您当前的位置：首页 > 科技网络 >> 数据

以下是陈宽的演讲速记有删减

2019-03-18 09:58:28

2017年8月25日，亿欧在北京双井富力万丽酒店举办“破壁·融合 2017中国大健康产业升级峰会”，围绕大健康产业的四大升级，与诸多医疗行业领袖、从业人士和行业关注者一同探讨如何用新技术、新理念赋能大健康行业。会上，推想科技创始人陈宽做了关于《医疗人工智能最有效的实现途径——影像》的主题演讲，核心观点如下：

1、互联上没法解决的一个核心问题在于，没有足够好的医生服务这么多病人；

2、不做积累的工作，其实是远远没有办法实现深度学习和AI这样的一个应用的；

3、通过人工智能手段把出血的区域全部找出来，就能更好的挽回病人的健康。

以下是陈宽的演讲速记（有删减）：

非常荣幸在这边跟大家分享一下我们推想科技做的事情。医疗人工智能是一个非常大的命题，从我的角度也只是站在我自己个人，包括推想科技的角度来阐述一下这个发展和我们的故事。

我的这个PPT可能会分几个大的部分：首先，现在的一个情况；然后，有一些间的解决方案；最后，我们推想科技发展的历程。

刚刚我们已经大量的提到了医疗资源严重的短缺，包括放射可也是医生非常的稀缺，大型三甲医院人满为患。这是我们CT的一个扫描，这是肺部的一个扫描，对于一个正常的肺部扫描来说，一个正常的1.25毫米的扫描，一个肺部下来是三维的一个图像，有超过300张影像是需要看的。一个医生就需要看左边的肺，再看右边的肺，一点点的找里面的问题，包括中间的心脏，纵隔的这一块。

其中的难点在哪儿？难点在于我们要找的这些问题其实非常不明显，比如这个图有一个点是结节，就是大概率会发展成肺癌的症状，没有受过训练的人很难分别它有什么区别的。我圈出来的红色就是早期肺癌的症状。大型三甲医院的医生工作非常忙，对于一些基层医院来说，可能连一个好的一生都没有，根本没有任何的医生。

所以，我们觉得在这样的一个行业里面，就有很多推荐的解决方案，比方说我们看到医疗资源分布非常的不均匀。所以，其中有解决方案的就是说，我可以通过互联的手段来提供服务，就可以一定程度上缓解医疗资源的一个分布的不均匀。

但是，互联上没法解决的一个核心问题在于，没有足够好的医生服务这么多病人，于是这样一个行业恰恰就是人工智能能够发挥非常大作用的一个地方。

这就是推想科技做的事情。深度学习2006年第一次在多伦多大学提出来，当时没有太多人关注这个技术，直到2011、2012年的时候在一些大型的人工智能比赛当中，深度学习的准确率大大超过人，于是产业界和学术界开始深度关注深度学习，直到2016年1月份的时候AlphaGo击败了围棋冠军李世石，深度学习才走了大众的视野。

医疗行业也一直都有人工智能这样的一些技术的发展，首先很早的包括在我自己本人母校芝加哥大学成立的R2Technology，就是使用传统的人工智能解决传统的问题。包括IBM的沃森，既包括传统的算法，也包括深度学习的技术。我们推想科技就是使用最先进的深度学习的方法完成医学影像这块的人工智能。

推想2015年1月份的时候当时已经开始在做医学影像的深度学习，在2015年初整个行业包括在国内并没有太多人提起深度学习和AI这件事情。于是当时我回国创业，开始寻找合作方的时候，很多医院感兴趣，但是并不感兴趣真正拿出很多资源和精力合作，于是我当初走访了几十家医院，也没有太多人感兴趣合作。

在这个过程当中，也有一些医生可能使用过传统的人工智能方法，包括像R2这些技术，他觉得传统的人工智能技术远远达不到临床可用的水平，于是他就说，这些做人工智能的团队，其实十多年前跑过来忽悠过我们，现在又跑过来忽悠我们，远远做不到在临床可以使用，于是把我们推出门了。

的确在这样的场景里做医学影像人工智能的时候，大家很多听说这个领域的基本情况，但是事实上真正的开始做了之后，会发现跟想象中有非常大的不同。我们会觉得说，其实虽然这个转身就变的陌生深度学习模型是技术上最难的一个部分，但是其实累计的工作都是在日常的这些苦力活，包括像数据清理、数据整合、数据导入、导出等等。

但是，你不做这些积累的工作，其实是远远没有办法实现深度学习和AI这样的一个应用的。而且在做医学影像这个深度学习的时候，其实它是有很多的这些技术上的挑战。比方说，我们在做物体识别，在识别一个杯子，识别一个，其实像这样一个影像比如分辨率也就是在300左右。

但是医学影像不太一样，首先它非常的高纬度、高清，最小的X光也是3000×3000，对于CT来说，是512×512×300它的分析量是极其庞大的，在这个影像里面我们真正想找到病灶非常小。当我们做医学影像识别的时候，想要把疾病找到，其实难度相当于在几十万字的长文里面迅速的找到几个错别字，这就是难点所在。

深度学习很重要的问题就是它是一个黑匣子，像Alpha Go下围棋一样，

很多专业棋手并不能看懂Alpha Go为什么下这步棋，但是最后的确下赢了李世石。所以，医学领域也有这样的问题，比如我们找到一个结节，或者找到这样一个问题，但是没有办法让人工智能系统来解释他为什么找到这个地方，这其实就跟我们在做医疗诊断多多少少有一些出路。

比如一个医生找到一个问题，我是需要跟病人去解释我为什么觉得我现在的这个判断他就是一个结节，他就需要人去关注，我需要告诉病人因为我看到结节的位置，结节的性状、结节的大小才可以做一个完整的判断。但是，人工智能有时候它做的判断我们不太容易理解，是一个黑盒子。

同时，高质量的数据标注非常难做到，我们做整个事情的前提在于说，人工的成本非常高，医生实际上是很稀缺的。在这个基础上我们要获得非常良好的训练数据，其实你让很好的医生进行标注，这其实就是很困难的一件事情。

其次，就是所谓的鲁棒性，也就是人工智能的模型并不是在一个医院开发出一个产品，就只能在那个医院使用，我希望开发出来的产品在全国所有医院都能够保证很好的稳定性，这也是人工智能很大的缺失，有时候我们做出一个模型来，它可能比方说我们做出一个模型，这个模型可能在武汉同济有效果，当你拿到北京协和来的时候就会发现说，可能连一个最基本的重量都没有办法识别，也就是它的模型过渡的拟合了统计同济医院它的一个数据。

这时候我们看医疗人工智能的产品到底是什么？并不是在于说它在一个非常小的，非常受限数据数据集里面做的有多好，而是在开放的临床环境到底能不能保持非常好的稳定性，这就是我们所说的鲁棒性。当然，优质的数据其实是非常重要的，其次，毕竟所有的医疗人工智能出发点其实还是在解决医疗和临床上的问题。所以，特别重要的一件事情就是我们团队必须要能够在医院里面扎的很深，跟医生一起沟通，甚至跟医生一起研发开发出一个真正满足医生需求的产品，这个才可以真正做到医疗人工智能能够落地，真正做成一个医生愿意去使用的东西。

这些是我们过去做的一些成果，包括像X光D2，还是目前最普及的一种检查手段，我们很快可以把X光D2的问题标量出来，帮助医生生成一个更加结构化的报告。这就是CT的传统线，包括可以快速把CT里面的问题标出来，这样有效的避免医生发生比较严重的漏诊。

这是我们系统做出来跟医生的对比，虚线是我们推想科技的模型，蓝线是一个资深的组织医生他的诊断结果，橘色的颜色是医生使用推想科技的模式之后效果是怎么样的？大家可以看到，最基本的这种肺癌筛查的模型里面，不同的这些疾病其实就是我们有了这个系统的辅助之后，人的准确率也能够大大的提升。

除了肺癌以外，现在我们也在临床上试验的像脑出血，一个病人进到医院以后，医生是需要迅速的把他的出血区域描绘出来，找到出血的量，然后才能决定最佳的诊疗方式是什么。在这个过程里面，每耽误一分钟时间，其实对于病人的愈后都有极大的影响，所以通过人工智能手段把出血的区域全部找出来，就能更好的挽回病人的健康。

从人工智能的发展角度来说，现在有很多团队在做胸肺，在这个过程里面，像脑部骨折，我们通过人工智能的手段来提升赋能的场景还有非常多。它到底能够在整个医疗体系里面起到什么样的作用？我们听到很多的像“健康中国”，需要把一些优质的医疗资源下沉，并且完成分级诊疗，三级分诊，其实最大的作用要完成基层所有的这些筛查，其实越早期的疾病它检查起来的难度越高。

也就是说，我其实要看到早期的症状需要医生的水平反而更高，这样如何保证有足够的医生满足基层99%的治疗，在这件事情上及人工智能就能发挥它特别好的作用，我们把这些早期的症状给找到，找到有问题的疾病我们在上进行转诊，这就是人工智能能发挥特别大作用的一个地方。

像基层可能有好的设备，他有钱去买X光，甚至买CT，甚至买MI，我们都能看到。但是，他缺乏好的医生来辅助，来完成这个基本的筛查的工作。其次他没有好的手段对他进行培训，他没有办法学习到比如像协和、同济，像这种顶级医院看到那么多的病历，他也自然没有办法能够提升他自己的诊断的水平。

我们推想科技发展到今天也是很荣幸跟很多顶级专家，包括像北京协和、武汉同济等最顶级的专家进行合作，并且面对紧张的工作在这些医院上线试用我们的产品。同时，在国际上，包括在美国硅谷，在人工智能大会说，包括美国放射协会的这些主席，包括我们当时是福布斯一天之内非常罕见的两篇文章报道了我们推想科技，我们现在也是发展到美国和日本。

这就是我们推想科技过去发展的基本历程，未来其实人工智能还有很多的场景，还会继续的去赋能。但是，我觉得任何一个场景本身都有大量的工作需要我们去做，需要我们去深耕，需要我们去了解临床实际的需求，我们推想科技也会持续的在这样一个行业里面继续去深耕，继续去发展，也希望在这个过程里面能够帮助到更多人，谢谢！

本文系投稿稿件，作者：陈宽；转载请注明作者姓名和“来源：亿欧”；文章内容系作者个人观点，不代表亿欧对观点赞同或支持。

家用血糖仪使用方法
孕妇可以吃维生素D滴剂吗
治疗老年人便秘的偏方