居家环境中的医疗健康监测平台项目(Sensor Platform for Healthcare in a Residential Environment (SPHERE))耗资1500万欧元到2100万欧元。SPHERE开发了一个家用的传感器系统，用来诊断和协助管理人们的健康情况。

　　它的核心是安装在这所房子里的十多个摄像头，测试者也被要求佩戴可穿戴设备并且被7*24小时拍摄、监控和追踪 。这个项目的最终目标也是观察人们每天的生活方式和状态对于健康的影响。看上去这些人毫无隐私可言，但是对于科学研究来说，他们所产生的数据对于延长人类预期寿命影响巨大。

　　SPHERE 智能家居能观察到一切，从测试人员看电视到行走或是锻炼等等。它还可以监测他们的进食和饮水的频率，他们所使用的App，甚至是睡眠时间和室内温度。

　　“很多慢性病都和生活方式是相关的。”布里斯托大学(University of Bristol)的工程学教授、东芝电信研究实验室(Toshiba Telecommunications Research Laboratory)的研究团队领导Ian Craddock说。长期生活方式中的一点点改变可以发现一个人目前健康状况有价值的信息，甚至可以做早期的预警。

　　个人数据收集的极致可能也就于此，这种追踪方式现在变得愈发普及，对于用户的侵入性也降低了很多。苹果在刚举办的发布会上宣布，它们已经拥有超过10亿部活跃设备，在过去几年，苹果也一直在利用这些设备进行健康相关的数据收集。ResearchKit就可以帮助开发帕金森病的诊断应用，还在不到一年的时间里促成了“史上最大规模的帕金森病研究”。

　　这次发布会上苹果又推出了CareKit，它作用就是以开源框架的形式建立一个开发平台，把传统根植于单一医疗器械的健康资讯追踪行为及相对应的资料，从实体化的纸笔转移到智能手机里，你还可以直接使用智能手机或小型可穿戴设备完成日常检测，并与家人、医生共用资料。帕金森病的应用也在首发名单中。

　　科技驱动的自动化健康数据收集开启了无限可能。但如果没有有效的存储、分析、区别和应用方式，这些信息基本上是空壳。如果要处理如此大规模的数据，最近大火的人工智能也是一个理想的候选。从IBM的深蓝计算机战胜国际象棋名家卡斯帕罗夫迄今快20年，这项技术能否真正开始挽救生命呢?

　　更大的和更健康的数据

　　随着SPHERE项目的持续扩展以适应更多传感器和小型设备，研究人员正在开发其他方式来挖掘收集到的数据。正是拥有了丰富的数据做基础，才能有品质更高的研究报告。

　　对于任何健康数据的收集，这些数据有什么意义都是关键点。幸运的是人工智能和机器学习都开始在医疗健康行业内逐渐展现自己的影响力。除了提供数据的概要报告之外，研究人员还在研发可以评估、理解、同时提供建议和预测的自动化技术。当然这些人工智能技术并非全部都是为普通医疗保健所准备的。Cary生态系统研究所(Cary Institute of Ecosystem Studies)的专家Barbara Hann就在利用机器学习对埃博拉病毒的传播进行建模和预测。

　　超过1600万的动物种类都被生物学家发现，而追踪可能携带病毒的野生动物就是一项非常适合大数据以及机器学习的任务。Hann在报告中写道：“我们的算法可以处理不完整的数据集。机器学习也能很好地处理复杂性问题。生态分析经常包含几十种变量，这些变量的相互作用的方式并不总是明确的。取样偏好会让传染病研究产生偏离，我们的算法正好可以抵消其所产生的影响。”也就是说，即便来自美洲和欧洲的数据质量更高，也不会推翻来源于非洲的相关数据。

　　Hann说，这种基于算法的追踪方式已经成功地辨别了一种携带埃博拉式病毒的蝙蝠种类，而这种蝙蝠并非只有非洲才有。

　　社交媒体并不是好的信源，但是移动和可穿戴设备是

　　2009年，美国疾控中心(CDC)就使用了传统和社交媒体相结合的方式邀请公众报告与H1N1相关的症状。这让CDC既监控了疾病症状和受感染区域，也帮助他们引导了公众对健康服务的反应。

　　目前，研究人员们正在把这个概念向前推进，调查使用社交媒体网络收集精神健康数据的方式，以建立可被政府所使用的人口模型。比如通过基于交叉引用关键字所触发的危险信号，系统可以了解到自杀的趋势。在商业应用方面，机器学习也能在社交媒体中收集药物不良反应相关的信息，以增强药企快速反应的能力，避免副作用的遗漏。

　　如果直接把社交媒体作为信源，这些原始数据的品质真是存疑，想想平常充斥在微博朋友圈的谣言。医疗数据的收集有很多更为准确的方式，比如移动设备或是可穿戴设备等。手环和智能手机之所以对医疗领域如此有价值，广泛的普及率是原因之一，还有它们自身高度联网的特性和多样的功能。

　　举个例子，常规的眼部检查不仅可以用来进行视障治疗，还能揭示一些更宽泛的健康问题，比如糖尿病的发作。在新技术的帮助下，眼部检查无需笨重的专业设备，只用普通的便携设备就可以完成，对于欠发达国家和地区来说，它所带来的好处是非常明显的。

　　KEEP这款产品正在肯尼亚、马里、马拉维、坦桑尼亚等国家进行实地测试。它由智能手机和非常廉价的视网膜成像装置组成，能测试视觉能力，比如视敏度、色彩/对比度明暗度、白内障影响分级等等。PEEK已经可以发现一些明显的眼部问题，操作者可以把视网膜图像传回实验室。目前它还没有基于人工智能的自动分析功能，暂时还不能进行独立诊断。但是它代表了一种由手持设备进行高质量数据收集的方式。

　　基于云计算的癌症诊断和治疗

　　Barbara Hann的研究显示，人工智能的优势是可以处理大量来自不同信源的数据。人工智能也很擅长识别那些人们会忽略的数字噪音。今天，最复杂和最具挑战的患者健康领域大概就是诊断和治疗癌症。

　　Flatiron Health通过大数据分析为癌症的精准治疗提供帮助，它能抓取医患之间各阶段的交互数据。OncologyCloud是Flatiron Health的云平台，它含有一个分析模块，一个电子病历模块，病人入口和计费系统。

　　Flatiron Health最近和田纳西州的West Cancer Center合作，为数十个癌症中心安装了他们的系统。“我们需要一个创新的、医学肿瘤学、基于云计算的EHR，可以为临床医生提供他们所需的肿瘤学工作流程和临床路径。”West Cancer Center 的常务董事Lee Schwartzberg说。

　　人工智能的影响能有多大?

　　通过深蓝在国际象棋上的胜利，以及它的继任者Watson最近在TV游戏比赛Jeopardy中获得胜利，人工智能被夸张地介绍成巨大，嘈杂，货车大小的闪烁灯光的硬件盒子。1960年代冷战期间无数惊险小说告诉我们，一个诊断室里基于人工智能的诊断专家不应该是这个样子。

　　客户直接订购一个物理安装的IBM的Watson人工智能，因为基本上可以认为没有这个东西。现在，Watson仅仅在云服务器上存在一个实例。但是Watson到底是什么呢?现在为它积累名声的表演一去不复返，那他对于医疗行业有什么作用呢?

　　作为卫生部门的客户，一个Watson的实例由一些技术参数组成。第一个是理解自然语言的能力，包括特别的医学术语。第二个是被语料库进行训练的能力，如最佳实践指导，高质量医学文献，该领域新发现的细节，当地治疗方法的知识等等。

　　用这种方式，Watson可以理解你给它的问题，然后通过在语料库中运行成百上千次这个问题训练处一个认知模式，用这种方式，Watson可以为问题提供一个根据信心排序的推荐答案。

　　Watson实例的一个重要的第三方属性是在机器学习方面。像英国IBM Watson Health负责人Matthew Howard所说的，是“通过训练来提高判断对错能力的能力。你可以通过给它案例说明和病人的例子，并且看它是否可以找到有效的答案来进行训练。这种训练系统的方法被我们称为生成答案的正确标注。”

　　本质上讲，一个组织会搭建他们自己的Watson实例并且在以恰当的方式正式运行前，会用他们自己的语料库进行训练。Watson的给出的答案以来它是如何被训练和配置的。“一个有保障的训练是所有感知技术的关键部分。”Howard说。

　　bluemix_watson_twilio_heath_questions。

　　近期Wellcome Trust 的一个研究显示，人们对于电脑帮助诊疗这件事持“还好”的态度。调查发现，53%的人们支持个人健康数据可以被用于研究，但是仅限于医院和慈善机构，药企是不可以的。

　　“人们对于自己的个人信息持谨慎态度，特别是没有经过解释的、那些不明所以的疾病数据。对于商业组织利用个人数据我们持保留态度。”Wellcome Trust的政策负责人Nicola Perrin说。

　　不管机器是否与患者有交互，显然人工智能已经产生了影响。唯一的问题是，它能产生的影响到底有多大。