酷应用

业界 | 从芝加哥大学辍学，扎进医疗行业，他创办的推想科技想用AI帮医生提升效率

百家作者：机器之心 2017-09-12 03:46:24

机器之心原创

作者：吴欣藤子

2017 年 5 月，在美国圣何塞举办的全球顶尖人工智能开发商大会 GTC ，对推想科技创始人陈宽而言，具有别样的意义。与阿里巴巴、美的一起，推想科技成为现场演讲的三家中国公司之一。

作为世界首家进入医疗影像诊断领域临床应用的人工智能科技公司，推想科技夺得 2016 年 GTC China 冠军，陈宽应邀在 GTC 2017 上发表长达 50 分钟的演讲——《从模型到产品》，成为唯一受邀参加此演讲的中国医疗 AI 企业。

推想科技创始人陈宽在 GTC 大会演讲

「演讲之前，特别紧张，刚上飞机就反复练习，演讲前一天晚上还因为倒时差一夜没合眼。」陈宽说，当天的演讲获得了美国放射领域如 RSNA board of director , Medical Image Net 主要推动人斯坦福大学教授 Curtis Langlotz 的关注。成立于 2014 年的推想科技，致力于将深度学习应用于医疗影像领域。目前，该公司共完成来自英诺天使基金、臻云创投、红杉资本等投资机构的两轮投资，总额超过 6000 万。

公司旗下的智能 X 线辅助筛查产品 AI-DR 能辅助诊断心胸疾病，智能 CT 辅助筛查产品 AI-CT 则能有效挖掘肺癌的核心特征点，深度学习科研平台 AI-Scholar 能够辅助缺乏编程经验的医生完成深度学习科研。根据陈宽介绍，这些产品已在武汉同济医院、北京协和医院、上海长征医院、大连大学附属中山医院在内的多家三甲医院落地试用，获得金征宇、刘士远、伍建林、夏黎明等多位中国放射学领域权威的认可。

做医生的另一双眼睛

有关数据表明，目前中国医学影像数据的年增长率约为 30%，影像科医生数量的年增长率仅为 4.1%。而一家三甲医院，如武汉同济医院，每天接待患者 2 万多人，放射科则会接待数千个患者，而病人的胸部 CT 影像通常有两三百张，要处理一位患者的 CT，影像医生需要反复浏览 200 层的 1 毫米或 2 毫米厚的肺部图像，根据这些图像，判断结节的位置、大小、良恶性，阅读一个患者的影像通常就需要 10 多分钟，甚至半个小时。

推想科技的智能 CT 辅助筛查产品阅读一例患者 CT 不到 5 秒，人工智能能够标注出结节的位置、大小、性质等信息，辅助医生进行鉴别诊断，大大减少医生繁重的重复性工作。

智能 CT 辅助筛查产品（AI-CT）界面

实际上，利用计算机进行辅助诊断由来已久。1959 年，美国学者 Ledley 提出计算机辅助诊断的数学模型，并诊断了一组肺癌病例，开创了计算机辅助诊断的先河；1966年，Ledley 提出计算机辅助诊断（computer-aided diagnosis, CAD）的概念。20 世纪 80 年代初，计算机辅助诊断系统进一步发展，通过病人的资料搜集、医学信息的量化处理、统计学分析，最后做出诊断。然而，囿于相应的理论算法、原理分析以及计算力、数据量等原因，计算机辅助诊断的效果并不好，因而应用并不广泛。

随着深度学习在算法方面的突破，计算力和数据量的大幅提升，陈宽认为，这是将人工智能应用于医疗影像的好时机。

但是，从医疗领域起步并扎根于医疗领域的陈宽深知，在医疗行业做开发，跟传统开发环境完全不一样。就拿宕机来说，如果医院的 IT 系统宕机五分钟，后果可能就会非常严重，因为涉及病人的健康甚至是生死。这导致医院的 IT 环境尤其注重安全性和稳定性。

通常情况下，进行深度学习的开发，需要大量修改和调试程序，遇到问题有时候需要借助深度学习社区里边的解决方案来调整与优化，但在医院，如果在训练模型时，遇到 bug ，从网上下载的解决方案无法直接拷贝到模型服务器上，需要把程序送到医院 IT 部门审批，花费两三天时间确定安全性之后才能进行安装，如果发现解决方案没用，则需要按照上述步骤再来一次。

而在数据的标准化方面，同样具有挑战。比如同一种疾病，医生做诊断时可能会有无数种写法，也可能一种写法有多种含义。统一标准的缺乏，则不利于深度学习的模型设计。

通过驻扎在医院，与医生零距离沟通，推想科技研发与推出多个医疗影像领域的产品，其智能医疗影像系统根据不同病种和场景提供具有临床价值的辅助筛查与诊断服务，应用场景覆盖 X 光、CT、MRI、超声、病理影像等。

医疗行业的相对保守，是一把双刃剑

做「技术的人其实很容易陷入怪圈，觉得我有一个天下无敌的技术就能让公司立足。但可能基于这个技术做出来的产品，根本没有人需要，并不能解决一个现实需求点。」陈宽说。因此，在决定进入医疗行业之前，他研究了大量行业，考察他所掌握的技术是否能解决该行业的问题。

2012 年，陈宽在美国芝加哥大学攻读经济学与金融学双博士，那一年他第首次接触到机器学习技术，尤其是深度学习。陈宽将深度学习应用于 Twitter 数据的分析，成功预测了2012 年美国总统大选的结果。由此，陈宽看到了人工智能取得更大突破的可能。

创业的想法在陈宽心中萌发，他开始在中美两国寻找深度学习可以应用的领域和创业的机会。

2014 年暑假，陈宽回国和安防、金融等领域的从业人士交谈，认识了一位放射科的医生，医生的提议，将他的关注焦点转向了医疗领域。陈宽认为，国内的放射科缺乏优质医生，而根据他的了解，放射科医生工作量很大，而繁重的重复性劳动也容易增加医生出错的可能性。医生有降低工作压力，提升工作效率的需求，而医院的管理层，也希望加强对医疗服务质量的监控。

陈宽判断，人工智能在医疗领域大有可为。2014 年 12 月，读完博士最后一学期的基础课之后，陈宽办理休学手续并在深圳成立推想科技。

随后走访大量医院，根据陈宽的观察，当时，医生要么不了解人工智能，要么对传统的计算机辅助诊断的 CAD 算法感到失望，因而在陈宽给他们介绍深度学习时，非常排斥，认为陈宽是在拿以往的技术进行「忽悠」，甚至有些医生说，「只有医生脑子被门挤了，才跟你合作。」

但是，四川省人民医院愿意尝试深度学习这样的前沿技术，推想科技与该医院的信息科、放射科取得合作。而当时的陈宽没有任何积累，也没有任何成功案例。

取得合作后，陈宽和团队，一共两三个人，搬到四川居住，在医院旁边租了一套老旧房屋，在整个 2015 年都驻扎在医院，与医生深入交流，了解医院和医生的需求，也让他们了解深度学习。

陈宽介绍，加入推想科技的工程师都会驻扎到医院，这使得推想科技的工程师如今都能像医生一样阅读影像图片。「你要建立满足医生需求的模型，就必须像他们一样思考问题，站在他们的立场去解决问题，再结合深度学习的背景。」陈宽认为，只有零距离地跟医生沟通，才能做出实用的模型，产品才能快速地迭代。

随着在医疗领域的不断深入，陈宽对人工智能在医疗领域的应用有了更深刻的认识，「医生对病人做出诊断不仅依据影像检查，还包括患者的健康信息、病例数据、检查数据等。」陈宽说。因此，人工智能要做出类似医生的诊断，就需要综合考虑多方面的信息。

陈宽表示，在前期，推想科技聚焦于肺部、心脏等方面的疾病，随着产品逐渐成熟，迭代速度加快，则向头部、腹部、骨肌、病理、超声等领域拓展。

目前，推想科技陆续推出了专门针对肺癌筛查、脑部/神经疾病筛查、心脏疾病筛查、乳腺癌筛查等不同产品，并为医院提供从硬件到软件的全方位人工智能解决方案。随着深度学习的广泛普及，一些医生也对这项技术大感兴趣，为了满足这样的需求，推想科技还推出了深度学习的医疗科研平台 AI-Scholar，使不会编程的医生也能应用深度学习。