導讀：10分鐘能做什么？充其量只能用來看幾條新聞的時間，對于Watson（“沃森”）而言卻能診斷一名病人。Watson的認知計算能力已經為我們所熟悉，而它也在醫學領域不斷發力。日前，東京大學醫學研究院利用Watson判斷一位女性患有罕見的白血病，而這只用了10分鐘的時間。患者為一名60歲的女性，最初根據診斷結果，顯示她患了急髓白血病。

8月8日有外媒稱，學習了海量醫學論文的人工智能用了10分鐘左右時間為一名60歲女性患者診斷出了很難判斷的白血病類型，并向東京大學醫科學研究所提出了適當的治療方案，為這名女性的康復做出了貢獻。據日本《東京新聞》8月5日報道，研究人員所使用的是曾在美國智力競賽節目中打敗人類冠軍、由美國國際商用機器公司（IBM）研發的“沃森”。

患者為一名60歲的女性，最初根據診斷結果，顯示她患了急髓白血病。但在經歷各種療法后，效果并不明顯。 根據東大醫學院研究人員Arinobu Tojo的說法，他們利用Watson系統來對此病人進行診斷。系統通過比對2000萬份癌癥研究論文，在10分鐘得出了診斷結果：患者得了一種罕見白血病。該研究主要由美國的IBM研究所，紐約基因組中心及東大醫學研究所聯合完成。

10分鐘診斷是如何實現的？

東京系統與軟件開發研究所Watson Health Cloud的軟件工程師林雪婷向雷鋒網表示，目前醫療方面的項目難點其實比較統一：

首先，你要有可以對照的數據，在這個項目里是和紐約基因中心進行合作；

其次數據使用時，第三方只能根據HIPPA協議使用個人數據的統計信息；

再者，可能就是怎么把數據導出來作為這個研究的樣本了，這個也很麻煩，因為基因數據很大。

而做人工智能診斷智能圖譜的康夫子CEO，前百度自然語言處理部資深研發工程師、文本知識挖掘方向負責人張超也列舉了這一研究的主要難點。“數據抽取是個非常有門檻的技術”，主要體現在四個方面：

1. 相比較結構化或者半結構化抽取，無結構化抽取面臨更多的挑戰，比如：抽取模板學習更為復雜，抽取過程的語義轉移，另外還有不少歧義、邊界問題需要處理；

2. 無結構化抽取的面對的數據源更為繁雜，如：網頁、論文、書籍、問答數據等等，不同數據源帶來的數據清洗工作也不盡相同；

3. 在醫學應用場景下，要求抽取工作的準確率、召回率都需要很高，這也是抽取任務的一大挑戰；

4. 無結構化文本抽取的過程也伴隨著大量的計算，對計算性能也有較高的要求。

新聞中提到的“10分鐘”，在林雪婷看來，“應該是不包括把數據導出來的時間的”。

也就是說，這一過程首先要對結構化的知識進行構建，肯定是在離線狀態下完成的。在這個案例中，將基因中心的相關數據導在一個數據池中，并進行內容管理，而Watson在10分鐘內所做的，就是在已經做了篩選的數據中進行對比，找尋相似項。

“所以文中說的2000萬論文，應該是離線抽取后使用的；還有一種可能是，利用這2000萬篇論文去調參原來的模型。”

Watson的醫療藍圖

2011年2月，Watson在智力節目《危險邊緣》打敗了人類對手，用自然語言實現深度問答，展示了其強大的學習能力。而Watson在醫療機構的合作，同樣也幫助醫學研究人員在認知計算應用上不斷推進。

Watson Health成立于2015年4月，吹響了Watson進軍醫療行業的號角。

去年7月，Watson和美國第二大連鎖藥店CVS進行合作，對用戶行為和指標分析，并預測其健康狀況。在第一階段的合作中，CVS主要向Watson開放用戶的行為信息、臨床數據、購藥數據及保險信息等。

8月份，IBM還收購了醫學影像公司Merge，結合Watson的認知學習能力，能夠將醫學影像、診斷和用藥方案三者貫通起來，而對醫學影像的深度解讀，就成為了Watson的核心力量。除外，IBM還與蘋果、美敦力等公司建立了合作關系。

Watson在醫學研究上的應用其實不只局限于診斷領域，在讀病例、讀論文、尋找治療疾病的配藥方面，都已經有了成果。此前IBM和美國癌癥基因會（AACR）建立過合作，據推測這一舉措可能是為了獲得患者的統計數據，但Watson在治療上的成功應該是首例。

張超對IBM Watson的信心相對比較充足，他認為只要有足夠的數據，就可以在腫瘤領域大規模應用。

“在記憶維度，機器要比人厲害；只要灌輸給機器足夠多的知識，機器可以代替人們來搜索各種可能，最后輔助醫生。”

而根據林雪婷向雷鋒網的表述，Watson Health Cloud將把這個案例作為成功應用放在醫療云上，這也就意味著可能成為大范圍的應用。

“但我估計真正落實到云端可以用的，也就是說醫院可以直接應用于診斷領域的方法要兩三年，在這之前都是研究成果而已。”

而林雪婷也指出，目前所有的項目，所引用的數據都源于美國，日本暫時還沒有相關的第三方使用醫療數據的法規，“據說（日本）明年會重新提案立法。”雖然目前我們已經看到了IBM在醫療領域上的成功，但要真正走進我們的日常診斷中，不僅需要技術的不斷優化，在法律上同樣也需要迎頭趕上啊。