關鍵詞：醫療AI智能
“一系列探索未知的過程，科研和看病融會貫通的過程，在我看來就是醫學最大的魅力之一。”中國工程院院士寧光曾談到。但理想與現實的差距時常有之，并非每個醫者都愿意或有余力投入科研。
現實比常人看到的更加殘酷。《中國醫者生存現狀調研報告》顯示，77％的醫者曾一周工作超50小時，24．6％的醫者曾一周工作超過80小時。
然而科技卻一直在進步，過去無法診斷的病癥現在找到了突破性的路徑，過去粗略的單層X光片現在已被數百層影像所代替……一切都朝著好的方向發展。
那么問題出在了哪里？
在飛利浦呆了22年的席渭齡對此由為感嘆，她見證了飛利浦從初級影像CT到現在最為先進的Brilliance iCT這一跨時代變革——成長的是越來越清晰的成像技術，不變的是醫者有效的工作時間。
“隨著單一診斷影像層數的不斷增多，醫者閱片工作量越來越大。但醫者的閱片效率并沒有太過明顯的提高。技術的發展不均勻給為醫者帶來了越來越多的壓力。”席渭齡感慨到。
“但臨床并非醫者發揮價值的唯一途徑，醫療作為一門經驗學科，醫者更希望能將更多的時間用于經驗整理與對未知可能的探索，并將其梳理成論文，以供更多志同道合者交流學習。”
所以，席渭齡離開了老東家飛利浦，來到創業公司推想科技擔任營銷總裁，這并非倒退，而是對開拓新技術，對解放醫者價值的一種嘗試。
“過去在傳統器械行業的時候，CT只有一層圖像，20多年以后的現在，胸部掃描有300多層。盡管技術的進步也在不斷提升成像質量、成像速度，降低造影劑的使用，但歸根結底，這些工作都是讓醫者能夠夠深刻的認識到患者的疾病，卻對降低醫者的工作負荷沒有太大幫助。”
“而推想的人工智能輔助診斷產品正在不斷為影像醫者減負，如今他們甚至考慮到了醫者臨床以外的創造，希望能讓更多的醫者加入到醫學人工智能的科學研發過程中，為醫療創造更多的價值。”
AI學者科研平臺幫助醫者探索數據之中的秘密
近日推想科技推出的AI學者科研平臺——InferScholar Center是一款集軟、硬件一體的醫學人工智能專用設備，可用于醫學影像大數據管理與分析、數據標記、深度神經網絡模型構建、影像組學特征提取、組學特征分析與機器學習模型構建等研究，可應用于X線、CT、MRI、PET／CT、病理切片、消化內鏡等多種影像數據深度學習與影像組學建模。
除醫學影像數據外，InferScholar Center同時還能夠合并利用臨床結構化文本信息，研究各類醫學命題。
醫者可通過InferScholar Center構建專屬AI進行研究，為AI注入醫學“溫度”。醫學專家可自主選擇孵化AI的數據、模式、邏輯、參數等，將讓AI更加契合醫療業務特性，并從臨床角度獲得更多科研成果。
InferScholar Center所孵化的AI，不止是一個獨立的、冷酷的、陌生的機器，而是醫者可駕馭、可理解的助手。
其模型研究和孵化工具，可廣泛應用于腫瘤、心血管、神經系統、呼吸系統等疾病影像檢查的智能化、精準化研究，尤其是對于疾病早期診斷、治療監測、預后預測的影像人工智能研究具有重要價值。
這一產品的推出順應了醫者當下的需求：越來越多的醫學研究者不僅希望使用AI產品，也希望結合自身的醫療大數據和臨床經驗優勢，進行AI方面的自主臨床研究。
然而，從事深度學習和影像組學研究往往需要具備扎實的代碼能力，以及全面的數學、統計、計算機工程基礎，甚至還需要認知科學的理論常識，形成這樣跨學科的知識體系往往需要多年的系統化訓練，也成為了深度學習和影像組學研究最高的門檻，從一定程度上限制了深度學習和影像組學作為新一代醫學大數據分析方法論在不同學科領域的傳播與推廣。絕大多數醫療機構缺乏進行深度學習及影像組學研究的基礎設施和專業人員。于是，更加智能化、簡單易用的臨床科研助手呼之欲出。
在具體操作上，醫者只需根據界面錄入相關數據，并對相應參數進行設置，即可完成準備工作。對于每一個參數的調整系統都會給出一個可視化輸出結果，醫者可對根據預先結構優化已有模型。
在完成準備工作后，平臺將借助成熟的算法對醫者所給出的數據進行處理，醫者只需等待平臺運行并給出相應結果即可。
在安全方面，InferScholar Center充分考慮了醫學臨床科研的安全性需求，采用軟硬件一體機的方式，直接交付到醫院，并且可以在與互聯網完全隔離的環境中工作，做到數據不出院，保證了醫院所有的科研數據、模型算法、研究成果均無泄漏風險。
此外，推想科技兩大科學家團隊——全球臨床科研合作學院（iCR）和先進研究院（iAR）將圍繞InferScholar Center，為平臺上的醫療科研人員提供基礎模型以及臨床研究的各類開發、培訓、輔助等服務。
推想科學家團隊成員有的在醫學臨床領域有深厚的積累，還有掌握最領先的人工智能技術、并頗具建樹的年輕科學家，兩者密切配合，依托InferScholar Center展開以臨床客戶服務為核心的科研工作，將最前沿的人工智能技術應用到臨床研究，從而覆蓋醫學臨床科研的全流程，與用戶共同挖掘臨床科研價值。
2012年至今，人工智能技術已經經過了幾十次的迭代，現有產品雖能滿足特定疾病下醫者的需求，但對于整個醫療領域的貢獻，依然只是滄海一栗——我們亟需更多醫生參與到醫學的探索與人工智能技術的開拓之中。
但是，人工智能技術與醫療之間的鴻溝一直困擾著相關從業人士，兩門學科各有的深度為其結合增加了不少難度。一直以來，人工智能專家們不斷地向醫學跨越，而推想正嘗試反其道而行之，讓醫者走向人工智能。
對此，席渭齡滿懷信心：“我從飛利浦來到推想，正是看中了人工智能商業化的可能。這一技術的商業化將不同于以往技術的商業化，我們將從中看到更多顛覆式的模式。”
如今，推想的InferScholar Center平臺已在同濟醫院、長征醫院等頂級三家醫院得到應用，這是一個很好的開端，醫者或許將不再被繁瑣的數據整理分析所束縛。在AI的支持下，全醫科研的年代或許即將來臨。
