孔德興：為什麼現在很多影像診斷的項目雷聲大雨點小？因為沒有真正解決醫生的痛點！

在由北極光創投舉辦的「E-Health發展與投資機會」大會上，德尚韻興首席科學家孔德興總結了他對醫療+AI領域的看法。身為浙江大學求是特聘教授、博士生導師的孔教授是一位典型的學者型創業者，在多年潛心研究後，他的產品推向市場。在理論結合實踐的過程中，德尚韻興積累了大量經驗。想必這些寶貴經驗能夠給在醫療健康領域裡創業的奮鬥者們以啟發。

1、大數據還未的得到充分利用

大數據有四個方面：即數據、平台、分析和效益。數據是基礎，平台是支撐，分析是核心，效益是根本。

2016年，中國的數據量佔到了全世界的14%。但實際利用的數據比例非常低，只有0.4%，大多數數據成為了「孤島」，沉睡起來。一句話，大數據如果不去做處理，那麼它就是一大堆垃圾，而如果將其好好地分析、好好地處理那麼就會產生很大的價值。

從傳統數據到大數據，如何將沉睡的數據利用起來，這裡面需要有認知轉變。

以往的傳統數據，規模小、非時變且結構單一，比如我們違章拍照這件事就是這樣的，一個車跑過去，拍一張照片，這就屬於單一結構。而在醫療領域則較為複雜，其積累的數據和傳統數據大為不同。比如以存儲在301醫院、協和醫院中的數據為例，它是多元、大規模、非結構化且動態的。對於一個病人來說，他的數據可能就囊括生化指標檢查結果、血樣檢測結果、病史、核磁共振處理結果、超聲數據等多種數據。

其次，數據處理方法也要變化。在大數據時代，傳統統計學的數據處理方法面臨諸多問題，需要建立一套嶄新的理論來支撐大數據學科進行數據分析。對於301一家醫院，我們可以自動發掘，但若將301和協和醫院等多家醫院的數據綜合利用起來的話，分散式計算怎麼做？真偽如何判斷？這些都是問題。

2、AI與IA

問題的出現既是機遇也是挑戰。這些年，隨著技術的進步也取得了一些成果，以壓縮感知、稀疏表示理論為代表的技術大大減少了核磁的掃描量，加快了掃描時間。

類似這些創新還有很多，但總的來說，現今的大數據科學偏重架構、偏重點對點的探索研究，而基礎理論框架、共性/基礎性演算法等還沒有建立起來。

我們都知道，如今每家醫院都有自己的資料庫。受到資金、醫生水平等諸多限制，使得每家機構的數據都帶有自己的特色，正由於數據還不夠標準化，所以總體來看還不能反應整體數據的本來面目。基於此，國家級資料庫的建立勢在必行。

有了數據，那麼就會想到如何將這些數據利用起來。

實際上，現在的人工智慧總體講還處於弱人工智慧階段，泡沫很嚴重。很多公司下載一些開源代碼、拿一些數據處理一下就說自己是做人工智慧開發的。泡沫嚴重到什麼程度？我舉個發生在我身邊的例子。有一個企業找到浙江大學跟我們談合作，講了很多東西。後來，我問他你們有沒有基礎，他說沒有，之前是做汽車配件的，現在想做人工智慧。

目前有一種看法認為如今的人工智慧不是AI而是IA（IntelligenceArtificial即智能增強）。

IA是什麼東西呢？簡單來說就是把標註的數據，加上深度學習框架，再加上GPU的平行計算，用固定的模式很簡單、很粗暴的方式對數據進行處理。但這種模式的上升空間不大。

為什麼現在很多影像診斷的項目雷聲大雨點小？因為沒有真正解決醫生的痛點。

投資界對於人工智慧寄於厚望，不同的企業里也對於它寄於厚望，但是轟轟烈烈的投資之後沒有帶來對於行業有用的東西。所以大家一定要冷靜，不要跟風，也不要蹭熱點，要有自己的判斷、自己的理念來對待這件事。

到現在為止，所謂的人工智慧已有了一些基礎，比如深度學習。深度學習其實說白了就是希望通過數學演算法，通過計算機的計算能力來模擬人的大腦去認識判斷一個事物。人的大腦怎麼判斷呢？大家知道，人類的大腦是由很多的神經元組成的，技術人員希望把這些東西通過一些網路模型把它模擬出來。

3、深度學習的機會

我們知道，到現在為止，深度學慣用的比較好的領域有幾個：第一，語音分析，比如翻譯；第二，圖像和文字的處理。機器學習有很多的演算法，譬如監督學習、半監督學習和無監督學習。打個比方，監督學習就是有老師教我，有樣本，經過醫生精心的數據標註，來學這個腫瘤到底是良性還是惡性的。良性是什麼特徵、惡性是什麼特徵，都由醫生教，這個就是監督學習。另外無監督學習就是自學，通過大量的數據自學。還有半監督學習，部分的數據標註，部分數據不標註。

目前監督學慣用得很多，有幾點需要注意：第一點，高質量的樣本集，這個需要醫生的深度參與，樣本標註的不好，機器學習的結果就不好，因為它是完全按醫生的標準學習的。第二點，要有核心演算法，很多時候開源代碼不能真正地解決你關心的問題，比如對於腫瘤的良惡性之分，它演算法要求很高，通用的代碼可能達不到你想要的效果。這時候，一個好的人工智慧團隊一定要有自己的核心的關鍵技術，這點很重要。第三就是GPU，這個就不用講了，你有錢就可以買。

4、人工智慧和醫療行業的結合點

AI和醫療行業結合方面，我們可以粗略的把行業分成以下幾個部分：第一和影像的結合；第二和病理的結合，大家知道病理科對於一個醫院至關重要，但是病理科不帶來收入，醫院對於病理科也並不重視，這樣就很缺病理。那怎麼辦呢，人工智慧會成為好的解決方案；第三輔助解決系統，病人在治療的時候應該用什麼辦法，一個癌症病人到底是切除好，微創好還是化療好，這個就是決策系統；第四個是精準手術，這個特別提一下，在人工智慧的手術方案方面，我們做了一些探索。做肝癌就只做肝癌分析是不行的，要做整體的分析。這個時候把大數據和人工智慧結合起來，把兩維數據拿過來自動的生成三維的，把解剖信息3D列印出來做一個仿生人體，然後再做手術。到底是化療好還是微創好，我們會給一個決策；第五個是藥物研發；第六個是健康管理，或者虛擬護士，這個是好的方向。醫院的病床很緊張，很多人做完手術不出來，就只能待在病房裡。以後病人做完手術需要護理的話，就可以直接通過這種人工智慧的智能護理機器人來做；第七智能製造。

5、技術要能受到認可

我們團隊研發的產品，從數學模型到專業演算法都是我們自己研發的。另外，深度學習首先得有操作系統，我們有自己研發的底層操作系統，市面上能做的功能，我們都能做，最主要的優勢是輕量化。

通過大數據演算法的研究，我們做了一套系統，配上一套硬體。上面是醫院的IT系統提供的數據，下面是我們的系統，它可以做實時處理，比如醫院想做一個肝移植，我們就可以通過滑鼠做一個模擬手術，然後在3D列印上做一個手術的預演，就相當於綵排，可以提高醫生的手術質量，降低手術風險。

給大家舉個精準射頻消融術的例子。

如果一個人得了肝癌，通常我們想到的是，把肝臟的腫瘤切除掉。能不能不切除掉？現在通過一個消融術可以先把腫瘤烤熟、把它消融掉。在這個技術里，消融後的腫瘤不需取出來，它是抗體，還抑制其它腫瘤的生長，變廢為寶。這種手術是純物理的、純綠色的。

當然這裡面也幾個問題：第一你別弄錯地方，以前有的醫生做肝癌，把患者的腸子燒個洞，這屬於重大醫療事故。第二溫度要控制好，溫度要達到癌細胞不可逆滅火溫度，否則癌細胞只是休克，這樣會導致腫瘤複發。第三，布針方案要準確，假設腫瘤最長的5厘米，最大的消融區域通常不能超過3厘米的橢球型區域。針怎麼布我們有一個關鍵技術。第四，肚子的東西我們看不見，通常你要有導航，這要在超聲的引導下完成。在引導的時候，不能輻射到醫生，一般是在超聲下引導才行。

這個東西怎麼落地，我們看301怎麼做的。301以前基本靠人工的，用人工勾畫腫瘤、勾畫肝臟、勾畫血管。人工勾畫不僅費時，而且不同醫生勾畫結果不一樣，有主觀性，同時呼吸運動影響定位精準。另外醫療器械有自帶的參數，血管會帶走一部分熱量，這樣一來在上面介紹的療法中，腫瘤區域就不一定能達到癌細胞不可逆滅火溫度，這樣的話會導致病情複發。而且，到底消融效果如何，也很難說。

後來根據301的需求，我們研發了一個系統，該系統完全是自動的，但醫生需要的話，也可以人機交互，操作很方便，很人性化。有了這個系統，還可以減少醫患矛盾。

現在這套東西已經放到網上去了，每個醫院如果有這樣的病人，可以通過上傳，系統設計一個方案，然後由301複核，再推送到其他醫院，他們就可以做手術。

這套東西不僅用到肝臟，還可以用在十幾種癌症上，比如乳腺癌、甲狀腺癌、肝癌、子宮肌瘤、腎癌等等。

超聲這塊，大家知道，現在中國缺超聲醫生，在中國醫療瓶頸是什麼？第一缺好醫生，第二缺好的醫療設備。你如果做成一個產品能解決這兩個痛點，那肯定受歡迎。所以那怎麼辦呢？我們做個超聲機器人。國外有一種超聲機械臂，醫生在辦公室拿著探頭操作，對幾千公里之外的人可以超聲檢查。但是這裡還是醫生操作、醫生判斷。我們想能不能做一個讓計算機控制這個機械臂，讓計算機自己判斷角度，這樣減少醫生的工作量，醫生做個複核就行了，比如一個醫院搞10個機器人來做，醫生端著咖啡監督它。

我們做了一個產品：甲狀腺結節智能診斷系統，去年在義烏的國際博覽會上還展出了這個產品。我們也打了很多次比賽，跟醫生打比賽醫生也不張揚，贏了就贏了，輸了也不好看。浙江省一個很好的醫院超聲比賽我們打了三場。他們醫院派了老中青三個代表，其結果是：與病理對比，醫生的準確率65.3%，機器的判斷準確率85.7%。後來這套系統我們把它放到雲上面了，可以做雲服務。

我們不增加醫生的工作量，醫生只管做掃描，計算機對於你掃描的圖像，會隨著探頭的移動對每一個圖像進行逐個分析。在掃描的過程中，它一旦發現結節/腫瘤、就會報警，疑似結節會勾畫出來，綠色的是良性的，紅色的是惡性的。醫生只管做，它有語音報警，有時候把病人聽了害怕你可以戴一個耳機，這樣避免有誤診和漏診。

甲狀腺疾病的診斷，100個醫生對於一個病人可能有70種結果。我們這套系統在杭州市西湖區蔣村街道醫院用了，在浙大一院也用了，5月22號國務院副總理還專門視察了一下。另外火箭軍總醫院也在用。隨著數據量多、演算法不斷的優化，我們的準確率會越來越高。

中央電視台《走近科學》欄目還重點報道了我們的產品及其在浙大一院的應用現場。為什麼他們感興趣，因為學數學的人做的東西在醫院落地了。導演拍片子的時候，正好把門診上一個病人拉過來，有醫生認為是惡性的，而機器認為良性的。這個導演就不走了，待了三天做活檢，最後證明機器是對的。

後來在西湖區政府的支持下，我們在杭州市西湖區蔣村街道醫院建立了一個人工智慧的診室，到現在為止，這個診室診斷的結果，準確率很高。

最後，總而言之就是一句話，產品一定要能解決醫生的痛點。

不解決臨床痛點的產品，醫生就永遠只是個旁觀者，不會採用你的東西，也不能落地。不能落地，投資就會有顧慮，所以一定以落地為主。落地這個問題，不能只靠一方來努力，這需要政府支持、醫院配合、企業跟上，投資方也要進入，沒錢不行。

這裡面也有瓶頸的問題，比如數據的合法化和合格性。數據如何合法地利用，是個大問題。另外是數據的合格性，不要認為數據越多就越好，中國的數據污染很厲害。

另外從技術上來說，東西一旦做出來，其安全性、合法性以及法律責任的問題都應當引起重視。

編輯 / 苑晶

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！