热门关键字:
加入公司
当前位置 : 首页 > 加入公司

寒冬中单笔融了3亿这家AI公司凭什么?

来源:本站 作者: 时间:2018-07-25 17:07:12 点击:

  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。

  在第53期虎嗅“大咖私房话”分享中,推想科技创始人&CEO陈宽还原了AI医疗从研发、落地到如何打造一个临床产品的诸多细节,以及未来布局进行了探讨。我们将现场录音整理出来,复现了这场对话,本文是缩减版。

  想了解更详细的案例分享、全部图文,以及深入问答,欢迎加入虎嗅精选黑卡项目,解锁分享内容全文。

  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,医疗需求增加,供给缺口加大;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。

  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。

  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。

  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。

  而深度学习的特点是只需要把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,自己能够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。

  2015年的时候,医疗行业并没有人听说过深度学习技术。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。

  但差不多在5月份的时候,终于有第一家医院愿意跟我们合作。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。

  总结来说,其挑战来自这么几方面:医学影像是要求高分辨率的;其次是高维度,极小的ROIs(region of interest,感兴趣区域,机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域);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,同时,这些人工特别容易漏诊的疾病,又是特别小的存在,对于这件事本身的挑战,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。

  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。

  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。

  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。

  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。

  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AI辅助诊断的路径中,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。

  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。返回搜狐,查看更多

最新评论共有 0 位网友发表了评论
推荐文章