在医疗领域,一定是以临床实践的结果来衡量一款 AI 产品是否优秀,是否能够帮助到医生,是否能够帮助到患者,是否能够帮助到医疗机构,而不只是看其中某一个方面的具体数字指标。

 

技术实力该如何评估比较?

 

拆解来看,目光多半要聚焦在测试比赛、论文发布、行业案例到项目招投标 PK,但在算法水平看起来越来越趋同的今天,小数点之后的识别率比拼,反而不在于技术本身。

 

这一点,依图科技一直看在眼里。「99% 识别率的算法和 99.99% 的算法,区别在于可解锁的应用场景。」依图科技创始人朱珑曾撰文提到。

 

以计算机视觉入手拓展到自然语言处理的技术路线之外,依图选择着重突破两大行业方向——安防和医疗健康。

 

两年前,依图科技成立了独立子公司挺进医疗行业。

 

很显然,整个就医环节仍有很多待解的痛点,这给了市场足够多的想象空间。新技术门口总是挤满一波轰然而上的变革者,一边是对变化的渴望,另一边是难跨越的行业门槛,从在线医疗、移动医疗到数字健康,创新者的窘境反复上演。

 

再一次迭代,医疗又成为 AI 行业的「兴奋剂」。根据公开数据统计,近两年时间至少已经有超百家 AI 医疗公司,而热门应用医学影像吸引其中半数企业,原因就在于放射学科掌握 80% 以上的医疗大数据,是疾病诊断的入口。

 

但还是那些老问题,一切最难点还要回到解决临床科室面临多学科数据的挑战上。「而未来 AI 真正重要的应用场景也在临床科室。」依图医疗总裁倪浩说。

 

不难理解,医疗 AI 直面临床实践,所有的 AI 产品最终都要接受临床的考验。

 

在大家都还在谈算法的时候,这家 AI 公司要到医疗行业深处,研究行业和数据标准的问题。

 

算法是基础,不能忽视,但「翻译问题」的能力很重要——

 

如何理解医生的临床痛点,把医生的需求翻译成计算机领域的需求?

 

如何在算法的基础上搭建具体产品?

 

如何根据临床医生的反馈不断调整算法?

 

「很多因素都会影响产品的最终表现,尤其是在医疗领域,一定要以临床实践的结果来衡量一款 AI 产品是否优秀,是否能够帮助到医生,是否能够帮助到患者,是否能够帮助到医疗机构,而不只是看其中某一个方面的具体数字指标。」

 

为了避免训练用的数据集、标注人员和方法的差异带来的波动,依图医疗选择不再特别强调敏感性、特异性等标准,而是瞄向医生对 AI 产品生成的结构化报告的采纳率。

 

这既是一个最直观的效果对比,也更贴近医疗行业规则——只有医生认可你的报告,才有价值。根据倪浩的说法,从依图肺癌影像智能诊断系统部署到近百家三甲医院的临床实践应用中看,结构化报告的直接采纳率是 92%。

 

6 月中旬,依图和四川大学华西医院推出首个基于多维临床数据智能治理的医疗大数据 AI 应用——肺癌临床科研智能病种库,以及全球首个肺癌多学科智能诊断系统。

 

在中国卫生信息与健康医疗大数据学会会长金小桃看来,「这是 AI 医疗从科研走向临床的标志」,而对依图医疗而言,这是撬动行业的支点。