谈到最初将深度学习技术应用于医疗影像领域，推想科技创始人兼 CEO 陈宽告诉我们：“在 2012 年期间，我在美国芝加哥大学修读经济学和金融学双博士，那个时候非常荣幸我的几位导师都是诺贝尔奖的得主，从他们身上我学到了再简单、再抽象、再精炼的数学模式，其实它也是可以帮助我们更好的去解释，去模拟，去预测，甚至去干预我们现实社会当中的一些实际发生的现象。

推想科技创始人兼 CEO 陈宽

　　“于是，在博士期间我其实就非常感兴趣知道，一些新兴的人工智能的模型，包括深度学习，如何可以在经济以及政治领域发挥作用。比如说 2012 年的时候，我就跟几位麻省理工的小伙伴一起用深度学习模型加上机器模型，预测了当年奥巴马能当选总统。

　　“我当时自己很想知道深度学习还能在哪一些地方发挥它的价值，于是带着这样一个问题，我就回到国内开始博士期间搜集创业的一些机会，那个时候我觉得做技术的人，很多时候就会陷入一个怪圈，比如说认为自己的技术可能天下无敌，解决什么问题都可以，但是往往当你抱着这样一个心态去创业，去寻找模式的时候，你可能会发现，你的技术可能连最基本的问题都解决不了，什么问题都解决不了。

　　“所以我们就觉得说既然要做这个事情，就必须能够跟行业结合的非常紧，所以这个阶段我就跟各行各业人去沟通、挖掘他们的需求，了解他们的痛点。那个时候我沟通的行业非常多，包括银行、政府、保安等等，其中有一次我做 PPT 演讲的时候，我拿出一个脸像识别来做演示，演示结束之后，有一个放射科医生走过来，说你做的脸像识别非常有价值，但是能不能帮助我们放射科医生解决这么一个问题——他当时提出来使用深度学习技术帮助放射科解决问题。于是我就走访了各家医院，发现这样一个需求是真实存在的，也是一个痛点，既影响了医生工作也影响了患者的幸福。”

　　于是，以此为起点，陈宽将全部注意力投入到深度学习在智能医疗影像的应用中。“在 2015 年初的时候，其实在医疗行业几乎没有什么人谈论机器学习，也没有人谈论深度学习，很多医院对新的技术特别感兴趣，但是真正愿意投入大量的时间和精力做合作的医院非常有限。所以在那个期间，我走访了非常多的医院，从北上广包括各大省会城市顶尖医院，走访了非常多的医院，但是，愿意合作的医院是比较少数的。直到2015年4月，我成功说服了四川省人民医院——这也是我们第一家合作医院——和我们全面的开始合作。当时，我们的资源也比较有限，也不像现在有这么多伙伴在支持我们，我们两三个人全部进入到了这个医院当中，在医院周围我们租了一个特别破的公寓，两三个人每天跟医生一起上班，一起下班，一起加班，一起解决医院里面IT 出现的问题，跟大家打成一片，包括假期的时候，大家都在放假，医院的急诊其实还继续开着，我们就跟着医生一起在加班。

　　“这个过程我觉得非常漫长，基本上工作的环境也不太好。但是，就是在这样一个过程当中，我们才逐渐摸索出了深度学习非常前沿的技术，非常先进的概念，以及我该怎么样在医院相对比较传统、相对比较保守、相对比较注重安全、隐私的一个独特的 IT 环境里面生根发芽并且产生价值。我们发展到今天，其实这样一种经验对我们来说帮助也是非常大的。

　　“有了四川省人民医院初步的经验、初步成果之后，我们就开始逐渐的发展，到2016年3月份阿尔法狗的出现也让深度学习逐渐走入大众的视野，所以我们的发展速度也越来越快。从2014年到2017年间，我们已经开始北京协和、武汉同济、上海长征、大连中山等医院有一个深度的合作。公司在医疗影像辅助诊断上取得的积极进展，也获得资本市场的青睐。 2016年2月，推想科技获得英诺资本、臻云创投和快的CEO 吕传伟天使轮1250万的融资。2017年1月，推想科技获得红杉资本领投、广发证券联合投资的A轮5000万融资。”

　　来自放射科主任的反馈：又快又准

　　谈到和推想科技合作的体会，同济医院放射科主任夏黎明教授说：“在上世纪90年代，我们也做过机器的辅助诊断，但它的生命力很短，它是基于人的支持。由我们描述病灶是什么大小，打分进行诊断，这个诊断是建立在人的基础上。但是后来陈宽跟我们介绍，现在的深度学习是有人工的神经网络系统，是会学习的，会增长知识的，这是第一点；

　　第二，这里面的知识是基于像素水平的，像素是组成图像的最基本单位。我们的图像像素分辨率越高，结果就更加科学。陈宽的团队都出自美国的名牌大学，我们当时对他很有信心，我们真正合作在去年5月份，到10月份我们就看到了软件。我们用它看了11万张的X光片，看了三千多份CT。当时的结果应该是X光片找到病灶的正确率是超过 92%，CT是超过95%，当时我们感觉很惊奇。这么短的时间，它的识别能力非常强。所以我们当时感觉这个很有前景。所以给我们的印象是，它的速度快，刚才我们讲了，我们看一个人的CT，从肺间到肺里需要十几分钟到半个小时，我们的设备需要5秒钟，这个时间大大缩短，这是第二点；

　　同时，对于小的病灶，三毫米以内的，人肉眼很容易遗漏掉，但是计算机识别能力比较强。还有，如果病灶密度高，我们容易看到，但如果密度只比正常稍微高一点点，这个时候人肉眼识别就比较困难，但是计算机去识别会比较容易。所以我们初步的使用感觉是相当不错的。另外，我们也经常隔一段时间交流提出我们的想法，比如说我们需要你把测量病灶的体积、面积、密度的变化，还有打了药以后对比剂强化的程度怎么样。这些会给我们的诊断提供信息。推想科技在逐步实现我们的想法，逐步在让产品不断的完善。这是我对初步合作的体会。“

　　上海长征医院放射科主任刘士远则如此评价和推想科技的合作效果：“从目前长征医院六千多例多中心筛查的结果来看，通过我们标记形成的模型，目前已经准确率已达到了85% 以上，这种结果还是很让我们兴奋，我相信随着设备硬件的发展，随着神经网络进一步的进化，随着数据量进一步的增加，准确性、敏感度还会进一步的提高。“

　　那么，从技术层面来讲，在将深度学习应用于医疗影像的识别与分析的过程中，主要面临的挑战有哪些？带着这个问题，我们对推想科技创始人兼CEO陈宽进行了专访。

　　需持续关注的三大技术挑战

　　对于这一问题，陈宽非常有发言权。

转载请注明出处。