0
| 本文作者： 李雨晨 | 2019-04-09 20:37 |
近日，推想科技在北京发布了AI学者科研平台——InferScholar® Center，为医生提供零门槛的AI科研能力。医生可以把深度学习、影像组学以及文本数据处理相关的前沿技术应用到自己的临床科研实践中。
AI在医疗领域的应用是一大热门，围绕筛查、辅助决策等开发的AI产品层出不穷。这些产品在一定程度上，减少了医生在临床工作中的负担。但是，医生很忙，除了每天的临床工作，他们还承担着大量的学术科研任务。
推想发布的这款平台，主要定位于医生的科研创新需求。科研平台能够给医生带来哪些实际价值，其背后又有哪些战略思考？就这些问题，雷锋网与推想科技营销总裁席渭龄以及科学家等人进行了一次采访。
（推想科技营销总裁 席渭龄）
临床和科研，是医院和医生的两个硬需求。
去年8月的一次论坛上，中南大学湘雅医院院长孙虹明确表示：如果没有国家自然科学基金的，没有比较高的学术地位的，不管多有水平的医生，在湘雅医院都不能当科主任。科研在医生进阶过程中的分量可见一斑。
临床科研，是循证医学的需要，现在临床上能达到的水平远远不能满足人类对疾病的探索，对治疗方案最优解的追求。对于医生来说，一边做临床，一边做科研，两条腿往前走，医疗才能发展。
但是现实情况是，医生大部分时间都在处理临床问题，很难有时间去做科研。《中国医生生存现状调研报告》显示，77%的医生曾一周工作超50小时，更有24.6%医生曾一周工作超过80小时。“
“过去我在传统器械商的时候，CT只有一层图像，20多年后，胸部扫描有300多层。技术的进步让医生对患者的疾病认知更清晰，但我也亲眼看到医生的负担是如何增加的。”席渭龄是推想科技的营销总裁，在此之前，她曾在飞利浦工作超过22年。
医生做科研，一方面是缺乏时间，另一方面则是没有技能。“很多时候，医生并不是写不出论文，而是缺乏数据处理的能力。这是制约医生进行科研的重要原因。”
处理数据能力的短板成为医疗数据被闲置的一个重要因素。据美国临床肿瘤学会（ASCO）统计，美国也仅有不到3%肿瘤患者的数据被结构化用于研究，剩下97%的数据都闲置在医院的医院信息系统（HIS）里或者病历病案室中。
2017年深度学习的爆发，让很多医生开始利用一些新的技术来做科研。“我们发现临床医生有高质量的数据，也特别有想法。但是，医生缺乏IT和数学技能来利用这些数据。”
这是因为，从事深度学习和影像组学研究往往需要具备扎实的代码能力，以及全面的数学、统计、计算机工程基础，甚至还需要认知科学的理论常识，形成这样跨学科的知识体系往往需要多年的系统化训练，也成为了深度学习和影像组学研究最高的门槛。但是，绝大多数医疗机构缺乏进行深度学习及影像组学研究的基础设施和专业人员。
推想科技首席临床科研合作科学家沈云博士在AI学者科研平台InferScholar® Center的发布会上曾说，专家是AI开发与应用的核心力量，有没有办法让医生跨越编程的障碍、赋能医疗专业开发能力是AI的重要命题。
医院和医生有很强的科研需求，但医学与IT的天然鸿沟，需要一个可以跨越不同话语体系、降低学习门槛的操作平台，让AI可以成为临床科研的有效工具。席渭龄说到，AI本身是一项通用技术，并不是专门由医疗派生的东西，把AI技术用在医疗领域时，两者的结合非常困难。
因此，推想科技投入科研平台的研发——让医生“零门槛”、“全程可视化”的简单易用的AI科研平台。
具体来看，推想发布的这款AI学者科研平台——InferScholar® Center，是软硬件一体的医学AI设备，有50种前沿的深度学习与影像组学算法，可以用于医学影像大数据管理与分析、数据标记、深度神经网络模型构建、影像组学特征提取、组学特征分析与机器学习模型构建等研究。
当然，这款平台也支持创建、修改、编辑模型源代码的功能，让具备代码基础的研究人员依据个性化的需求编辑预置模型代码或者创建全新模型。
根据雷锋网的了解，平台能应用于X线、CT、MRI、PET/CT、病理切片、消化内镜等多种影像数据的深度学习与影像组学建模。除影像数据外，InferScholar® Center还能够合并利用临床结构化文本信息，研究各类医学命题。
在具体操作上，医生只需根据界面录入相关数据，并对相应参数进行设置，即可完成准备工作。对于每一个参数的调整系统都会给出一个可视化输出结果，医生能根据预先结构优化已有模型。
完成准备工作后，平台会借助成熟的算法对医生所给出的数据进行处理，医生只需等待平台运行并给出相应结果即可。
推想的科学家表示，利用InferScholar平台研发的科研成果，都会有对应论文的产出。在论文中，AI科研平台会详细阐述训练数据集的采集方案、标注方案。同时也会阐述该研究成果利用InferScholar平台研究过程中使用的算法方案，学者一般可以根据这些信息来复现场景。
除了保证科研成果的“可解释性”，医学数据的安全性同样重要。InferScholar® Center考虑到了医学临床科研的安全性需求，采用软硬件一体机的方式，直接交付到医院，在与互联网完全隔离的环境中工作，能做到数据不出院，保证医院所有的科研数据、模型算法、研究成果没有泄漏的风险。
推想的科学家也表示，如果多家医院进行协作科研，联合使用InferScholar® Center平台，推想会在所有医院都认同的情况下，提供区域性数据共享的解决方案。这些需求在产品上都能实现，更多取决于医院本身的诉求。
2018年11月，推想科技成立“推想科技全球临床科研合作学院”，沈云博士加盟并担任临床科研合作学院院长及首席临床科研合作科学家，主要负责医疗影像AI临床科研的工作。
推想科技两大科学家团队——全球临床科研合作学院（iCR）和另一个由科学家团队组成的先进研究院（iAR）将围绕InferScholar® Center，为平台上的医疗科研人员提供基础模型以及临床研究的各类开发、培训、辅助等服务。“大家一起制订研究方向，把方法论、工具交还给医者，让他们进行选择与训练，这就是定制化的科研服务。”
席渭龄说到，推想未来的战略是，在保持产品与科研齐头并进之外，思考如何能在更纵深的应用场景里发展。往更远处看，这个AI科研平台就是未来推想和医生科研的基础。InferScholar® Center可以由医生完全主导基于AI的医学研究，未来会有更多研究转化成产品，这样可以更快地推动医疗技术、医疗事业的进步。
目前，推想的InferScholar® Center平台已在同济医院、长征医院等顶级三家医院得到应用。
今年三月，韩国的几位医学博士发表了一篇论文。研究表明，90%在研究期间发表的医学影像AI算法性能的评估实验，都是为验证技术概念的可行性而设计，没有对AI算法在实际临床环境下的性能进行严格验证。
在采访中，席渭龄也提到了，临床环境验证是一个很重要的问题，没有在临床环境当中验证，这个产品就不是真正可靠、有效。
说到临床环境的问题，雷锋网在推想公司的总部看到了一个有意思的现象：有两间相邻的办公室，办公室的名字很特别，分别是“神经外科”和“神经内科”。但这两个办公室并不是为医生团队准备的，而是两位创始人的办公室。工作人员跟我们说，“神经外科”是CEO陈宽的办公室，“神经内科”则是COO王少康的。
也许办公室的命名，只是两位创始人的一种幽默感和自嘲。但在某种程度上来看，也多多少少能反映创始人内心的一些东西。陈宽一直坚持的是“从临床中来，到临床中去”的理念，在此前的一些采访中，他曾说会让技术研究人员轮流呆在医院，每天跟医生一起工作，通过临床案例去了解医生的需求。
比起一两年前“取代医生”的论调，如今的技术人员愈发尊重医生的工作流程和工作需求。2018年，与推想有合作关系的医院应用AI技术在RSNA上的投稿数量只有6篇，但是，截止到2019年3月26日，投稿量已经超过100篇。席渭龄说，这些论文全都是在医院真实的临床环境当中做的。AI科研平台“就是为了让AI产品得到临床验证，能够证明它的可靠性、有效性。”她还笑着说，“今年我们曾和沈云博士开玩笑，让他们投到150篇的论文。”
陈宽曾表示，医疗行业任何商业模式都建立在产品能在临床上发挥价值的前提下，只要做到这一点，商业化不是太大问题，推想在做的就是为这些医院提供更好的体验，提高产品黏性。
在医疗AI的盈利模式尚不明朗之时，与医生进行科研合作、进一步加深双方的默契和紧密度，是一条可行的道路。关于AI科研平台的商业模式，席渭龄在采访中说到，“我从来没有怀疑会缺少商业模式。否则，我不会跳出工作过22年的飞利浦，如果说真的有风险的话，那就是产品是不是真的符合医生的需求，医生是不是愿意用。如果他愿意用，就一定会付费。”
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
