“傻瓜式”AI科研平台呈现 全医科研或将成为人工智能主旋律

　　“而推想的人工智能辅助诊断产品正在不断为影像医者减负，如今他们甚至考虑到了医者临床以外的创造，希望能让更多的医者加入到医学人工智能的科学研发过程中，为医疗创造更多的价值。”

　　但是，人工智能技术与医疗之间的鸿沟一直困扰着相关从业人士，两门学科各有的深度为其结合增加了不少难度。一直以来，人工智能专家们不断地向医学跨越，而推想正尝试反其道而行之，让医者走向人工智能。

　　在飞利浦呆了22年的席渭龄对此由为感叹，她见证了飞利浦从初级影像CT到现在最为先进的Brilliance iCT这一跨时代变革——成长的是越来越清晰的成像技术，不变的是医者有效的工作时间。

　　所以，席渭龄离开了老东家飞利浦，来到创业公司推想科技担任营销总裁，伺服电机维修，这并非倒退，而是对开拓新技术，www.zr-fanuc.com，对解放医者价值的一种尝试。

　　医者可通过InferScholar Center构建专属AI进行研究，为AI注入医学“温度”。医学专家可自主选择孵化AI的数据、模式、逻辑、参数等，将让AI更加契合医疗业务特性，并从临床角度获得更多科研成果。InferScholar Center所孵化的AI，不止是一个独立的、冷酷的、陌生的机器，而是医者可驾驭、可理解的助手。其模型研究和孵化工具，可广泛应用于肿瘤、心血管、神经系统、呼吸系统等疾病影像检查的智能化、精准化研究，尤其是对于疾病早期诊断、治疗监测、预后预测的影像人工智能研究具有重要价值。

　　“一系列探索未知的过程，科研和看病融会贯通的过程，在我看来就是医学最大的魅力之一。”中国工程院院士宁光曾谈到。但理想与现实的差距时常有之，并非每个医者都愿意或有余力投入科研。

　　AI学者科研平台帮助医者探索数据之中的秘密

　　在安全方面，InferScholar Center充分考虑了医学临床科研的安全性需求，采用软硬件一体机的方式，直接交付到医院，并且可以在与互联网完全隔离的环境中工作，做到数据不出院，保证了医院所有的科研数据、模型算法、研究成果均无泄漏风险。

　　对此，席渭龄满怀信心：“我从飞利浦来到推想，正是看中了人工智能商业化的可能。这一技术的商业化将不同于以往技术的商业化，我们将从中看到更多颠覆式的模式。”

　　那么问题出在了哪里？

　　然而科技却一直在进步，过去无法诊断的病症现在找到了突破性的路径，过去粗略的单层X光片现在已被数百层影像所代替……一切都朝着好的方向发展。

　　“过去在传统器械行业的时候，CT只有一层图像，20多年以后的现在，胸部扫描有300多层。尽管技术的进步也在不断提升成像质量、成像速度，降低造影剂的使用，但归根结底，这些工作都是让医者能够够深刻的认识到患者的疾病，却对降低医者的工作负荷没有太大帮助。”

　　在具体操作上，医者只需根据界面录入相关数据，并对相应参数进行设置，即可完成准备工作。对于每一个参数的调整系统都会给出一个可视化输出结果，医者可对根据预先结构优化已有模型。在完成准备工作后，平台将借助成熟的算法对医者所给出的数据进行处理，医者只需等待平台运行并给出相应结果即可。

　　诊断需AI支持，科研同样需AI支持

　　近日推想科技推出的AI学者科研平台——InferScholar Center是一款集软、硬件一体的医学人工智能专用设备，伺服电机维修，可用于医学影像大数据管理与分析、数据标记、深度神经网络模型构建、影像组学特征提取、组学特征分析与机器学习模型构建等研究，可应用于X线、CT、MRI、PET/CT、病理切片、消化内镜等多种影像数据深度学习与影像组学建模。除医学影像数据外，机器人电路板维修，InferScholar Center同时还能够合并利用临床结构化文本信息，研究各类医学命题。

　　“但临床并非医者发挥价值的唯一途径，医疗作为一门经验学科，医者更希望能将更多的时间用于经验整理与对未知可能的探索，并将其梳理成论文，工业机器人维修，以供更多志同道合者交流学习。”

　　科研仍是当下医疗AI发展的主旋律

　　此外，推想科技两大科学家团队——全球临床科研合作学院(iCR)和先进研究院(iAR)将围绕InferScholar Center，为平台上的医疗科研人员提供基础模型以及临床研究的各类开发、培训、辅助等服务。推想科学家团队成员有的在医学临床领域有深厚的积累，还有掌握最领先的人工智能技术、并颇具建树的年轻科学家，两者密切配合，依托InferScholar Center展开以临床客户服务为核心的科研工作，将最前沿的人工智能技术应用到临床研究，从而覆盖医学临床科研的全流程，与用户共同挖掘临床科研价值。

　　2012年至今，人工智能技术已经经过了几十次的迭代，现有产品虽能满足特定疾病下医者的需求，但对于整个医疗领域的贡献，依然只是沧海一栗——我们亟需更多医生参与到医学的探索与人工智能技术的开拓之中。

　　这一产品的推出顺应了医者当下的需求：越来越多的医学研究者不仅希望使用AI产品，也希望结合自身的医疗大数据和临床经验优势，进行AI方面的自主临床研究。然而，从事深度学习和影像组学研究往往需要具备扎实的代码能力，以及全面的数学、统计、计算机工程基础，甚至还需要认知科学的理论常识，形成这样跨学科的知识体系往往需要多年的系统化训练，也成为了深度学习和影像组学研究最高的门槛，从一定程度上限制了深度学习和影像组学作为新一代医学大数据分析方法论在不同学科领域的传播与推广。绝大多数医疗机构缺乏进行深度学习及影像组学研究的基础设施和专业人员。于是，更加智能化、简单易用的临床科研助手呼之欲出。

　　“随着单一诊断影像层数的不断增多，医者阅片工作量越来越大。但医者的阅片效率并没有太过明显的提高。技术的发展不均匀给为医者带来了越来越多的压力。”席渭龄感慨到。