5 月 25 - 27 日，在杭州，上千名志願者、出品人完成了一場為年青人舉辦的大會。按照發起人阿里巴巴技術委員會主席王堅的說法，2050 是一個年份，不太近，充滿想象，也不太遠，我們都能活著看到。
在第一次聽到「讓世界離年青人更近，讓年青人離世界更近」這樣的辦會理念時，我們想起機器之心用前沿科技內容聚合的全球 AI 青年，從在象牙塔裡研究技術到畢業後面臨創業、擇業的選項，他們不僅應該關心技術走向，也需要了解因為這些技術的創新促成了產業正在發生的商業變革。
而那些被我們報導過的 AI 創業公司，大多恰好處於成長週期的少年或是青年階段，如何生存和發展也同樣是他們心頭大事。
在 2050 大會上，機器之心發起了一場以《AI 技術公司的活法和前景是什麼》為主題的論壇，雲從科技、體素科技、深瞐科技、聲智科技、一知智慧和 Udacity 分別談了談 AI 技術如何才能「落地為安」。以下為第一支演講影片——體素科技創始人丁曉偉《AI技術如何推開傳統醫療市場的大門》：
要點速覽：
醫療領域以經驗積累為基礎的診斷方式與AI演算法模型訓練過程的機理非常相似。此外，醫療資料爆炸與醫療人才緊張現狀，讓用AI去賦能一些現有的臨床工作流程變得非常有必要。
心臟病與肺癌等疾病的診斷流程可以做成一個全自動的量化分析的過程，診療時間大大縮短，期間醫生的主觀程度，包括勞累，疲勞，經驗不足這些問題就統統得到非常好的解決。
除了診斷流程，AI醫療解決方案也能解決網際網路問診平臺與家庭疾病預防面臨的各種問題。
丁曉偉：
大家早上好，我是丁曉偉，是體素科技創始人，也是 UCLA 的研究助理教授。體素科技作為醫療 AI 的創業公司，代表 AI 公司講一下怎麼把醫療傳統市場用 AI 開啟。
其實這個問題大家都比較好奇，或者在座的醫療界之外的人士，包括醫生，我們合作的醫生也經常問我：「你們做 AI 的人到底怎麼把這個用在醫療領域？」
大家一直在新聞上看 AI 醫療，但是都不知道長什麼樣子，怎麼用。我今天就去講一些更加具體的案例。給大家介紹一下這個領域是怎麼回事。
我們公司一開始創立在中美兩地。在美國的地點是洛杉磯和鳳凰城。在國內，北京和上海是我們主要團隊的所在地。
AI 醫療是一個研究大於工業界的領域。之前這個領域主要是處於研究的階段，我們公司的創始人也都是具有學術背景的，除了我之外還有我 UCLA 的博士導師 Demetri Terzopoulos，他是英國皇家科學院和加拿大科學院的院士。
你可以查一下，牛頓、居里夫人等等，課本上有的人都是牛頓皇家科學院的人。他在醫療方面不僅做過基礎的工作，還把 AI 技術用到電影特效上面，所以在 2006 年被授予過一次奧斯卡獎，這是一位具有傳奇經歷的教授。
我的另外一個合夥人也是 Demetri 的學生，梁建明教授，他是梅奧醫學中心首批入駐教授之一，以前在西門子工作過六年，為西門子的機器學習和醫療影像分析產品做過貢獻，帶領團隊做過十幾款產品的研發。
剛才介紹了我們獲得了世界上比較知名的資本的認可聯——聯創，紅杉和騰訊。
大家比較清楚，利用 AI 做的人臉檢測，在場景視覺，以及自動駕駛上面開始有一些成功的應用了，但它為什麼可以用到醫療上面？
這個不能簡單推論，因為醫療是一個比較獨特的行業，首先它適合做在醫療上是因為機器學習本來就是透過資料驅動讓它學習資料。
它不像數學或者是物理學一樣的，很多東西是發現了真理，大家用一些公式可以推匯出不少實際生活中的現象。
人類對我們們自己生命的認知還是比較淺薄的，有很多東西就算在臨床中已經是常用的處理方法，我們其實是不知道背後機理的，很多還是以病例的積累為主的。
其實這個特性還是蠻適合做技術驅動和資料學習的技術方法論，有的時候需要探究機理，但有的時候是不需要看背後機理的。
另外就是需求。
醫療診斷，是一個病人在醫院裡面的開始，它的準確性其實直接關係到病人的愈後（出院結果），這個過程對醫生的挑戰蠻大的。
人的身體上有超過 12000 多種診斷的可能性，如果把它標準化，就是 WHO-IC-10 的一個編碼系統，它編輯了所有可能的診斷。
在一個器官上的一個病種，就有上百種的亞型，亞型間的區別是非常細微的，這麼細微對人類的經驗和挑戰都是比較大的。甚至在美國這種醫生並不是非常忙碌的環境下，他們也會出現有 12000 次以上誤診的存在。
另外就是工作量的問題了，這在國內尤為突出。就是所謂醫療資料的爆炸。
從 2012 年的 500PB 到 2020 年的 25000PB（一個 PB 是 1024TB），人來消化這麼大的資訊量，是非常非常困難的。所以這 25000PB 裡面的 99% 是需要計算機和 AI 消化的。
這個資料增長也是好事，代表醫療器械更新換代，資訊量越來越大了，還有就是人們對健康的關注也越來越多，檢查的頻次或者檢查的種類也是越來越多。
在這樣的一個背景之下。我們提供的一個解決方案就是，用 AI 去賦能一些現有的臨床工作流程、醫生還是在扮演整個醫療診斷的主體。但因為工作量大，我們把 AI 嵌進工作流程裡，稍做修飾就會讓流程變得非常科學、客觀。
一個病人做 CT 掃描，核磁共振，他躺在機器裡面，影像會自動上傳到醫院的雲伺服器上，透過 AI 進行分析，在沒有人工干預的情況下，出一份就像醫生撰寫的、具有自然語言的報告。
比如說「左肺下有一個什麼大小的結節，邊緣是不是光滑，惡化的可能性有多高」等等，就是這樣一種「自然語言」的呈現方式。但最後還是需要醫生簽字稽核。
這是 AI 用在影像診斷上面的一個典型的工作流。
AI 也可以用在醫療的其他很多領域，比如說藥物的研發，醫院院內的流程管理，減少一些不必要的失誤，最佳化效率，這個都會有，但這不是今天討論的範疇。
診斷市場裡的數字很多，大家只看兩三個數字就可以了。
中國每年有 38 億次的醫療影像掃描，核磁、CT、X 光，超聲等等，美國是 4.3 億人次，這兩個數字還是 2014 年的。其實最近幾年國內增長尤其快。
另外就是去醫院就醫的習慣也慢慢受網際網路的影響。
很多人習慣在網上或者遠端進行看病，這樣的增量市場基本來自城鄉居民或者使用網際網路的使用者。當然這部分人也需要自身有病或者身上有不舒服的感覺，才會這樣用。
現在這大約是個 2000 萬人的市場，可能在未來的五年中增長到兩到三億規模。
網際網路輕型的診前環節問診也是一個爆發的市場。所以我還是用一些具象案例講一下這個東西（AI 醫療解決方案）在醫院裡面，在網際網路問診，或者在家庭裡面，到底都長什麼樣子，我講一下醫生怎麼用這個。
這是我們團隊創業前，在美國參與研究的專案，這個專案作為一個比較成功的已經用於美國預防心臟病類的診斷系統，已經有一些時間了，它比較成熟。
這個圖非常好看，它是心臟的核醫學，用來評估得了冠心病的人是否缺血。是不是值得做支架，值得做搭橋手術。
之前是影像拍出來，醫生拿著看，不同醫生之間經常有不一樣的見解；同一個醫生兩次看結果也可能不一樣。因為影像有很多噪聲，有很多不確定的現象，而且還要耗費時間。
我們現在就想解決這個問題，就把心臟病的分析做成一個全自動的量化的過程。
按美國協會的標準，我們用系統去跟蹤心臟的左心室跳動，把左心室代謝的分數用一些量化的指標打出分來，去對比心臟在受壓情況以及平靜狀態之下兩個分數的區別，這樣就可以客觀穩定的做出一模一樣的結果，因此整個診療就變成幾秒鐘的時間。這個期間醫生的主觀程度，包括勞累，疲勞，經驗不足這些問題就統統得到非常好的解決。
後來我們就拿這個產品跟很多國際大廠商，譬如飛利浦、西門子、東芝等公司合作，把這個產品就變成他們硬體裡面的一個軟體。
這個東西的影響力，大眾是感覺不到的，但是對醫生來說其工作流程效率得到非常大的提升。
這個是我們創業之後做的。
剛才心臟是比較特殊的，相對問題比較單純一點。
但像我們醫院裡面最最常見的流程，譬如掃一個胸部的 CT，不管你是咳嗽、肺炎、胸痛，或者不知道什麼情況，或者心臟有問題，都會掃這個影像。因此其工作量和壓力也是最大的。
我們做的跟剛才講的模式一樣，只是這個問題的複雜程度大很多。CT 有很多細節，可以看到身體裡各種各樣的組織——心臟、器官、血管、脂肪都能看到。
我們也是用自然語言的報告來呈現這個 CT 中的可見異常，把 20 到 30 分鐘的工作量，縮短到 5 到 10 分鐘，醫生節省了打報告的時間，只需要修改上面的內容就可以了。
此外，在日常工作中沒有時間量化的東西也可以自動被量化出來，這樣隨訪病人的時候就會非常客觀。譬如腫瘤六個月長出來 30%，以前都是用人眼去估計的。
肺癌，是讓人產生恐懼最大的疾病，我們也結合醫療影像這種宏觀資訊（就是病灶長什麼樣），以及一個微觀資訊（就是從血液裡面找到腫瘤殘留的 DNA 片段），將兩種宏觀微觀資訊結合起來，更好地進行二次確診。
這樣就知道一個早期的肺癌病人，到底是應該開刀，還是做進一步觀察。就是用一些更先進的技術手段，為一些病情非常模稜兩可的病人提供更多有信心的診斷。
再就是冠心病，人類第一大殺手。在國內，如果家裡老人感到胸痛、胸悶，到了醫院第一步就是做這個檢查——心臟冠脈造影 CT，透過這個 CT 可以看到心臟三個冠脈的狹窄程度，以及造成狹窄的原因。
利用 AI，他們就能夠把本來只有透過插導管才能夠看到的結果（比如說冠脈的斑塊，成分是什麼樣的，體積，實際的狹窄情況是怎麼樣的），透過無創檢查（CT 是無創的，不用放東西到身體裡面），可以預測和推理有創檢查可以得到的結論。
這對患者風險的控制，外加用藥場景整個開銷的控制，都是非常有益處的。
心臟病致死的原因，一般是急性心臟病發作。大家也想知道自己多少年內有可能發這個病，這個醫生一般也說不準。如果一個醫院發現一個病人在未來五年內有可能發心梗的話，是不會輕易讓這個病人回家的，會做一些預防措施。
人很難透過這個病人所有的資訊做出相對準確的預測。因為診斷考慮的東西太多了，預測太難了。
而我們其實就是在一個病人心臟的影像上對心臟的脂肪，血管裡面幾個狹窄的斑塊等等進行量化，獲得量化指標，再結合病人的臨床資訊，譬如生化指標、血液指標，病史、家族史等，預測這個人在未來五年的哪個時間段發心梗的機率最大。
我們倒不是去猜，結果肯定是透過實在的資料推理出來的，在國內有 20 家醫院，提供 5 萬位病人隨訪的檢查結果。這些資料都是病人在進醫院的 5 年間，醫院不停的給他打電話，問他有沒有發生心臟的問題。就是透過這樣的方式，來預測還沒有經歷過這五年的人的發病風險。
我們可以從一個影像裡面把造成胸痛的三個主要原因找出來，冠心病，肺動脈栓塞，主動脈夾層，醫院是分開來看的，但有了我們的解決方案，是有望透過一次檢查就能看出來。這樣病人受到的輻射是三分之一，花銷也是三分之一。
再有就是一些大面積使用的體檢類的產品。譬如超聲，這個是沒有輻射的，所以它在體檢中最常用，做多少次對你身體都沒有影響；還有胸片，快速廉價，輻射又低，常規一年做幾次體檢的話，胸片肯定會拍。
比如說國內一些大的體檢連鎖機構，每年胸片數量是用億來算的，你想想會有多少醫生來看，這個壓力非常非常大，我們至少可以用 AI 給他做病人的分流，或者是優先順序的排序，甚至是初步的診斷報告，這都是有很大好處的。
這個東西效率提上去價格降下來的時候，以前沒有條件做這些檢查的人，現在也會有條件了。
剛剛講的都是放射影像，就是一些大的裝置拍出來的影像，其實還有很多是放射科之外用的，譬如眼科，皮膚科等一些使用光學影像的科室。
眼病，跟內分泌，以及人是否會致盲都有非常大的關係，我們對眼底照相，對於所有可見的疾病病灶型別，都是能看到的。
以上都是在醫院裡面使用的系統，跟我們每個人是接觸不多的，但是你的醫生會接觸到。
看行業的話，能適應上面這些產品的商業模式都是圖裡的藍色標註（下圖）。
比如說在大醫院小醫院，第三方醫院，公立醫院等等，它們會作為輔助型醫療裝置進到醫院。
還有一些篩查的專案，國家研究的專案，或者做藥物臨床實驗時篩選一些合適病人，這些用人去篩，肯定沒有用機器篩來的高效。
其次，之前有對病人做過一項統計，病人一般不會相信一個醫生的結論，他一般會看完這個醫院再找另外幾個醫生，對比一下看看診療意見是不是一致，這個對病人來講也是蠻好的選擇。
另外，這個系統要利用大型裝置拍攝出來的資料，這個裝置本身就可以直接增加模組，我認為下一代儀器都會帶這個模組，合作方整合這樣的模組是整個行業裝置未來的趨勢。
另外在家裡面，對於小孩一些發育型的疾病，譬如小孩視力障礙，父母可以利用 AI 解決方案對小孩做一些行為分析。
譬如給自己的孩子在家裡錄一段影片，軟體能夠跟蹤其頭部，肢體，眼球的運動，可以從這個行為中分析它有沒有產生這個疾病的先兆。
這個病早期是非常容易干預的，做一些工作就很容易恢復；但如果發病一年以上再做手術，做很多訓練都不一定見效，就變成殘疾兒童了。
很多小孩，一般是眼睛看不見了才覺得有近視，在這之前父母可以透過眼部的外形變化，更早的察覺到這種病情。
國內有六千萬視力障礙患者，從 6 歲到 15 歲、18 歲，這個基數非常大。
再就是線上的網上問診平臺，譬如「好大夫」等等。這些問診平臺現在有一些運營的訴求。
譬如病人的吞吐量是很難呈現爆發性增長的，因為線上醫生數量是飽和的，他們不可能一年招二倍三倍的醫生，那全國的醫生就被挖的差不多了。
如果他們透過 AI 做一些簡單病問診的分流，做一些初步的分析。或者把 AI 用到內部運營管理方面，把一些病人拍的不標準的資訊，進行自動標準化後再發給醫生；反過來，AI 可以幫病人找到一位最適合的醫生，達到醫生和病人的雙重滿意。
以上這都是網上平臺非常大的訴求。
以皮膚為例，遠端問診的入口，就已經不是病人自己去判斷自己，點 APP，再點一個他認為擅長的醫生，這都是非常主觀的。
你可以直接拍照，再描述一下自己的病情，系統會自動給你找一個最匹配的醫生。
一個看白癜風的專家，不希望看你的粉刺，一天 50 個病人有 49 個是看粉刺的，他是不喜歡的，對醫生來講，滿意度也是很關鍵的。
這樣的商業模式是一個對輕問診平臺入口的重塑，讓它變得更加直觀，貼近患者的使用習慣；再就是他內部吞吐量以及服務的響應時間的最佳化，這些增長也是 AI 公司的機會。
以上就是 AI 應用在醫療市場的一些可能性，這個狀態大家都比較關注，在一些醫院裡面我們也在進行實驗性試點。
在美國和國內一些大的篩查組織，疾病管理中心，超過 700 個點也在用這些產品最佳化他們的管理流程。
此外，這個行業發展還是比較早期的，大的機構會帶領著一個行業的執行。作為騰訊被投資的企業，騰訊也有 AI 醫療影像國家專案，他們跟我們有很多深度合作。
我們想讓診斷變得對每個人都觸手可及，不僅是我們的大城市，鄉村、基層群眾都應該得到平等高效的，跟大城市一樣的治療。
我覺得「早發現早治療」是治療疾病最有效的辦法，而不是「病入膏肓後殊死一搏」。我們應該把診斷和早發現這些環節做好。