诊断却很难说清楚。时占祥举例说，在临床诊断时，医生最常用的就是“待查？”例如有些患者所有指标都是阴性但就是发烧，只能“待查”，标注“？”则表示，患者很可能一觉醒来后症状就显现了，那时才能确定是什么病。

即便是可以确诊的病种，由于AI学习数据有限，也可能无法准确判断是哪种疾病。例如，一个精通乳腺癌分析却没有学习过鼻咽癌的AI系统，在1000份乳腺癌患者病例中塞入10份鼻咽癌患者的数据，AI可以分析出后者不是乳腺癌，却无法说出具体患了什么病。

病历数据可以分为门诊病历、病房病历和会诊中心记录三个来源。门诊病历的内容最空泛，很难获取有效信息；病房病历可筛选部分有效数据；质量最好的就是会诊中心的记录，“但对AI来说最重要的多学科交流的对话过程却往往被忽视，只存在录音或视频中，没有整理成可被读取的文字。”时占祥补充说。

现实数据质量堪忧也是一些AI医疗产品选择学习虚拟病历的原因。

“真实世界的病历错误太多，不能让AI按照不规范的样本学习，我想这也是沃森选择文献的原因。”王泰峰解释说，医疗诊断出错的后果是严重的，所以，即便AI进行了训练也无法取代医生成为责任主体。

除了疾病治疗，多位受访对象表示药物研发是AI在医疗领域运用最成功的场景。药物研发需要投入巨大的人力物力财力。

美国塔弗茨药物开发研究中心2014年的报告显示，一款成功上市的新药，平均花费约25.85亿美元，其中包括约13.95亿美元的直接资金投入和研发失败导致的约11.64亿美元的间接投入，以及其他投入。

AI药研系统能在医药研发过程中减少人力、物力的投入，节约时间，降低药品研发成本，同时基于数据模型，预测药品研发过程中的安全性、有效性和副作用等。以美国药品研发的公司Atomwise为例， 2015年，该公司宣布通过AI计算在一周内找到了两种或许能用来抗击埃博拉病毒的药物，成本不超过 1000 美元。

相关报道: