1月15日，医疗大数据和AI技术企业医渡科技（2158.HK）登陆港股，上市当日收报65.20港元/股，较发行价上涨近148%，市值达到588亿港元。医渡云（即医渡科技）在资本市场的表现，也为医疗AI行业注入一剂强心针。在医疗AI行业，高质量的数据、算法、算力是企业竞争力的核心，对于医渡云而言，凭借数据智能基础设施YiduCore，为医院、监管机构、药企等多方提供大数据解决方案支持，截至2020年3月31日止财年营收达5.58亿元，同比增速达447.1%。医渡科技上市敲锣仪式现场，医渡云首席AI科学家闫峻博士接受了《财经》专访，从技术层面深度解析如何通过数据治理技术积累、算法创新等，逐步构筑起医渡云的护城河。闫峻博士毕业于北京大学数学学院信息科学系，曾任微软亚洲研究院资深研究经理、微软北京大学联合实验室副主任等职位，在医疗AI领域深耕多年。
▲ 1月15日IPO仪式之后，闫峻接受《财经》专访
《财经》：医渡云治理的医疗数据，其服务对象都有哪些？主要是治理何种类型的数据？闫峻：主要服务于医疗机构、监管机构。医渡云帮助他们进行数据的加工、处理、计算，支持医疗机构的科研、临床辅助决策、院内管理等多种场景。数据类型以文本为主，因为医院会用到HIS（HospitalInformation System, 医院信息系统）、LIS（Laboratory Information Management System，实验室信息管理系统）、手术麻醉临床信息系统等，主要还是处理这几类信息系统的文本数据。 《财经》：中国的医疗信息化已进行了十多年，HIS、LIS系统等已普及。目前医疗大数据治理的难点主要在哪些方面？闫峻：信息化不等于数据化。虽然医疗的信息化已经做了很多年，但以前的信息化建设以“记录”为主，医生的临床判断、检测检验等都会记录下来，但它并不面向应用、科研，无法直接用这些记录构建面向AI的智能模型。所以需要做“翻译”工作：通过医疗数据的集成、基于知识的数据质量治理、再到数据的结构化、数据的标准化，通过这样的链条把信息化时代记录的内容翻译成机器可计算的、数据化的东西。各环节拆解来看，首先要进行数据集成。医院在进行信息化建设时，通常先上线一个子系统、过几年再上一个，每一类信息系统又有很多供应商。所以，一家医院内部可能存在过几十个系统，且彼此间没有打通。这意味着想看一位病人完整的病例数据都很困难。所以先要把数据集成起来，才能相对全景化地看到一份病历。第二，需进行数据质量治理。医疗数据大多是人工记录，难免因各种原因产生错误和偏差，有一些还很严重，比如，“月经史8年，男”。在构建临床辅助决策系统时，如果数据本身是错误的，相当于误导了机器，反馈的结果就可能失真。如何通过AI建立数据质量治理的解决方案？所以我们要建立规则体系，类似专家系统，通过知识推理发现存在错误的数据。这个系统的构建，背后需要非常强大的医学知识库。当加工处理的数据越多，越“见多识广”，就越能清晰地知道病例中可能出现的问题，然后输出为计算机可识别的模型，再让机器发现其中的问题。下一步是数据结构化。把医生记录的内容，翻译成计算机可以读懂的结构化的数据表单。最后还需要进行数据标准化。因为即便面对同一个表单，医生的表述习惯也不同，比如二型糖尿病，有的医生写阿拉伯数字“2”，有的用罗马数字“II”，有的写英文“type 2”。人看了知道是同一件事，但计算机识别的是符号，因此还需要用语义分析把它们关联在一起，清晰地说明描述的是一件事。这项工作最大的难点不是构建一个强大的AI模型，而是需要大量的积累和投入。医渡云2014年成立，做第一家医院时花了一年的时间、很高的成本，公司在2017年前没有进行商业化，而是在解决行业的基础性难题。《财经》：医疗大数据行业里，各家的路径会比较相似么？在这个过程中医渡云的核心技术能力体现在哪些方面？闫峻：行业里每家企业都有自己的特点，定位和目标也不太一样，我们现在追求的目标是：要解决医疗的数据化到智能化进程中最基础的这一步。因为如果用现成的数据训练AI模型，再用这个模型去构建应用场景，那这件事情反而不需要太重的投入。医渡云在做的相当于行业基础设施的建设，它需要非常长期的积累，无论是数据质控的知识库建设，还是结构化、标准化模型，实际执行时并不简单。举一个医疗数据结构化的例子，通常意义上，自然语言处理有非常标准的算法，叫做NER算法，它主要的功能是从文本里面识别实体，比如定义症状叫一类实体，它就帮你识别症状；定义诊断为一类实体，它就可以识别诊断。但医疗行业比较复杂。比如做肿瘤的临床研究，肿瘤分期非常重要，我们天然认为医生会写在病历文本里，机器只需识别即可。但实际上你用尽了一切手段，即使识别率、准确率、召回率都是100%，最后比较高的数据填充率也只有50%-60%，为什么？原来大部分情况下，医生基于检查检验指标、病理结构可以轻易判断出肿瘤的分期，所以并不习惯在病历中直接标注，而对AI来说，没有这个数据，就意味着无论用什么算法，都不可能识别。如何解决这类问题？其实有一整套非常严谨的医学逻辑，一方面要从病历里识别各类指标，另一方面要建立一个医学推理引擎，通过推理得出这份病例的分期。所以看似是一个简单的机器学习算法问题，实际上要嵌入大量的医学逻辑，所以我们研发团队中医学人员比例很高，跟医学团队的配合非常紧密。医渡云较大的优势就是我们对整个算法的创新、对问题的定义，很多情况下把问题定义清楚格外重要。接下来就是我们在积累的过程中，花了很多时间和资源构建知识体系，而后算法逐步迭代，使得YiduCore处理数据的能力越来越强，也就有更多合作伙伴委托医渡云加工处理数据，形成正向循环。所以我们一直说，YiduCore是一个迭代的过程。《财经》：你曾提到医渡云的技术方案跟业内机器学习、深度学习的模型不太一样，是“以知识图谱、逻辑知识库为主，嵌入智能驱动”，这该怎么理解呢？
闫峻：这是一个技术专业性非常强的问题，可以从两个方向来看，一是AI技术的发展脉络，二是医疗健康产业的特殊性。首先看AI发展的进程，早期的AI是以数理逻辑为基础，就是符号系统，或者叫专家系统。它通过一系列的符号逻辑的推理，比如有A且有B，或有C，这几个条件下可以推理出一个怎样的结论。条件描述可能很复杂，但它可以做机器定理证明、辅助决策支持等很多事情，这是早期的符号逻辑。符号逻辑通常不是数据驱动，而是知识驱动，把专家的知识描述成符号，翻译成机器可以处理的文本，机器就可以通过符号逻辑进行运算。后来随着数据技术、统计学算法算力的发展，大家开始发现数据不需要人来定义，而是可以让机器通过数据学习这个规律，这就是统计机器学习。随着算法、算力局限性逐渐被突破，近期深度学习发展了起来，也是目前市场上最热门的策略。这是AI从符号逻辑到统计机器学习的脉络，结合医疗健康产业来看，还有两个重要特性。第一，相比于整个医学发展的千百年历史，医疗信息化积累的时间很短，仅有这十多年的系统信息数据。如果今天的医疗AI是100%依赖于数据，会有大量珍贵的历史医学知识用不上；如果单纯走符号逻辑拆解，今天的数据就又用不上，所以必须把两者融合起来。第二，在医疗领域，对结果的可解释性要求非常高。比如在临床辅助系统帮助医生判断病情、推荐诊疗方法时，仅告诉医生该病人得各种疾病的概率值是不够的，从循证医学角度，系统必须告诉医生原因。单纯的机器学习模型，可以输出结论，但无法告知原因。所以最近延伸出来比较热的研究方向，叫做可解释机器学习——希望我的机器学习能够解释。医渡云现在构建的整个体系是以符号逻辑为基础，把历史医学知识拆解好，变成一个大的知识图谱。数据在其中的目标是，把图谱里所有的东西变成一个可个性化解决的场景问题，这才能满足精准医疗的需求。传统的知识图谱中，构建的实体和实体之间，会有一条边。举个例子，二型糖尿病、糖尿病足，之间的“边”叫做并发症，意味着糖尿病可能有一个并发症叫糖尿病足。单纯基于知识图谱的临床辅助决策系统会提示医生，他有可能得糖尿病足，给出的概率预测也是基于人群，而非个体。但在精准医疗的范畴里，该如何解决这个问题？我们把知识图谱中的每一个节点的常量（一个确定的符号），变成一个预测模型。比如以前“糖尿病足”是一个确定性的符号，现在它成为一个变量，病史、生活习惯等指标则是影响变量的因素。预测模型从哪儿来？就是从构建的深度学习模型来预测。相当于通过千百年的医学知识沉淀，先构建出整体的逻辑架构，基于此，再把通过数据学到的规律逐步嵌入到知识图谱中，让每一个节点之间都是可预测的模型关系。《财经》：在新冠疫情防控中，医渡云有哪些产品助力提升疫情防控的效率和质量？闫峻：一个是城市免疫平台，其实也是用到上述技术。我们知道疫情发生后，都需要做流行病学调查，流调报告跟医疗的文本非常像，也是人记录下来的内容。如果靠人工去分析数百份流调报告之间的传播链路，是非常困难的。我们通过机器把所有行程轨迹里的时间、地点识别出来，并进行人工校验，之后通过AI系统就可以推算出整个链路的交集、最可能的传播路径是什么。另外还有通过仿真模型，助力政府进行防疫政策。如果疫情防控举措过于严格，虽可以控制好疫情，但也会给生产生活带来巨大负面影响；反之，经济可以快速回归正轨，但对国民健康和安全又存在风险。所以，通过仿真模型跟踪疫情动态、监控医疗资源、还原传染路径等，能有助于疫情防控的动态平衡。整体而言，从疫情监测预警、模拟仿真、辅助研判，到最后的疫情防控执行追踪，整个链路医渡云有一套完整的解决方案。现在，我们还有小伙伴奋斗在河北战疫的一线。