雷鋒網消息， 2017年8月24日， “讓人工智慧落地醫院”主題論壇暨“ AI 醫療場景”優秀項目展示活動在上海市靜安區市北高新商務中心順利舉辦。 本次論壇由2017年中國大資料人工智慧創新創業大賽組委會主辦， 上海市兒童醫院、健盟協辦， 旨在推動人工智慧技術在具體醫療場景中的轉化， 幫助優秀創業者走出商業模式困境。 來自政府、醫院、高校、企業、投資機構等各界嘉賓出席論壇， 共同探討人工智慧在醫療領域的應用與發展。
據雷鋒網瞭解， 在此次的“讓人工智慧落地醫院”的主題論壇上， 依圖科技資深產品經理王炤表示， 人工智慧技術成熟不等於應用成熟， 即使我們和很厲害的醫院合作， 拿到了大規模優質資料， 但是因為消化資料的能力、問題定義的能力有根本差別、產出產品的方法性有根本的差別， 不一定能夠做出有意義的產品。 讓產品落地，
在演講中， 他表示， 人工智慧和醫學結合最典型的三類場景是：第一， 解決醫生的重複性問題， 這是現在圈裡人公認最有可能做出可依賴的產品的場景；第二， 年輕醫生如果靠資料獲得了醫學水準的進步， 那麼是不是意味著我們可以用資料培養一個人工智慧的模型？讓他逼近甚至部分超越專家的水準再拿模型説明基層醫生， 最關鍵的是要把病例裡面的版本變成結構化的資訊；第三， 人工智慧可以起到用處的就是一個輔助醫學突破， 幫助醫生作出所有可能的結論。
同時他還認為， 人工智慧與醫生的關係是：醫生必須駕馭人工智慧、醫生也必然會駕馭人工智慧。
以下為嘉賓演講實錄， 雷鋒網做了不改變原意的編輯。
王炤：各位領導、各位專家， 各位投資圈和人工智慧圈的同仁們， 大家下午好！
很榮幸今天能跟大家交流這樣一個主題。 依圖在過去五年中已經在安防、金融、醫療等行業有了一些人工智慧方面的實踐。 今天我想分享的內容跟前面幾位元博士的內容其實稍微有點差異， 我想跟大家聊一聊今天這次論壇的主題——人工智慧技術怎麼樣可以真的落地到醫院變成可以幫助醫療行業、幫助醫學、幫助醫生的生產力。
這是我今天大概的開篇， 我們拋開技術成分簡單看看今天人工智慧這個領域發展到了什麼狀況， 然後去分享一些依圖人工智慧技術落地的方案。
隨著 AlphaGo 為人工智慧圈子做了一個非常大的 PR ， 這些詞近兩年在不停地轟炸大家的朋友圈、大家的新聞管道。 其實這些詞大家知道就好了， 對於圈外人來說不明覺厲僅此而已。 我們需要理解的實際上是說今天人工智慧在哪些領域發展到什麼程度， 有些領域已經取得了實質性的突破， 比如說圍棋、圖像識別、語音辨識。 有些領域其實是正在突破的， 比如說無人駕駛、醫療行業， 有一些在我們看來離突破還很遠， 但是這個事情是變的很快的， 微軟的王博士講小冰現在很大程度上具備了情緒感知能力，
我們再給它加一點東西——優質的資料，我們和很厲害的醫院合作，拿到了大規模資料，是不是就能產出有意義的產品呢？在我看來還不是，它可能會有些單點可以用的產品，為什麼？因為消化資料的能力有根本的差別，第二是問題定義的能力有根本差別，第三是產出產品的方法性有根本的差別。我似乎意識到把人工智慧和醫學結合落地描述得非常非常難，到底怎麼樣才能落地？我試著列了一個公式，然後發現左邊要加起來的東西好多，成熟的AI技術、深入領域認知、優質資料、資料消化能力。資料的消化能力是什麼意思？比如說今天資料集裡面888份片子兩個研究生一個月可以訓練出一個模型，如果今天我們和一家醫院合作拿到了萬份、十萬份、百萬份的片子，他會不會用可能本身都是問題，這些臨床生產的片子是不太有機器學習、深度學習所需要的，這樣的團隊有沒有基本的標注能力可能都需要好好問一問。除此之外優秀的研發團隊、長期的資金投入、實踐的反復錘煉甚至背後真的拿著人工智慧去幫助醫學的決心，都是影響你今天能不能拿到一個成熟領域應用的影響。
怎樣做出可落地的醫療人工智慧產品？回到醫學這個問題上，為什麼依圖在安防領域、金融領域都有了成熟的應用以後我們非常堅定地進入了醫療領域。在我們看來醫療人工智慧不僅可以成功甚至可以成為中國的時代，這是我們一些基本的判斷。一方面華人在人工智慧領域的技術積累已經佔據了非常重要的位置，這是學術圈的一些進展。第二方面，人工智慧加醫學基礎研究環境和應用環境在中國非常好，不管是資料量、不管是我們市場需求的容量，還是說今天醫療資源分佈的特徵，決定了今天人工智慧和醫學結合的產品在中國有一個廣闊的空間。
下一個問題，我們沿著剛才的判斷去思考我們怎麼樣能做出落地的產品，我們要先想我們要做什麼。要回答一個問題就是今天人工智慧放到醫學領域的時候到底能為醫療做什麼，這是我個人觀點，有意義的人工智慧加醫療一定關鍵在於人工智慧加醫學，什麼意思？舉一個可能不太恰當的例子，比如說線上掛號產品。它是一個很有意義的應用，使得患者和醫療資源連接變得更順暢了，有很多人試圖在這裡面加上人工智慧技術，但是我覺得它是一個擦邊球，沒有真正摸到人工智慧和醫學結合的點，甚至更進一步的後面還可以加一句話，在我看來人工智慧想落地在醫學關鍵是人工智慧能夠幫助到醫生。
這是我作為人工智慧行業的從業者對醫學領域的解讀。一方面醫學本身具有很強的實踐性，比如說今天一個年輕醫生如何成為一個專家？第一，他離不開他的老師、科主任、教授的指導。第二，他離不開大量的臨床實踐。這就有一個問題，既然醫生的實踐水準提升是要嚴重依賴實力、嚴重依賴資料的，而今天這一波特別是以機器學習、深度學習為核心的人工智慧浪潮恰恰擅長的就是快速吸收資料的能力，是不是說醫學的特徵本質上就意味著醫學 AI 產品的上限是很高的，另外一方面醫學有著很強的嚴謹性，為什麼？如果我們草率地上線了一個不可靠的產品出了醫療事故怎麼辦？那是寶貴的生命，那就意味著今天科學 AI產品的底限也很高，不僅是可執行更要可依賴。我們真正要落地不只是一個Paper，而是一篇 Paper 你能獲得的能力在現實中串聯起場景，讓醫生可靠地應用，每次用的時候內心可以建立起對這個產品的信賴。
人工智慧和醫學結合最典型的三類場景人工智慧和醫學的結合最典型的三類場景是什麼？第一類其實看起來很淺顯要解決重複性的問題，最典型的就是影像學的閱片。每一個影像科醫生一天看片子是上萬張，然後這個量一方面意味著慢、一方面意味著疲勞可能帶來準確度的下降，它的價值顯而易見就是更快、更好，並且這個場景是現在很多圈子裡面人公認最有可能做出可依賴的產品，我們現在跟大家分享一下我們做的是什麼效果。這是胸部CT輔助診斷的產品，今天不是來跟大家分享做這個產品的經過，我們想跟大家講的是這個產品或者說這個場景我們應該注重什麼，更快、更好、可依賴背後意味著什麼。今天這樣的數字可能還不夠直觀，我給大家一個背後的直觀數字。這個產品在醫院醫生使用的時候有90%系統出的報告，不光是說把結節找到對它進行描述，我們會直接幫影像科醫生產出報告，這個報告臨床上採用率是90%，剩下10%醫生可以做一些檢出、修改和文字描述修改。這就意味著這個產品對影像科醫生來說是可以建立起信心的，而不是我做了一個模型伺服器在醫院然後來投資機構或者新聞媒體的時候可以展示一下，我跟這個醫院有合作，所謂的在醫院使用了。今天不管是投資圈朋友還是醫院的各位專家未來可能會看到越來越多的人工智慧產品，其實今天最能問住這些團隊的就是一個問題，你的產品有沒有在醫院當中使用起來、使用的比例是多少。
解決重複性問題是非常典型的場景，第二個場景是什麼？就是我們剛才說的，年輕醫生如果靠資料獲得了醫學水準的進步，那麼是不是意味著我們可以用資料培養一個人工智慧的模型？讓他逼近甚至部分超越專家的水準再拿這個模型説明基層醫生呢？我們在兒科領域做了一個這樣的產品，它基於頂級專家的優勢病例和門診診斷模型再拿這個模型説明基層醫生降低臨床誤診率。這中間用到的技術我就不說了，這是我們的演示圖，我們是會和門診的His系統進行整合，實際使用的感覺其實並不酷炫。系統會告訴你應該人工智慧診斷模型是什麼以及給你理由，這方面有一個關鍵的點就是可解釋、可信賴，大家想像一下比如說今天臨床醫生下了一個診斷人工智慧說你錯了，醫生怎麼去評判？我怎麼確定我能不能相信你的判斷？如果是一個影像學片子可以看，你說這有結節我沒看到，我上下翻一翻確實有一個結節，但是這樣一個東西關鍵要求人工智慧產品給出的結論可解釋才能可信賴。
這裡用到一個很基礎的技術，之所以在這講一下是因為我幾乎和所有醫院專家進行溝通的時候大家都對這個技術非常感興趣。剛才這位專家也提到了醫院有很多歷史病例資料的，怎麼樣用起來。包括剛才我們的模型是怎樣讓機器學習醫學知識的，這是一個很關鍵的動作，就是把病例裡面的版本變成一個結構化的資訊，在這個資訊上不管我們做歷史資料的BI分析還是做科研輔助、還是去做像剛才這樣的人工智慧產品的訓練，我們有了很大空間。這是我們現在做的大概性能大家可以簡單看一下，我在這就不過多介紹了。
第三類場景最典型的人工智慧可以起到用處的就是一個輔助醫學突破，這只是我們舉的一個例子，在這個領域其實可做的事情非常多、非常發散，這是我們基於現有的基因提取技術做的臨床科研輔助平臺。大家可以想像一下，基於剛才的資訊提取技術可以做到今天臨床所有資訊變得高度結構化，今天我們所有的回顧性或者分析類型的臨床科研是不是就可以非常容易的在一個平臺上做篩選，然後告訴我們你要觀測的變數、你懷疑的控制變數，我就可以幫你做出所有可能的結論並且直接把演算法的選擇和P值告訴你，這是一個比較粗淺的實踐。甚至說今天輔助醫學突破從一些實踐性的應用點也會獲得一些意想不到的效果。這是一會兒其他團隊做的兒童檢測，這本身是一個偏低列場景的東西，但是為什麼我在這提了一下呢？今天骨齡檢測國際上通用的方法都很難講，大家可能都知道這些檢測方法背後的資料集本身和中國的適配度是很難講的，今天既然人工智慧技術有著很強的處理能力，今天我們除了用人工智慧技術做一個現有演算法的智慧判讀之外，是不是其實有著空間去搞出來一個適合中國人使用的骨齡的檢測演算法。
最後我想跟大家簡單聊兩句人工智慧和醫生的關係。這個問題我和很多人都會問，這個問題在我看來，本身是不太成立的。要麼是一個新入行的人虛張聲勢，要麼是一些頂級專家的自嘲，其實在我看來是這樣。我對於二者的關係用一個詞可以概括，是駕馭。因為今天人工智慧產品想要成熟離不開醫生，今天人工智慧產品發展的方向對不對、好與壞的評判還是離不開醫生，今天如何使用人工智慧產品、如何避免人工智慧產品在臨床中出現一些我們不希望看到的情況、把控的能力還在醫生手裡，所以在我看來醫生必須駕馭人工智慧、醫生也必然會駕馭人工智慧。以上是我的一些粗淺觀點，很高興有機會跟大家分享，謝謝。
裡面有一些胸部 CT 片子並且已經做了標注，很多公司可以找兩個研發人員或者做演算法的研究生把這個 Paper 重現一遍，在這上面就可以做一個模型，這樣的東西離產品還有多遠呢？他可能都不懂結節和腫塊有什麼區別，因為只做到這個程度的話不可能知道一些產品。我們讓他找到一些不錯的顧問、全職合作專家，是不是就能做出可以落地的產品呢？還不夠，他做的可能是一個驗證性模型。比如說可能驗證了卷積神經網路在醫學、影像學病灶檢出類的命題上的作用，僅此而已，它的敏感性、特異性、穩定性、演算法方法性都還達不到今天臨床使用的程度。我們再給它加一點東西——優質的資料，我們和很厲害的醫院合作，拿到了大規模資料，是不是就能產出有意義的產品呢？在我看來還不是，它可能會有些單點可以用的產品，為什麼？因為消化資料的能力有根本的差別，第二是問題定義的能力有根本差別，第三是產出產品的方法性有根本的差別。我似乎意識到把人工智慧和醫學結合落地描述得非常非常難，到底怎麼樣才能落地？我試著列了一個公式，然後發現左邊要加起來的東西好多，成熟的AI技術、深入領域認知、優質資料、資料消化能力。資料的消化能力是什麼意思？比如說今天資料集裡面888份片子兩個研究生一個月可以訓練出一個模型，如果今天我們和一家醫院合作拿到了萬份、十萬份、百萬份的片子，他會不會用可能本身都是問題，這些臨床生產的片子是不太有機器學習、深度學習所需要的，這樣的團隊有沒有基本的標注能力可能都需要好好問一問。除此之外優秀的研發團隊、長期的資金投入、實踐的反復錘煉甚至背後真的拿著人工智慧去幫助醫學的決心，都是影響你今天能不能拿到一個成熟領域應用的影響。
怎樣做出可落地的醫療人工智慧產品？回到醫學這個問題上，為什麼依圖在安防領域、金融領域都有了成熟的應用以後我們非常堅定地進入了醫療領域。在我們看來醫療人工智慧不僅可以成功甚至可以成為中國的時代，這是我們一些基本的判斷。一方面華人在人工智慧領域的技術積累已經佔據了非常重要的位置，這是學術圈的一些進展。第二方面，人工智慧加醫學基礎研究環境和應用環境在中國非常好，不管是資料量、不管是我們市場需求的容量，還是說今天醫療資源分佈的特徵，決定了今天人工智慧和醫學結合的產品在中國有一個廣闊的空間。
下一個問題，我們沿著剛才的判斷去思考我們怎麼樣能做出落地的產品，我們要先想我們要做什麼。要回答一個問題就是今天人工智慧放到醫學領域的時候到底能為醫療做什麼，這是我個人觀點，有意義的人工智慧加醫療一定關鍵在於人工智慧加醫學，什麼意思？舉一個可能不太恰當的例子，比如說線上掛號產品。它是一個很有意義的應用，使得患者和醫療資源連接變得更順暢了，有很多人試圖在這裡面加上人工智慧技術，但是我覺得它是一個擦邊球，沒有真正摸到人工智慧和醫學結合的點，甚至更進一步的後面還可以加一句話，在我看來人工智慧想落地在醫學關鍵是人工智慧能夠幫助到醫生。
這是我作為人工智慧行業的從業者對醫學領域的解讀。一方面醫學本身具有很強的實踐性，比如說今天一個年輕醫生如何成為一個專家？第一，他離不開他的老師、科主任、教授的指導。第二，他離不開大量的臨床實踐。這就有一個問題，既然醫生的實踐水準提升是要嚴重依賴實力、嚴重依賴資料的，而今天這一波特別是以機器學習、深度學習為核心的人工智慧浪潮恰恰擅長的就是快速吸收資料的能力，是不是說醫學的特徵本質上就意味著醫學 AI 產品的上限是很高的，另外一方面醫學有著很強的嚴謹性，為什麼？如果我們草率地上線了一個不可靠的產品出了醫療事故怎麼辦？那是寶貴的生命，那就意味著今天科學 AI產品的底限也很高，不僅是可執行更要可依賴。我們真正要落地不只是一個Paper，而是一篇 Paper 你能獲得的能力在現實中串聯起場景，讓醫生可靠地應用，每次用的時候內心可以建立起對這個產品的信賴。
人工智慧和醫學結合最典型的三類場景人工智慧和醫學的結合最典型的三類場景是什麼？第一類其實看起來很淺顯要解決重複性的問題，最典型的就是影像學的閱片。每一個影像科醫生一天看片子是上萬張，然後這個量一方面意味著慢、一方面意味著疲勞可能帶來準確度的下降，它的價值顯而易見就是更快、更好，並且這個場景是現在很多圈子裡面人公認最有可能做出可依賴的產品，我們現在跟大家分享一下我們做的是什麼效果。這是胸部CT輔助診斷的產品，今天不是來跟大家分享做這個產品的經過，我們想跟大家講的是這個產品或者說這個場景我們應該注重什麼，更快、更好、可依賴背後意味著什麼。今天這樣的數字可能還不夠直觀，我給大家一個背後的直觀數字。這個產品在醫院醫生使用的時候有90%系統出的報告，不光是說把結節找到對它進行描述，我們會直接幫影像科醫生產出報告，這個報告臨床上採用率是90%，剩下10%醫生可以做一些檢出、修改和文字描述修改。這就意味著這個產品對影像科醫生來說是可以建立起信心的，而不是我做了一個模型伺服器在醫院然後來投資機構或者新聞媒體的時候可以展示一下，我跟這個醫院有合作，所謂的在醫院使用了。今天不管是投資圈朋友還是醫院的各位專家未來可能會看到越來越多的人工智慧產品，其實今天最能問住這些團隊的就是一個問題，你的產品有沒有在醫院當中使用起來、使用的比例是多少。
解決重複性問題是非常典型的場景，第二個場景是什麼？就是我們剛才說的，年輕醫生如果靠資料獲得了醫學水準的進步，那麼是不是意味著我們可以用資料培養一個人工智慧的模型？讓他逼近甚至部分超越專家的水準再拿這個模型説明基層醫生呢？我們在兒科領域做了一個這樣的產品，它基於頂級專家的優勢病例和門診診斷模型再拿這個模型説明基層醫生降低臨床誤診率。這中間用到的技術我就不說了，這是我們的演示圖，我們是會和門診的His系統進行整合，實際使用的感覺其實並不酷炫。系統會告訴你應該人工智慧診斷模型是什麼以及給你理由，這方面有一個關鍵的點就是可解釋、可信賴，大家想像一下比如說今天臨床醫生下了一個診斷人工智慧說你錯了，醫生怎麼去評判？我怎麼確定我能不能相信你的判斷？如果是一個影像學片子可以看，你說這有結節我沒看到，我上下翻一翻確實有一個結節，但是這樣一個東西關鍵要求人工智慧產品給出的結論可解釋才能可信賴。
這裡用到一個很基礎的技術，之所以在這講一下是因為我幾乎和所有醫院專家進行溝通的時候大家都對這個技術非常感興趣。剛才這位專家也提到了醫院有很多歷史病例資料的，怎麼樣用起來。包括剛才我們的模型是怎樣讓機器學習醫學知識的，這是一個很關鍵的動作，就是把病例裡面的版本變成一個結構化的資訊，在這個資訊上不管我們做歷史資料的BI分析還是做科研輔助、還是去做像剛才這樣的人工智慧產品的訓練，我們有了很大空間。這是我們現在做的大概性能大家可以簡單看一下，我在這就不過多介紹了。
第三類場景最典型的人工智慧可以起到用處的就是一個輔助醫學突破，這只是我們舉的一個例子，在這個領域其實可做的事情非常多、非常發散，這是我們基於現有的基因提取技術做的臨床科研輔助平臺。大家可以想像一下，基於剛才的資訊提取技術可以做到今天臨床所有資訊變得高度結構化，今天我們所有的回顧性或者分析類型的臨床科研是不是就可以非常容易的在一個平臺上做篩選，然後告訴我們你要觀測的變數、你懷疑的控制變數，我就可以幫你做出所有可能的結論並且直接把演算法的選擇和P值告訴你，這是一個比較粗淺的實踐。甚至說今天輔助醫學突破從一些實踐性的應用點也會獲得一些意想不到的效果。這是一會兒其他團隊做的兒童檢測，這本身是一個偏低列場景的東西，但是為什麼我在這提了一下呢？今天骨齡檢測國際上通用的方法都很難講，大家可能都知道這些檢測方法背後的資料集本身和中國的適配度是很難講的，今天既然人工智慧技術有著很強的處理能力，今天我們除了用人工智慧技術做一個現有演算法的智慧判讀之外，是不是其實有著空間去搞出來一個適合中國人使用的骨齡的檢測演算法。
最後我想跟大家簡單聊兩句人工智慧和醫生的關係。這個問題我和很多人都會問，這個問題在我看來，本身是不太成立的。要麼是一個新入行的人虛張聲勢，要麼是一些頂級專家的自嘲，其實在我看來是這樣。我對於二者的關係用一個詞可以概括，是駕馭。因為今天人工智慧產品想要成熟離不開醫生，今天人工智慧產品發展的方向對不對、好與壞的評判還是離不開醫生，今天如何使用人工智慧產品、如何避免人工智慧產品在臨床中出現一些我們不希望看到的情況、把控的能力還在醫生手裡，所以在我看來醫生必須駕馭人工智慧、醫生也必然會駕馭人工智慧。以上是我的一些粗淺觀點，很高興有機會跟大家分享，謝謝。