寒冬中單筆融了3億，這家AI公司憑什麼？

眼下，對於眾多AI醫療公司來講，“如何活著”是懸在他們頭頂的一把利劍，即便是行業龍頭，頂著高估值卻沒有亮眼的財務數據，以致不得不聯想到“C 輪死”的魔咒。

尤其2018年，AI醫療企業已進入“C輪”的檔口中，要么殺出一條血路，要么等待被收購或者進入“死亡”的邊緣境地。

推想科技便是殺出血路的AI醫療企業中的一匹黑馬，成立三年時間，所開發的AI產品已覆蓋150多家醫院臨床使用，每日AI完成肺癌輔助篩查近13000例，更是 於今年三月份完成AI醫學影像單筆最高融資3億人民幣，由紅杉資本中國等投資，刷新國內AI+醫療單筆最大融資額度的記錄。

推想科技做對了什麼?

在第53期虎嗅“大咖私房話”分享中，推想科技創始人&CEO陳寬還原了AI醫療從研發、落地到如何打造一個臨床產品的諸多細節，以及未來佈局進行了探討。 我們將現場錄音整理出來，復現了這場對話，本文是縮減版。

想了解更詳細的案例分享、全部圖文，以及深入問答，歡迎加入 虎嗅精選 黑卡項目，解鎖分享 內容全文 。  

真實需求存在哪裡？

開明宗義，對於AI醫療企業來講，都不得不解決這三方面的問題：

第一，產品能幫醫院解決什麼問題？

第二，怎麼保護病人的信息安全？

第三，知識產權如何共享？

那就來看看推想是怎麼切入這個市場的——

優質醫療資源不足已經成為一個世界性難題。 伴隨著加速的老齡化進程，醫療需求增加，供給缺口加大；另一方面，醫療資源分佈不均，分級診療落地困難等問題愈加凸顯。

今天因為產能矛盾，使得現在放射科醫生根本沒有辦法改善他們的工作強度。

從數據上來看，影像科醫生每年的增長率在中國是4.1%，影像的增長速度是30%，所以影像科醫生純粹的增長率是遠遠跟不上影像數據的增長。

對未來而言，更好的解決方案就是人工智能，用人工智能來提升醫生的產能，提升醫生單位時間的診斷質量。

其實在深度學習之前就有CAD技術，就是計算機輔助診斷，這是老式的人工智能醫療解決方案，但當年並沒有成功的走入臨床，也就是說，過去這些傳統人工智能醫療公司雖然成功賣出 錢，甚至還有一些成功退出了，但其實在醫院裡是沒有醫生使用的，這是過去老一代人工智能技術在醫療行業的一個基本特點。

而深度學習的特點是只需要把專家過去所做的所有的診斷數據拿給我，我從數據裡面學習、挖掘，自己能夠總結特徵到底是什麼。

從效果來說，在過去它是很少能超過人類準確率的，但到了深度學習時代，在有限環境的競賽中，各個場景下都是可以比人做的更好。

醫療影像AI的誕生

2015年的時候，醫療行業並沒有人聽說過深度學習技術。 我們開始大量走訪醫院，因為做深度學習，技術只是一個方面，另外一方面你要有足夠好的、多的、足夠優質的訓練數據。

但當時的問題是，在中國的醫院，很多醫療從業者對醫療人工智能是有印象的，但很可惜，是一些非常糟糕的、失敗的經歷。 比方當年美國AI醫療公司，來中國尋求落地，最後大家投入了大量的精力，卻沒有做出一個臨床可用的東西來，當2015年我們再談AI醫療的時候，很多醫院是置之門外的 。

但差不多在5月份的時候，終於有第一家醫院願意跟我們合作。 於是我們三個人乾脆全部搬到醫院邊上，每天到醫院裡跟醫生一起上班、下班，深入到臨床中，構思醫療人工智能在影像領域到底該怎麼使用，對接系統、跑模型，深入到臨床中 去，才有可能做出符合醫生需求的，滿足醫療行業要求的AI產品來，這也是一直延續到今天的初心。

建立深度學習模型也並非是一個很酷的工作，更多的是繁瑣和挑戰，包括大量的數據清洗，才能建立一個好的深度學習模型。

其次，醫療，特別是醫院的IT環境，一定程度上是很保守、落後的，對於醫院來說，系統的穩定性、數據的隱私、安全性，是排在第一位的。 並不像互聯網要快速的迭代，快速的升級，現在很多醫院都是2000年之前的電腦。

另外，任何程序上的調整都需要先給醫院打報告，醫院要從信息科到安全相關部門逐級審查，這也是醫院IT環境的一些特殊性。

當把前期的數據清理到數據處理，訓練模型到評估，再到真正進行部署和預測，全部做完之後，其實後面真正深度學習部分是比較快的。

2015年底我們完成了第一版模型，幫助放射科醫生自動篩查有沒有發現病灶，這其實就是一個非常初步的功能，但在當時證明了深度學習在醫學影像是可用的，是可以被產品化 的。

深度學習應用於醫療影像的特徵和挑戰

總結來說，其挑戰來自這麼幾方面：醫學影像是要求高分辨率的；其次是高維度，極小的ROIs（）；還有就是暗箱理論，也就是深度學習並不會告訴我們最終的結果 ，最後這種高質量的訓練數據是非常難獲得的，尤其在醫療行業。

首先，影像是要求高分辨率、高維度的，同時，這些人工特別容易漏診的疾病，又是特別小的存在，對於這件事本身的挑戰，有點類似於給你一篇20萬字的長文 ，在裡邊找到4個錯別字，而且要求10分鐘以​​內。

其次深度學習是一個黑盒子，比如醫生做診斷會看CT結果是否正常，病變問題、形狀、大小、邊界性狀等，最後判斷它的良惡性怎麼樣。 但是深度學習不一樣，它直接跳到最後環節，告訴你結果是什麼，病人是無法問他到底如何解決問題，因為他無法解釋是如何得出結論的。

最後還有一個特別大的問題是，這種高質量的標註數據是很難獲取的，醫學影像只有非常特定的人群能標。 更火上澆油的地方在於，醫學並非是一個很系統化的診斷標準，經驗主義還是很重的。 所以不同的醫院，可能會有不同的診斷標準，這恰恰又對人工智能帶來了非常大的挑戰，人工智能其實就是在學數據中的特徵，如果數據缺乏標準，其實就沒有什麼可以學的。

該怎麼解決這個問題呢？

其實是沒什麼特別好的解決方案，就是必須要搭建一個多學科的豐富人才梯隊，關鍵還能夠共同探討，背後隱含的就是一個跨學科的學習能力，跳出自己的舒適區去進化，最終形成一個 真正多學科的研究型團隊。

當然，海量的數據是毫無疑問非常重要的，今天推想已經有150多家醫院的數據，對我們持續的優化模型有非常大的作用。

從臨床裡面來，到臨床裡面去

比如做AI急診的解決方案，我們是不是可以陪著醫生從下午5點一直熬到第二天的8點，研究肺癌，是不是可以跟著醫生寫一天60份診療報告？ 只有零距離深入到臨床，才可以更快的迭代產品，真正做到在醫療行業落地應用。

醫療人工智能發展到今天，必須要靠產品落地、醫生應用效果來證明，一定是醫生大量反复的使用，才是一個合格的醫療AI產品。

到底如何打造一個好的AI產品呢？

首先要有一個好老師，也就是精準標註的數據，其次，需要一個“好腦子”，其實就是深度學習的重點，需要強研發的團隊反复優化模型，為特定的場景撰寫特定於場景本身可用的 深度學習邏輯；最後是多做題，通過海量的數據不斷訓練模型，迭代進步。

人工智能產品，需要什麼樣的評判標準？

人工智能產品的標準分為三方面—— 魯棒性、易用型和安全性 。

魯棒性即產品能否在各醫院面對不同病人，不同成像設備，不同掃描參數都有穩定且良好的準確率。

其次是易用性，產品一定要非常順滑地融入醫生的工作流程中。

在放射科傳統的閱片流程中，一個有經驗的放射科醫生從獲取胸部影像到出具診斷報告，大致需要十分鐘左右時間。 而增加AI輔助診斷的路徑中，醫生經過短時間的培訓及適應，依靠AI產品智能化前處理技術，一次點擊就會即時呈現所有預測結果，醫生只需去除少量假陽，將閱讀肺結節 的耗時壓縮至十幾秒，這才是它的易用性。

最後是安全性，所有的數據脫敏，而且不會被流到海外去，這種嚴重的違法違規行為是絕對不能出現的。

Q&A

Q：產品到底是優化部署還是放在雲端？

陳寬： 目前兩種解決方案都有，一般大型三甲醫院不接受數據外傳，所以推想給予的方案就是院內網絡的部署，費用相對也會降低。 對於醫聯體內的一些醫院，基本就是雲端的方式。 超出了我們所謂的信息化醫聯體的範圍，只要不是信息互通的醫聯體，就沒有辦法訪問AI的結果。 但是越到基層，對雲端的解決方案接受程度越高，所以我們針對基層，包括現在針對美國某醫院提供的方案，都是一個雲端的解決方案。