先不谈人工智能了，我们来讲一个故事。

有这么一个男人，我们暂且叫他老张。老张五六十岁了，已经是个当爷爷的人。小孙子特别机灵，喜欢满院子乱跑，老张就乐呵呵地陪他玩。

老张很小就出来做事了，被分配到某个单位里，一待就是几十年。他脾气特别好，人也踏实肯干，大家都很喜欢他。他们工作环境里粉尘特别大，当年大家也没什么防护意识，这几年里好几个退休的老哥们都陆续查出了肺癌，唯有老张一直幸免。

不过，在几年前的某次年度体检中，老张的肺部也开始出现了一块小小阴影，全家人都担心得不得了，颤颤巍巍地拿着胸透片子问医生。而当得知诊断结果——“这是个良性的结节”时，大家都长长地松了一口气。当天晚上全家外出聚餐，还专门开了一瓶珍藏多年的好酒助兴。

我想你们已经猜到了这个故事的结局。

是的，几个月后他们发现，那是一颗肿瘤。

那晚老张拿着化验单独自在房间里坐了一宿，几月前庆祝宴上还剩了半瓶没喝完的白酒，酒瓶静默不语地立在角落里。

所以当陈宽告诉我，现在他们能够利用人工智能，将肺癌影像的漏诊率降低40%时，我在原地愣了一会儿。最近北京的天气特别好，窗外的阳光灿烂耀眼。我盯着眼前蓝茫茫的天空，想起的却只有老张沉默的侧影。

（推想科技创始人兼CEO 陈宽）

最早见到陈宽是在硅谷，推想科技是英伟达Inception计划的6家中国AI创企之一，而陈宽作为创始人兼CEO，也受邀参与了今年英伟达的美国GTC大会。

初见陈宽，高高瘦瘦的个子，带着一副黑框眼镜，英语非常流利。

（推想科技在GTC上的展位，左：陈宽）

推想科技是一家为放射科医生提供医疗影像（如X光、CT影片）辅助诊断的AI创企，比如给它一堆X光胸透的片子，它可以告诉你这张是肺癌病变图像，那张是良性肿块，给医生提供辅助诊断。

其实，放射科医生的工作量是非常大的，医生每天也是非常疲惫的。拿武汉同济医院举为例，这是国内著名的三甲医院，每天接待患者2万2千多人，其中放射科（X光、CT等）有3-5千个患者。而一个病人的胸部CT影像至少要有200甚至300多张图片，医生要来回翻动观看，就算一张图看3秒，一个病人起码要十几分钟到半个小时，上千个病人……

你可以想象一下一天十几个小时一直盯着电脑玩“大家来找茬”。

“国内的放射科医生很苦，早上8点上班，忙到晚上10点还在写诊断报告。中午很多人都是一边吃盒饭，一边看片子。”华中科技大学同济医学院附属同济医院放射科主任夏黎明教授曾经这样说过。

其实，根据医学影像得出检测结果并不是一件非常困难的事情，具备特征检测能力就可以实现，但却是一件非常繁琐的重复性工作，非常消耗精力。医生最擅长的是面对既有的检测结果，再根据病人的具体状况，提出因人而异的治疗方案。

因此，推想科技解决的的就是医学影像得出检测结果的这个“重复、耗时”的过程。一般医院放射科的流程是使用机器拍摄图像，经过脱敏程序－传到一个类似中转服务器上处理－在医生的电脑终端显示。现在推想科技会在中转服务器－电脑终端过程中安装一个配备GPU的处理设备，可以分析医学图像，并将最终的分析结果与影像一同传到医生的电脑终端上。

（配备GPU的处理设备）

根据推想科技的内部测试结果，他们最终可以提高医生超过40%的漏诊率。

而医生使用后给出的反馈则是最令人开心的，那些一开始嫌麻烦不愿使用的医生们，在真正用上之后一两个星期后，简直表示要离不开它了——“现在（诊断时）不打开它心里面不踏实。”

目前，推想科技推出了专门针对肺癌筛查、脑部/神经疾病筛查、心脏疾病筛查、乳腺癌筛查等的不同产品（其中肺癌检测），为医院提供从硬件到软件的全方位AI解决方案，也就是说不光给医院安上这个辅助诊断的软硬件，还负责教会医生们怎么最快上手使用，并且根据医生的一手反馈随时调整。

除了针对各项不同疾病的AI-DR（X线辅助筛查）、AI-CT（CT辅助筛查）产品外，推想科技还推出了一款深度学习的医疗科研平台AI-Scholar。随着深度学习的日渐兴起，不少专业的医生们也对这项技术非常感兴趣，却受到了不会编程的限制。而AI-Scholar可以让医生通过拖拽、点击等简单动作参与到深度学习的项目中来。

（上海长征医院放射科医生正在使用推想科技的产品）

目前，推想科技的技术已经在北京协和医院、武汉同济医院、上海长征医院等近二十家国内医院中得到使用；而除了医院之外，推想科技的合作伙伴还包括医疗设备的制造商，争取“后装市场”进化到直接推出“前装设备”，下一步除了X光跟CT外，还会推出MRI、超声波图像检测等产品应用。

深度学习这个名词相信大家已经非常熟悉了，它是近年来人工智能的重要算法之一，也是推想科技的重点研究方向。从2012年的ImageNet大赛一直到现在，深度学习在图像的分类与识别上已经取得了非常大的进展。从一开始的“认出图片里究竟是猫还是狗”，到现在的“认出图片里究竟是不是肿瘤”。

根据IDC Digital预测，截止2020年，医疗数据量将达40万亿GB，这些数据对于比如医疗+AI来说非常重要。IBM Watson可以在17秒内阅读3469本医学专著，通过海量汲取医学知识，在短时间内迅速成为肿瘤专家。而英伟达日前从600多家参赛者中筛选最具“社会影响”的5家AI初创公司，他们都在医疗领域。

国内第一家医学影像+人工智能的最早成立于2006年，并逐渐增多，发展至今已经有近30家企业，其中绝大多数集中在北京和上海，而且大部分都完成了A轮融资，其中近半数都获得了千万级别以上的融资。相对而言国外企业的起步时间比国内早，做起来也会相对比较严谨。

陈宽认为，医疗行业有三大特点，使得它非常适合人工智能在其中应用落地，并且得到很好的效果反馈。无独有偶地，这与前阵子闹得满城沸沸扬扬的“柯狗大战——柯洁 vs AlphaGo围棋大赛”有着类似之处。

1、场景窄，规则明确：黑棋、白棋、最终目数，围棋的规则非常明确；与之类似的，医学影像的判别也遵循着一定的医学标准：阴影部分直径大小，边缘整齐度等等。

2、可用的数据量够大，能够对深度学习神经网络模型进行很好的训练。就像看过了成千上万张图像后，机器可以辨别出这是猫还是狗；在看过了大量医学图像后，机器也可以辨别出这是否是肿瘤病变图像。

3、第三点则与围棋不同，却又非常迫切且非常现实——医疗行业的产能非常不足。去过医院的人都知道，一方面，排队就医的人永远那么多，而另一方面，每个医生的工作量却又非常大，常常需要加班到很晚。

如果既要控制价格，又要保证需求，那么唯一的方法就是提高产能。从这个角度来看，“人工智能”并不是那么难以理解的“高大上”科技，它与一把铲子、一个轮子一样，是人类为了提高产能所制造的一个工具。

不过由于医疗行业的特殊性，医疗影像的检测诊断与简单的“认猫认狗”不同，一方面，医疗影像精度更大，细节差异更小，同时数据维度更高，使得用于医疗的深度学习神经网络模型架构更加复杂，设计难度更大。

同时，医疗行业不能停下等技术，因此推想科技的产品必须在不影响医院现有流程的前提下进行迭代与优化，这就要求公司所有人都了解、熟悉医院流程。公司几乎所有人都轮班地“扎在医院里”，而陈宽本人也有一半时间在医院里，不仅为了熟悉流程，医生们一旦有任何想法也都可以直接反馈，由产品技术部门进行及时优化。

但也由于大家常年扎在医院里，导致整个推想科技的团队都非常具有健康意识。陈宽说，“别人外出团建喝酒，我们团建喝酸奶……”

另一方面，如何获取大量优质的、带标记的医疗影像也是一个难题。虽然推想科技的一些三甲合作医院能够使用近十年内的放射科数据，但这些数据还是需要经过专业的医疗团队逐张添加标识后才能用于训练。目前推想科技有一个专门的医疗团队用于标记数据，里面大多是放射科医生担任兼职。而以上这两点都是推想科技需要面临的挑战之一。

作为一家医疗AI创企的创始人兼CEO，人们大概想不到，陈宽拥有的其实是芝加哥大学的经济/金融双博士学位。

陈宽从小在深圳长大，算是当年的第一批南下移民、扎根“南海边的那个圈”的家庭。哪怕是现在，听他讲话还是稍稍带着一些南方口音。中学时去了新加坡念书，高考之后则是来到了美国芝加哥大学研读本科与博士，师从两位经济学诺贝尔奖教授James Heckman和Lars Hansen。

一直对深度学习、人工智能有着浓厚兴趣的陈宽，在博士基础课程期间就已经利用机器学习、深度学习做了不少预测金融、政策的相比，比如在2012年，他和朋友合作根据Twitter数据预测了奥巴马的连任，这个项目还吸引了很多媒体上门，愿意购买他们的成果。

到了2014年年底，陈宽开始思考究竟如何将深度学习具体落地到产业里。基础课程结束后，在导师的首肯下，博士在读的陈宽回到国内，开始在各行业间游走，寻找真正的行业落地、行业痛点，安保、金融、农业……应有尽有。

直到某次的闭门会议上，一位放射科医生对陈宽的图像识别模型产生了兴趣，向他提出了医疗影像辅助诊断这一方向。随后，也有医生在不同场合向陈宽提出过这一需求，再加上上文提到的几项特质，陈宽开始逐渐意识到，医疗的确是存在深度学习落地需求的一个行业。

（王少康，联合创始人兼COO）

2016年，推想科技获得了英诺天使基金和臻云创投的1250万天使轮融资，2017年1月则获得了由红杉中国领投5000万A轮融资。公司另一位联合创始人王少康现任公司COO，加上上文提到的医疗团队，推想科技现在已经有超过百人的规模。未来除了继续拓展国内医疗市场外，推想科技现在也开始逐渐在海外扎根，如美国、日本、欧盟等。就在采访当天晚上，推想科技的日本事务所也正式落户了东京都千代田区。

此外，陈宽还向智东西独家透露了一个重磅消息，美国基因深度学习公司Deep Genomics的CTO兼联合创始人熊辉远博士加入了推想科技公司担任公司首席科学家。熊辉远博士研究注重于发掘机器学习在提升人类医疗健康方面应用，其多篇论文曾经在《Science》、《Nature》等知名的学术刊物上发表。

对人工智能医疗的需求主要基于几方面客观现实：一方面是优质医疗资源供给不足，成本高，医生培养周期长，误诊率高，疾病谱变化快，技术日新月异；另一方面，随着人口老龄化加剧、慢性疾病增长、对健康重视程度提高，医疗服务需求持续增加。

目前国内外做AI医疗成像分析服务、数字化医疗影像解决方案等的创企很多，医疗也是大家普遍十分看好的一个深度学习落地应用领域，正在逐渐火热兴盛。

不过不得不承认，医疗是一个非常保守、非常传统的行业。由于涉及到患者的生命安全，因此各大医院对于新技术的态度仍旧较为保守。在2015年，“深度学习”尚没有如今这么街头巷尾老少皆知的火热时，推想科技的初期业务推进曾经遇到不少难题。

当时大部分医院对新技术虽然抱有兴趣，但仍存在种种担忧，不愿投入精力。陈宽跑了北上广及多个省会城市里近30家医院，终于在2015年4月，成功说服了第一家合作伙伴——四川省人民医院尝试使用推想科技的医疗影像辅助诊断。

“圈子保守是把双刃剑，一方面圈外人很难进去，可一旦你在某一个地方获得了认可，他们就会对你有很强的信任感。”陈宽不无感叹地说道。

先发优势的确给了推想科技一条不错的护城河，但是也正如陈宽自己所言，这种行业壁垒并不是绝对的。随着AI在医疗方面的落地实例越来越多，医疗行业也在从上到下地推行技术改革，创业公司要奋力往前跑，不停优化迭代产品，才能巩固这种先发优势，在逐渐兴盛的AI医疗行业中占得先机。

趋势·深度·犀利·干货，最专业的行业解读

深喉爆料、投稿：guoren@zhidx.com