一个小众领域，如何成为人工智能医疗的下一个风口？

编者按：尽管聚焦阿尔茨海默病的AI团队还处于产品打磨期，面临着数据短缺的困境，但人口老龄化会带来预期中的风。

自从人工智能（下称AI）大热以来，赵地已经见过20多个投资人。

赵地是中国科学院计算机网络信息中心“百人计划”入选者、副研究员，回国前在美国哥伦比亚大学医学院从事医学信息领域的研究。“我在这个领域积累很多年，他们都说你怎么不去创业，也去融资几个亿。”他对《财经》记者说。

“几个亿”的调侃源自推想科技的融资。9月21日，该公司宣布完成1.2亿元B轮融资，这是目前国际医学影像人工智能行业内最大规模的单笔融资。一位长期报道AI医疗的媒体人评论称，AI医学影像从此进入B轮融资时代。推想科技专攻肺结节智能筛查领域，被认为是AI医学影像的风口。相对来说，赵地研究的阿尔茨海默病目前属于小众领域。

这在很大程度上，是由于中国对该病症的重视程度不够造成的，呈现就诊率低、诊断率低、治疗率低的“三低”局面。实际上，阿尔茨海默病的患者人数在快速上升，全球每4秒钟就会增加1个阿尔茨海默病患者。根据国际阿尔茨海默病联合会报告，2015年中国阿尔茨海默病患者超过950万，患病人数已居世界第一，且仍在快速增长，2050年将达3000万。

“如今，老龄化、癌症和慢病管理是几个比较重要的话题，未来大的投资机会也会在这三个方向。”据赵地介绍，阿尔茨海默病等老年退行性疾病是北京市科委长期关注的课题，他就从北京市科委获得多项资助。他认为，随着老龄化的问题更加凸显，阿尔茨海默病的人工智能医疗市场将更广阔。

训练医疗大脑

赵地领导的课题组从2015年开始，探索AI在阿尔茨海默病、帕金森氏病等老年退行性疾病领域的应用，目前仍在科研阶段。

比较而言，雅森科技的进入时间要早的多，从2006年就开始研发AI诊断阿尔兹海默病，“从整体的账目上来讲，过去10年，我们都处于一个净投入的状态。”公司CEO陈晖告诉《财经》记者。

阿尔茨海默病，俗称老年痴呆症，是一种发病进程缓慢、随着时间不断恶化的持续性神经功能障碍，该疾病的真正成因至今仍不明确，没有可以阻止或逆转病程的治疗。

然而，如能在患病早期及时发现，就有机会提早干预，以有效减缓病情的恶化。问题是，阿尔茨海默病的症状以及检查指标等的非特异性，较难实现早期诊断。目前，全球各地的研究人员都在开发尽早检测的方法，AI是其中的一种。

临床上，诊断阿尔兹海默病要通过神经心理学测验、血液学检查、结构影像学或功能影像学检查、脑电图等方式综合诊断。其中，核磁成像是诊断阿尔茨海默病的重要一环。

研究人员设想，基于深度学习在图像识别领域的突破，再结合其他信息，进行阿尔茨海默病的诊断，甚至预测。前不久，意大利的研究人员就宣布开发了一种人工智能算法，可以在阿尔茨海默病出现症状之前10年，就从大脑的核磁成像中发现微小的结构变化，给出预警。

据雅森科技研发总监杨士霆介绍，很多已经确诊为阿尔茨海默病的患者，早期的核磁影像并未发现任何异常，因此不能依靠单一的影像来诊断。为此，雅森科技的做法是输入核磁、脑电图和量表三种不同类型的数据，并综合运用机器训练、统计分析和深度学习的方法，找出患者是否患病与输入信息之间的关系。

也就是说，阿尔茨海默病诊断所用到的人工智能，不是传统意义上的深度学习对医学影像的识别，而是要在此基础上，找出多种信息源之间的联系。“许多AI影像公司基于大量数据培训出从图像中找出差异的眼睛，而我们培训了一个大脑，从不同的数据中寻找关系，不停训练，提升准确度。”杨士霆说。

赵地对此的总结是，核磁影像处理加临床决策支持，搜集过往病例，处理数据，得到一个诊断决策支持模型。

这意味着，影像数据仅是AI团队需要搜集数据的一部分，除此之外，临床决策支持模型需要更多医学背景的人来参与。赵地的合作伙伴、来自第四军医大的两位访问学者，如今长驻在北京，与赵地泡在同一个实验室；雅森科技的研发团队也大都具有生物医学工程及医学影像分析背景。

从数据困境中突围

机器学习依赖于海量的数据，有效的数据是AI公司的命脉。

医学上所有影像相关的领域，都值得用AI的方法探索诊断，而决定某个领域发展先进或落后的根本因素，还在于训练数据量的多少。赵地认为，“人工智能算法虽然还在不停发展，但短期内看不到革命性的变化，一个团队与医院的合作，决定了能获得多少数据，有多大的应用市场。”

在常规体检中，胸部CT是其中一部分，产生的海量胸部CT数据吸引着一大批AI公司蜂蛹进入肺结节智能筛查领域。据粗略统计，目前国内有70多家AI医疗公司，其中20多家公司明确宣称，主要关注肺结节人工智能诊断领域。根据依图医疗的数据，截至2017年8月底，其肺结节智能筛查系统的临床数据集超过100万份。

阿尔茨海默病的病例数据难以比肩，这是否会阻碍人工智能诊断技术的前进步伐呢？

对此，杨士霆的看法是，“少，但够用。”

赵地认为，在AI领域，强调几万、几百万例数据意义不大，深度学习技术结合先验规则就能达到一定的准确度。

前述意大利的研究中，用于训练人工智能的核磁图像只有67张，其中38例来自阿尔茨海默病患者，29例来自健康人士。完成训练后，该人工智能对148名受试者的核磁图像进行了测试，检测出轻度认知障碍的成功率达到了84%。

实际上，尽管肺癌是我国发病率最高的癌症，相关数据的储存量很多。但就人工智能可以使用的标记数据而言，一家三甲医院一年提供给合作伙伴的数据大约有2000例左右。

因此，人工智能医疗领域的现状是，大家都缺数据。今年，业内人都将话题聚焦在，如何用较少的有效训练数据达到较好的准确率。

当然，数据仍是驱动AI医疗的最强引擎。赵地表示，AI在阿尔兹海默病领域的应用核心也是数据驱动，数据越多，效果越好，诊断速度越快。

到目前为止，雅森科技搜集了500～700例病例。杨士霆告诉《财经》记者，因为阿尔茨海默病的进展是长期、缓慢的，更多需要的是长期的随访记录，“我们拥有的500～700例数据，也是积累了5年以上的。”

2016年12月，雅森科技完成数千万人民币A轮融资，融资的主要用途之一就是数据收集。

寻找商业模式

在与医院院长的接触过程中，陈晖发现，很多院长倾向于认为数据是医院的资产，他们不想把数据贡献出去让AI公司进行商业化变现，而是希望后者帮助医院挖掘这些数据的价值，使之变成医院自身的诊断能力。

为此，雅森科技选择的商业化路线是从底层的数据质控开始，帮助医院采集符合AI规范的数据，提供医院AI的模型，帮助医院构建自己的AI能力。

今年3月，迅雷创始人、互联网领域投资人程浩撰文称，技术创业者如果只定位做技术提供商，而不直接面向用户或客户提供整体解决方案，未来价值会越来越小，不往上游走风险非常大，甚至是死路一条。

陈晖的观点与此不同，“至少在可预见的未来，医院对于服务的需求是大于产品的需求。”在他看来，深度学习更适合做服务，因为算法产生的壁垒不够强，反而数据是最重要的要素；而相比于数据，多模态模型，即建立不同来源、不同类型数据之间的关联，则难上加难。“在这个领域，未来可能是产品和研发公司主导。”

为此，雅森科技今年将主要提一个新名词：“全流程”，针对脑部疾病，向医院提供从数据质控到诊断的全套解决方案。

除此之外，产品普适化的问题也促使雅森科技选择这种打法。不同医院医疗设备的生产厂商不同、分辨度不同、参数不同等，可能导致实验室中敏感度达99%的产品，实际应用时只有30%左右的敏感度。

到目前为止，雅森科技产品在实验室做过的临床测试结果是：每50例中会有1例系统的判断结果有所偏差，下一步要扩大样本量使得算法模型更加精确、更加具有普适性。陈晖透露，目前在与相关部门沟通，希望基于公司产品定一个临床试验的数据量，“但目前该数据还未知”。

陈晖推测，“可能会要求在不低于2家医院、不少于100或200例规模的临床数据，如果达到要求，就可以认证通过。”目前雅森科技正在产品的调优和定型阶段，该系统要想进驻更多的医院，就需要更多的数据以提升系统的普适性。

一位长期关注AI医疗的投资人告诉《财经》记者，他在考察一个项目时会考虑公司的数据来源是否稳定？是不是足够大？短期内能进多少医院？如果达到这些条件，“即使是个样机，即使没有证书，我也很关注。”

 

有态度的活粒更有故事

扫一扫：