可以預見隨著大數據時代的到來而出現的人工智能必然會導致人類醫(yī)療歷史的又一次飛躍。從目前來看，以大數據為基礎的智慧醫(yī)療可以給醫(yī)療帶來的革新主要包括三個方面：降低醫(yī)療成本、輔助診斷以及幫助解決醫(yī)療資源分配不均與短缺的問題。
降低醫(yī)療成本
人類在醫(yī)療上遇到的最大障礙恐怕就是居高不下的醫(yī)療成本了，根據世界銀行數據，美國與醫(yī)療相關的開銷可以占到GDP的17%-18%，并且呈逐年上升趨勢，預計到2020年將會達到GDP的20%左右。在中國看不起病、因病致貧的例子也并非罕見。
導致醫(yī)療成本過高的原因主要有兩個：高昂的藥費與診療費。藥品開發(fā)成本過高與醫(yī)生的培養(yǎng)成本過高似乎給了藥品價格與治療費用居高不下很好的解釋。
藥品成本過高的原因可以歸結為新藥研發(fā)周期太長、費用太高，并且伴隨著研發(fā)失敗的高風險，導致有很好療效藥物的售價昂貴，并非人人都可以負擔。新藥的研發(fā)需要大量的醫(yī)藥專家通過閱讀大量的論文與數據，積累經驗找出藥物與疾病之間的關系。
據統(tǒng)計，科學成果的數量每九年便會翻一番，要理解不同類型的數據，閱讀大量的論文找到數據之間的相關關系已超出了人的能力范圍。但正是由于積累了足夠的數據給人工智能在制藥領域的應用提供了沃土。
人工智能系統(tǒng)通過閱讀專利數據庫、醫(yī)療數據庫、醫(yī)學論文，學習從分子結構、基因組序列和圖像的一切信息，建立關聯，形成假設，尋找可用于制造新藥的分子或配方。
人工智能算法可在幾周內闡明數據之間的強相關性，提供新的思路，可以很大程度提高新藥的研發(fā)進度，降低藥品的研發(fā)成本與風險。而人類要想得到同樣的成果，除了需要大量專業(yè)人員花費大量時間外可能還需要醫(yī)藥專家們的靈光一現。
冗長的新藥研發(fā)周期
醫(yī)生的培養(yǎng)同樣面臨高成本與高風險的問題，以美國醫(yī)生為例要成為一名醫(yī)生首先要完成四年大學本科的學習，本科畢業(yè)后經過激烈的競爭才能進入醫(yī)學院，較好的醫(yī)學院錄取率低于哈佛大學，在醫(yī)學院里仍然要進行四到五年的學習才能夠獲得醫(yī)學博士學位。
結束了醫(yī)學院的學習后需要經過兩年左右的醫(yī)院實習和兩到三年的?？漆t(yī)生實習才能獲得?？频男嗅t(yī)執(zhí)照。整個過程平均需要花費13年時間，期間還有很高的被淘汰的風險。一個獲得行醫(yī)資格的醫(yī)生從本科算起需要的花費在50-70萬美元之間，這些醫(yī)生投入了大量的時間和金錢，從投資回報率的角度看，必須要有高的收入才合理，這也就導致了診療費用的昂貴。
然而，以放射科醫(yī)生為例，曾經被認為需要太多專業(yè)技能與經驗，但是如今基于智能模式開發(fā)的識別軟件通過對醫(yī)學影像的識別和分析，比經過多年培養(yǎng)有經驗的放射科醫(yī)生的診斷正確率與診斷效率更高。這無疑要改變醫(yī)療行業(yè)的現狀，能夠被廣泛復制的智能算法代替需要花大量時間和金錢培養(yǎng)出來的醫(yī)學專家必然會大幅度的降低醫(yī)療費用，當然這對醫(yī)生這個行業(yè)也是一個巨大的沖擊。
輔助疾病診斷
在很多患者心目中，看病要找有經驗的年長的大夫。老大夫的經驗積累來源于一個病例一個病例的學習與研究。然而學習能力再強的大夫也不如計算機學得快。一個放射科的大夫每天能夠閱讀的X光片數量有限，窮其一生也很難研究10萬個病例，而計算機則很容易在短時間內學習能夠獲得的所用病例。應用輔助診療軟件，放射科醫(yī)生可以根據計算機輸出的結果結合經驗對病人的病情進行判斷，不僅提高了診斷效率，由于計算機學習了大量案例更是提高了診斷的正確率。
致力于機器學習的IBM公司聯合了20多個頂尖的癌癥研究機構，用這些機構提供的數據教會其著名的人工智能系統(tǒng)Watson理解基因和腫瘤學。Watson僅用了一周的時間就讀完了2500篇醫(yī)學論文。
據統(tǒng)計每天新發(fā)表的醫(yī)學論文有8000多篇，沒有哪個人可以有如此巨大的閱讀量，因此醫(yī)生的診斷通常都是滯后于最新研究成果的，而且通常是滯后一到兩年。然而Watson卻是能夠及時的分析大量的數據并據此作出診斷的?；赪atson的輔助診療頗有成效，在其研究的病例樣本中，Watson為其中30%的病人找到了治療方法，但是一群醫(yī)學專家卻沒有找到。
IBM Watson計算機
人工智能不僅幫助病人找到治療方法，在惡性疾病的早期診斷上也具有人類所沒有的優(yōu)勢。2012年美國的一位高中生，通過對760萬個樣本的機器學習，設計了一種確定乳腺癌細胞位置的算法，其位置預測的準確率高達96%，已經超過目前?？漆t(yī)生的水平。
據統(tǒng)計美國每年新增的肺癌患者高達22.5萬人，每年消耗在肺癌診療上的經費有120億美元之多。如果利用大數據結合機器學習能提高早期肺癌的診斷率，這對人類整體健康而言具有難以估量的現實意義。
相比醫(yī)生，計算機在診斷方面具有更大的優(yōu)勢，首先，計算機診斷的失誤概率非常的低，能夠發(fā)現醫(yī)生很容易忽視的問題，其次，計算機診斷的準確率很高，并且隨著醫(yī)療數據的不斷累積，診斷的準確率會不斷提高；最后，計算機不像醫(yī)生那樣有情緒問題的困擾，診療的穩(wěn)定性更好。
解決醫(yī)療資源短缺
當今，世界醫(yī)療水平分布極為不均，很多國家醫(yī)生數量不足，社區(qū)醫(yī)院與頂級醫(yī)院醫(yī)生的診療水平相差甚遠。在人工智能的幫助下，同樣數量的醫(yī)生可以服務幾倍甚至更多的患者，醫(yī)療資源匱乏的地區(qū)可以通過引入智慧醫(yī)療系統(tǒng)為患者提供頂級醫(yī)院頂級醫(yī)療專家的服務。
仍然以Watson智能系統(tǒng)為例，它可以分析各種醫(yī)學數據和各種影響，幫助疾病診斷和醫(yī)療信息的理解。目前如果沒有醫(yī)生的干預，僅僅靠計算機通過分析病人病例，閱讀各種檢驗結果，傾聽病人陳述而得出的診斷已經能達到中等水平醫(yī)生的水平，這在醫(yī)療資源并不匱乏的大城市似乎作用不大，但在醫(yī)療資源匱乏的地區(qū)就顯得尤為重要了?？紤]到隨著醫(yī)療數據的不斷積累，計算機學習能力的不斷增強，可以預見在不久的將來計算機在某些疾病的診療上會超過頂級醫(yī)療專家。
未來的醫(yī)生也許只需讀取診療方案
在人工智能的幫助下，頂尖的醫(yī)生和科學家可以騰出時間研究更具挑戰(zhàn)型的項目。在醫(yī)療資源匱乏的地區(qū)，醫(yī)療水平一般的醫(yī)生可以提高診斷的準確率，提高醫(yī)療服務質量。智慧醫(yī)療無疑是解決醫(yī)療資源分配不平衡的最好方法。
結語
2015年互聯網+成為了一個新的概念，造就了很多新行業(yè)的出現。如今隨著互聯網到移動互聯網再到物聯網的演進，使得數據的積累量達到了前所未有的規(guī)模，為以大數據為基礎的人工智能+行業(yè)的涌現提供了條件。計算機、大數據和算法相結合的智慧醫(yī)療是人工智能對人類社會最有意義的貢獻，隨著智慧醫(yī)療的不斷發(fā)展，人工智能將會徹底改變人類健康管理的歷史