在醫療領域,一定是以臨床實踐的結果來衡量一款 AI 產品是否優秀,是否能夠幫助到醫生,是否能夠幫助到患者,是否能夠幫助到醫療機構,而不只是看其中某一個方面的具體數字指標。

 

技術實力該如何評估比較?

 

拆解來看,目光多半要聚焦在測試比賽、論文發布、行業案例到項目招投標 PK,但在算法水平看起來越來越趨同的今天,小數點之后的識別率比拼,反而不在于技術本身。

 

這一點,依圖科技一直看在眼里。「99% 識別率的算法和 99.99% 的算法,區別在于可解鎖的應用場景。」依圖科技創始人朱瓏曾撰文提到。

 

以計算機視覺入手拓展到自然語言處理的技術路線之外,依圖選擇著重突破兩大行業方向——安防和醫療健康。

 

兩年前,依圖科技成立了獨立子公司挺進醫療行業。

 

很顯然,整個就醫環節仍有很多待解的痛點,這給了市場足夠多的想象空間。新技術門口總是擠滿一波轟然而上的變革者,一邊是對變化的渴望,另一邊是難跨越的行業門檻,從在線醫療、移動醫療到數字健康,創新者的窘境反復上演。

 

再一次迭代,醫療又成為 AI 行業的「興奮劑」。根據公開數據統計,近兩年時間至少已經有超百家 AI 醫療公司,而熱門應用醫學影像吸引其中半數企業,原因就在于放射學科掌握 80% 以上的醫療大數據,是疾病診斷的入口。

 

但還是那些老問題,一切最難點還要回到解決臨床科室面臨多學科數據的挑戰上。「而未來 AI 真正重要的應用場景也在臨床科室。」依圖醫療總裁倪浩說。

 

不難理解,醫療 AI 直面臨床實踐,所有的 AI 產品最終都要接受臨床的考驗。

 

在大家都還在談算法的時候,這家 AI 公司要到醫療行業深處,研究行業和數據標準的問題。

 

算法是基礎,不能忽視,但「翻譯問題」的能力很重要——

 

如何理解醫生的臨床痛點,把醫生的需求翻譯成計算機領域的需求?

 

如何在算法的基礎上搭建具體產品?

 

如何根據臨床醫生的反饋不斷調整算法?

 

「很多因素都會影響產品的最終表現,尤其是在醫療領域,一定要以臨床實踐的結果來衡量一款 AI 產品是否優秀,是否能夠幫助到醫生,是否能夠幫助到患者,是否能夠幫助到醫療機構,而不只是看其中某一個方面的具體數字指標。」

 

為了避免訓練用的數據集、標注人員和方法的差異帶來的波動,依圖醫療選擇不再特別強調敏感性、特異性等標準,而是瞄向醫生對 AI 產品生成的結構化報告的采納率。

 

這既是一個最直觀的效果對比,也更貼近醫療行業規則——只有醫生認可你的報告,才有價值。根據倪浩的說法,從依圖肺癌影像智能診斷系統部署到近百家三甲醫院的臨床實踐應用中看,結構化報告的直接采納率是 92%。

 

6 月中旬,依圖和四川大學華西醫院推出首個基于多維臨床數據智能治理的醫療大數據 AI 應用——肺癌臨床科研智能病種庫,以及全球首個肺癌多學科智能診斷系統。

 

在中國衛生信息與健康醫療大數據學會會長金小桃看來,「這是 AI 醫療從科研走向臨床的標志」,而對依圖醫療而言,這是撬動行業的支點。

 

您可以復制這個鏈接分享給其他人:http://www.9guj.icu/node/399