体素科技：AI医疗的商业模式全在这里了 | AI TALK

5 月 25 - 27 日，在杭州，上千名志愿者、出品人完成了一场为年青人举办的大会。按照发起人阿里巴巴技术委员会主席王坚的说法，2050 是一个年份，不太近，充满想象，也不太远，我们都能活着看到。

在第一次听到「让世界离年青人更近，让年青人离世界更近」这样的办会理念时，我们想起机器之心用前沿科技内容聚合的全球 AI 青年，从在象牙塔里研究技术到毕业后面临创业、择业的选项，他们不仅应该关心技术走向，也需要了解因为这些技术的创新促成了产业正在发生的商业变革。

而那些被我们报道过的 AI 创业公司，大多恰好处于成长周期的少年或是青年阶段，如何生存和发展也同样是他们心头大事。

在 2050 大会上，机器之心发起了一场以《AI 技术公司的活法和前景是什么》为主题的论坛，云从科技、体素科技、深瞐科技、声智科技、一知智能和 Udacity 分别谈了谈 AI 技术如何才能「落地为安」。以下为第一支演讲视频——体素科技创始人丁晓伟《AI技术如何推开传统医疗市场的大门》：

要点速览：

• 医疗领域以经验积累为基础的诊断方式与AI算法模型训练过程的机理非常相似。此外，医疗数据爆炸与医疗人才紧张现状，让用AI去赋能一些现有的临床工作流程变得非常有必要。

  
  

• 心脏病与肺癌等疾病的诊断流程可以做成一个全自动的量化分析的过程，诊疗时间大大缩短，期间医生的主观程度，包括劳累，疲劳，经验不足这些问题就统统得到非常好的解决。

  
  

• 除了诊断流程，AI医疗解决方案也能解决互联网问诊平台与家庭疾病预防面临的各种问题。

丁晓伟：

 

大家早上好，我是丁晓伟，是体素科技创始人，也是 UCLA 的研究助理教授。体素科技作为医疗 AI 的创业公司，代表 AI 公司讲一下怎么把医疗传统市场用 AI 打开。

 

其实这个问题大家都比较好奇，或者在座的医疗界之外的人士，包括医生，我们合作的医生也经常问我：「你们做 AI 的人到底怎么把这个用在医疗领域？」

 

大家一直在新闻上看 AI 医疗，但是都不知道长什么样子，怎么用。我今天就去讲一些更加具体的案例。给大家介绍一下这个领域是怎么回事。

 

我们公司一开始创立在中美两地。在美国的地点是洛杉矶和凤凰城。在国内，北京和上海是我们主要团队的所在地。

 

AI 医疗是一个研究大于工业界的领域。之前这个领域主要是处于研究的阶段，我们公司的创始人也都是具有学术背景的，除了我之外还有我 UCLA 的博士导师 Demetri Terzopoulos，他是英国皇家科学院和加拿大科学院的院士。

 

你可以查一下，牛顿、居里夫人等等，课本上有的人都是牛顿皇家科学院的人。他在医疗方面不仅做过基础的工作，还把 AI 技术用到电影特效上面，所以在 2006 年被授予过一次奥斯卡奖，这是一位具有传奇经历的教授。

 

我的另外一个合伙人也是 Demetri 的学生，梁建明教授，他是梅奥医学中心首批入驻教授之一，以前在西门子工作过六年，为西门子的机器学习和医疗影像分析产品做过贡献，带领团队做过十几款产品的研发。

 

刚才介绍了我们获得了世界上比较知名的资本的认可联——联创，红杉和腾讯。

 

大家比较清楚，利用 AI 做的人脸检测，在场景视觉，以及自动驾驶上面开始有一些成功的应用了，但它为什么可以用到医疗上面？

 

这个不能简单推论，因为医疗是一个比较独特的行业，首先它适合做在医疗上是因为机器学习本来就是通过数据驱动让它学习数据。

 

它不像数学或者是物理学一样的，很多东西是发现了真理，大家用一些公式可以推导出不少实际生活中的现象。

 

人类对咱们自己生命的认知还是比较浅薄的，有很多东西就算在临床中已经是常用的处理方法，我们其实是不知道背后机理的，很多还是以病例的积累为主的。

 

其实这个特性还是蛮适合做技术驱动和数据学习的技术方法论，有的时候需要探究机理，但有的时候是不需要看背后机理的。

 

另外就是需求。

 

医疗诊断，是一个病人在医院里面的开始，它的准确性其实直接关系到病人的愈后（出院结果），这个过程对医生的挑战蛮大的。

人的身体上有超过 12000 多种诊断的可能性，如果把它标准化，就是 WHO-IC-10 的一个编码系统，它编辑了所有可能的诊断。

 

在一个器官上的一个病种，就有上百种的亚型，亚型间的区别是非常细微的，这么细微对人类的经验和挑战都是比较大的。甚至在美国这种医生并不是非常忙碌的环境下，他们也会出现有 12000 次以上误诊的存在。

 

另外就是工作量的问题了，这在国内尤为突出。就是所谓医疗数据的爆炸。

 

从 2012 年的 500PB 到 2020 年的 25000PB（一个 PB 是 1024TB），人来消化这么大的信息量，是非常非常困难的。所以这 25000PB 里面的 99% 是需要计算机和 AI 消化的。

 

这个数据增长也是好事，代表医疗器械更新换代，信息量越来越大了，还有就是人们对健康的关注也越来越多，检查的频次或者检查的种类也是越来越多。

 

在这样的一个背景之下。我们提供的一个解决方案就是，用 AI 去赋能一些现有的临床工作流程、医生还是在扮演整个医疗诊断的主体。但因为工作量大，我们把 AI 嵌进工作流程里，稍做修饰就会让流程变得非常科学、客观。

 

一个病人做 CT 扫描，核磁共振，他躺在机器里面，影像会自动上传到医院的云服务器上，通过 AI 进行分析，在没有人工干预的情况下，出一份就像医生撰写的、具有自然语言的报告。

 

比如说「左肺下有一个什么大小的结节，边缘是不是光滑，恶化的可能性有多高」等等，就是这样一种「自然语言」的呈现方式。但最后还是需要医生签字审核。

 

这是 AI 用在影像诊断上面的一个典型的工作流。

 

AI 也可以用在医疗的其他很多领域，比如说药物的研发，医院院内的流程管理，减少一些不必要的失误，优化效率，这个都会有，但这不是今天讨论的范畴。

 

诊断市场里的数字很多，大家只看两三个数字就可以了。

 

中国每年有 38 亿次的医疗影像扫描，核磁、CT、X 光，超声等等，美国是 4.3 亿人次，这两个数字还是 2014 年的。其实最近几年国内增长尤其快。

 

另外就是去医院就医的习惯也慢慢受互联网的影响。

 

很多人习惯在网上或者远程进行看病，这样的增量市场基本来自城乡居民或者使用互联网的用户。当然这部分人也需要自身有病或者身上有不舒服的感觉，才会这样用。

 

现在这大约是个 2000 万人的市场，可能在未来的五年中增长到两到三亿规模。

互联网轻型的诊前环节问诊也是一个爆发的市场。所以我还是用一些具象案例讲一下这个东西（AI 医疗解决方案）在医院里面，在互联网问诊，或者在家庭里面，到底都长什么样子，我讲一下医生怎么用这个。

 

这是我们团队创业前，在美国参与研究的项目，这个项目作为一个比较成功的已经用于美国预防心脏病类的诊断系统，已经有一些时间了，它比较成熟。

这个图非常好看，它是心脏的核医学，用来评估得了冠心病的人是否缺血。是不是值得做支架，值得做搭桥手术。

 

之前是影像拍出来，医生拿着看，不同医生之间经常有不一样的见解；同一个医生两次看结果也可能不一样。因为影像有很多噪声，有很多不确定的现象，而且还要耗费时间。

 

我们现在就想解决这个问题，就把心脏病的分析做成一个全自动的量化的过程。

 

按美国协会的标准，我们用系统去跟踪心脏的左心室跳动，把左心室代谢的分数用一些量化的指标打出分来，去对比心脏在受压情况以及平静状态之下两个分数的区别，这样就可以客观稳定的做出一模一样的结果，因此整个诊疗就变成几秒钟的时间。这个期间医生的主观程度，包括劳累，疲劳，经验不足这些问题就统统得到非常好的解决。

 

后来我们就拿这个产品跟很多国际大厂商，譬如飞利浦、西门子、东芝等公司合作，把这个产品就变成他们硬件里面的一个软件。

 

这个东西的影响力，大众是感觉不到的，但是对医生来说其工作流程效率得到非常大的提升。

这个是我们创业之后做的。

 

刚才心脏是比较特殊的，相对问题比较单纯一点。

 

但像我们医院里面最最常见的流程，譬如扫一个胸部的 CT，不管你是咳嗽、肺炎、胸痛，或者不知道什么情况，或者心脏有问题，都会扫这个影像。因此其工作量和压力也是最大的。

 

我们做的跟刚才讲的模式一样，只是这个问题的复杂程度大很多。CT 有很多细节，可以看到身体里各种各样的组织——心脏、器官、血管、脂肪都能看到。

 

我们也是用自然语言的报告来呈现这个 CT 中的可见异常，把 20 到 30 分钟的工作量，缩短到 5 到 10 分钟，医生节省了打报告的时间，只需要修改上面的内容就可以了。

 

此外，在日常工作中没有时间量化的东西也可以自动被量化出来，这样随访病人的时候就会非常客观。譬如肿瘤六个月长出来 30%，以前都是用人眼去估计的。

 

肺癌，是让人产生恐惧最大的疾病，我们也结合医疗影像这种宏观信息（就是病灶长什么样），以及一个微观信息（就是从血液里面找到肿瘤残留的 DNA 片段），将两种宏观微观信息结合起来，更好地进行二次确诊。

 

这样就知道一个早期的肺癌病人，到底是应该开刀，还是做进一步观察。就是用一些更先进的技术手段，为一些病情非常模棱两可的病人提供更多有信心的诊断。

再就是冠心病，人类第一大杀手。在国内，如果家里老人感到胸痛、胸闷，到了医院第一步就是做这个检查——心脏冠脉造影 CT，通过这个 CT 可以看到心脏三个冠脉的狭窄程度，以及造成狭窄的原因。

 

利用 AI，他们就能够把本来只有通过插导管才能够看到的结果（比如说冠脉的斑块，成分是什么样的，体积，实际的狭窄情况是怎么样的），通过无创检查（CT 是无创的，不用放东西到身体里面），可以预测和推理有创检查可以得到的结论。

 

这对患者风险的控制，外加用药场景整个开销的控制，都是非常有益处的。

 

心脏病致死的原因，一般是急性心脏病发作。大家也想知道自己多少年内有可能发这个病，这个医生一般也说不准。如果一个医院发现一个病人在未来五年内有可能发心梗的话，是不会轻易让这个病人回家的，会做一些预防措施。

 

人很难通过这个病人所有的信息做出相对准确的预测。因为诊断考虑的东西太多了，预测太难了。

 

而我们其实就是在一个病人心脏的影像上对心脏的脂肪，血管里面几个狭窄的斑块等等进行量化，获得量化指标，再结合病人的临床信息，譬如生化指标、血液指标，病史、家族史等，预测这个人在未来五年的哪个时间段发心梗的概率最大。

 

我们倒不是去猜，结果肯定是通过实在的数据推理出来的，在国内有 20 家医院，提供 5 万位病人随访的检查结果。这些数据都是病人在进医院的 5 年间，医院不停的给他打电话，问他有没有发生心脏的问题。就是通过这样的方式，来预测还没有经历过这五年的人的发病风险。

 

我们可以从一个影像里面把造成胸痛的三个主要原因找出来，冠心病，肺动脉栓塞，主动脉夹层，医院是分开来看的，但有了我们的解决方案，是有望通过一次检查就能看出来。这样病人受到的辐射是三分之一，花销也是三分之一。

 

再有就是一些大面积使用的体检类的产品。譬如超声，这个是没有辐射的，所以它在体检中最常用，做多少次对你身体都没有影响；还有胸片，快速廉价，辐射又低，常规一年做几次体检的话，胸片肯定会拍。

 

比如说国内一些大的体检连锁机构，每年胸片数量是用亿来算的，你想想会有多少医生来看，这个压力非常非常大，我们至少可以用 AI 给他做病人的分流，或者是优先级的排序，甚至是初步的诊断报告，这都是有很大好处的。

 

这个东西效率提上去价格降下来的时候，以前没有条件做这些检查的人，现在也会有条件了。

 

刚刚讲的都是放射影像，就是一些大的设备拍出来的影像，其实还有很多是放射科之外用的，譬如眼科，皮肤科等一些使用光学影像的科室。

 

眼病，跟内分泌，以及人是否会致盲都有非常大的关系，我们对眼底照相，对于所有可见的疾病病灶类型，都是能看到的。

 

以上都是在医院里面使用的系统，跟我们每个人是接触不多的，但是你的医生会接触到。

 

看行业的话，能适应上面这些产品的商业模式都是图里的蓝色标注（下图）。

比如说在大医院小医院，第三方医院，公立医院等等，它们会作为辅助型医疗设备进到医院。

 

还有一些筛查的项目，国家研究的项目，或者做药物临床实验时筛选一些合适病人，这些用人去筛，肯定没有用机器筛来的高效。

 

其次，之前有对病人做过一项统计，病人一般不会相信一个医生的结论，他一般会看完这个医院再找另外几个医生，对比一下看看诊疗意见是不是一致，这个对病人来讲也是蛮好的选择。

 

另外，这个系统要利用大型设备拍摄出来的数据，这个设备本身就可以直接增加模块，我认为下一代仪器都会带这个模块，合作方集成这样的模块是整个行业设备未来的趋势。

另外在家里面，对于小孩一些发育型的疾病，譬如小孩视力障碍，父母可以利用 AI 解决方案对小孩做一些行为分析。

 

譬如给自己的孩子在家里录一段视频，软件能够跟踪其头部，肢体，眼球的运动，可以从这个行为中分析它有没有产生这个疾病的先兆。

 

这个病早期是非常容易干预的，做一些工作就很容易恢复；但如果发病一年以上再做手术，做很多训练都不一定见效，就变成残疾儿童了。

 

很多小孩，一般是眼睛看不见了才觉得有近视，在这之前父母可以通过眼部的外形变化，更早的察觉到这种病情。

 

国内有六千万视力障碍患者，从 6 岁到 15 岁、18 岁，这个基数非常大。

再就是在线的网上问诊平台，譬如「好大夫」等等。这些问诊平台现在有一些运营的诉求。

 

譬如病人的吞吐量是很难呈现爆发性增长的，因为在线医生数量是饱和的，他们不可能一年招二倍三倍的医生，那全国的医生就被挖的差不多了。

 

如果他们通过 AI 做一些简单病问诊的分流，做一些初步的分析。或者把 AI 用到内部运营管理方面，把一些病人拍的不标准的信息，进行自动标准化后再发给医生；反过来，AI 可以帮病人找到一位最适合的医生，达到医生和病人的双重满意。

 

以上这都是网上平台非常大的诉求。

 

以皮肤为例，远程问诊的入口，就已经不是病人自己去判断自己，点 APP，再点一个他认为擅长的医生，这都是非常主观的。

 

你可以直接拍照，再描述一下自己的病情，系统会自动给你找一个最匹配的医生。

 

一个看白癜风的专家，不希望看你的粉刺，一天 50 个病人有 49 个是看粉刺的，他是不喜欢的，对医生来讲，满意度也是很关键的。

 

这样的商业模式是一个对轻问诊平台入口的重塑，让它变得更加直观，贴近患者的使用习惯；再就是他内部吞吐量以及服务的响应时间的优化，这些增长也是 AI 公司的机会。

 

以上就是 AI 应用在医疗市场的一些可能性，这个状态大家都比较关注，在一些医院里面我们也在进行实验性试点。

 

在美国和国内一些大的筛查组织，疾病管理中心，超过 700 个点也在用这些产品优化他们的管理流程。

 

此外，这个行业发展还是比较早期的，大的机构会带领着一个行业的运行。作为腾讯被投资的企业，腾讯也有 AI 医疗影像国家项目，他们跟我们有很多深度合作。

 

我们想让诊断变得对每个人都触手可及，不仅是我们的大城市，乡村、基层群众都应该得到平等高效的，跟大城市一样的治疗。

 

我觉得「早发现早治疗」是治疗疾病最有效的办法，而不是「病入膏肓后殊死一搏」。我们应该把诊断和早发现这些环节做好。

推荐阅读

一知智能：巨头之下，NLP创业公司靠什么生存  | AI TALK