從芝加哥大學輟學，扎進醫療行業，他創辦的推想科技想用AI幫醫生提升效率

成立於 2014 年的推想科技，致力於將深度學習應用於醫療影像領域。目前，該公司共完成來自英諾天使基金、臻雲創投、紅杉資本等投資機構的兩輪投資，總額超過 6000 萬。

撰文 | 吳欣 藤子

2017 年 5 月，在美國聖何塞舉辦的全球頂尖人工智慧開發商大會 GTC ，對推想科技創始人陳寬而言，具有別樣的意義。與阿里巴巴、美的一起，推想科技成為現場演講的三家中國公司之一。

作為世界首家進入醫療影像診斷領域臨床應用的人工智慧科技公司，推想科技奪得 2016 年 GTC China 冠軍，陳寬應邀在 GTC 2017 上發表長達 50 分鐘的演講——《從模型到產品》，成為唯一受邀參加此演講的中國醫療 AI 企業。

推想科技創始人陳寬在 GTC 大會演講

「演講之前，特別緊張，剛上飛機就反覆練習，演講前一天晚上還因為倒時差一夜沒合眼。」陳寬說，當天的演講獲得了美國放射領域如 RSNA board of director , Medical Image Net 主要推動人斯坦福大學教授 Curtis Langlotz 的關注。成立於 2014 年的推想科技，致力於將深度學習應用於醫療影像領域。目前，該公司共完成來自英諾天使基金、臻雲創投、紅杉資本等投資機構的兩輪投資，總額超過 6000 萬。

公司旗下的智能 X 線輔助篩查產品 AI-DR 能輔助診斷心胸疾病，智能 CT 輔助篩查產品 AI-CT 則能有效挖掘肺癌的核心特徵點，深度學習科研平台 AI-Scholar 能夠輔助缺乏編程經驗的醫生完成深度學習科研。根據陳寬介紹，這些產品已在武漢同濟醫院、北京協和醫院、上海長征醫院、大連大學附屬中山醫院在內的多家三甲醫院落地試用，獲得金征宇、劉士遠、伍建林、夏黎明等多位中國放射學領域權威的認可。

做醫生的另一雙眼睛

有關數據表明，目前中國醫學影像數據的年增長率約為 30%，影像科醫生數量的年增長率僅為 4.1%。而一家三甲醫院，如武漢同濟醫院，每天接待患者 2 萬多人，放射科則會接待數千個患者，而病人的胸部 CT 影像通常有兩三百張，要處理一位患者的 CT，影像醫生需要反覆瀏覽 200 層的 1 毫米或 2 毫米厚的肺部圖像，根據這些圖像，判斷結節的位置、大小、良惡性，閱讀一個患者的影像通常就需要 10 多分鐘，甚至半個小時。

推想科技的智能 CT 輔助篩查產品閱讀一例患者 CT 不到 5 秒，人工智慧能夠標註出結節的位置、大小、性質等信息，輔助醫生進行鑒別診斷，大大減少醫生繁重的重複性工作。

智能 CT 輔助篩查產品（AI-CT）界面

實際上，利用計算機進行輔助診斷由來已久。1959 年，美國學者 Ledley 提出計算機輔助診斷的數學模型，並診斷了一組肺癌病例，開創了計算機輔助診斷的先河；1966年，Ledley 提出計算機輔助診斷（computer-aided diagnosis, CAD）的概念。20 世紀 80 年代初，計算機輔助診斷系統進一步發展，通過病人的資料搜集、醫學信息的量化處理、統計學分析，最後做出診斷。然而，囿於相應的理論演算法、原理分析以及計算力、數據量等原因，計算機輔助診斷的效果並不好，因而應用並不廣泛。

隨著深度學習在演算法方面的突破，計算力和數據量的大幅提升，陳寬認為，這是將人工智慧應用於醫療影像的好時機。

但是，從醫療領域起步並紮根於醫療領域的陳寬深知，在醫療行業做開發，跟傳統開發環境完全不一樣。就拿宕機來說，如果醫院的 IT 系統宕機五分鐘，後果可能就會非常嚴重，因為涉及病人的健康甚至是生死。這導致醫院的 IT 環境尤其注重安全性和穩定性。

通常情況下，進行深度學習的開發，需要大量修改和調試程序，遇到問題有時候需要藉助深度學習社區裡邊的解決方案來調整與優化，但在醫院，如果在訓練模型時，遇到 bug ，從網上下載的解決方案無法直接拷貝到模型伺服器上，需要把程序送到醫院 IT 部門審批，花費兩三天時間確定安全性之後才能進行安裝，如果發現解決方案沒用，則需要按照上述步驟再來一次。

而在數據的標準化方面，同樣具有挑戰。比如同一種疾病，醫生做診斷時可能會有無數種寫法，也可能一種寫法有多種含義。統一標準的缺乏，則不利於深度學習的模型設計。

通過駐紮在醫院，與醫生零距離溝通，推想科技研發與推出多個醫療影像領域的產品，其智能醫療影像系統根據不同病種和場景提供具有臨床價值的輔助篩查與診斷服務，應用場景覆蓋 X 光、CT、MRI、超聲、病理影像等。

醫療行業的相對保守，是一把雙刃劍

「做技術的人其實很容易陷入怪圈，覺得我有一個天下無敵的技術就能讓公司立足。但可能基於這個技術做出來的產品，根本沒有人需要，並不能解決一個現實需求點。」陳寬說。因此，在決定進入醫療行業之前，他研究了大量行業，考察他所掌握的技術是否能解決該行業的問題。

2012 年，陳寬在美國芝加哥大學攻讀經濟學與金融學雙博士，那一年他第首次接觸到機器學習技術，尤其是深度學習。陳寬將深度學習應用於 Twitter 數據的分析，成功預測了2012 年美國總統大選的結果。由此，陳寬看到了人工智慧取得更大突破的可能。

創業的想法在陳寬心中萌發，他開始在中美兩國尋找深度學習可以應用的領域和創業的機會。

2014 年暑假，陳寬回國和安防、金融等領域的從業人士交談，認識了一位放射科的醫生，醫生的提議，將他的關注焦點轉向了醫療領域。陳寬認為，國內的放射科缺乏優質醫生，而根據他的了解，放射科醫生工作量很大，而繁重的重複性勞動也容易增加醫生出錯的可能性。醫生有降低工作壓力，提升工作效率的需求，而醫院的管理層，也希望加強對醫療服務質量的監控。

陳寬判斷，人工智慧在醫療領域大有可為。2014 年 12 月，讀完博士最後一學期的基礎課之後，陳寬辦理休學手續並在深圳成立推想科技。

隨後走訪大量醫院，根據陳寬的觀察，當時，醫生要麼不了解人工智慧，要麼對傳統的計算機輔助診斷的 CAD 演算法感到失望，因而在陳寬給他們介紹深度學習時，非常排斥，認為陳寬是在拿以往的技術進行「忽悠」，甚至有些醫生說，「只有醫生腦子被門擠了，才跟你合作。」

但是，四川省人民醫院願意嘗試深度學習這樣的前沿技術，推想科技與該醫院的信息科、放射科取得合作。而當時的陳寬沒有任何積累，也沒有任何成功案例。

取得合作後，陳寬和團隊，一共兩三個人，搬到四川居住，在醫院旁邊租了一套老舊房屋，在整個 2015 年都駐紮在醫院，與醫生深入交流，了解醫院和醫生的需求，也讓他們了解深度學習。

陳寬介紹，加入推想科技的工程師都會駐紮到醫院，這使得推想科技的工程師如今都能像醫生一樣閱讀影像圖片。「你要建立滿足醫生需求的模型，就必須像他們一樣思考問題，站在他們的立場去解決問題，再結合深度學習的背景。」陳寬認為，只有零距離地跟醫生溝通，才能做出實用的模型，產品才能快速地迭代。

隨著在醫療領域的不斷深入，陳寬對人工智慧在醫療領域的應用有了更深刻的認識，「醫生對病人做出診斷不僅依據影像檢查，還包括患者的健康信息、病例數據、檢查數據等。」陳寬說。因此，人工智慧要做出類似醫生的診斷，就需要綜合考慮多方面的信息。

陳寬表示，在前期，推想科技聚焦於肺部、心臟等方面的疾病，隨著產品逐漸成熟，迭代速度加快，則向頭部、腹部、骨肌、病理、超聲等領域拓展。

目前，推想科技陸續推出了專門針對肺癌篩查、腦部/神經疾病篩查、心臟疾病篩查、乳腺癌篩查等不同產品，並為醫院提供從硬體到軟體的全方位人工智慧解決方案。隨著深度學習的廣泛普及，一些醫生也對這項技術大感興趣，為了滿足這樣的需求，推想科技還推出了深度學習的醫療科研平台 AI-Scholar，使不會編程的醫生也能應用深度學習。

智能 X 線輔助篩查產品（AI-DR）界面

此外，推想科技正與美國、日本的醫院進行合作，開拓國際市場。「醫療行業的封閉或保守，是一把雙刃劍，在進入之前，很難打開局面，一旦打開了缺口，獲得專家的認可和互相推薦，塑造良好的口碑，在行業里就能越走越順。」陳寬說。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！