从“健康优先”到“AI优先”，Rad AI 如何用 AI 改变医疗保健？
AI+医疗保健一直是备受创投圈关注的垂直赛道。根据硅谷科技评论（svtrai）数据库，近一年来，全球 100 多家AI+医疗初创企业获得机构投资。微软、谷歌和 AWS 等科技巨头与 Epic 和 Mayo Clinic 等医疗保健巨头建立重要合作伙伴关系，推动大模型的采用。
由于影像科室与科技行业结合紧密的特性，影像往往成为AI最早的突破口。近期这一领域大量公司迅速拥抱AI，经历了从自建大模型、采用开源模型到深挖数据护城河的转变。由13岁上大学、16岁上医学院的华裔Jeff Chang创立的Rad AI，则是从“健康优先”转型到“AI优先”的典型代表。
Rad AI 是一家致力于将人工智能技术与放射学结合的初创企业。该公司旨在通过开发基于大型语言模型（LLM）的工具——Omni 和 Continuity，一款放射学报告工具和一款患者管理工具，来支持医疗保健专业人员的工作。这些工具旨在简化医疗保健行业的日常报告与数据管理任务。公司产品被美国约三分之一的卫生系统和美国 10 个最大的放射学集团中的 9 个使用，创造了超过八位数的年度经常性收入（ARR）。
Rad AI从包括 ARTIS Ventures、OCV Partners、Kickstart Fund、 Gradient Ventures（Google 的专注于人工智能的基金）、Khosla Ventures、World Innovation Lab 等机构筹集资金超过1亿美元。还与 Google Cloud 建立合作关系，共同开发基于 LLM 的医疗行业应用。
2024 年， Rad AI 迅速从“健康优先”公司向“AI 优先”公司转变，而这一转变的直接推手就是毕业于斯坦福大学的 Rad AI 工程副总裁 Ken Kao。
他曾任职Meta，担任VR工程系统工程总监，负责支持当前AR和VR设备并开发新设备；还曾在Airbnb，担任托管工具工程总监，领导多个团队开发包括网络、后端、移动和数据工程在内的托管工具；还曾在Axoni，担任工程领导，领导三个团队开发企业区块链解决方案。以下是对Ken Kao的专访。
1、请介绍一下您的背景以及是什么促使您加入 Rad AI？
嘿！我叫 Ken，是 Rad AI 的工程副总裁。我于 4 个月前加入 Rad AI，此前，我在 Meta 从事 AR/VR 工作，主要研究围绕 GPU、CPU 和耳机内存优化的核心技术。在那里，我还致力于开发人员基础设施和仿真——从某种意义上说，是深入的系统级工程。在此之前，我在 Airbnb 负责托管工具，与医疗保健和区块链初创公司合作，还在 Palantir 从事大数据和机器学习工作。
我加入 Rad AI 主要是基于几个关键理由。
首先，Rad AI 是为数不多的能够即刻发挥作用的医疗保健人工智能公司。我们的产品每天被超过3000名医生使用，我们已经大规模部署了模型，这些模型实际上提高了医生的工作效率，每9小时的班次可以平均节省1小时，同时减轻了医生的疲劳和职业倦怠。此外，我们还利用人工智能进行后续管理——通过我们的软件，我们每年帮助数百名患者及早发现癌症。
其次，从商业角度来看，我们的年度经常性收入（ARR）同比增长三倍，我们有数千名医生成为付费用户。在战略上，我们拥有强大的数据优势，拥有超过5亿份放射学报告，大部分数据具有排他性——没有其他人工智能公司能够建立到这种程度的精细调整和定制化模型。在企业文化方面，我非常欣赏我们的创始人——他们不仅仅有强而有力的愿景，还成功地找到了放射学与人工智能的完美结合点——以及我们的执行团队。
最后，我意识到我们的产品具有人工智能的独特优势。如果我们失败，最大的风险可能是产品策略的执行问题，而非市场风险。作为一名加入的工程高管，我知道我能够在这方面做出我的贡献。因为技术执行，正是我能够真正作出贡献的地方。
2、您会如何向医疗保健专业人员或人工智能工程师描述 Rad AI 的核心产品？
我们有两个产品生态系统。
第一个产品生态系统名为“持续性”（Continuity），这是我们的患者随访管理软件。对于接受放射学检查的许多患者而言，检查结果中可能显示出需要进一步追踪的重要发现，如新发现的癌症或正在扩大的动脉瘤。然而，通常只有 25% 至 35% 的患者会按推荐做后续的影像检查。
通过使用“连续性”系统，我们接收所有放射学报告，并通过我们的自然语言处理（NLP）模型进行处理，根据国家共识指南自动进行分类和子分类，确定合适的随访时间和必要的随访检查。接下来，我们系统自动地与医疗服务提供者和患者进行沟通，并完成预约和状态自动更新。
我们通常可以将成功的随访率从30%提高到75%-90%甚至更高——这是超过两倍的增长。这显著提高了患者护理的质量——确保癌症患者得到早期诊断和治疗，减少了卫生系统的法律责任风险，并为卫生系统带来了影像检查收入。
第二个产品生态系统是报告（reporting）。实际上，放射科医生大部分时间都在口述报告——通常，他们75%-80%的时间花在使用语音识别进行手动口述上，而实际上审阅图像所需的时间要少得多。我们的大型语言模型（LLM）允许放射科医生仅口述图像中的关键阳性发现，我们会以他们偏好的模板和语言自动生成部分或全部报告，从而节省大量时间。
我们的LLMs可以根据他们的历史报告进行微调，让整个报告的措辞与他本人完全一致，放射科医生说我们正在“读懂他们的想法”。使用这种方法，我们可以将放射科医生口述的单词数量减少多达90%，并节省50%的时间。
在这个生态系统中，我们最初推出的一个款产品是生成“印象摘要”（Impressions summary ）部分，可以为医生在每个9小时的班次中节省1小时。这一个产品就为我们带来了接近八位数的年度经常性收入（ARR）。现在，我们正在进一步为医生提供更多的增值服务，节省更多时间。
3、请与我们分享 Rad AI 从一家专注于健康的初创公司进入 LLMs 和生成式 AI 世界的历程。
Rad AI 于 2018 年启动，距今已有 6 年了。在最初的 4-5 年里，我们在 LLMs 出现之前基于 Transformer 构建了自己的语言模型。这是一项繁重的工作 - 我们必须构建自己的评估和推理框架，甚至建立专门的模型团队。随着时间的推移，专有和开源社区加速发展，我们不再需要构建自己的模型 - 在我加入的时候，我们开始努力专注于我们的主要竞争优势：我们强大的数据护城河。
因此，我们决定采用开源模型，并用我们自己的数据对其进行微调，同时保证我们高效的预处理和后处理（preprocessing and postprocessing）流程。在我们的“印象摘要”产品中，我们发现准确性提高了，服务成本降低了，推理时间也减少了50%。这是我们的一个重大转折点，从最初的专有模型转向微调开源模型。
我们目前不相信有一个大模型可以统治一切，因为模型复杂性以非线性方式增长 - 例如，与 50b 参数模型相比，训练 100b 模型的成本不是 2 倍，但可能是4x 或 8x，因为它是二次方。因此，我们实际上有 5-6 个模型用于不同的任务 - 内部模型和微调的开源模型的组合，并且我们还利用 Google 和 OpenAI 的专有模型来执行某些特定任务。这就是我们内部采用的混合模型方法。
4、从文化角度来看，Rad AI 如何存在于人工智能和医疗保健的交叉点？作为一个组织，有什么独特之处？
Rad AI 与我接触过的许多其他人工智能公司不同，它不是由 OpenAI 或 DeepMind 的前研究人员创立的。它主要由放射学领域的人士创立——我们的联合创始人之一本人就是一名放射科医生，尽管之前有机器学习方面的经验。当然，我们引进了熟练的工程师和人工智能科学家，总体来看，我们的文化与今天的人工智能初创公司不太相似，而更像是一家专注于放射产品的公司。
这是在放射学领域建立强大品牌的关键，也是取得合作伙伴深度信任的原因——Rad AI 现在是放射学领域最知名的人工智能公司，美国超过三分之一的卫生系统和放射学团体都在使用 Rad AI，并且最近荣获 AuntMinnie 颁发的“2023 年最佳新放射学软件”——放射学领域最著名的年度奖项。
在今年一月份，我们宣布Rad AI正在发展成为一家人工智能优先的公司，这样做的一个关键原因是因为我们意识到我们的许多产品和技术可以应用于邻近学科 - 例如，在肺科和心脏病学的工作流程中应用患者随访管理、各种癌症筛查程序，或者跟踪实验室、生命体征和病理学的随访及专科转诊，以确保糖尿病、高血压和许多其他慢性病的及时诊断。我们正在努力转向其他医疗专业领域扩张，因此我们决定从一个人工智能的放射科公司转变为一个在放射科基础上建立的医疗人工智能公司。这对我们来说是一个重大的转变。
作为一家专注于放射学产品的公司的优点是，我们非常了解放射学领域，能够快速响应和适应医生的反馈，并且具有非常切中要害的产品洞察力。然而，缺点是我们的技术落后于洞察力——我们首先获得洞察力，然后工程通常会迎头赶上。我们正在尝试扭转这个局面，我要求我们的团队思考的问题是：我们未来需要哪些基础技术？我们如何投资平台和人工智能研究，以便准备好将其应用于新的想法和商机？
5、在持续的大型语言模型（LLM）数据授权争论之中，您如何处理患者数据？如何克服这一领域不可避免的隐私和数据问题？
这方面有两个因素使我们与众不同。首先，作为2018年唯一一家在放射学领域训练Transformer 模型的公司，我们在构建专有数据集进行LLM训练以及与美国各地的医疗客户合作方面有了很长时间的领先优势。那时候，这些模型还没有被称为LLM或生成性AI。由于我们特定的产品用例，需要从每个客户那里获取历史数据，以便提供我们产品最为知名的两个功能：个性化的语言和节省用户时间。
到目前为止，我们产品的实用价值已在医疗行业广为人知，Rad AI品牌也受到美国十大放射集团中九家的信任，这有助于我们更快地扩展到新客户。当然，Rad AI也获得了SOC 2 Type II HIPAA+ 认证，并且每年进行第三方审计。鉴于我们报告数据集的巨大规模以及我们在此领域多年的工作，我们也以拥有行业中最强大的放射学报告去标识化流程而闻名。
第二个因素是关于使用数据本身。我们有一个强大的数据飞轮——每当我们生成放射学报告文本并且它不完美时，放射科医生可能会进行微小的修改，签字并发送出去。我们将获取修改数据并将其反馈到我们的系统并重新训练模型，以便更多的医生使用我们的产品，我们就可以更好地为他们进行精确的语言定制，同时他们可以节省更多的时间。
我们拥有的网络效应，类似于谷歌搜索——你在谷歌上搜索的越多，它收集的反馈就越多，它就能更好地为你提供准确的结果。对我们来说，您使用我们的产品越多，我们就越能改进您模型的精确定制，然后产品就会变得更适合您。这是一个非常有价值的飞轮。
6、您是如何在一个受到严格监管的传统行业中开发突破性技术的？您的产品在市场上地位如何？
我们的两款产品都在市场上获得了强劲的吸引力。我们的收入逐年快速增长，实际上，报告（reporting）这款产品我们拥有更多的客户，主要是因为我们为放射科医生节省了大量时间，为放射科团队和医疗系统的放射科医生提供了明显的价值。
患者随访管理产品（Continuity），我们与每个卫生系统的多个临床医院和关键利益相关者合作，虽然比较复杂，但我们在这一领域也拥有相当多的客户。此外，患者随访管理的每份合同规模通常是报告服务合同规模的几倍，同时也为我们服务的患者带来了巨大的益处。
从医疗行业的角度看，相比其他医疗专业，放射科医生通常更倾向于采用先进技术。这可以从他们当前的软件使用情况中看出来——他们使用PACS影像查看器和高级可视化软件来查看扫描结果，并拥有广泛的注释和重新格式化工具。我们的报告解决方案还支持将影像AI结果直接集成到报告中，并且能无缝融入现有的工作流程，这使得放射科医生更容易采用这些技术。
在医院系统中，采购过程可能更为复杂，因为购买者并非软件的实际使用者。我们需要证明我们的产品可以提升医疗系统具体的投资回报率（ROI）。例如，我们的报告（reporting）解决方案显著提高了报告的整体准确性，从而提升了患者护理的质量，并且减少了放射学检查的周转时间，这对医疗系统来说非常重要。
我们的患者随访管理解决方案（Continuity）也为卫生系统带来了真实的投资回报 - 适当随访带来新的影像收入，确保癌症患者得到早期诊断和治疗，并降低卫生系统的责任风险。
7、从一家“健康优先”的公司转变为“人工智能优先”的公司是什么感觉？
我必须高度赞扬我们的两位联合创始人，因为我认为，自从我推动我们成为一家人工智能优先的公司以来，有时我会得到一些不应有的荣耀。事实上，我认为他们应该得到更多的荣誉，因为他们是公司的创始人。这是他们的公司，他们决定如何处理它。就人工智能而言，他们对这种转变和新想法非常开放，并且完全支持我们的这种转变。
很难找到非常愿意并适应变革的创始人，一旦你说服他们有一个好主意，他们就会接受并全力支持。因此，我们的创始人接受了这一转变，这在很大程度上要归功于他们。
8、今天公司团队有多大？如果用三个词来描述公司文化，您会选择哪三个？
我们成长得非常快。我四个月前加入时，我们的全职员工还不到 80 人，而现在，我们的员工接近 100 人，其中一半以上是工程师。
就文化而言，我用的三个词是透明、好奇和协作。我们非常透明 - 我们每周都会在公司会议上庆祝胜利并分享团队各个部门的进展和挑战。我们非常擅长协作——放射科医生、工程师和产品经理紧密合作来开发和改进我们的产品。我们还有好奇心 - 工程师总是在了解更多有关放射学的知识，而我们的销售团队成员总是在了解更多有关人工智能的知识。总之，我们是一群非常好奇的人。
硅谷科技评论（svtr.ai）AI创投社区覆盖人数超过10W，其中AI从业者超过10000人，大都来自全球科技大厂、顶尖投资机构和高潜创业企业。如果您有兴趣加入，或者成为我们的导师、顾问或是创业合伙人等，欢迎联系凯瑞（pkcapital2023），与一群志同道合的伙伴一起构建。文末扫码访问AI数据库和社群通讯录。
AI周报：
| 001 | 002 | 003 | 004 | 005 | 006 | 007 | 008 | 009 | 010 |
| 011 | 012 | 013 | 014 | 015 | 016 | 017 | 018 | 019 | 020 |
| 021 | 022 | 023 | 024 | 025 | 026 | 027 | 028 | 029 | 030 |
| 031 | 032 | 033 | 034 | 035 | 036 | 037 | 038 | 039 | 040 |
| 041 | 042 | 043 | 044 | 045 | 046 | 047 | 048 | 049 | 050 |
| 051 | 052 |
AI创投
+
AI行业
+
AI公司
+