医学作为与我们每个人都密切相关的行业，在人类历史发展中一直扮演着重要角色，同时也是对新技术最为渴求的行业，也是目前人工智能商业化落地的一个典型代表，而实现这一切的则是WatsonHealth。Watson是IBM开发的一种认知系统也是一种技术平台，会根据不同的应用场景推出相应的订制产品。在医学领域的代表产品就是WatsonHealth。有人说人工智能的崛起会导致大量医生下岗，但事实的真相究竟如何呢？
现代医学需要人工智能
在医疗这个领域，不论是病情的诊断，还是治疗方案的制定以及药物开发，都离不开三个重要步骤：检查、分析和结论。以病情诊断为例，医生首先对需要对患者进行全方位的检查，从而找出异常的指标。接下来根据异常指标来从过往案例或者医书的结论中寻找对应的病症，最终根据以往结论再结合自身的经验来做出最终诊断结论，从这个过程中我们可以发现人工智能的发挥空间。
Watson涉及多个领域
异常指标可以作为一种检索关键字，而过往案例和医书可看作是数据库。分析和下最终结论的过程有点类似我们在搜索引擎上进行查询的过程。众所周知，电脑的数据查询速度要远远快于人类。同时在分析疑难杂症的时候，由于需要考虑诸多条件，因此在寻找数据彼此之间的关系上也相对人类有着很大优势。例如东京大学医学研究院就曾利用Watson判断一位女性患有罕见的白血病，而这只用了10分钟的时间。
WatsonHealth将成为医生伴侣
这个案例中的患者为一名60岁的女性。最初诊断结果显示她患了急髓白血玻但在经历各种疗法后，效果并不明显。根据东大医学院研究人员ArinobuTojo的说法，他们利用Watson系统来对此病人进行诊断。系统通过比对2000万份癌症研究论文，在10分钟得出了诊断结果：患者得了一种罕见白血玻
从这个案例中我们可以看出人工智能在现代医疗中的重要性除此之外在药物研发，基因分析等各种前沿医学领域，凭借高速的计算分析能力，人工智能都扮演者日益重要的角色。
人工智能还需人
人工智能领域中有个非常重要的技术叫机器学习，在医疗领域也不例外。以Watson为例，其代表的是一种名为“认知计算”的计算模式，可以模仿人类通过推理、分析、对比、归纳等方面完善自我的的分析模型从而提高准确度。具体包括三大层面也就是理解、推理和学习。
理解：能“理解”人类，是Watson能进行认知协作的第一步，主要运用的是计算系统处理结构化和非结构化数据的能力。
推理：Watson主要运用的是一种名为“假设生成”的算法，能从数据中抽丝剥茧，寻找事物间的相关联系。
学习：Watson从大数据中提取关键信息，以证据为基础进行学习。
机器学习的背后需要的是人来输入数据，也是需要人来告诉机器应该如何思考和学习（设计算法）。但很遗憾，由于人类在思考一个问题时考虑的维度极其广泛，同时我们也很难将所有的因素都进行量化，比如中医中的闻，气味如何用数据表述？而这就使得我们很难设计出可以媲美人类思维的系统。
以WatsonHealth中最成熟的肿瘤解决方案为例，不论是从最初的案例数据搜集筛选还是分析的算法设计到最终采用哪种结论都需要人的参与。WatsonHealth从始至终都扮演着一个辅助者的角色。而分析阶段由于各种疑难杂症层出不穷，需要人工不断更新并改进算法。至于最终的结论也是Watson在进行各种分析后将可能出现的结论按照比例从高到低将各种结果呈现出来，至于选不选，选哪种最终都依然需要医生来结论。
看似不够完美的的人工智能系统却恰恰成为了最佳解决方案。假设一个患者因为一个人工智能系统误诊而发生医疗事故，那么这个后果究竟应该由谁来承担？这就好比医生分析一个CT照片分析错了，你很难去追究CT生产厂家的责任，因为从始至终决定权都在人手里，所有的仪器与系统都是一种辅助。
Watson可帮助医生提高分析效率
未来前景很光明
IBM曾提出过“增强智能”的说法。而从WatsonHealth也能看出一定的端倪。以我国为例，医疗资源不论是人才还是资金还是设备都高度集中在北上广深这些发达城市，这种不平衡的现象造成了大量患者为了得到更好的治疗因此全部涌向发达城市，这就使得大量优秀医生也愿意前往大城市发展使得这种不平衡的状况得到进一步的恶化。
像WatsonHealth这种产品虽然说不能完全替代医生，但在很多方面都可以改善这种不平衡。以打通信息壁垒为例，小地方的医院由于自身案例储备少，因此在碰到一些疑难杂症时可能会比较棘手，此时可以通过WatsonHealth帮助做一些案例搜集和分析，也许机器分析的结论最终并不准确甚至是错的，但是由于可以提供大量相似案例以及一些分析思路，最终可能会启发医生最终做出正确决定，而这也正是人工智能在未来与医学的结合中的重要发展方向。笔者相信借助人工智能的辅助，将有更多的患者从中获益
