梅奥诊所
2017年1月，梅奥诊所个体化医学中心与健康科技初创公司Tempus建立了合作伙伴关系，该公司专注于使用机器学习平台开发个性化癌症护理。该合作涉及Tempus为参与免疫疗法研究的1000名梅奥诊所患者进行"分子测序和分析"，涉及多种癌症类型，包括"肺癌、黑色素瘤、膀胱癌、乳腺癌和淋巴瘤"。
虽然目前处于研发阶段，但初步目标是利用这些分析结果，帮助为梅奥的癌症患者提供更定制化的治疗方案。梅奥加入了与Tempus合作的一小部分医疗机构联盟，包括密歇根大学、宾夕法尼亚大学和拉什大学医学中心。
"我们寻找的圣杯，也是Tempus积极尝试构建的，是一个足够大的数据图书馆，使这些模式成为治疗手段，意味着你可以说，'具有这种特定突变的人不应该服用这种药物，具有这种特定突变的人应该服用这种药物'"——Tempus联合创始人兼首席执行官埃里克·莱夫科夫斯基
利用估计价值138亿美元的DNA测序产品市场，这家初创公司似乎根据客户类型采用两种不同的补偿模式：Tempus直接向医院系统收费，而对于个人或患者，费用则由保险公司承担。Tempus首席执行官埃里克·莱夫科夫斯基也是电子商务巨头Groupon的联合创始人，以及几家具有分析软件倾向的科技公司，包括Uptake Technologies和Mediaocean。
根据疾病控制中心的数据，癌症仅被心脏病超越，后者是美国的首要死因，2017年3月，梅奥诊所与医疗设备制造商欧姆龙健康合作，对心脏健康初创公司AliveCor进行了3000万美元D轮融资。
由AliveCor设计的Kardio Pro是一个面向临床医生的AI平台，旨在"监测患者以早期检测心房颤动，这是最常见的导致中风风险增加五倍的心律失常。" AliveCor的旗舰产品Kardia Mobile是一款移动式心电图。Kardio Pro投资的结果尚未公布。
克利夫兰诊所
2016年9月，微软宣布与克利夫兰诊所合作，帮助该医疗中心"识别ICU中潜在的高风险患者"。研究人员使用了微软的AI数字助理Cortana，来获取预测和高级分析。
每月有1.26亿Windows 10用户使用Cortana，它是微软智能云部门的一部分，根据公司2016年年度报告，该部门收入增长了6%或13亿美元。
Cortana已整合到克利夫兰诊所的eHospital系统中，这是一种2014年首次推出的指挥中心类型，目前从晚上7点到早上7点监控"六个ICU中的100张床位"。虽然克利夫兰诊所的威廉·莫里斯医学博士（副首席信息官）报告了"改善的患者结果"，但具体的改进措施尚未公布。
微软-克利夫兰诊所合作伙伴关系专注于识别高风险心脏骤停患者。血管加压药是一种在心脏骤停时给予患者的药物。虽然它是"无脉搏突发性心脏骤停管理协议"的一部分，但血管加压药也会升高血压。研究人员旨在预测患者是否需要血管加压药。
从监控ICU收集的数据存储在微软的Azure SQL数据库中，这是一个为应用开发者设计的基于云的数据库。患者生命体征和实验室数据等数据收集点也被输入到系统中。从数据构建的计算机模型集成了机器学习用于预测分析。
麻省总医院
目前处于AI战略的早期阶段，2016年4月，NVIDIA宣布与麻省总医院临床数据科学中心建立联系，作为"创始技术合作伙伴"。该中心旨在成为医疗AI应用的中心，用于"疾病的检测、诊断、治疗和管理"。
NVIDIA DGX-1在2016年GPU技术大会上正式推出，该公司将其描述为"深度学习超级计算机"，并已安装在麻省总医院（对GPU技术不熟悉的读者可能对我们的NVIDIA高管访谈"什么是GPU？"感兴趣）。据报道，NVIDIA DGX-1价格为12.9万美元。
拥有包含"100亿医疗图像"的医院数据库，该服务器将首先用这些数据在放射学和病理学领域进行训练。该中心计划后来扩展到电子健康记录（EHRs）和基因组学。如果NVIDIA DGX-1兑现其承诺，它可以缓解目前该领域面临的一些挑战：
"如果我们能以高度结构化、彻底、重复、细致的方式无缝捕获相关数据，我们就消除了医生的负担。医生更快乐，我们为患者省钱，并获得我们需要进行改变游戏规则的AI工作所需的数据。" ——Remedy Health联合创始人兼首席执行官威尔·杰克
约翰霍普金斯医院
2016年3月，约翰霍普金斯医院宣布启动一个使用预测分析来支持更高效运营流程的医院指挥中心。该医院与GE Healthcare Partners合作设计了Judy Reitz Capacity Command Center，该中心每分钟接收"500条消息"，并整合来自22个高分辨率触摸屏启用的计算机显示器上"14个不同的约翰霍普金斯IT系统"的数据。
由24名指挥中心工作人员组成的团队能够识别和缓解风险，"优先考虑所有患者的活动，并触发干预措施以加速患者流动。" 自指挥中心启动以来，约翰霍普金斯报告称，接收"来自周边地区和全国的复杂医疗状况"患者的能力提高了60%。
该医院还报告了更快的救护车调度、急诊室床位分配快30%，以及中午前患者出院率增加21%等其他改进。
约翰霍普金斯领导层最近于2017年4月召开为期两天的会议，讨论如何在精准医学领域利用大数据和AI。行业分析师估计，到2024年，全球精准医学市场价值将达到1730亿美元（有关医学和制药中AI应用的更多用例，请参阅我们关于医药中机器学习的完整文章）。
虽然具体细节尚未公布，但IBM Watson Health Group副总裁沙赫拉姆·埃巴多拉希和计算机科学助理教授萨奇·萨里亚博士等三位演讲者介绍了"人工智能和深度学习如何为患者诊断和管理提供信息"的演讲。
萨里亚关于机器学习应用以改善患者诊断和结果的研究最近在纽约科学院第11届年度机器学习研讨会上发表。
UCLA医疗中心
2017年3月，在华盛顿特区，UCLA研究人员爱德华·李博士和凯文·西尔斯博士在介入放射学会年会上介绍了他们设计的虚拟介入放射科医生（VIR）背后的研究。本质上是一个聊天机器人，VIR"自动与转诊临床医生沟通，并快速提供基于证据的常见问题答案。"
目前处于测试模式，这个第一个VIR原型正被一小队UCLA健康专业人员使用，包括"医院医生、放射肿瘤学家和介入放射科医生"（对癌症治疗有更深入了解的读者可能想阅读我们关于深度学习在肿瘤学中应用的完整文章）。这个AI驱动的应用程序为转诊医生提供了向患者传达信息的能力，如介入放射学治疗概述或治疗计划的下一步，全部实时进行。
VIR建立在2000多个示例数据点的基础上，旨在模拟介入放射科医生咨询过程中常见的问题。响应不仅限于文本格式，还可能包括"网站、信息图表和定制程序。"
研究团队使用IBM Watson AI系统集成了VIR的自然语言处理能力。按照跨行业客户服务聊天机器人的传统，如果VIR无法对特定查询提供充分响应，聊天机器人会向转诊临床医生提供介入放射科医生的联系信息。
随着使用增加，研究人员旨在扩展应用程序的功能，用于"普通医生与其他专家（如心脏病学家和神经外科医生）的交互。"
2016年3月，UCLA大学研究人员在《自然科学报告》上发表了一项研究，将特殊显微镜与深度学习计算机程序结合起来，"以95%以上的准确率识别癌细胞。"
光子时间拉伸显微镜由研究团队首席科学家巴赫拉姆·贾拉利发明，产生高分辨率图像，能够"每秒分析3600万张图像"。然后使用深度学习"区分癌细胞和健康白细胞。"
基于血液的诊断是一个不断增长的领域，也是一个日益竞争激烈的领域，正如最近Emerj对一家投资早期科技初创公司的领先公司创始人的访谈中所讨论的：
"……查看DNA、RNA、蛋白质、各种生物标志物信息，以尽可能早地诊断某人，这绝对是一个非常活跃的领域……例如，如果你看看Grail，这是从Illumina分拆出来的非常大的公司，他们资金非常充足，他们试图使用DNA和血液中的其他信息来早期检测癌症。" ——Eleven Two Capital创始人兼管理合伙人谢莉·朱昂
关于五大医院机器学习的总结思考
需要注意的是，医疗机器学习应用（与其他应用相比——例如检测信用卡欺诈或优化营销活动）面临着独特的约束。治疗患者比测试电子商务促销更为精细，考虑到监管合规性和众多复杂的利益相关者关系（医生使用该技术、医院高管购买它、患者希望从中受益），我们必须对这些顶级医院在这样一个敏感且新兴领域中未能从AI应用中获得切实结果表示一定程度的理解。
我们在与健康科技投资者史蒂夫·古兰斯博士的访谈中更深入地探讨了医院AI应用的独特挑战。史蒂夫提到了许多专科医生对AI工具的公开恐惧，以及其他可能使医院采用缓慢的心理因素。
当被问及医院和医疗机构如何克服这些障碍（假设技术实际上会改善患者生活）时，他表达了对采用机会可能存在的看法：
"这很难，但总有一些滩头阵地会带来回报；目前有一些应用，医生不喜欢某种特定的电话，或者有某种辅助实际上可以为所有相关人员带来巨大好处……我认为你会看到在特定环境中的非常特定人群，例如在急诊室判断中风是出血性还是非出血性，这是一个生死攸关的非常二元的决定……" ——Excel Venture Management的史蒂夫·古兰斯博士
同样重要的是要注意，我们应该对技术应用保持怀疑态度，直到可以验证可量化的结果。正如在几乎所有其他AI融合的行业中一样，医疗保健中的机器学习导致了大量的"技术信号"（为吸引关注和媒体报道而大肆宣扬"AI"，而不是实际改善组织结果）。
对于像NVIDIA或微软这样的AI供应商向顶级医院授予"新奇而超级炫酷"的AI技术，并授予医院"创始技术合作伙伴"的称号，这对双方都是互惠互利的。
这类事件几乎肯定能获得媒体报道（可能）对双方都有利——无论AI应用是否为医院（效率）或患者（更好的健康结果）带来实际结果。
我们当然不是为了侮辱任何涉及的医院或供应商而撰写这篇文章，但作为分析师，我们必须保持怀疑，直到可以确定结果。我们的目标是告知商业读者（如您）AI的应用和影响，我们始终更喜欢有记录结果的项目，而不是"计划"。
话虽如此，商业领袖了解此类发展的共同趋势以了解行业"脉搏"很重要，我们希望在本文中已经做到了这一点。
我们坚持要求供应商公司在我们的Emerj AI案例研究中列出客户公司和可量化结果的一个原因是——正如任何新兴技术一样——AI经常被用作"尖端"的信号，是一种炒作而非功能的工具。
我们相信，本文中突出显示的一些医院AI应用实际上将进入真实和普遍使用（特别是我们在本文开头"前置洞察"部分中强调的那些）。只是何时富有成效的应用将成为常态——时间会告诉我们。
【全文结束】
