在由北极光创投举办的“E-Health发展与投资机会”大会上，德尚韵兴首席科学家孔德兴总结了他对医疗+AI领域的看法。身为浙江大学求是特聘教授、博士生导师的孔教授是一位典型的学者型创业者，在多年潜心研究后，他的产品推向市场。在理论结合实践的过程中，德尚韵兴积累了大量经验。想必这些宝贵经验能够给在医疗健康领域里创业的奋斗者们以启发。

1、大数据还未的得到充分利用

大数据有四个方面：即数据、平台、分析和效益。数据是基础，平台是支撑，分析是核心，效益是根本。

2016年，中国的数据量占到了全世界的14%。但实际利用的数据比例非常低，只有0.4%，大多数数据成为了“孤岛”，沉睡起来。一句话，大数据如果不去做处理，那么它就是一大堆垃圾，而如果将其好好地分析、好好地处理那么就会产生很大的价值。

从传统数据到大数据，如何将沉睡的数据利用起来，这里面需要有认知转变。

以往的传统数据，规模小、非时变且结构单一，比如我们违章拍照这件事就是这样的，一个车跑过去，拍一张照片，这就属于单一结构。而在医疗领域则较为复杂，其积累的数据和传统数据大为不同。比如以存储在301医院、协和医院中的数据为例，它是多元、大规模、非结构化且动态的。对于一个病人来说，他的数据可能就囊括生化指标检查结果、血样检测结果、病史、核磁共振处理结果、超声数据等多种数据。

其次，数据处理方法也要变化。在大数据时代，传统统计学的数据处理方法面临诸多问题，需要建立一套崭新的理论来支撑大数据学科进行数据分析。对于301一家医院，我们可以自动发掘，但若将301和协和医院等多家医院的数据综合利用起来的话，分散式计算怎么做？真伪如何判断？这些都是问题。

2、AI与IA

问题的出现既是机遇也是挑战。这些年，随着技术的进步也取得了一些成果，以压缩感知、稀疏表示理论为代表的技术大大减少了核磁的扫描量，加快了扫描时间。

类似这些创新还有很多，但总的来说，现今的大数据科学偏重架构、偏重点对点的探索研究，而基础理论框架、共性/基础性算法等还没有建立起来。

我们都知道，如今每家医院都有自己的数据库。受到资金、医生水平等诸多限制，使得每家机构的数据都带有自己的特色，正由于数据还不够标准化，所以总体来看还不能反应整体数据的本来面目。基于此，国家级数据库的建立势在必行。

有了数据，那么就会想到如何将这些数据利用起来。

实际上，现在的人工智能总体讲还处于弱人工智能阶段，泡沫很严重。很多公司下载一些开源代码、拿一些数据处理一下就说自己是做人工智能开发的。泡沫严重到什么程度？我举个发生在我身边的例子。有一个企业找到浙江大学跟我们谈合作，讲了很多东西。后来，我问他你们有没有基础，他说没有，之前是做汽车配件的，现在想做人工智能。

目前有一种看法认为如今的人工智能不是AI而是IA（IntelligenceArtificial即智能增强）。

IA是什么东西呢？简单来说就是把标注的数据，加上深度学习框架，再加上GPU的平行计算，用固定的模式很简单、很粗暴的方式对数据进行处理。但这种模式的上升空间不大。

为什么现在很多影像诊断的项目雷声大雨点小？因为没有真正解决医生的痛点。

投资界对于人工智能寄于厚望，不同的企业里也对于它寄于厚望，但是轰轰烈烈的投资之后没有带来对于行业有用的东西。所以大家一定要冷静，不要跟风，也不要蹭热点，要有自己的判断、自己的理念来对待这件事。

到现在为止，所谓的人工智能已有了一些基础，比如深度学习。深度学习其实说白了就是希望通过数学算法，通过计算机的计算能力来模拟人的大脑去认识判断一个事物。人的大脑怎么判断呢？大家知道，人类的大脑是由很多的神经元组成的，技术人员希望把这些东西通过一些网络模型把它模拟出来。

3、深度学习的机会

我们知道，到现在为止，深度学惯用的比较好的领域有几个：第一，语音分析，比如翻译；第二，图像和文字的处理。机器学习有很多的算法，譬如监督学习、半监督学习和无监督学习。打个比方，监督学习就是有老师教我，有样本，经过医生精心的数据标注，来学这个肿瘤到底是良性还是恶性的。良性是什么特征、恶性是什么特征，都由医生教，这个就是监督学习。另外无监督学习就是自学，通过大量的数据自学。还有半监督学习，部分的数据标注，部分数据不标注。

目前监督学惯用得很多，有几点需要注意：第一点，高质量的样本集，这个需要医生的深度参与，样本标注的不好，机器学习的结果就不好，因为它是完全按医生的标准学习的。第二点，要有核心算法，很多时候开源代码不能真正地解决你关心的问题，比如对于肿瘤的良恶性之分，它算法要求很高，通用的代码可能达不到你想要的效果。这时候，一个好的人工智能团队一定要有自己的核心的关键技术，这点很重要。第三就是GPU，这个就不用讲了，你有钱就可以买。

4、人工智能和医疗行业的结合点

AI和医疗行业结合方面，我们可以粗略的把行业分成以下几个部分：第一和影像的结合；第二和病理的结合，大家知道病理科对于一个医院至关重要，但是病理科不带来收入，医院对于病理科也并不重视，这样就很缺病理。那怎么办呢，人工智能会成为好的解决方案；第三辅助解决系统，病人在治疗的时候应该用什么办法，一个癌症病人到底是切除好，微创好还是化疗好，这个就是决策系统；第四个是精准手术，这个特别提一下，在人工智能的手术方案方面，我们做了一些探索。做肝癌就只做肝癌分析是不行的，要做整体的分析。这个时候把大数据和人工智能结合起来，把两维数据拿过来自动的生成三维的，把解剖信息3D打印出来做一个仿生，然后再做手术。到底是化疗好还是微创好，我们会给一个决策；第五个是药物研发；第六个是健康管理，或者虚拟，这个是好的方向。医院的病床很紧张，很多人做完手术不出来，就只能待在病房里。以后病人做完手术需要护理的话，就可以直接通过这种人工智能的智能护理机器人来做；第七智能制造。

5、技术要能受到认可

我们团队研发的产品，从数学模型到专业算法都是我们自己研发的。另外，深度学习首先得有操作系统，我们有自己研发的底层操作系统，市面上能做的功能，我们都能做，最主要的优势是轻量化。

通过大数据算法的研究，我们做了一套系统，配上一套硬件。上面是医院的IT系统提供的数据，下面是我们的系统，它可以做实时处理，比如医院想做一个肝移植，我们就可以通过鼠标做一个模拟手术，然后在3D打印上做一个手术的预演，就相当于彩排，可以提高医生的手术质量，降低手术风险。

给大家举个精准射频消融术的例子。

如果一个人得了肝癌，通常我们想到的是，把肝脏的肿瘤切除掉。能不能不切除掉？现在通过一个消融术可以先把肿瘤烤熟、把它消融掉。在这个技术里，消融后的肿瘤不需取出来，它是抗体，还抑制肿瘤的生长，变废为宝。这种手术是纯物理的、纯绿色的。

当然这里面也几个问题：第一你别弄错地方，以前有的医生做肝癌，把患者的肠子烧个洞，这属于重大医疗事故。第二温度要控制好，温度要达到癌细胞不可逆灭火温度，否则癌细胞只是休克，这样会导致肿瘤复发。第三，布针方案要准确，假设肿瘤最长的5厘米，最大的消融区域通常不能超过3厘米的椭球型区域。针怎么布我们有一个关键技术。第四，肚子的东西我们看不见，通常你要有导航，这要在超声的引导下完成。在引导的时候，不能辐射到医生，一般是在超声下引导才行。

这个东西怎么落地，我们看301怎么做的。301以前基本靠人工的，用人工勾画肿瘤、勾画肝脏、勾画血管。人工勾画不仅费时，而且不同医生勾画结果不一样，有主观性，同时呼吸运动影响定位精准。另外医疗器械有自带的参数，血管会带走一部分热量，这样一来在上面介绍的疗法中，肿瘤区域就不一定能达到癌细胞不可逆灭火温度，这样的话会导致病情复发。而且，到底消融效果如何，也很难说。

后来根据301的需求，我们研发了一个系统，该系统完全是自动的，但医生需要的话，也可以人机交互，操作很方便，很人性化。有了这个系统，还可以减少医患矛盾。

现在这套东西已经放到网上去了，每个医院如果有这样的病人，可以通过上传，系统设计一个方案，然后由301复核，再推送到其他医院，他们就可以做手术。

这套东西不仅用到肝脏，还可以用在十几种癌症上，比如乳腺癌、甲状腺癌、肝癌、子宫肌瘤、肾癌等等。

超声这块，大家知道，现在中国缺超声医生，在中国医疗瓶颈是什么？第一缺好医生，第二缺好的医疗设备。你如果做成一个产品能解决这两个痛点，那肯定受欢迎。所以那怎么办呢？我们做个超声机器人。国外有一种超声机械臂，医生在办公室拿着探头操作，对几千公里之外的人可以超声检查。但是这里还是医生操作、医生判断。我们想能不能做一个让计算机控制这个机械臂，让计算机自己判断角度，这样减少医生的工作量，医生做个复核就行了，比如一个医院搞10个机器人来做，医生端著咖啡监督它。

我们做了一个产品：甲状腺结节智能诊断系统，去年在义乌的国际博览会上还展出了这个产品。我们也打了很多次比赛，跟医生打比赛医生也不张扬，赢了就赢了，输了也不好看。浙江省一个很好的医院超声比赛我们打了三场。他们医院派了老中青，其结果是：与病理对比，医生的准确率65.3%，机器的判断准确率85.7%。后来这套系统我们把它放到云上面了，可以做云服务。

我们不增加医生的工作量，医生只管做扫描，计算机对于你扫描的图像，会随着探头的移动对每一个图像进行逐个分析。在扫描的过程中，它一旦发现结节/肿瘤、就会报警，疑似结节会勾画出来，绿色的是良性的，红色的是恶性的。医生只管做，它有语音报警，有时候把病人听了害怕你可以戴一个耳机，这样避免有误诊和漏诊。

甲状腺疾病的诊断，100个医生对于一个病人可能有70种结果。我们这套系统在杭州市西湖区蒋村街道医院用了，在浙大一院也用了，5月22号副总理还专门视察了一下。另外火箭军总医院也在用。随着数据量多、算法不断的优化，我们的准确率会越来越高。

中央电视台《走近科学》栏目还重点报道了我们的产品及其在浙大一院的应用现场。为什么他们感兴趣，因为学数学的人做的东西在医院落地了。导演拍片子的时候，正好把门诊上一个病人拉过来，有医生认为是恶性的，而机器认为良性的。这个导演就不走了，待了三天做活检，最后证明机器是对的。

后来在西湖区政府的支持下，我们在杭州市西湖区蒋村街道医院建立了一个人工智能的诊室，到现在为止，这个诊室诊断的结果，准确率很高。

最后，总而言之就是一句话，产品一定要能解决医生的痛点。

不解决临床痛点的产品，医生就永远只是个旁观者，不会采用你的东西，也不能落地。不能落地，投资就会有顾虑，所以一定以落地为主。落地这个问题，不能只靠一方来努力，这需要政府支持、医院配合、企业跟上，投资方也要进入，没钱不行。

这里面也有瓶颈的问题，比如数据的合法化和合格性。数据如何合法地利用，是个大问题。另外是数据的合格性，不要认为数据越多就越好，中国的数据污染很厉害。

另外从技术上来说，东西一旦做出来，其安全性、合法性以及法律责任的问题都应当引起重视。

编辑 / 苑晶