AI抗疫時刻中，中外的異與同

先來聊一聊他國AI在防止傳染類疾病傳播，到底發揮了哪些作用。

AI從未消失，它只是以另一種形式出現

在AI全面下沉到產業的今天，缺席醫療自然是不可能的。

只不過和新冠疫情比起來，流感給美國、歐洲等國家帶來的威脅，可能更真實一點。

根據美國疾病預防中心（CDC）統計，去年冬天，全美國已經有8200人死于季節性流感，1500萬人感染，超過18萬正在住院，各地的醫療機構都在加班加點地工作。

因此，在預防其他傳染疾病上，或許才能更真實地見到AI的面貌。

簡單總結一下，主要體現在四個方面：

1.輿情監測預警。

其實早在新冠疫情大爆發之前，12月30日，波士頓兒童醫院(Boston Children's Hospital)的自動健康地圖系統，就發布了中國境外首次有關這種新型冠狀病毒的公共警報。

這套系統就得益于人工智能技術自然語言處理的支持。

通過掃描在線新聞、社交媒體報道和政府報告，尋找傳染病爆發跡象的早期預警系統，并將預警的嚴重程度分為5級（新冠被定為3級），從而可以幫助WHO等在語言障礙可能出現的情況下率先洞察疫情。

智能抓取，是不是很容易聯想到搜索引擎爬蟲？

沒錯，這正是谷歌自上世紀90年代以來的核心技術。而早在2008年，谷歌就推出了流感趨勢服務（Google Flu Trends），通過搜索流感癥狀的模式來發現流感爆發。

通過過去5年中已經完成的數10億次搜索。，將與流感相關的查詢（比如“咳嗽”或“發冷”），與美國疾病控制與預防中心的歷史流感數據進行匹配，然后利用這些查詢來預測未來可能的情況。

比如2008年1月28日，關于流感的查詢數量趨勢上飆升。兩周后，美國疾病控制與預防中心報告稱流感感染病例出現上升，并讓醫療行業在流感季到來時做好準備。

2.藥物或疫苗研發。

我們都知道，中國科學家正在加班加點地研發疫苗，其中，科技企業開放的超大算力就起到了至關重要的效果。

而海外利用AI研發藥物或疫苗的嘗試也早已有之。

美國國家過敏和傳染病研究所（US National Institute of Allergy and Infectious Diseases）就資助了一項研究，由南澳的弗林德斯大學（Flinders University）借助一個名為“配體搜索算法（Search Algorithm for Ligands，SAM）”的人工智能程序來設計藥物。

研究者將數萬億種不同的化學化合物輸入SAM，它會篩選出自己認為可能是最好的人類免疫候選藥物。據說，由SAM獨立設計的疫苗可以抵御流感病毒，并且已經開始在美國進行臨床實驗。

3.追蹤病原體軌跡。

在預防或遏制傳染疾病爆發的過程中，一項極為重要的任務，就是準確找出攜帶病毒的病人，或者動物。

許多新興的傳染病都是由動物傳染給人類的，因此，利用機器學習來檢測野生動物習性并判斷它們的免疫風險，就成了研究者關注的對象。

比如美國卡里生態系統研究所就針對2000多種嚙齒類動物建立了一套龐大的數據庫，并訓練AI認知它們的生活歷史、生態環境、行為、生理特征和地理分布情況。并成功通過該模型，發現了超過150種新的潛在嚙齒類動物和超過50種新的活躍型動物，可能攜帶多種病原體并傳染給人類。

由此，可以繪制出影響各種疾病的嚙齒類動物分布，以及容易被新生寄生蟲和病原體傳染的熱點地區，以便實現疾病的早期預警監測。

當然，追蹤人的去向對于疫情防治也很重要。但不像中國應對新冠疫情這樣，是通過大數據+AI對重點人群進行行蹤溯源預警，其他國家的AI主要還是表現在算法預防。

英聯邦科學與工業研究組織（CSIRO）就使用貝葉斯推理開發了Data61模型，用以追蹤將昆士蘭州登革熱病毒是如何傳播到澳大利亞，并如何在人與人之間轉移的。

借助昆士蘭州衛生局提供的15年內匿名記錄的登革熱病例來進行訓練，Data61可以綜合判斷多種人員流動信息，比如航空公司乘客數據、地理標記、社交媒體、旅游情況等等，從而預測可能發生疫情的時間和地點，讓醫療機構早做準備。

據說，該模型還可以用于預測萊姆病、埃博拉和瘧疾等人畜共生的疾病。

4.智慧診療。

在中國新冠防治中，AI在診療領域的應用主要是影像篩查、遠程問診等。

歐美等國家也正在將AI的計算能力應用到類似環節。

比如早在2013年，IBM就開始與全美綜合醫院排名前四的克利夫蘭診所進行合作，研究如何利用“沃森（Watson）”人工智能系統提高護理水平。

去年十月，谷歌也公布了一款名為LYNA的監測工具，能夠以99%的準確率區分出有轉移性癌癥的載玻片和無轉移性癌癥的載玻片，將乳腺癌診斷的時間縮短了一半。

倫敦的醫療 AI 公司則與 Royal College of Physicians、Stanford Primary Care 和 Yale New Haven Health 等合作，打造出能夠輔助實習醫生獨立行醫的系統Babylon。經過測試，在初級護理醫學最常見的病癥方面，Babylon AI 的準確率得分為80%，而七名醫生則為64-94%。而AI的安全性則達到了97%，高于醫生的平均值93.1%。

將AI用于醫療產業，也是日本政府的重點工作之一。實際上，日本早在2017年和2018年分別在中國杭州和廣州建立了醫學影像診斷中心。在東京江戶川區的目目澤醫院，患者只需要在掌上電腦上面做選擇題，回答“哪里痛”“痛的時間”等問題，AI系統就能根據患者的選擇自動生成電子病歷。這種問診方式也被日本70多個醫療單位使用。

智能服務機器人，也很早就進入了許多大型醫院。1985年，美國TRC公司研制出世界首個服務機器人“護士助手”，不僅能運送醫療器材、藥品等，還能為患者提供送飯和送病歷、報表及信件等服務，目前已在全球幾十家醫院投入使用。

人與疾病的斗爭永無休止之日，人工智能確實能夠為早日結束戰役注入一劑強心針。它或許未能在此次此刻的新冠疫情中，被歐美澳洲等國推到臺前。但不可否認，AI早已與人類的健康緊密相連。

AI抗疫：中外的異與同

至此，我們可以發現海外AI與中國AI在防疫領域的一些有趣的異同點：

首先可以肯定的是，中國的AI抗疫手段與全球頂尖的AI醫療幾乎站在了同一水平線。具體就體現在，在數據層、技術算法、產業應用方面全面覆蓋。比如利用大數據追蹤重點人群，借助深度學習輔助實現體溫檢測、醫療診斷，通過超大計算來進行藥物研發等等。

當然，一些基礎積累的不同，決定了雙方的優勢各不相同。

比如說，由于美國、日本等醫護資源匱乏，所以很早就開啟了診療數字化的進程，以幫助醫護人員提升工作效率，降低工作強度，也因此為AI輔助醫療積累了大量高質量的數據。

比如美國的電子健康記錄系統（Electronic health records，EHRs），十年內積累了1000萬名病人的記錄。其中就包括疾病診斷記錄、病人用藥效果、基因數據、家庭病史等重要信息。2011年之后，日本醫療數據也已經全面采用電子化報送系統，個人可以通過網絡隨時查閱云端保存的各種醫療信息。

這樣患者在不同醫院就診時，數據被醫務人員共享使用，許多重復治療、檢查可以避免，自然能夠很好地提升就診效率，緩解醫療資源緊張問題。

而中國醫院體系的數字化、智能化程度相對不高，并且呈現出分散性、地域性，這就導致當研究者需要進行算法訓練、開發，以及診療交流時，往往需要打破不同醫院和地區的壁壘，才能實現數據交換共享，由此也限制了AI在醫療領域的發展。

另外，科技企業界的重度參與，為美國等AI提供了強大的技術助益。

谷歌從2015年開始，就將AI作為每個部門的戰略核心，尤其是在Deepmind的助推下，Google在癌癥、糖尿病、心血管疾病等疾病的預防和治療方面，創造了許多領先業界的突破。并且谷歌母公司Alphabet旗下還有多家生物科技和醫療公司，能夠協同發展。

此外，美國還有微軟、蘋果，以及多家醫療領域創業公司，也是其在一些醫療細分領域的AI進展較快。

日本政府的AI醫療戰略，也與企業達成了非常緊密的合作關系。比如從2011年開始，索尼、富士通、松下、歐姆龍、山佐、A＆D、AQ、泰爾茂等公司，就推出了大批以NFC為主的居家醫療、照護產品，促進了家庭移動智能醫療護理系統的建構。

2016年，日本Qol公司打造的健康支援藥房，也可以通過實時上傳到云端健康管理平臺的監測數據，來為高血壓、糖尿病等常見慢性病患者提供診斷和藥品發放，來減少治療成本。

目前來看，中國醫療機構與產業在數據互聯和信息共享上還沒有形成覆蓋全社會的網絡體系，社區級無法幫助中心醫院完成一些較為復雜的診療。各大科技企業的醫療大腦、AI體系目前還屬于推廣建設階段，滲透到更廣泛的公共醫療和病患個人終端，還需要一段時間的建設。

同時也應該看到，移動互聯網、智能硬件、科技巨頭算法超市等的出現，讓中國基層社會在抗疫事件中，表現出了獨一無二的高效。

比如智能測溫在各大地鐵、火車站等的應用，甚至有無人機飛行測溫；AI機器人承擔著消毒、安防、送餐等各種各樣的無接觸任務，降低感染風險；移動支付、小程序等快速解決了民眾互動、流行病學調查、機構協作等難題。

與之相比，美國、歐洲等公共AI應用的不到位，或許也展現出了其長于算法、短于基礎設施的弊端。

我們知道，受史上最嚴隱私法案的影響，歐洲許多國家禁止采集公眾信息，對人臉識別等前沿技術的使用也出臺了相關限制，并屢屢開出巨額罰單。盡管這在一定程度上保護了公眾信息安全，而對社會智能化的防范與遲緩，也使其在面對大型公共衛生事件時，展現出了應對能力薄弱、救災過程滯后、人員有限重復勞動等問題，在防疫效率上還有很大的提升空間。

就連美國《華爾街日報》也指出，利用數字設備，能夠追蹤每名患者的具體行程，快速確定人員流動軌跡，甚至可以精確到分鐘，為防控“做了前所未有的努力”。

防疫終結站，和AI的下一站

當我們與世界共命運的時刻，或許也可以從中外不同的AI路徑中，汲取下一站的力量。

必須承認，中國在AI能力上并不輸給老牌科技強國。想要比它們做得更好，還有一些值得注意的經驗：

1.有選擇性地應用AI，并對數據本身懷抱合理的期待。

值得一提的是，AI疾病預警并非如想象中那么有用，它就如同汽車報警器一樣，既容易觸發，也容易被忽略。一個主要的原因是，不同機構、不同平臺的數據都可能會阻礙算法。

哈佛大學(Harvard University)流行病學家Andrew Beam表示，掃描在線報告中的關鍵詞有助于揭示趨勢，但準確性取決于數據的質量。

比如谷歌就高估了AI對流感的流行程度，偏差超出了實際值的50%。最后在2015年關閉了該網站，并將其技術交給了HealthMap等非營利組織。

2.將AI巨頭與流行病科研的合作常規化。

現階段，產業界與醫學界的合作幾乎是不可避免的。一方面，產業界掌握著絕大多數寶貴的數據，以及高昂的算力資源。但同時，醫療領域又離不開專家對細節和方向的把握。強強聯合就成了唯一的路徑。

加州大學圣地亞哥分校完成的對抗流感病毒的新療法中所涉及的分子模擬實驗，就國家超級計算應用中心（NCSA）的petascale Blue Waters系統，這也是當時最大、功能最強大的超級計算機之一，藍水公司給予了極大的支持。

在此次新冠抗疫中，中國諸多領先科技巨頭對病毒測序、疫苗研發等開放了算法、數據集、計算中心等，也是AI與醫療的優秀合體方式，將這樣的合作常規化，才能讓技術的力量持續為醫學助攻。