有從醫學跨到人工智慧的成功案例嗎？
沒錯，我也是一個騷動的醫學生！在最美的大學讀完本科來到帝都讀研，無意間被移動醫療和創業的浪潮撩得心裡熱騰騰的。在讀研期間也勾搭了科室的IT主管去嘗試過一些小項目，但無奈科研工作太重被壓死了。但是，我心裡已經認定，在互聯網時代，再去搞傳統的醫學是在浪費資源！！！前段時間，看到阿法狗已如此神通廣大，恍然意識到，這樣一個人工智慧可以非常好地輔助醫生工作，甚至可以在一定程度上取代醫生，想到這就坐不住。。。我平時一直在關注IT科技的網站，也有留意一些醫療技術顛覆的公司，但是這些離我想能夠參與到醫療人工智慧中還差得太遠。想向各位前輩請教，我本科到現在一直都是臨床醫學背景的，該怎樣能跨去做醫療人工智慧呢？再去讀CS估計很難，能不能加入到人工智慧的團隊，從醫學方面切入呢？
不請自來，答主非前輩，還是你的後生（大一醫學生），首先非常幸運遇到了一個志同道合的人，我準備先考U，精通本行業後搞AI（理想很豐滿，只怕時間不給我機會）。下面是我綜合李開復，萬維鋼，吳軍，赫拉利，王煜全等專家學者對AI的一些感想雖然感覺文不對題，但我還是說說。許多不足之處還請海涵。
首先，引用幾個例子，
人工智慧改善癌症診斷療法
深度計算已經開始被用於疑難疾病診斷了。今年8月4日，日本NHK電視台報道稱，東京大學醫學研究所通過應用IBM的人工智慧平台「沃森」，僅用時10分鐘就診斷出了資深醫師也難以判別的特殊白血病。
東京大學自去年7月開始與IBM合作，通過讓「沃森」學習超過2,000萬篇醫學論文和1,500萬條以上的藥品知識，建立醫學診療的大數據神經網路，之後再用於臨床研究。本次報道的60餘歲的女性，最初被人類醫師診斷為急性骨髓性白血病，但經過數月的抗癌治療後情況卻不見好轉。而「沃森」在讀取了患者的遺傳信息之後，給出了「繼發性白血病」的更加具體的病情診斷。在調整了治療方法後，這位女性在數月後成功康復出院。截至2016年3月，「沃森」與東京大學共為41名患者提供了協助治療的診斷或相關信息。東京大學醫學研究所副所長東條有伸表示：「人類醫師花費兩周時間完成的工作，『沃森』只需要10分鐘。我們希望以後能夠將『沃森』廣泛應用於癌症治療。」
現在，AI正悄悄崛起，速度驚人，包括中國在內，許多國家將發展AI作為國家戰略，2016年10月12日，美國白宮發布了題為《準備迎接人工智慧未來》的戰略報告，日本《再興戰略2016》將人工智慧發展列為十大復興戰略之首，中國政府《「互聯網 」人工智慧三年行動實施方案》則提出到2018年建成千億元級別人工智慧市場等。（以上來自2017.1.1創新工場CEO李開復新浪微博）
未來幾年，AI會迎頭趕上，一方面，雖然現在AI在許多方面差強人意，如在貝葉斯方法中沒有任何一個人工智慧程序能夠主動猜測，它們不知道要學什麼，全靠人類訓導，不能夠形成高級認知。並且應用技術的不成熟，具體例子就是特斯拉的無人駕駛汽車撞人致死事件，以及Facebook研發的「賈維斯」在語音識別上的諸多不足，但是，另一些方面，人工智慧已經嶄露頭角，展現出明顯的優勢，過去機器取代一些人的工作，而人總能發明新的工作。《未來簡史》作家赫拉利說，現在的趨勢就是機器的智能越來越比人更適合工作。赫拉利列舉了以下這些白領工作，人越來越不如機器。列出以下：1.股市的高頻交易。人類交易員做不到那麼快的反應速度，而且現在已經廣泛使用了。
2.普通律師。人工智慧閱讀文件發現問題的能力，比人類律師不但更快，而且更准。
3.醫療診斷。IBM華生系統對肺癌判斷的準確率是90%，而人類醫生只有50%。
4.藥劑師。美國人類藥劑師犯錯的概率是1.7%，這意味著每年5000萬個處方處理錯誤。而舊金山市已經用上了一個機器人藥劑師，處理了200萬個處方無一差錯。
藝術這個常人以為無可替代的領域也逐步被AI侵蝕，加州一個音樂學教授搞了個叫做EMI的演算法，能夠按巴赫的風格作曲，沒聽過計算機創作曲子的人肯定會猜測，計算機寫的東西，要麼太精確沒人性，要麼就沒有深度——而事實是，觀眾認為EMI創作的曲子比真的巴赫更像巴赫。
下面再來看看人工智慧其他方面的成就。現在已經有一個處在臨床實驗階段的療法，給糖尿病患者的胃裡放一個晶元，時刻監測他攝入的糖分，晶元跟iPhone手機無線連接，控制一個胰島素注射系統，一旦系統判斷患者攝入的糖分過高，就會自動給他添加胰島素。
這個做法的意義，是你什麼都不用管，直接把注射胰島素的決定權交給了機器。
Google正在搞一個野心勃勃的計劃，要實時監測人體的各項指標，跟一個健康人的基準指標對比，再結合你的特定基因，就可以隨時隨地的給你提供各種健康建議：什麼時候該吃些什麼，什麼時候該健身，什麼時候趕緊去看醫生。你最好都聽這個系統的。
這個系統就比你更了解你自己，也許你想表現一點反抗精神，說我就不聽。但是別忘了，系統非常了解你，所以系統總能在最合適的時機，用最合適的方式「勸說」你去做這些事情，最後你發現，最符合你自己利益的做法，就是聽他的指揮。（註：例子來自得到-萬維鋼《精英日課》）
綜上，人工智慧變革在未來絕對是堪比第一次工業革命，第二次工業革命以及計算機信息技術後的一次巨變，用吳軍老師的話說，大數據和人工智慧技術是一道利劍，把整個人類文明的板塊一劈兩半。一道深不見底的鴻溝將會橫亘在每個人面前。2%之前的人會領先，98%以後都是落後。
人類文明，每隔幾百年或者幾十年，文明總會遇到一次猛烈的撞擊——這回，人工智慧不只是改變環境，它會重新定義人。對於全人類來說，每一次變革都是巨大福祉。但是對那一代人中的某些人來說，卻是不祥之音。智能革命應該也不會例外。當蒸汽汽錘發明之後，鐵匠的兒子會成為辦公室的白領，但你可想過老鐵匠自己的落寞？當自動駕駛汽車普及之後，相關產業一定會井噴，但你可聽到一個老司機交出鑰匙那一刻的嘆息？
所以呢，面對似乎是杞人憂天的智能時代，我們人類就沒意義了么？別急，別忘了當今人工智慧是和大數據相結合的東西。下面看看同人於野（萬維鋼）在得到精英日課對赫拉利《未來簡史》最後的解讀。（註：未經萬維鋼本人許可，不得轉載）
赫拉利比較看好的，是數據教。
1.一切都是數據處理
我們先來說一個可能聽起來比較新的理論。世間一切學科，不管是科學、文學、音樂還是經濟學，其背後都是數學模型，從數學角度我們可以把一個人、一個動物、一個公司或者一個國家，都想像成一個數據處理系統。
比如說生物體無非就是各種演算法的集合，經濟學無非就是把參與各方的慾望和能力數據收集在一起，然後做個決策，所有這些無非就是數據處理。
傳統上，人試圖理解這些數據，也就是從數據中獲得知識，再從知識中獲得智慧。但現在數據主義者們(dataists)認為，有些東西數據太過複雜，你理解不了，也無需理解數據，你只要讓演算法去直接處理這些數據，從這些數據中發現規律拿來用就行了。
這其實就是現在我們常說的"大數據"的思想。
比如自由市場經濟，其實就是個分散式的數據處理系統；中央計劃經濟，其實就是個集中式的數據處理系統，分散式系統的容錯率高，而且特別能迅速適應新局面，這就是為什麼自由市場經濟能比中央計劃經濟更有效。如果你把每個人都想像成一個處理器，人與人之間的交流就是信息交流，那麼整個人類社會就是一個數據處理系統。整個人類歷史，就是這個系統增加效率的歷史。
一切都是數據處理。有了這個思想，我們就可以把一切問題當成演算法問題。那麼我們只要建立一個連接所有數據的「萬物互聯(internet of all things)」網路，這個網路和它所包含的各種演算法，就比任何一個人都更了解這個人，能夠幫我們解決各種問題，替我們做出各種決定。
到那個時候，與其信奉個人，信奉神人，還不如信奉這個網路。
2、數據主義
假設將來我們真的有了這麼一個「萬物之網」。
起初，萬物之網是為人服務的，讓我們活得更健康，幫我們做出更好的決定。
慢慢的，人們就會認為完成這個萬物之網，是最值得乾的工作，你搞科研也好，當醫生救人順便採集患者數據也好，搞藝術創作也好，不都是在為萬物之網服務嗎？
現在有些物理學家會說，我的人生意義就在於發現物理定律，物理定律是造福所有人的，比我個人的生命更重要。那麼將來也會有人說，萬物之網的存在，比自己的存在更重要，人的所有知識都在這個網裡，世間的所有數據都在這個網裡，可以說整個人類文明乃至整個宇宙的信息都在這個網裡。
終有一日，萬物之網會發展到人類無法理解的地步，演算法之間互相配合和升級，演算法自己產生新的演算法，萬物之網將獨立於人類而存在。
到那個時候，萬物之網就成了世界上第一個可寶貴的東西，比人更寶貴，完善這個萬物之網，想辦法讓萬物之網更好的為人服務，就成了一份神聖的工作，萬物之網是上帝，科學家、程序員、醫生、教師，所有這些為萬物之網工作的人，都是牧師，也許這個萬物之網的存在，就給人類存在找到了一個新的意義。
引用完畢
所以，只要你能提供數據和生命機理（就是醫學知識），再加上和相關領域最優秀的人才合作，你就能做出來，具體實例你可以看Google旗下的DeepMind公司。但是目前都停留在癌細胞診斷方面，其他的一些目前還難有進展。我會密切關注的。
綜上，作為醫學生的我，自己在新的2017許願：學好醫學最精尖的知識，全力考U，結合丹尼爾·平克的《全新思維》中的6種能力：三感三力，三種感覺和三種力量。三感是指設計感，娛樂感，意義感。三力是指故事力，交響力和共情力，提高自己的右腦能力。在未來醫療AI領域有能力盡自己的一份綿薄之力。發此文目的，也是為了逼自己一把，讓我更有執行力完成使命。
謹此，與所有懂得把握自己的知友共勉。
沒有成功的經驗，不過有一些失敗的教訓，希望能讓有同樣想法的同學少走一些彎路。
我本科的時候學的臨床醫學，大二開始迷上計算機，大五開始看人工智慧相關的資料(貝葉斯公式，當時沒太看懂)
為了轉到這個方向，我先讀了一個生物醫學工程的研究生(那時候醫學生去軟體公司很難)，但是畢業後仍然沒有找到這個方向的工作(那時候只有IBM等巨頭的實驗室才研究這個，一般只要博士)。
於是只好先找了份軟體開發的工作，業餘時間繼續研究人工智慧。那時候是06年，雖然Hinton那篇paper已經發表，學術界和工業界絕大多數人是不知道的，更不用說我這個小公司的程序員。
我還是按照學校里的那種研究方式，從學校圖書館的網站上下載了跟醫學人工智慧相關的近十萬篇論文，什麼expert system, clinical decision support, knowledge based system, case based reasoning, neural network...後來在一個群里提到這件事，有個網友說，你下載這麼多，怎麼閱讀，怎麼檢索？現在想想確實很蠢，如果當時有人指點一下方向就好了(不過那時的AI界確實不像現在這樣方向集中)。
我開始看的是專家系統，還專門買過一本書(書名記不清了，好像叫expert systems, principle and programming)，主要是講符號邏輯之類的東西, 語言用的是clips(跟lips和prolog類似). 書里提到了醫學界最早的一個專家系統MYCIN, 我就從網上下載了系統的主要實現者shortliffe參與編寫的一本書。
Shortliffe的書里介紹了MYCIN實現的詳細過程和使用的技術。其中還有一個細節，他本人原來也是個medical student。Shortliffe後來成為了醫學信息學領域的奠基人，所以你要找醫學轉人工智慧的成功經驗他最有發言權。
MYCIN在專家系統領域產生了巨大的影響，而專家系統的出現導致了人工智慧的第二波浪潮。然而這種基於規則知識庫的系統是有缺陷的，規則多了就容易衝突，產生意想不到的結果，而且大量規則也不容易管理。後來我得知斯坦福(好像就是Shortliffe所在的實驗室)又開發了基於本體(ontology, 跟現在大家熟悉的語義網和知識圖譜很像)的知識管理工具，又轉到了這個方向。
知識表示和推理一直是人工智慧的重要方向，雖然現在邏輯學派暫時被統計學派和深度學習壓制了。語義網的東西學了一段時間後，我終於找了一份人工智慧相關的工作，然而這時候已經是10年，最好的時光又過去了四五年。
然後我就陷入了語義網這個大坑(做過的人都知道), 什麼description logic, owl, owl2, protégé, Jena, swrl, vivo...總結起來就是，然並卵。這些東西也許在醫療領域有用，但我當時所在的領域很多知識都是數學關係，根本不適合用DL/OWL表達。
(待續)
我也是覺得醫生乾的是消防隊員的活到處救火，其實這個世界應該多花一點時間防患於未然，另外我也認為機器人取代醫生的重複性勞動才是明智的選擇。
請談談自動化（智能化)醫院（機器人主導）該如何實施？ - 醫療既然這麼會思考。請認真回答下這個問題。
我之前給一個學醫女生，讓她學人工智慧，她感覺完全沒有興趣，並覺得我給她建議不靠譜，我當時感覺，哎..有多無知啊，無奈！今天在看到你有這樣的想法，感覺非常不錯，我完全支持你學人工智慧，人工智慧在不久的將來，無輪藥學或醫學都強會產生顛覆性的，爆炸性的幫助，為啥說爆炸性，因為人工智慧就目前在醫學應用研究可以說是剛剛起步階段，就人類對抗疾病方面現在的研究方法還是很落後的，將來都會引入人工智慧，各個方面。至於怎麼學，知乎這方面資料很多，首先你的數學基礎應該沒問題，其次學習編程語言，python必學，matlab和c,c++可以根據情況學習，從人工神經網路，深度學習，到機器學習，都必學。另外個人一直關注機器人在醫療領域的應用，希望能認識一些學醫的同學，希望將來能有機會合作。
我本人就是從醫療行業跳到人工智慧行業的，但是依然用到了醫學知識，所以嚴格來說我應該是跨界。
你應該會經常媒體上關於人工智慧的一些很虛的東西，其實並沒有什麼卵用，人工智慧最後也是一步一步做出來的，媒體說那麼多口號，最後做事還是要有人去做，而這個過程是複雜的，需要各類專業人員的參與，所以你肯定有用武之地。
但我始終認為做事情要腳踏實地，不要被忽悠的迷失了方向。如果你要去人工智慧行業，那也得是你自己的選擇，而不是因為看媒體看的。同時你也要選擇一家認認真真不浮誇的真正在做事情的人工智慧公司。更多的情況可以私聊我。推薦閱讀：
※上弔死亡的屍體有何特徵？
※解剖學與醫學(中醫，西醫)關係?
※如何快速消除腿部由於碰撞造成的大面積淤青？
※為什麼有些葯一次要吃六七片甚至更多？
※醫生是如何鑒別另一個醫生的能力的？假如醫生作為病人，他是怎樣選擇合適的醫生的？