#本文系虎嗅精选第53期大咖私房话实录#
虎嗅注：
眼下，对于众多AI医疗公司来讲，“如何活着”是悬在他们头顶的一把利剑，即便是行业龙头，顶着高估值却没有亮眼的财务数据，以致不得不联想到“C轮死”的魔咒。
尤其2018年，AI医疗企业已进入“C轮”的档口中，要么杀出一条血路，要么等待被收购或者进入“死亡”的边缘境地。
推想科技便是杀出血路的AI医疗企业中的一匹黑马，成立短短三年时间，所开发的AI产品已覆盖150多家医院临床使用，每日AI完成肺癌辅助筛查近13000例，更是于今年三月份完成AI医学影像单笔最高融资3亿人民币，由红杉资本中国等投资，刷新国内AI+医疗单笔最大融资额度的记录。
在领跑的同时，推想科技创始人兼CEO陈宽始终坚持“从临床中来，到临床中去”的原则，探索未来更多的可能。
如今，对于AI医疗企业来讲，回归产品、探索有效的盈利模式、突破技术迭代的瓶颈、融资等问题，都将会成为AI医疗发展的关键因素；并且有报道称90%以上AI公司面临亏损。
针对以上种种困惑，虎嗅精选团队特邀请到推想科技创始人&CEO陈宽做客“虎嗅大咖私房话”对AI医疗目前所面对的多种问题、最佳解决办法、如何落地应用场景，以及取得的成绩和未来价值做了探讨。
让我们重现“大咖私房话”的现场，跟着陈宽一起学习吧。Enjoy～
推想科技主要致力于人工智能医学影像方向的辅助筛查，谈及人工智能，我觉得有必要谈一下为什么医疗行业需要人工智能存在？
一个非常典型的医院场景，病人排队几小时，到医生那儿可能两三分钟就被打发，这是作为病人端经常遇到的事情。
作为医生端，一位牙科医生一天要接待十几位患者，一方面病人会觉得得不到很好的服务，另一方面医生又会觉得其实自己已经工作非常的繁忙。
所以我们可以预想到，优质医疗资源不足已经成为一个世界性难题。伴随着加速的老龄化进程，医疗需求增速迅猛，但同时又不得不面对医生培养周期长，供给缺口加大的现状。另一方面，医疗资源分布不均，分级诊疗落地困难等问题愈加凸显，顶级三甲医院医生接诊量有限，但同时基层医院医生又没有接受过专业的训练，诊疗复杂程度又在不断提升，所以这其实就是目前医疗行业存在的一些问题。
比如，在医疗影像领域，一个肺部的CT，需要从上到下扫描两瓣的肺，医生要不停地盯着肺部的CT来找到里面小小的疾病点，并且它是一个三维的扫描。下面这六个框里面，有一个是肺结节，也就是早期的肺癌。
标红色的其实是一个肺结节，其他的都是正常的血管断面，医生要每一个层面都看的非常仔细，对于没有受过训练的医生来说，要正确分辨疾病节点还是挺困难的，而一个正常的CT影像差不多是300张这样的断面，一个病人300张，这就是影像科医生每天要面对的重复性工作。一般来说，一个放射科医生，每天差不多要诊断60到100个病人，加在一起反复看，比如左、右边换不同窗位再看，加在一起一天要看近10万张影像，进行判断、寻找有没有漏诊的病例。
一般来说，一个放射科医生，每天差不多要诊断60到100个病人，加在一起反复看，比如左、右边换一种颜色再看，加在一起一天要看近10万张影像，从而进行判断、寻找有没有漏诊的病例。
所以，对于影像科医生来说，这其实是一个非常大的挑战，而且很多疾病是很难分辨的。比如磨玻璃结节，它的边缘很模糊，类似半透明的玻璃一样，在肺里藏的很深，但恰恰这种磨玻璃结节又是危险性特别高的结节，在中国的恶性率高达59%，这其实就是一个日常放射科医生所面对的挑战。
放射科的工作到底有多大意义？
针对不同时期癌变的五年生存率，可以看到，其实一期的癌症基本上是高达80%以上的五年生存率，而四期癌症的生存率不足20%。事实上一期和四期的癌症，区别就在于刚刚那个层面，放射科医生在一次病人体检中，如果看到很难甄别的磨玻璃结节，它很可能就属于一期原胃癌，可能下一次这个病人两年之后再来检查就是四期的癌症。
假设放射科医生因为疲劳漏诊了，在后续的诊疗里又没有任何补救环节把放射科医生漏诊的部分找回来。那对于病人来讲，很有可能就是生与死的区别。
今天因为产能矛盾，使得现在放射科医生根本没有办法改善他们的工作强度。
从数据上来看，影像科医生每年的增长率在中国是4.1%，影像的增长速度是30%，所以影像科医生纯粹的增长率是远远跟不上影像数据的增长。
而很多大型三甲医院，当你深入进去就会发现，医生在每个病人身上所花的时间越来越短，接诊量一定时，要完成更多检查的时候，就必然要牺牲质量，这就是目前影像科要面对的现状。
对未来而言，更好的解决方案就是人工智能，用人工智能来提升医生的产能，提升医生单位时间的诊断质量。
互联网一定程度是可以缓解医疗资源分配不均匀的问题，但事实上最基本的问题还是源于医生的资源是有限的，所以我们觉得，人工智能是可以助力解决产能问题的，也是目前行业里最好的一种解决方案。
当然，这离不开深度学习技术的发展，人工智能是最大的范畴，机器学习属于人工智能当中的一个环节，深度学习是后续十年出现的一种最有效的机器学习方法。
其实在深度学习之前就有CAD技术，就是计算机辅助诊断，这是老式的人工智能医疗解决方案，但当年并没有成功的走入临床，也就是说，过去这些传统人工智能医疗公司虽然成功卖出钱，甚至还有一些成功退出了，但其实在医院里是没有医生使用的，这是过去老一代人工智能技术在医疗行业的一个基本特点。
对比一下传统人工智能和深度学习在医疗领域的一些区别，传统人工智能技术需要大量的利用专家指导，比如做肺癌的筛查，需要请100个肺癌专家坐在一起，相互讨论，来总结出到底什么样的特征是肺癌，什么样的特征是正常的血管断面；然后再由工程师，把总结出来的专家的特征，转换成为计算机可以理解的算法，这就是传统人工智能。
深度学习是我们所谓的端到端，它的特点是不用找这么多专家做论证、总结特征，只需要把这些专家过去所做的所有的诊断数据拿给我，我从数据里面学习、挖掘，自己总结特征到底是什么。
从效果来说，在过去它是很少能超过人类准确率的，但到了深度学习时代，在有限环境的竞赛中，各个场景下都是可以比人做的更好。
人工智能+医疗的八大应用场景
1.虚拟助理，包括语音电子病历、智能导诊、问诊、推荐用药；
2.医学影像，病灶识别与标注、三维重建和靶区自动勾画与自适应放疗；
3.辅助诊疗，医疗大数据辅助诊疗和医疗机器人；
4.疾病风险预测，基因测序与检测服务，预测癌症等重大疾病；
5.药物挖掘，包括新药研发、药物筛选、药物副作用预测和跟踪研究；
6.健康管理，营养学、身体健康管理、精神健康管理等；
7.医院管理，病历结构化、分级诊疗、DRGs智能系统、专家系统等；
8.辅助医学研究平台，线上科研平台、提供GPU计算、算法框架、数据分析等服务；
推想科技是属于医学影像以及辅助诊疗这两部分。
现在医疗人工智能如此火，到底它是怎么诞生的呢？
医疗影像AI的诞生
首先简单说一下我的背景，我是在美国芝加哥大学读的经济和金融博士，当年在博士期间就是做深度学习的模型。当时主要用模型来预测经济、金融以及政治上的一些结果，比如预测美国的经济走势；通过社交媒体的非结构化数据来预测，到底谁能够做美国总统。当时对个人而言，深度学习技术很灵活，应用场景也很多，所以在那个时候我开始探索，除了经济、政治、金融这些领域以外，还有哪些领域可以使用深度学习。
有种拿着锤子找钉子的感觉，讨巧的是，在会上碰到一位放射科医生，他当时提出一个问题，“能不能用图像识别技术帮助医生解决实际问题？”
后来就开始走访各个医院、医生，发现这确实是一个真实存在的需求，于是回国成立了推想科技。
而在当时整个行业，特别是医疗行业并没有任何人听说过深度学习技术。2015年的时候，我们开始大量走访医院，因为做深度学习，技术只是一个方面，另外一方面你要有足够好的、多的、足够优质的训练数据。
但当时的问题是，在中国的医院，很多医疗从业者对医疗人工智能是有印象的，但很可惜，是一些非常糟糕的、失败的经历。比方当年美国AI医疗公司，来中国寻求落地，最后大家投入了大量的精力，却没有做出一个临床可用的东西来，当2015年我们再谈AI医疗的时候，很多医院是置之门外的。
并且要医院把数据开放出来，给一个小团队，更是非常困难的事情。当时跑了差不多5个月时间，近三四十家医院，都表示婉拒。
但是差不多在5月份的时候，终于有第一家医院，四川省人民医院愿意跟我们合作了。于是我们三个人干脆全部搬到医院边上，每天到医院里跟医生一起上班、下班，深入到临床中，构思医疗人工智能在影像领域到底该怎么使用，对接系统、跑模型，深入到临床中去，才有可能做出符合医生需求的，满足医疗行业要求的AI产品来，这也是一直延续到今天的初心。
建立深度学习模型也并非是一个很酷的工作，更多的是繁琐和挑战，包括大量的数据清洗，才能建立一个好的深度学习模型。
其次，医疗，特别是医院的IT环境，一定程度上是很保守、落后的，对于医院来说，系统的稳定性、数据的隐私、安全性，是排在第一位的。并不像互联网要快速的迭代，快速的升级，现在很多医院都是2000年之前的电脑。
另外，任何程序上的调整都需要先给医院打报告，医院要从信息科到安全相关部门逐级审查。这也是医院IT环境的一些特殊性。
当把前期的数据清理到数据处理，训练模型到评估，再到真正进行部署和预测，全部做完之后，其实后面真正深度学习部分是比较快的。
2015年底我们完成了第一版模型，帮助放射科医生自动筛查有没有发现病灶，这其实就是一个非常初步的功能，但在当时证明了深度学习在医学影像是可用的，是可以被产品化的。
深度学习应用于医疗影像的特征和挑战
总结来说，其挑战有这么几方面：医学影像是要求高分辨率的，其次是高维度，极小的ROIs，还有就是暗箱理论，也就是深度学习并不会告诉我们最终的结果，最后这种高质量的训练数据是非常难获得的，尤其在医疗行业。
首先，影像是要求高分辨率、高维度的。比方最小的影像，X光其实也是一个3000×3000的维度， CT正常的一个1.25毫米薄层扫描的CT分辨率是512×512×300，所以它其实是一个更高分辨率的影像，信息量特别大。同时它的问题又在于，这些人工特别容易漏诊的疾病，又是特别小的存在，很多小结节，可能就是5×5×3（mm）的大小，对于这件事情本身的挑战，有点类似于给你一篇20万字的长文，在里边找到4个错别字，而且要求10分钟以内。
其次深度学习是一个黑盒子，比如医生做诊断会看CT结果是否正常，病变问题、形状、大小、边界性状等，最后判断它的良恶性怎么样。但是深度学习不一样，它直接跳到最后环节，告诉你结果是什么，病人是无法问他到底如何解决问题，因为他无法解释是如何得出结论的。
最后还有一个特别大的问题是，这种高质量的标注数据是很难获取的，医学影像只有非常特定的人群能标。更火上浇油的地方在于，医学并非是一个很系统化的诊断标准，经验主义还是很重的。所以不同的医院，可能会有不同的诊断标准，这恰恰又对人工智能带来了非常大的挑战，人工智能其实就是在学数据中的特征，如果数据缺乏标准，其实就没有什么可以学的。
该怎么解决这个问题呢？
其实是没什么特别好的解决方案，就是必须要搭建一个多学科的丰富人才梯队，关键还能够共同探讨， 背后隐含的就是一个跨学科的学习能力，跳出自己的舒适区去进化，最终形成一个真正多学科的研究型团队。
当然，海量的数据是毫无疑问非常重要的，今天推想已经有150多家医院的数据，对我们持续的优化模型有非常大的作用。
从临床里面来，到临床里面去
比如做AI急诊的解决方案，我们是不是可以陪着医生从下午5点一直熬到第二天的8点，研究肺癌，是不是可以跟着医生写一天60份诊疗报告？只有零距离深入到临床，才可以更快的迭代产品，真正做到在医疗行业落地应用。
医疗人工智能发展到今天，必须要靠产品落地、医生应用效果来证明，一定是医生大量反复的使用，才是一个合格的医疗AI产品。
医疗影像AI产品发展
推想的首款产品是InferRead CT lung，专门做CT胸肺结节为主，对于一些容易漏诊的病例来讲，AI的存在大大帮助医生从简单、费力的工作中解放出来。
很多人讲X光应该被淘汰，它不像CT是一个三维的信息，X光的很多信息被压缩在一张二维影像里面，但今天X光又回归了，主要源于X光的AI化。
一年半之前产品刚上线测试遇到一个案例，医生判断“双肺未见明显异常”，但AI发现漏诊结节，在推荐医生进行后续CT和病理检查之后，确诊为肺癌。其实在医疗AI的应用当中，AI的确能帮助医生找到漏诊的病例。
事实上，随着人工智能学习的样本量比任何一个放射科医生看的影像都多的时候，它就可以做到比影像科医生在某些特定的场景中更加准确。
在此基础上，我们也在研发更多的新产品，包括乳腺、骨折、心脏、肝脏等辅助筛查产品。
风口上的AI
AI在近两年非常受关注，做医疗AI的公司也像满天繁星一样出现，包括去年公布的数据有近18亿人民币的融资进来。
一定程度上，“风”有点太大了。风口上的这些行业，一方面快速发展，另一方面也伴随着各种各样的问题出现，比如鱼目混珠，之前做传统CAD辅助诊断的，包装一下就称之为深度学习，过去做挂号或者远程诊疗的，也打着人工智能的旗号出去融资。
目前，AI产品尚缺乏制定标准，加上过度PR，缺乏最基本的底线，准确率从最开始的80%、90%、99%，到今天能做的事情也越来越神奇；其次就是数据满天飞，其实国家已经明令禁止数据出境，比如50例病人的数据出中国就属于刑事追责的范围，但即便这样，还是可以看到此类违规的行为发生。
一方面有些从业者会认为AI太容易，尤其是肺结节筛查，有免费的开发工具，轻松获得已标注好的数据。事实上，深扎进去会发现AI太难了，尤其是肺结节，没有任何一个开源的工具可以解决任何肺结节所需要的所有问题；同时，没有任何两个结节是完全相同的。所以没有任何工具，任何数据可以解决临床产品化中所需要解决的问题。
到底如何打造一个好的AI产品呢？
首先要有一个好老师，也就是精准标注的数据，其次，需要一个“好脑子”，其实就是深度学习的重点，需要强研发的团队反复优化模型，为特定的场景撰写特定于场景本身可用的深度学习逻辑；最后是多做题，通过海量的数据不断训练模型，迭代进步。
人工智能产品，需要什么样的评判标准？
人工智能产品的标准分为三方面——鲁棒性、易用型和安全性。
鲁棒性即产品能否在各医院面对不同病人，不同成像设备，不同扫描参数都有稳定且良好的准确率。
其次是易用性，产品一定要非常顺滑地融入医生的工作流程中。
在放射科传统的阅片流程中，一个有经验的放射科医生从获取胸部影像到出具诊断报告，大致需要十分钟左右时间。而增加推想AI辅助诊断的诊断路径中，医生经过短时间的培训及适应，依靠AI产品智能化前处理技术，一次点击就会即时呈现所有预测结果，医生只需去除少量假阳，将阅读肺结节的耗时压缩至十几秒，这才是它的易用性。
最后是安全性，所有的数据脱敏，而且不会被流到海外去，这种严重的违法违规行为是绝对不能出现的。
目前，推想科技已经落地近150家中国最顶级的三甲医院，每天AI完成的肺癌辅助筛查接近13000例，一定程度上AI正在发展成为全世界最大的诊疗体系。
推想科技从一开始的市场定位就是“用中国训练出来的AI模型来改善提升全世界的医疗诊断水平”。
美国最顶级的影像科医生也是北美放射学年会的资源分会主席，惊叹地说：“美国这么多年推动人工智能在影像领域的应用，却一直没有成功。没想到反而是在中国，AI已经融入到医生日常的诊断流程里面了。”
人工智能到底能给我们社会带来什么样的巨大价值？
在我看来，其最大的价值就在于AI最终能够帮助分级诊疗更好落地。
中国现在城镇人口25%的医疗行为是在医院完成的，在农村、基层，这个数字只有5%。分诊的基本逻辑应该是，疾病早期诊断治疗可以在基层医院完成，危机重症再转诊至大型三甲医院。但现在中国的事实是，无论城市人口还是农村人口，只要条件允许，无论大小病症都习惯性往自己能去到的最优质的医院看病治病，这就是目前分诊最大的问题。
分诊能够落地推行，最核心的问题在于基层的医疗机构理论上应该要有诊断能力，把早期的病变找出来，医院做好疾病筛查工作。
人工智能在筛查环节，可以把三甲医院最好的医生能力复制下来，最终以一个非常低的边际成本提供给基层医院，最终实现在基层医院就能够享受到最好的筛查能力，人工智能随之也产生最大的医学效益。
AI落地分级诊疗，自然对早期疾病干预起到很好的效果，为医保、卫生经济学减少大量成本，有助于推动整个国家在行业里的优势和发展。
未来AI产品将有望打造成为医疗影像行业全病种、全场景、全类型医疗服务平台
Q：AI+医疗如何落地医院、落地门诊，成为每个人触手可及的应用？
陈宽：首先从普及程度来说，推想已在近150家医院上线AI产品，目前有一部分门诊报告、体检报告是由人工智能提供的。所以人工智能的落地，其实是一个潜移默化的过程。
如何落地？医疗行业所有新产品的落地方式都很简单，一定要在学术圈证明新技术的临床价值，能解决临床问题。
Q：如何看待AI医疗泡沫会大于实际应用价值的问题，对人工的再次复核问题如何理解？
陈宽：其实人工智能，特别在医疗行业，它的定位从来都不是为了取代医生的存在，而是要让医生的工作变得更加高效。从商业的角度就可以梳理出，到底是什么东西，医生花最多的时间来完成。比如看肺部CT，80%时间其实都花在找小结节上。而人工智能如果解决了，就能更好的帮医生释放产能。
其次，从融资的角度，当AI真的能够改变行业现状，其实融再多的钱也并非泡沫。
Q：产品到底是优化部署还是放在云端？
陈宽：目前两种解决方案都有，一般大型三甲医院不接受数据外传，所以推想给予的方案就是院内网络的部署，费用相对也会降低。对于医联体内的一些医院，基本就是云端的方式。超出了我们所谓的信息化医联体的范围，只要不是信息互通的医联体，就没有办法访问AI的结果。但是越到基层，对云端的解决方案接受程度越高，所以我们针对基层，包括现在针对美国某医院提供的方案，都是一个云端的解决方案。
Q：对于肺片CT还有其他更精准的方式来标结节点吗？
陈宽：除了标框以外，把边缘描绘出来做分割也会有，不论任何形式标完之后，还是要医生写更详细的描述。从经验来看，标框本身倒也简单，难点在于如何做好质量控制。一旦数据的质量不够好的时候，传到模型里面，对模型的效果是有伤害的，数据量越大会越糟，所以我们在保证数据量大的同时，每一个输入数据质量是非常高的。
Q：医生使用CT结节识别的使用率如何？
陈宽：我们今天之所以关注医院的点击率，就是因为有一部分医生是不点击的。这里边就涉及到现有的产品，确实不能覆盖所有胸部CT所需的场景。简单来说，AI最擅长筛查那些小的容易漏诊的问题，但并不是所有的胸部CT都在看这些问题。比方对于一些晚期患者，医生关注的不再是有没有小结节，而是肿瘤到底是什么情况，因为医生已经知道它在哪了，这个时候就没有必要再使用人工智能。
Q：如何看待医生在用了AI产品之后还需要花时间对病例复查的现象？
陈宽：更广义的人工智能产品需要考虑的一件事情是，AI最大的价值是来自于它降低了对全社会疾病筛查的漏诊，但如果只有这一个价值，医生是不会用的，一定是能够帮医生降低工作压力，才会得到大量使用，长期来说，这两点必须是同时存在的，AI才能融入日常使用，发挥它的价值。即便AI产品很准确，但节省不了医生时间，医生还是不会用，所以这也是我们过去碰到过的一些情况。甚至从社会价值来看，早诊早治大大降低了治疗上所消耗的资源，也会减轻国家对于医保的支出。
Q：AI创业应该是做轻模式，还是做重模式更有竞争力？
陈宽：首先是轻重的维度，我个人认为没有标准的答案，从过去成功和失败的案例来说，各有千秋。但针对医疗这块，我觉得一定是选择深，深就是深入到临床，深到行外的人拍脑袋想不到这个场景的时候，你最有可能创造出自己的空间来。推想其实也是一样，影像科所有的需求、应用场景，都是在医生边上待着才发现的。
Q：医联体（医疗共同体）对AI落地医疗体系是否有推动作用？
陈宽：三甲医院会是一个比较重要的核心环节，任何人患病，首先想到的就是能不能在最好的医院找专家来咨询一下，特别是进入亚健康状态的时候。所以我认为，龙头三甲医院的资源，对于后续医联体的辐射能力，毫无疑问是很重要的，也是AI进入医联体应该迈出的第一步。
另外，在医保这块，我觉得完全是有条件进入医保的，因为当能够做到早治的时候，是最好的风险控制，长期来说，就是对医疗成本的节省。
Q：肺结节在放射科医生的日常工作中比例有多大？是不是能完全覆盖需求？
陈宽：放射影像科肺结节诊断是最高频的场景，综合医院40%是肺炎，其中40%里面又有80%是肺结节。所以这一块，的确是在影像科最高频的场景，在我看来也是医学影像AI的必争之地。
Q：影像科使用推想AI产品做辅助诊断时，是否结合了其他医生、相关病理，或者患者的病史相关信息？
陈宽：有部分在研发中的产品是已经结合其他相关信息了的，我们也认为诊断必然是跟后续更深度的诊疗，包括术后随访，所有的这些数据进行串联之后，才能够产生更大的价值。
评论