上次说到Waston Health成立，意图在医疗健康领域大展拳脚。这确实是个充满钱景的领域，为了健康、生命、长寿，无论穷人富人都会付出大笔的金钱。这次，把突破口放在肿瘤上。 凭借IBM强大的市场能力，与很多医院和大学、研究机构达成了合作。国外就不说了，看看国内的：
相信大家可能不少人听过Waston医生的大名，但实际见过啥样的没几个，这是基本界面，在给出了患者的基本情况（文本）后，Waston给出治疗方案建议，比如下面这个乳腺癌患者，就建议先化疗，8个月后进行外科手术，再过1个月转放射治疗。对于第一阶段的化疗，给出了所需的药品名称和使用顺序，可谓十分细致。
那么对于每一种药品，既往的使用效果怎么样呢？也会列出以前案例的使用情况和统计情况，包括论文分析和来源，2年生存率，4年生存率，给医生比较可靠的参考。我们说医生越老越值钱，其实就是时间长了，医生见的案例多了，形成了自己的大数据系统，这是非常有价值的（码农：Excuse me?）,一个三甲医院医生相当于每天都会采样几十人，20年下来样本量非常大，会在头脑中形成非常实用的统计模型。但并非每个医生这样，有些罕见病大医院也未必见过几个2、3线城市、农村或中小医院的医生的样本量要小得多，有个知识储备非常充足的AI助手是很有用的。
那用了这个药有什么不良反应吗？现在的医生做诊疗都很谨慎，避免误诊，否则麻烦很大，连自己都有受伤或生命危险。每个病患的情况不一样，有的不良反应对一些人可能不算什么，但对另一些人是不能承受的。这里会把每种药物可能的不良反应都列出来加上一些数据材料分析。
整个过程还是通畅合理的，除了：水土不服。
这个不服，包含医疗数据/共识和市场策略两方面， 不仅仅是在中国市场，基本在所有合作的医疗机构都出现。DeepQA被设计成能够从非结构化的文本中提取信息，但医疗领域的语言，与日常使用的语言有很大差异，去过医院的同志应该都有体会。举个例子，这是一张典型的彩超检查单的文本：
====================
黑白B超检查所见：
肝脏形态、大小正常，实质回声欠均匀，实质内探及两个囊肿，大者约9x6mm，位于左叶。肝内胆管未见扩张。门静脉内径正常。
胆囊大小、形态正常，壁欠光滑，未见结石及占位。肝外胆管不扩张。
胰腺大小、形态及回声未见明显异常。
脾脏不大，脾静脉内径正常。
双肾大小、形态正常，实质回声均匀，集合系统探及散在点状强回声。双侧输尿管不扩张。
膀胱充盈差。
前列腺大小约44x31x29mm，包膜完整，内部回声欠均匀，内可见强回声钙化灶。双侧精囊腺目前未见明显异常。
检查诊断:
肝囊肿
胆囊壁欠光滑
双肾点状强回声一结石、钙化均不除外
前列腺轻大伴钙化
====================
读一遍，你有没有感觉，虽然每个字都认识，但读着怎么这么别扭，语序都是倒装句，“XX不XX，XX未XX，XX欠XX”，双重否定“钙化均不除外”，缩写“前列腺轻大”。每个医院每个医生的写法都不一样，但医生都看的心领神会，明明白白。但让机器读可就要了命了，那个时代还没有大语言模型，也没有Attention/Transformer这样针对文本处理的神经网络，NLP方面还是传统的实体识别、关系抽取、意图分析之类的小模型，对这种与日常语言差异很大的文本，必须要重新标注、训练，这是个漫长而痛苦的过程，因为医疗知识过于专业，只有经过专业医疗训练的人才有能力标注，而医生哪有空做这个，何况连医生们自己可能都意见不一。
数据的限制太大，那就使用钞能力吧：
10亿美元收购Merge Healthcare，它可以分析乳房X线照片和MRI；
2.3亿美元收购ePhytel，可协助患者沟通；
26亿美元收购分析复杂医疗数据的Truven Health Analytics。
收购这些公司主要就是为了合法的医疗数据，收购后，这些公司的员工被大量裁员。有了数据之后的训练过程非常漫长和艰苦。要有一大批计算机科学家和医生、药剂师收集一个参考数据库，并加入病例学习，然后询问上千个问题。事实上，Watson 并不会自我学习，他给出的错误答案会被研究者们评估，再手动调整 Watson 的算法，保证最后输出的答案是有价值的。
然后，到了中国，语言风格完全不一样，诊断的指南也跟国外不一样，用药也不一样，亚洲人的体质跟老外也不一样。中国的中医案例中还有大量的阴阳五行内容。（Waston：我还得学算卦？你给我讲讲什么是Qi?）
IBM大中华区首席医疗顾问李明指出，Watson在学习中国病例、本土化过程中需要电子病历，这就考验着医院信息化的程度；同时，临床数据不仅是病患的检验检查报告，还涵盖了生活日常内容，如何实现有效整合亦是问题所在。
有采用过Watson的中国医生表示，给出的治疗建议更倾向于纯粹的西医思路，未见得就完全适用于中国患者。他们认为，部分中国医生在调理患者的时候或多或少会有中医的一些影子，但目前Watson尚不具备中西医结合的能力。
也有医生指出，例如Watson提出的建议药物，国内尚未上市；又或者是并未推荐某些标准药物。
Waston被设计成确诊疾病后提供个性化的诊疗方案，跟医生期望的辅助诊疗也有不小的差距。连图灵奖得主Yoshua Bengio也不看好这种AI医疗模式，他认为：“在医学文本文件中，人工智能系统无法理解其模糊性，也无法了解人类医生注意到的微妙线索。” （Yoshua大神镇楼）
那么市场方面呢？
为使Waston本地化，与杭州认知网络科技有限公司合作，提供销售、服务及客户支持等服务。Watson肿瘤解决方案在华初始版本仅支持英文，杭州认知提供部分中文翻译支持，其中包括药物标签与诊疗指南。此外，还将基于中国医药规定汉化用药指南。
另一个比较重要的合作伙伴是2017年签约百洋集团，作为Waston基因和Waston影像解决方案的独家分销商。百洋医药集团董事长付钢在接受记者采访时曾表示，使用Watson肿瘤解决方案均自费，价格是4500元/例。
后来，由于推广后发现医院在没有了解产品时收费很困难，改为了将Watson账号以很低的价格卖给医院，并不限制使用例数，先让医院和医生熟悉、参考，再探索收费模式。
这样的方式，与一开始中国医疗AI的初创公司的“入院之路”并没有什么区别，但都活的比较艰难。
2022年，IBM把Watson Health的医疗数据和分析资产出售给私募股权公司Francisco Partners，根据彭博社的报道，此次交易涉及的资产总价值约为10亿美元。
IBM在医疗健康方面轰轰烈烈的10年努力，花了几十亿美金，烟消云散。
复盘Waston Health，有几个值得思考的点：
数据是否代表广泛的特征分布：
通过收购短时间内取得了大量数据是正确的决定，但这些数据是否能代表各国和各个不同文化背景的医学知识？
由此开发的知识模型和逻辑如何适应？
与医疗机构数据的连通性：
在与所有的医疗机构合作时，都会面临这个实实在在的问题，患者病历如何与Waston打通？
如何与医院的系统连接？
这涉及跟HIS，PACS系统的连接。
技术限制：
从非结构化的文本和图像中取得准确的信息，了解“疗程”的概念和不同案例间微妙的联系，理解不同文化对医疗的影响，即便现在也是巨大的技术挑战；
对医生的价值是什么：
Waston给出的诊疗方案基本都是很标准的，医生的评价是：
Waston给的方案我都知道，我希望能告诉点我不知道的。
（跟医生不一样，医生又会觉得Waston有问题）；
过度的市场宣传：
Waston的背景，是IBM在长期业务下滑的一针强心剂，工程上的成就还未达到技术突破的程度，但市场宣传给人的印象仿佛是可以自动诊疗替代医生了（你让医生怎么想），成为资本的一种市场策略（过度吹嘘拔高），也造成后期国外的医疗机构纷纷终止合同。
Waston，是IBM在人工智能辅助医疗方面一次伟大而悲壮的尝试，受资本急功近利的影响，加上技术上不够成熟，落地周期过长，历时10年而陨落。近百年来，也只有IBM才有能力做这种昂贵的尝试，即便是失败，也有其积极的意义，指出了一些道路不可行或时机尚未成熟，给后来者一些教训——但历史不断证明，人类学到唯一教训，就是不会从历史中学到任何教训。
近年，Google使用深度强化学习在围棋领域出现了突破，AlphaGo让人类震惊，类似的技术平移到AlphaFolder，实现了蛋白质结构预测，为精准医疗的实现迈进了一大步，不过这是另一个故事，有空另开一帖。而IBM就像一位被遗忘的长者，孤独的徘徊在潮流之外。
Waston的故事，就到这里了，遗憾没有看到一个灿烂的结果。但IBM作为百年的科技巨人，虽然步履阑珊，但从未停下前进的脚步。官僚主义、骄傲自大、资本的贪婪、领导层的短视，曾经、正在给IBM带来致命的伤痛，但它顽强的忍受和生存，全球广大的工程师、研究者才是IBM的中坚力量，才是IBM的核心竞争力，他们默默无闻长期的坚持和努力，铸造了IBM的百年老字号和发展的基石。虽然现在暂时处于低谷，但，好的Gamer都是多方下注，不会把鸡蛋放在一个篮子里面，下一集，会介绍IBM的隐藏工具箱，说不定会开启下一个颠覆式的新时代。
往期精选
