医疗资源和日益增长的医疗需求一直存在着矛盾。在一些贫穷地区，由于缺少高质量的医疗服务，重大疾病和癌症不能及时确诊，往往导致病人因得不到合适的治疗而死亡。不过，借助人工智能的深度学习算法，这样的情况在未
医疗资源和日益增长的医疗需求一直存在着矛盾。在一些贫穷地区，由于缺少高质量的医疗服务，重大疾病和癌症不能及时确诊，往往导致病人因得不到合适的治疗而死亡。
不过，借助人工智能的深度学习算法，这样的情况在未来会得到改善。在中国就有一家名为推想科技的公司，正在使用机器学习和计算机视觉来帮助医生诊断肺癌。
资料图
“我们合格的医生数量不够，因此一个医生每天必须服务许多病人。对于病人来说，他们接受的护理质量存在个体差异。”推想科技CEO陈宽说。
这种情况在放射科尤为严重。有公开资料显示，目前，中国放射科医师大概有八万多名，每年诊断14.4亿影像，阅片量每年约增长30%，而放射科医生只增长4%。陈宽的姑姑就是受此影响的患者之一。在四川绵阳，她未能及时确诊肺癌，没能得到适当和及时的治疗。
在成立推想科技之前，陈宽是美国芝加哥大学经济学和政治学博士。在美国读书期间，陈宽和他的朋友们接触到了人工智能，尤其是深度学习。他们在2012年视觉识别竞赛（ImageNetILSVRC）中拿到了冠军。
2014年，陈宽回到中国，在深入了解医疗行业之后，他看到了基层医院在优质医疗资源上的短缺，也看到了大医院在普通病诊断上的资源浪费。
“放射科医生每天工作量很大，下午3、4点钟是一天当中最疲乏的时候，出错的可能性会增加。所以，医生希望降低工作压力、提高工作效率，从医院管理层的角度，也希望能够加强对医疗服务质量的监控。”陈宽说，这让他看到了人工智能在医疗影像领域应用的机会。
工作场景
另外一方面，自2003年，“非典”爆发以来，中国的医院都在积极地建立数字化基础设施。这样的趋势，也让推想科技能够使用中国健康数字化记录作为深度学习模型的训练数据。同时，公司还从全国各地20家医院（包括北京协和医院和上海长征医院）中实时收集数据。有了数据后，利用深度学习算法可以提高识别准确率，还能诊断出一些人眼无法看出的细微病变。
“传统人工智能模型的成本非常高，需要一大批的专家来训练机器某一种疾病各种类型的特征。这种模型准确率本身不高，而且能够做出来的病种也非常有限。”陈宽说，“但深度学习的模型不一样，本质上有点类似一个普通医学学生的学习过程。”
根据陈宽的介绍，推想科技会将其软件内置于医院医疗系统，并根据医院的训练数据，更新自己的图像识别和诊断工具。训练分为两部分：一是实际训练系统，该系统能将放射科医生收集的数据纳入训练模型；二是模型会将更新后的软件分发到医院网络。
前期，我们主要是集中在胸部的肺、心脏等方面的疾病。”陈宽说，“现在随着产品逐渐成熟，迭代速度不断加快，我们在向头部、腹部、股骨头、病理、超声等领域扩展。”
据推想科技介绍，该公司还与通用医疗、思科公司和英伟达合作开发、完善技术。自去年发布最初版本以来，他们已经处理了约10万张CT和10万张X光片。
“这项技术绝对不会取代医生，我们的目标是消除大量高度重复的工作。”陈宽说。
在2013年，自动识别疾病，提高医院诊断的深度学习方法就被《MIT科技评论》评为当年的十大技术突破之一。据《MIT科技评论》报道，利用深度学习算法模型进行医学诊断在美国的医疗机构越来越流行。目前，深度学习算法在治疗皮肤癌上已经可以比肩专业医生；在通过视网膜图像诊断常见失明原因上也有所成就。
