深至科技张志遵：当AI遇到医疗，是颠覆还是赋能？

你有没有想过，有一天医疗影像设备也能和手机一样便携？对于普罗大众来说，这件事听起来似乎并不足够震撼。

但是当我们发现它解决的问题、节约的时间成本便会对它刮目相看。

深⾄科技就是一家深耕于AI医疗影像解决方案的企业，它成⽴于2018年，由美国哥伦比亚大学博士团队和国内外顶尖医学影像专家联合创办，是一家拥有全球首款动态医学影像AI辅助分析及全套底层算法自研能力的医疗企业。

这家公司致力运用领先的深度学习、边缘计算、图像处理等技术，打造“小型医疗设备、AI辅诊、远程诊断、医疗服务”于一体的数字化健康服务，将医学影像设备实现便携式、智能化、高性能，让操作变得更简单，满足多种医疗需求。

在医疗AI的应用中，AI几乎遍布CT、钼靶等影像诊断产品中。AI+影像赛道成为热门赛道，但是在AI+超声这一赛道中，并没有多少人聚焦，超声AI影像研发的高壁垒已经将很多AI影像企业拦在门外。与此同时，2020年初美国FDA通过了Caption Guidance的人工智能影像系统，相应的，中国的AI超声将在此后异军突起。

AI医疗影像解决方案对于老百姓和医疗发展，有怎样的变革性意义？

便携设备如何实现成本、分辨率、尺寸三方面完美平衡？

深至作为一个医疗人工智能公司，医疗专家和人工智能专家是怎么一个比例？

今天的《创业内幕》，我们即将和深至科技联合创始人张志遵博士以及我们的老朋友——GGV纪源资本合伙人吴陈尧Joshua一起聊聊AI辅助诊疗的话题。

Lily:

张博士，请介绍一下您自己和深至科技这家公司。

张志遵:

深至科技提供的是AI医疗影像解决方案，解决方案四位一体，其中包含：AI的影像设备本身，AI的辅助诊断系统，AI的诊断工作流，以及后端的远程诊断服务。目前我们主要的用户是中国大陆的基层医疗机构，他们的普遍现状，是缺乏好的超声设备以及好的超声医生。我们希望利用一个AI医疗影像的一体化解决方案，去解决基层的检查标准化问题，让医疗影像为更多老百姓提供服务。

在这个过程中，比较有前瞻性的是，我们不只是提供一个超声 AI软件，而是软硬件一体化，把AI用在了影像设备得到的原始数据上，去深度改造影像设备本身，改造整个成像工作流，改造医生的检查工作流，最后让这个产品能够在它对应的使用场景上更好落地。除此之外，我们也不只是把它用在超声上，最近我们还把这套思想和产品线，从超声设备扩展到了其他影像设备上。现在我们做了目前全球最低场强0.05特斯拉的磁共振，这款磁共振完全不需要屏蔽，解决了过去五六十年磁共振需要搭配屏蔽房的痛点。这个成果其中的部分在《Nature Communication》上进行了发布，同时也引起了整个磁共振行业的震动，在今年ISMRM国际磁共振年会上单独开设了workshop来进行讨论。我觉得对于深至来说，我们这套技术和解决方案，真实地在改变这个行业，或者说影像设备在基层使用的一些困难。

最后简单自我介绍一下，我叫张志遵，之前在哥伦比亚大学研究复杂系统的优化和AI在复杂系统中的一些应用。我们的 academic family来自于 Hinton教授，我们的实验室一直从事AI算法，以及复杂系统优化的相关研究。选择做医疗，也是源于我在求学过程中对西非埃博拉病毒传染的研究，了解到基本医疗对社会对全球的价值有多大。目前很多地域和许多人仍面临着欠缺基本医疗服务和基本医疗设备，我希望能够贡献自己的一份力量。

Lily:

您能不能用简单的语言跟我们解释一下，深至科技在这个领域做的事，对于老百姓本身或者对于整个医疗发展，有什么变革性意义吗？

张志遵:

通俗来讲，我们可以把超声、磁共振、CT等医疗影像设备想象成照相机，只是我们用影像设备看的是身体内部的世界，我们希望看到体内各种部位的各种变化，从而判断身体状况。这个影像设备，在研发和使用的过程中，存在一个“不可能三角”问题，即很难去权衡成本、设备本身尺寸以及分辨率。如果我们想做一个设备，既便宜又小巧轻便，同时分辨率还很高，看得很清楚，这对于医疗影像设备来说，在目前的解决方案中是不可能的。

在基层医疗场景中，需要这个设备成本较低，需要比较轻便，使用环境要求不能很复杂，那势必就得牺牲分辨率。所以医疗影像AI或者说深至的医疗影像AI，其实就是想要尝试解决这个问题，我们想在“不可能三角”中，找到一个能够解决这三方面问题的办法。

为了做这件事，我们的方案是：先把这个影像设备“如何对人体进行成像”的问题进行拆解，然后我们发现，它其实就像手机相机一样，是从探头采集光的信号，通过芯片进行运算，最后在我们的手机上变成图片。我们可以简单地把这样一个信号链路分成两部分，变成图片以前（前处理阶段），数据变成图像以后（后处理阶段）。基本上这个领域的AI就用在这两个阶段上，只是目前大量方案都是用在后处理阶段。

简单来说，就是我们做一个人工智能模型，把图像数据输入这个模型，让神经网络去学习图像数据中的特征（比如说病灶大小、形状等），然后再与医生标注的精标准去比较，得到一个推断大小病灶形状的逻辑。对于新的图像，我们就可以用这个机器学到的逻辑，去自动对病灶、组织进行判断，这就是后处理逻辑。前处理其实比较少，或者说还没有被大家广泛应用，但是我认为它是未来发展的方向。之所以这么说，是因为前处理的出发点，是利用这个设备的原始射频信号（设备采集的原始数据），不在过程中做任何删减，直接把AI用到原始射频信号里，去挖掘特征和信号之间的关系。通过神经网络模型，我们对原始射频信号进行处理和分析，得到的图像更清晰，时间分辨率、空间分辨率也会更高。

Lily:

您刚才提到了成本、分辨率、尺寸，在过去整个医疗（影像）领域都不能兼容，但据我所知，深至这个设备其实非常小巧，甚至可以直接带到我们公司来看，那咱们的成本和分辨率怎么样？

张志遵:

这就是我想说的，我们在把尺寸做得便携以后，同时控制了成本。如果使用传统方案，我们势必要牺牲分辨率。但是如果我们使用原始数据的深度学习，用计算方法解决分辨率问题，这样我们就在成本、分辨率和尺寸三角形中找到了一个平衡，可以同时兼顾三者，更好满足应用场景的需求。

Lily:

深至的设备广泛使用之后，是不是意味着机器可以帮助医生做出更精确的预诊或者更精确的诊断？

张志遵:

我觉得是的，这个话题要分为两个方面：

一方面是从用户或者患者的使用习惯来说，我们需要增加更多初步筛查，只有大家有了这个意识，才能够更早发现身体里的各种不适，面对不好的变化才能及时就医，所以筛查对于个人健康管理来说，是相当重要的。做筛查就得先有能够做筛查的工具，传统的大型医疗器械，成本很高，使用也极度复杂，导致只能在三甲医院才能够使用。大家都知道去三甲医院排队非常难，所以没有多少人愿意去大医院做筛查。所以我们做这个事，其实是希望能够把设备做得更移动化，更简单标准化，让更多基层医疗机构能够使用它，去为广大患者提供筛查服务。

另一方面，我觉得技术在发展过程中，随着更多的人使用到比如说深至的设备，我们通过设备采集到了更多数据，就可以不断去优化、提升我们模型的判断水平。通过不断迭代增强的过程，它的诊断精准度、诊断特异性敏感都会逐步上升，最后慢慢超过基层医生用肉眼、经验去判断的水平线。

Lily:

Joshua你在医疗科技方向投资，我想问问你，赛道为什么这两年这么热？背后是不是意味着将来医疗人工智能会是一个极大趋势，和普及的一个方向？

Joshua:

这一点毋庸置疑，我也相信大家在这一点上有越来越多的共识。首先从医学本身发展上来讲，它已经到了一个智慧医学或者说精准医学的发展阶段，所有的交叉学科中和医学相关的，比如基础的物理生物这些方面的进展，其实都会带来医学方面的突破。

另外最近几年来，随着新材料、新算法和新数据的加入，我认为是在整体加速。从这几个咬合的齿轮来看，如果说医疗设备的小型化变得更加普及，肯定大大有利于数据采集。更多数据采集介入之后，从治疗环节就有了一个基层的早筛，未来甚至可能走入家庭，更方便进行早期筛查，保证更多疾病能够早期发现。

同时它也起到了一个分诊的作用。大三甲的专家更加聚焦于一些疑难杂症或者跟肿瘤相关的，而一些简单疾病在基层医疗范畴上就可以得到诊治，我觉得这会是AI跟大专家之间的分工。这就需要有一家公司，能够做到从硬件到数据采集再到分析，以及诊断的这种报告，具备整个闭环能力，去赋能我们的基层医疗，甚至长期来看，可以覆盖C端以及B端的一些特殊场景（像急诊室ICU等一些户外室外场景）。从今天来看，全闭环能力非常重要，而且超声又是一个临床上适用症非常广的医疗器械，所以我觉得价值很大。

格局再大一些，我认为可以考虑到全球范围内有大量的发展中国家，当地一些医院都不见得配备超声设备，其中有价格原因、不会使用的原因以及后续维护成本的原因……医疗设备的小型化，在临床上价值巨大，与此同时它在最终医疗服务的公平性和可获得性上，同样非常有价值。

Lily:

轻便貌似是我们现在创新的一个非常重要的点了，轻便和分辨率如何兼容？

Joshua:

首先我们还是要肯定AI的价值，它是有一套自己的机器学习的算法，硬件层面上它就做了对这种信号的处理。

在此，我必须要强调，我觉得在医疗领域创业一件非常严肃的事情，因为每一步突破必须是非常小心，要有负责任的态度，更不要说我们需要得到所有监管机构的认可，所以我们这种产品应该是一步一步发展。在这个发展过程中，我们需要找到更加适合我们的一些场景，而在这些场景内，我觉得 AI是有能力去解决的。

分辨率更多是一种筛查，虽然我觉得可能今天来讲，AI还不能够达到一个完美程度，但是加上AI之后，在相当多的场景下，面对和相当多的适应症，或者说对于大多数病人来说，它是有一个临床获益的。这是我们投医疗项目和投其他技术类或硬科技项目的不同。很多硬科技项目是碾压式的一个进步或者替代，但是在医疗上，很多时候其实是一个成本收益的分析，不完全是经济的账，也是医学上临床价值的计算。

针对这个病人的临床症状，我可能初步判断会有什么情况。假如有一个掌超（掌上超声）的话，我就可以迅速确定或者鉴别，这个临床价值就比较大了。如果说我的临床症状，医生考虑可能是一个比较严重的情况，可能就会直接送到三甲医院。所以我觉得，其实对于病人来说，很多时候他决定自己要不要去做这样的检查，也会基于这些因素，看自己的症状是否严重，所以包括是否方便等等。这种价值的衡量，我觉得是一个量化的，并非是一个“有了替代之后之前的就不需要了”的关系。

Lily:

其实CT和MRI是静态的图像，但超声是动态的实时的图像，这两类诊断在技术研发上，会不会有什么不同的难点？

张志遵:

如果都到了图像域，我们已经拿到图像数据了，它和超声的区别就是，一个是动态视频，一个是静态图像，做相应算法开发就会有一些区别。我们做的主要方式还是在成像电路的前端，即信号层面。

其实不管是超声、磁共振还是CT，成像链路其实非常类似，都是采集射频信号原始信号光信号，转化为电信号，再对电信号进行处理，重建后得到图像。所以说，在前面采集信号的过程中，我们是用同一套底层技术去完成信号优化，用AI模型去提升信号的信息含量，这一套是用的同一套技术平台。

我们相当于是用这套方法，在超声上做到了对整个超声动态的视频流，可以逐帧去做一些扫查导航和辅助诊断，我们在磁共振上可以大幅提升磁共振的扫描速度，通过这套方案，能够让磁共振像超声一样可以出一个视频流。我觉得这是技术上的一些突破和特殊之处。

Lily:

您刚才也讲了，这个技术上其实有不同的技术难点，我们也在逐步突破。但其实现在在整个医院里，人工智能辅助诊疗还是比较少，没有普及。我感觉在中国普及，难点还是挺多的，您怎么看这样一个机遇和挑战？

张志遵:

第一，我觉得这确实是现在人工智能辅助诊断遇到的一个现实性话题，就是在大的医院里，医生本身水平已经很高了，在很多病症上，AI能够帮助到他的地方有限。

第二，就是在大的医院里，对于一些疑难杂症的诊断，又不太能够相信AI的判断，因为AI的综合判断能力，可能还是跟不上大专家的水平。我认为AI要进入医疗领域帮助医生去诊断，还是一个逐步的过程。我们先做基层筛查，因为对于这些筛查工作来说，它的工作难度相对简单，工作量又很大，这时人工智能可以发挥其规模化、标准化作用，能够帮助更多没有经过专业训练的全科医生或者护士，去完成一个相对专业的影像检查。我觉得在这些方面，找到这些领域或者场景，能够更好地发挥AI的能力。当然随着时间推移，拥有更多新的模型方法以及数据积累， AI的能力也会逐步追上这些大医院的医生。

Lily:

Joshua，赛道里也有其他若干家公司在跑，深至和其他竞品比起来，有什么独特优势和护城河？作为投资人你怎么看？

Joshua:

我觉得首先还是我刚才讲到的完整的解决方案，还有技术储备。在我看来，这个产品储备和技术实力，其实是比较难得的部分，尤其是在MRI上，有可能是开启了一个新篇章。这种原创性、技术上的领先性，我觉得才刚刚开始。

另外一块我是觉得，整个团队两位联合创始人，我们了解下来，觉得还是扎扎实实的理工男。他们非常踏实，对市场的嗅觉也很敏锐，对于管理对于带领团队，包括跟渠道跟医院跟采购打交道时，也展现了自己的这种快速学习能力，所以我觉得是一个综合能力比较强的团队组合。我觉得也是GGV长期对 AI医疗赛道的关注和投入，在这里面也形成了一些小小的生态。

Lily:

深至作为一个医疗人工智能公司，医疗专家和人工智能专家是怎么一个比例？

张志遵:

我们其实是一个跨学科团队，既要有丰厚的医疗背景，又要对影像设备和人工智能很熟悉。我们其实是一个1/3、1/3、1/3的团队，有1/3的人是医生、医学专家，有10年20年医疗领域的从业经验。这些专业人士对医疗市场，对医学影像设备，对疾病对临床都非常熟悉；有1/3是工程师，是从影像设备本身出发，负责影像设备研发的工程师，他们对超声、磁共振，对于上游供应链都非常熟悉；还有1/3是算法科学家，这部分同事更理解算法的优化，怎么把人工智能的算法，部署在边缘设备上。

在基层，其实很多是千元机，在这样的硬件设备上要跑AI模型，它对算力的调度、对内存的调度要求是非常高的。我们用这样一个综合性团队、跨学科的团队，就把这个事情做到了。

另外我们团队是一个工程师背景的团队，但是也有比较好的商业嗅觉。我们能够更好地去跟我们客户、投资人、供应商以及大家去交流，能够把一个基础技术问题、产品问题讲成商业问题，这样大家就能够在同一套语言体系下去交流，效率会更高，这是我们团队的优势。

Lily:

我最后抛给Joshua一个问题。在AI+医疗领域里，你觉得还有哪些领域值得关注？

Joshua:

我觉得在早筛早诊这一块，会是比较大的趋势。它也包括AI跟影像这些医疗设备的结合，同时在这种单一病种的CDSS上，有一个临床AI人工智能的辅助诊疗，也会有它的价值。我甚至可以大胆预言，未来人工智能会涉足医疗的方方面面，以至于你没有办法把它分开出来。一个“AI+医疗”的创业/产品/服务，这种融合趋势应该非常让人期待，并且已经非常确定将会发生。

Lily:

张博士，现在公司在招哪方面的人才？

张志遵:

我们很需要各种各样的跨学科的高端人才，现在我们希望在信号领域AI、医学影像AI，包括芯片方面（特别是边缘端芯片方面的高端人才。我们也希望大家能够加入到我们的深至大家庭，一起去打造更能够满足基层市场，满足社会需要的产品。