体素科技丁晓伟：医疗人工智能产品如何成为医生的“左膀右臂”

2018年6月15日，由上海市经济和信息化委员会、上海市商务委员会、上海市长宁区人民政府指导，上海市长宁区青年联合会、亿欧公司联合承办的“2018全球智能+新商业峰会——智能+大健康峰会”在上海长宁世贸展馆成功举办。

本次峰会以AI和医疗为切入点，围绕数字生命、智慧医疗、基因检测、AI影像、健康管理、医院管理等几大主题，对AI赋能医疗展开充分、深入的探讨。出席本次峰会的嘉宾包括上海同仁医院院长马骏、微软大中华区副总裁康容、飞利浦中国副总裁兼首席技术官王熙、图玛深维创始人兼CEO钟昕、体素科技创始人兼CEO丁晓伟、推想科技营销副总裁张春棠、深睿医疗市场副总裁李朝阳、水母基因联合创始人兼CSO赵南、健康有益创始人李宇欣、道彤投资创始管理合伙人孙琦、亿欧公司副总裁高昂、亿欧公司副总裁兼亿欧智库研究院院长由天宇等。

大会上，体素科技创始人兼CEO丁晓伟发表了《医疗人工智能产品如何成为医生的“左膀右臂”》的主题演讲。

【丁晓伟现场演讲实录】

这次，我代表体素科技来亿欧会议上分享一下我们现在在AI医疗影像分析最新的成果。今天，我更多的是谈现状和机会，以及在中国和美国各自的落地和发展程度，用更多的干货给大家看一下到底这个领域的产品长什么样子，现在医生怎么用。包括很多医生本身也一直在问我“你们一直做AI医疗，网上看到很多你们的新闻，但是手里没有用过，没有看过它到底长什么样子。”希望今天我的分享，能够满足大家的好奇心。

Al到底适不适合医疗？

首先，现在AI已经在一些领域上取得突破和成功，比如说人脸检测、安防、金融、大数据等，但由于医疗是一个比较特殊的行业，它和其他领域有一些本质上的不同，所以我们要从AI技术方法论的角度看它适不适合做医疗，我们的理论是适合的。

因为机器学习、AI这些技术以统计方法为主，在大量数据上面学习数据之间的相关性而不是因果性。在治疗诊断和治疗干预的过程当中，这些经验的发现经常通过对经验的总结，而不是真正知道疾病的机理了，这是现在医疗发展的阶段。所以，这样的一个原理的话，比较适合机器学习在医疗数据上面学习大量的案例之后，总结背后的相关性来达到日常当中的使用的效果。所以它的原理是非常适合做医疗以及医疗诊断的。

另外，它的需求确实很大，在我们人身上有12000多种诊断的类型和可能性，这个可能对于人类医生来讲是比较挑战的，尤其是病种之间的亚型是非常多，这个区别非常小，机器学习以后能够非常容易分析这些亚型。在美国医患和谐的情况下有12000多万的误诊，还是比较高的。

与此同时，医疗数据一直在爆发新生长，这样信息量的消化很难被医生最后完全消化掉，还是要大量人工智能来去处理的这么一个大的环境。

医疗影像分析产品

我们做医疗影像分析的产品做的不是病种，马院长说的针对人的，这个是对的，我们针对的就是医生的临床工作流程，我们的目的是优化医生的工作流程，这个工作流程现在在美国已经实现，现中国也正在落地工作流程。

首先，从一个例子说起，医疗影像分析产品到底长什么样子？这是我们产品应用在全球心脏影像排名靠前的医院，已经实现了直接出报告，医生直接审核的工作流程。

看左边的界面，几乎没有什么按纽，整个设计就是为了让医生去更好地核对我们的系统做出来的这些量化分析和对心脏整个心肌的跟踪是不是正确，从而核对报告是不是可以签字。

咱们人类第一大杀手，这是心肌缺血的系统，能够看到心肌里面代谢的问题，并且心肌跳动的时候功能上的缺损一起去汇报，所以在整个报告里面首先描述一个病人的基本状况，是什么原因入院，做什么检查，有什么家族病史，直接给出影像的结果，通通以图例的标准分段以后表现在自然语言报告里面，医生在三页上面分别签字以后，这个病人就算过掉了。医生在绝大多数的病人上是不需要修改AI的意见的。

此外，体素科技还在更广泛的应用上引用了这样的流程，比如说胸部CT，可以看各种病，肺的疾病，骨骼上的疾病。肺病是非常复杂的，所以还不能一次性把所有肺病都做完，我们也不是说整个产品定位于肺结节这一个病了，肺病上面各种各样的，还有一些意外发现统统反映在这个报告里面。

这个产品已经是美国FDA批准的，没有引入国内是因为国内刚刚开始，还没有大量普及。但是胸部CT已经在上海三家知名医院里面实现了。

为了更好把肺癌的问题解决，体素和UCLA活检中心合作，从微观和宏观两个角度去解决这个问题。宏观角度，是心脏上面结节的征象长什么样子。微观，癌症也是一个非常复杂的病种，从液体活检DNA的角度对病人血液进行测序，从两个角度分别去解决这个问题。

另外，就是在心血管，心脏CT心脏冠脉造影，CT是最常规的检查了，这个对于高危因子或者明显胸痛的病人非常常用，大家家里的老人七八十岁的时候很可能去医院做这个检查，这个检查非常耗时，而且现在的分析方法非常粗略，这也是做了批准的。这个是自动对心脏冠脉进行分析后而产生报告，并且报告含有的量化信息比医生日常用到的量化信息还要多，我们可以预测很多在全麻状况下对心脏进行检查以后才能得到的信息，通过无创检查进行预测，更好对病人下一步更大的风险和治疗，而进行更有效的治疗。

同样跟肺癌一样，为了更好看好心脏病，让机器预测一个人未来心脏病发病的时间点。这个通过心脏的各个指标，比如心脏的血液检查、家族史、血管的斑块、心包含量等。我们随访了20家医院，5万病人的事件，让这些机器学习，通过信息去预测。一个新病人入院以后，预测下一次急性心梗的时间点。如果时间点非常明确的话，哪怕没有明确心脏病诊断下，我们还是留在医院里面做更多的检查，防止悲剧的发生，这样的心脏事件预测的价值对于整个拯救人命来讲是非常关键的。

我们还涉及一些比较轻型的早期使用的筛查类的产品的服务。筛查对于医院来说比较无聊，因为95%的病人是完全正常的，发现一些异常病人，疑难杂症比较少，所以这不太挑战医生的经验，但是比较挑战医生的精力，像现在颈动脉超声，还有胸部X光，统统用自然语言的方式描述出来，这是X光可以看到所有的异常。

我们还有光学影像，我们一直以病种为中心。当我们做这个产品的时候，我们的定位是做眼底所有的可见异常，也是给医生出一个自然语言撰写报告。而且我们已经做到了，在北京三个眼科非常有代表性的医院已经做了，在美国洛杉矶一大片人群中进行实验，不光在北京的三家医院，肯定受到中国卫健委的认可。

现在我们出去眼检常见的六大病种和11个细分类型，在一个报告里面出具，这个已经在中国非常大的代谢病管理网络里面落地了，涵盖300家三甲医院的代谢病管理中心，我们每个病种的准确率以及数据质量，选用了我们的数据做国家的管理解决方案。

我们也开始做一些从诊中到诊前走的一些产品，其实在民间，特别是婴幼儿发育的疾病以及互联网问诊是需要很多的医疗诊断资源，医生日常在医院中工作被完全占用以后，这块是一个比较资源紧张的地方。

我们跟相关领域全球最著名的医院把相对可以起到转诊、分诊、问诊作用的，对于家庭儿童比较有意义的诊断做一个线下的解决方案，比如小孩视力障碍，其实全国诊断0-3岁不能说话的孩子，其实只有一家医院，其他医院统统需要3岁以上儿童说话讲清楚自己哪里不舒服，这种情况之下观察小孩的行为才能确定是什么样的问题，这样的经验非常难写在报告书里。我们这是数据驱动的，把它能够做到医院之外，帮助医院筛查去看见哪一部分的孩子是需要这样的帮助的，把他转诊到医院去，这个面对6000万0-3岁的儿童，对于家庭来讲非常重要，这类疾病早发现，对视力纠正起到非常大的作用。

还有大家非常关注的青少年，课业压力非常大，小孩发现近视看不到黑板了，这时候已经晚了，我们用视频可以分辨他们的近视程度。这些在学校里面是对整个现在青少年大的问题有了非常强大的社会意义。

这就是我们现在在做的，说了我们在问诊上面做了一系列的产品，互联网问诊的需求是非常大的，不管在美国、欧洲、中国，需求都是非常大的，现在感觉在互联网上面能够工作的医生觉得开发差不多了，不能再大规模增长了，这是资源紧缺的问题，可以通过AI解决。