未来的医疗
医疗保健在任何发达国家都是一个大产业，甚至是最大的产业，因为人类发展经济和科技最重要的目的就是增进健康、延年益寿。在历史上，历次重大科技进步都伴随着人类医疗保健水平的飞跃。在工业革命之后，人类搞清楚了细菌致病的原理，并且通过科学的方法完成了传统医学到现代医学的转变。在第二次工业革命之后，人类发明了抗生素，我们在前面讲到，抗生素的发明过程是自觉应用机械思维的结果。“二战”后，随着信息革命的开展，各种诊断仪器和治疗仪器被发明出来，包括今天常用的CT（计算机体层摄影）扫描仪、核磁共振机、心脏起搏器和进行各种微创手术的仪器。毫无疑问，大数据和机器智能也将对未来的医疗产生全面而重大的影响。
今天，人类在医疗保健上遇到了一些瓶颈，主要体现在以下几方面：首先是医疗的成本越来越高。以美国为例，今天医疗保健的开销已经占到GDP的17%~18%左右103，而且按照目前的发展趋势，到2020年，这个比例将上升到20%。在中国，虽然这个比例很难准确估计，因为很多与医疗保健有关的花销是隐形的，但是“看不起病”是社会的共识。其次，医疗资源不平衡，这一点几乎每一个中国老百姓都认同。在医疗发达的美国，这个问题同样存在，拥有约翰斯·霍普金斯医院104、海军总医院105、协和医院（Union Memorial Hospital）和国家医学院的马里兰州，人均医疗资源是全美国平均水平的3倍。由于医院集中，像协和医院这样历史悠久的大医院居然会为病人的数量发愁。在全世界范围内，医疗资源不平衡的问题更加严重。最后，也是最关键的，很多疾病治不好，比如癌症、帕金森综合征和阿尔茨海默症（即人们常说的“老年痴呆”）。尽管全世界医生和科学家们已经努力了许多年，世界各国也投入了大量的资金来寻找上述疾病的治疗方法，但是在过去的20多年里，医学在这些领域的进展十分缓慢。我们不妨从这三个方面来看看大数据和机器智能将如何改变全世界医疗保健以及制药行业的现状。
降低医疗成本
先看看医疗成本的问题。美国医疗系统有一个制度上的缺陷，就是医疗事故赔偿过高，律师拿钱太多。普华永道估计这笔开销占了全部医疗保健的10%，106即上千亿美元，最保守的估计也有550亿美元（2011年的估计，以2008年美元不变价计算）107，平均每个美国人每年要负担170美元。另外，医疗保险系统和医院的管理费偏高，加上相当一部分没有保险的患者赖账108，医疗系统就把这部分钱加到了有能力支付的患者头上。当然，这些都不是技术问题，不在我们讨论之列，我们重点谈谈利用技术手段降低医疗成本的问题。
从医疗本身讲，医疗成本高的前两个重要原因是药品的研制周期太长、费用太高，以及医务人员培养的成本太高。
让我们先来看看美国新药研制的费用问题。斯坦福大学医学院院长米纳教授说：“今天一款新药从关于它的第一批最重要的论文发表，到药品上市，大约需要20年的时间，在这个过程中全部的科研投入至少为20亿美元。”根据美国专利法，专利保护的期限从申请之日算起只有20年（如果申请后三年还没有被批准，则按照批准之日算起17年）。但是专利的申请并非是药品上市那一天才开始的，通常要早于药品上市十几年，也就是说药品上市后，受到专利保护的年限只有几年。据强生公司介绍，主要的处方药在上市后，能够享受专利保护的时间只有7年。也就是说，新药即使能够顺利研究出来，也只有7年时间的独家销售以挣回成本。因此，每一种特效的新药都卖得非常贵。
造成美国医疗成本非常高的第二个原因是医务人员的收费很高。在欧美等发达国家，医生可以说是“三高”的职业——高学历、高收入和高地位，而在医生中间，专科医生，比如诊断癌症的放射科医生或者做手术的胸外科医生、脑外科医生，又是医生群体中收入最高的群体，他们的平均收入远远高于上市公司高管的平均水平。那么这些人的收入具体有多高呢？2014年我与斯坦福大学医学院的几位教授和医学博士们聊到专科医师收入的问题，他们以放射科医师为例来形容专科医师的生活和收入。“当你获得放射科医生行医执照并且得到第一份工作时，你的高中同学的孩子都上小学了，而且他们也都事业有成了。但是，你可以很自豪地告诉他们：‘我才拿到第一份工作，不过年薪是50万美元！’”虽然50万美元的年薪并非所有的专科医师都能拿到，但是相当一部分专科医生的年收入就是这个水平，甚至更高。年薪50万美元是什么概念，这大约相当于美国中位数工资的10倍109，比美国总统高1/4110。
如果专科医师们挣的那么多，他们的收费一定更高。比如与放射科有关的医学影像分析这个行业，2014年的花费就高达330亿美元左右111，摊到每一个美国人头上居然高达每年110美元，不论你这一年是否做过任何透视、CT或者核磁共振的检查。更可怕的是，这个花费年增长率为7%，远远高于GDP的增长水平。
为什么在美国专科医师收费要那么高，主要原因是成为专科医师太难，这个群体人数太少。要成为一名合格的专科医师，除了要智力水平高，还要经过长时间系统的训练，并且花费很多的学费和培养费。具体讲，在美国培养一名合格的专科医生的过程大体如下：
首先，他们要完成4年大学本科学习，因为在美国只有获得本科学位之后才能够学医。在本科毕业后，那些所谓的医学预科生（Pre Med）要经过激烈的竞争才能进入医学院，好的医学院的录取率要远比哈佛大学低112。在医学院里，这些幸运的未来的医学博士要接受4~5年的医科学习，医学院的学习负担要比一般的研究生专业重得多。在完成医学院学习之后，如果运气好的话，经过2年左右的医院实习（实习医生）和2〜3年的专科实习（Fellow），才能获得专科的行医执照。整个过程平均要花费13年之久，中间还会有很多次被淘汰的可能。实际上，高中毕业时想成为专科医生的人并不算少，但是真正获得行医执照的少之又少。
其次，成为专科医师的学习费用也是相当高的，因为读医学博士的人是没有奖学金的，如果再考虑到读本科时也要自己掏钱，那么一个成绩优秀的学生从本科算起，到医学院毕业，大概需要花费50～70万美元。在欧美国家，大多数人又不愿意啃老，因此，每一个专科医师在能够开始挣钱时都已经负债累累。从投资回报的角度讲，既然时间和金钱的投入都如此巨大，他们必须有高收入才合算。
美国医疗系统的这些症结不是简单要求医生、医院和药厂少收费就能做到的，这也是奥巴马医保计划在美国难以推行的原因。
在过去，像放射科医生这一类工作，被认为需要太多的专业技能，工作性质太复杂，不可能被机器所取代。但是，今天智能的模式识别软件通过医学影像的识别和分析，可以比有经验的放射科医生更好地诊断病情，这将从根本上改变医疗行业的现状。
科学家和医生们通过模式识别和图像理解进行医学影像分析的想法其实不是在有了大数据之后才开始的。早在20世纪70年代图像处理开始起步时，人们就想到了它在医学上的应用。但是真正取得突破性进展，并且能够做到比人做得更好，则是近几年的事情，因为计算机有了大量的数据可以进行学习。
在中国很多患者的心目中，看病要找“老大夫”，因为他们有经验。实际上，老大夫经验的积累就是一个通过病例（数据）学习的过程，而人学习再快，也学不过计算机，这一点我们在前面分析Google的AlphaGo和李世石下棋的案例中已经指出了。一个放射科大夫一生阅读研究的病例很难超过10万个，而计算机则很容易从上百万病例中学习。2012年Google科学比赛的第一名授予了一位来自威斯康星的高中生，她通过对760万个乳腺癌患者的样本数据的机器学习，设计了一种确定乳腺癌癌细胞位置的算法，来帮助医生对病人进行活检，其位置预测的准确率高达96%，超过目前专科医生的水平。这位年轻学生采用的图像处理和机器学习算法都不复杂，她的成功完全得益于大数据，没有哪个大夫一生能够见识760万个病例。
在医学影像分析方面，很多软件已经开始商用化，只是由于目前在临床诊断上需要有真人签署检验报告，因此这些软件给出的结果还需要由人来核实后签字。即便如此，由于放射科医生的工作效率能大大提高，诊断的费用可以逐步降低。
图6.7 手术机器人达·芬奇的手术台
具有了智能的计算机不仅能帮助诊断，承担放射科医生的工作，还可以进行手术。今天，世界上最有代表性的做手术的机器人就是达·芬奇手术系统。达·芬奇手术系统分为两部分：手术室的手术台和医生可以在远程控制的终端。手术台是一个有三个机械手臂的机器人，它负责对病人进行手术，每一个机械手臂的灵活性都远远超过人，而且带有摄像机可以进入人体内手术，因此不仅手术的创口非常小，而且能够实施一些人类医生很难完成的手术。在控制终端上，计算机可以通过几台摄像机拍摄的二维图像还原出人体内的高清晰度的三维图像，以便监控整个手术过程。医生也可以在远程对手术的过程进行人工干预。达·芬奇手术系统的主要发明人之一，约翰·霍普金斯大学的拉塞尔·泰勒（Russell Taylor）教授是我的朋友和师长，因此我有幸亲身体验操作该机器人。他为我在手术台上设置的是一个仿制的人脑，我在远程用手术刀虚拟切割时，手的感觉和切割真实的组织是一样的。目前全世界共装配了3000多台达·芬奇机器人，完成了300万例手术。
相比医生，计算机在诊断和做手术等方面有三大优势：首先，它们漏判（或者失误）的可能性非常低，也就是说它们能够发现一些医生们忽略的情况；其次，它们的准确率很高，而且随着数据量（病例）的增加提高得非常快；最后，也是人所不具备的，这些智能程序的稳定性非常好，它们不会像人那样受情绪的影响。而这些智能程序的成本，通常不到人工的百分之一。
解决医疗资源短缺问题
如果说机器智能通过帮助放射科医师和外科医生可以降低医疗成本的话，那么它在解决医疗资源不足的问题上同样有效。自然语言处理专家和医生们让计算机理解人的语言，然后让它能够根据化验结果和病人的描述来诊断简单的疾病。IBM公司从20世纪70年开始就致力于机器智能的研究，并且在工业界一直处于领先地位。IBM开发的沃特森（Watson）智能系统可以理解自然语言，分析各种数据和医学影像，帮助疾病诊断和医疗信息的管理。在一些医学领域，比如肿瘤科，它能够非常准确地给医生提供诊断的建议和帮助。目前，如果不引入医师的干预，仅仅靠计算机通过阅读病例、倾听病人的描述和分析化验结果进行疾病诊断，它也能达到中等医生水平。虽然这样的水平远没有达到取代医生的程度，而且在医疗资源较多的大城市里必要性不大，但是在缺少医生的非洲和印度，有这种“机器医生”总比没有强。何况，考虑到医疗数据增长很快113，计算机学习能力又很强，这一类系统会进步非常快，可以预见在不久的将来，计算机在一些疾病的诊断方面会超过人。
图6.8 能够帮助看病的IBM沃特森计算机
制药业的革命
2013年Google宣布成立独资的IT医疗公司Calico，并且聘请了世界知名的生物系统专家阿瑟·李文森博士担任CEO。李文森博士曾经是世界上最大的生物制药公司基因泰克114的CEO，在接受Google任命时，他依然担任着基因泰克的董事会主席以及当时全球市值最高的公司——苹果公司的董事会主席，可谓整个工业界最有权势的人物之一。在一些人看来，李文森接受Google的邀请担任其一个子公司的CEO有点屈尊了，但是他自己认为他有可能开创一个改变人类命运的事业，因为他将利用大数据和其他IT技术设法延长人类的寿命。
李文森用了一个大家熟知的例子——医治癌症，来说明大数据在未来医疗卫生中将扮演什么角色。
治愈癌症是人类半个多世纪以来的梦想。在20世纪50年代，著名的工程师、被誉为晶体管之父的皮尔斯（John Robinson Pierce，1910～2002）把治愈癌症和登月、识别语音、水变油、海水里提炼黄金并列为人类难以解决的5个难题。1969年，人类实现了登月，从20世纪70年代开始，计算机语音识别也取得了长足的进步，今天这个问题被认为已经解决了，但是攻克癌症还显得遥遥无期，尽管对特定的人来说，一些癌症是可以控制的。
人类在抗癌研究方面投入的资金比阿波罗登月或者语音识别要多得多，但为什么至今依然难以根治癌症呢？李文森博士讲，世界上并不存在一种一劳永逸的万灵药，能够像青霉素杀死细菌那样杀死所有的癌细胞，这是今天医学界普遍的认知，与半个世纪前大不相同。我们知道，癌细胞是动物和人自身细胞在复制的过程中基因出了错，而非来自体外，因此它们与人和动物正常的细胞非常相似。今天最有效的方法是，使用基因技术研制出的抗癌药来治疗，从机理上讲是找到病变的基因并且把相应的癌细胞杀死。不过，由于不同人即使得了同一种癌，其癌细胞病变的基因未必相同，因此一种抗癌药可能对某些病人管用，但是对其他病人并不管用。我们通常听到的发生在身边的故事就是这样。实际上，大部分医生在给癌症患者用药时，需要对患者进行基因比对，以确定是否能用某种抗癌药。
医治癌症第二个难点，也是最根本的难点在于癌细胞本身的复制也会出错。这一点其实并不难理解，因为基因在复制的过程中出了一次错误就可能出第二次。这样一来，原本管用的抗癌药就变得不管用了。抗癌药在杀死癌细胞时，未必能够把所有的都杀死115，剩下哪怕只有一个癌细胞未被杀死，它依然可以迅速繁殖，并且可能出现新的基因突变。我们通常会听到这一类故事：某个患有癌症的亲友已经将病情控制了很长时间，突然一夜之间复发，而且药物不起作用，很快便离世了。这里面的原因就是癌细胞基因的变化使得原有的抗癌药不灵了。
由于癌细胞基因的突变和人有关，而且可能一再突变，因此要想彻底解决问题，就需要针对不同的患者设计特定的抗癌药，而且要根据患者癌细胞每一次新的变化研制新药。李文森博士认为，只要这个研制速度能够赶得上癌细胞的变化，那么，即使不能彻底杀死所有的癌细胞，患者仍可以长期和癌症共存。从理论上讲，这种方法是可行的。但是这样做的成本太高：首先要有一个专门的研发团队围绕着每一个患者进行药品的研制，而且研发的速度还要足够快；其次，它的耗费至少在每人10亿美元以上。因此，全世界除了个别的亿万富翁，都不可能用这种方法来治疗癌症。这就是目前人类在抗癌方面遇到的困境，这个困境是无法通过传统的医学进步走出来的。事实上，在过去的20多年甚至更长的时间里，全世界医学界对癌症机理的理解和治疗方式的改进都是非常有限的。
那么出路在哪里呢？李文森博士认为这要依靠最新的IT技术，尤其是大数据。根据基因泰克的科学家解释，我们已知的各种可能导致肿瘤的基因错误不过在万这个数量级，而已知的癌症不过在百这个数量级。也就是说，即使考虑到所有可能的恶性基因复制错误和各种癌症的组合，不过是几百万到上千万种，这个数量级在IT领域是非常小的，但是在医学领域则近乎无穷大。如果能利用大数据技术，在这不超过几千万种组合中找到各种真正导致癌变的组合，并且对这样每一种组合都找到相应的药物，那么对于所有人可能的病变都能够治疗。针对不同人的不同病变，只要从药品库中选一种药即可，比如对患者约翰，他原本是使用第1203号药品，如果发生新的病变，经过检查确认后，改用256号药品即可，这样并不需要每一次重新研制药品。如此一来，便可以控制癌症了。虽然这样成千上万种药总的研发成本不低，但是如果摊到全世界每一个癌症患者身上，李文森博士估计只需要人均5000美元左右。
李文森博士所倡导的为每一个患者设计个性化特效药的思路，如今已被制药行业和医学界普遍认可。在美国著名的加州大学旧金山分校医学院里，阿图尔·巴特（Atul Butte）教授建立起医学大数据中心，专门从事利用大数据寻找个性化药品的研究工作。根据该中心的陈斌副教授介绍，美国只有1/7左右的临床证明有效的药品最终能够走完FDA（食品药品监督管理局）全部审批流程并最终上市。剩下来的6/7的药品，虽然在小范围内使用时对一些病人确实有很好的疗效，但是在使用到大量患者身上时，平均的效果并不显著，因此最终被FDA否决。该中心通过研究发现，其中不少药其实对特定的人群有效，现在的关键是找到那些特定的人群，让那些研制过程中被淘汰的所谓“废药”经过改造后能够重新被利用。在未来，可能一种疾病会有不同的药品医治，而不同的人会有不同的特效药。
图6.9 个性化药品
人类是否可以长生不老
除了个性化制药，李文森博士认为大数据可以帮助治疗那些用传统医学方法难以医治的疾病，而这个意义甚至比治愈癌症更大。根据李文森博士的数据，人类即使能够解决治疗癌症的难题，也不过将平均寿命延长3.5年左右116。在他和Google创始人佩奇看来，治疗癌症的意义远没有大众想象的大，而人类长寿面临的最大挑战是衰老问题——只要人们活得足够长（而且不患癌症），最后的结局都会是阿尔茨海默症，无一例外。可以想象，当人类的平均寿命延长到90岁以上后，所见之处是成群的阿尔茨海默症患者。据麻省理工学院理学院院长迈克尔·斯普瑟（Michael Sipser）博士介绍，在过去的10年里，美国癌症、艾滋病、心脏病和中风的死亡率都在下降，下降的幅度在20%～40%左右，但是阿尔茨海默症导致的死亡率却上升了40%。在李文森博士看来，延长人的寿命关键是要找到衰老基因。至于怎么找，则需要使用大数据，而Google的特长是善于处理大数据，因此这便促成了李文森博士和Google共同创建大数据医疗保健公司Calico一事。
图6.10 《时代》周刊的封面文章《Google能否战胜死神》
媒体对Calico给予了厚望，《时代》周刊登载了题为《Google能否战胜死神》的封面文章，它与其说是揭示Google的野心，不如说寄托了大众对新的医学研究的期望。从意识到死亡以来，人类一直想找出终止走向死亡过程的方法。从哲学的层面看，有生就必定有死，长生不老是妄想。但是找到导致衰老的基因，同时修复我们身体细胞在复制时出错的基因，或许是一条人类延年益寿的有效途径。
当然，Google也明白，光靠自己一家的力量是无法解决如何防止衰老这一难题的，为了便于全球科学家们一同努力来解决这个难题，Google和斯坦福大学医学院以及杜克大学医学院一起，将建立一个标准的人类医疗数据库，这个数据库中包括5000人全部的生理和医疗信息。三家参与方希望该数据库能成为全球科学家们做研究和发表科研成果的基准（Baseline）数据库。除了Google之外，更多的IT公司和IT人士开始涉足医疗领域。事实上，由加州大学圣迭戈分校教授约翰·克雷格·温特（John Craig Venter）等人创办的人类长寿（Home Longevity）公司在这方面甚至走到了Google的前面，该公司于2013年成立，今天已经开始为一些大的制药厂提供与基因技术有关的服务了。人类长寿公司的方法完全基于大数据，它为此聘请了Google著名科学家、Google翻译的负责人奥科博士担任首席科学家，而奥科每天所做的事情依然是机器学习，这和他在Google没有太多的不同，只是数据从语言数据变成了生物数据。与Calico所不同的是，人类长寿公司拥有临床的数据，因此在将基因和疾病联系起来并且找到治疗疾病的方法方面与应用更接近。
如果Calico、人类长寿公司或者其他什么公司能够利用庞大的数据找到很多疾病的基因根源，那么接下来的问题就是如何修复基因了。2014年，麻省理工学院评选出的当年10项重大科技突破中有一项技术恰恰就是基因编辑技术，其主要发明单位和发明者是中国云南省灵长类生物医学重点实验室，以及加州大学伯克利分校的珍妮弗·多德娜（Jennifer Doudna）博士、麻省理工学院的张峰博士和哈佛大学的乔治·丘奇（George Church）博士。其中多德娜博士和从事这项技术应用的瑞士科学家伊曼纽尔勒·卡彭特尔（Emmanuelle Charpentier）获得了2015年的突破奖117。如果我们能够发现那些致病的基因，并且使用这项技术修复基因，那么人类的寿命有希望大大延长。当然，这项技术也带来一个巨大的伦理上的挑战，不过这不在我们的讨论范围内。
至于Calico和人类长寿公司的成果何时能够商品化，这两家公司都不愿意透露细节，但是至少它们给了我们长寿的希望。
机器智能能够改变的所谓高级工作，不仅在医学领域，还在法律、金融和新闻等诸多领域。
图6.11 因发明基因编辑技术而获得突破奖的多德娜（右）和卡彭特尔（左）
