文章| Lina：我们先不谈人工智能，先讲一个故事。
有这样一个人，暂且称他为老张吧。
老张已经五六十多岁了，已经当爷爷了。
小孙子很聪明，喜欢在院子里跑来跑去，老张高兴地陪着他玩。
老张年纪轻轻就参加工作，分配到某单位，一待就是几十年。
他脾气很好，踏实肯干。
大家都非常喜欢他。
他们的工作环境粉尘很大，当时没有人有任何防护意识。
这几年，好几个退休哥们都被查出肺癌，唯独老张幸免于难。
然而，几年前的一次年度体检中，老张的肺部开始出现了一个小阴影。
全家人都极其担心，颤抖着拿着胸部X光片询问医生。
而当得知诊断结果——“这是良性结节”时，大家都长长地舒了一口气。
当晚，全家人出去吃饭，还打开了一瓶收藏多年的酒来助兴。
我想你已经猜到这个故事的结局了。
是的，几个月后他们发现，这是一个肿瘤。
那天晚上，老张拿着检查结果独自在房间里坐了一夜。
几个月前的庆功宴上还剩下半瓶未喝完的酒，瓶子静静地立在角落里。
所以当陈宽告诉我他们现在可以利用人工智能将肺癌影像的漏诊率降低40%时，我愣了一下。
最近北京的天气特别好，窗外的阳光明媚刺眼。
我凝视着眼前的蓝天，脑子里却只有老张沉默的背影。
（Inception科技创始人兼CEO 陈宽） 1、疲惫的医生和成千上万的患者 第一次见到陈宽是在硅谷。
推理科技是 NVIDIA Inception 计划中的六家中国 AI 初创公司之一，而陈宽作为创始人兼首席执行官，也受邀参加了今年的 NVIDIA US GTC 大会。
第一次见到陈宽时，他又高又瘦，戴着一副黑框眼镜，英语说得非常流利。
（Infer Technology在GTC的展位，左：陈宽）Infer Technology是一家AI初创公司，为放射科医生提供医学图像（例如X光和CT片）来辅助诊断，例如给它一堆X光胸部X光-射线。
拍片可以告诉你这是肺癌病灶还是良性肿块，为医生提供辅助诊断。
事实上，放射科医生的工作量非常重，医生每天都很累。
以武汉同济医院为例。
这是国内知名的三级医院。
每天接待患者22000余人次，其中放射科（X光、CT等）患者3-5000人次。
一个病人的胸部CT图像必须有至少甚至多张图片。
医生必须来回翻转才能查看。
即使看一张照片3秒，一个病人也至少需要十分钟到半个小时。
几千个病人……你可以想象我每天花十多个小时盯着电脑玩《来找茬》。
“国内的放射科医生非常勤奋，早上8点上班，晚上10点还在忙着写诊断报告。
中午很多人吃午饭，看电影。
”华中科技大学同济医学院附属同济医院放射科主任夏黎明教授曾这样表示。
事实上，基于医学图像获得检测结果并不是很难。
可以通过特征检测能力来实现，但这是一项非常繁琐、重复的工作，消耗大量的精力。
医生最擅长的是面对现有的检查结果，然后根据患者的具体情况提出个体化的治疗方案。
因此，人们认为技术解决的是从医学影像中获取检查结果的“重复且耗时”的过程。
一般医院放射科的流程是用机器拍摄图像，经过脱敏过程——发送到类似的传输服务器进行处理——然后显示在医生的电脑终端上。
现在推测，该技术将在传输服务器-计算机终端过程中安装配备GPU的处理设备，可以对医学图像进行分析，并将最终分析结果与图像一起传输到医生的计算机终端。
（配备GPU的处理设备）根据Infer Technology的内部测试结果，他们最终可以将医生的漏诊率提高40%以上。
医生使用后的反馈是最令人欣慰的。
那些医生一开始因为太麻烦而不愿意用，实际使用了一两周后，他们干脆说没有它就活不下去了——”不打开我就觉得不舒服目前（确诊时），英弗科技推出了专门针对肺癌筛查、脑/神经疾病筛查、心脏病筛查、乳腺癌筛查等（包括肺癌筛查）的不同产品。
检测），为医院提供从硬件到软件的全面AI解决方案，这意味着医院不仅安装了这个辅助诊断软件和硬件，还负责教会医生如何尽快上手使用它，并在随时根据医生的第一手反馈进行调整。
除了针对各类疾病的AI-DR（X射线辅助筛查）和AI-CT（CT辅助筛查）产品外，推论科技还推出了深度学习医学研究平台AI-Scholar。
随着深度学习的兴起，很多专业医生也对这项技术非常感兴趣，但受限于自己不会编程。
AI-Scholar允许医生通过拖拽、点击等简单动作参与深度学习项目。
（上海长征医院放射科医生正在使用英弗科技的产品）目前，英弗科技的技术已在北京协和医院、武汉同济医院、上海长征医院等近20家国内医院使用；除医院外，英推断科技的合作伙伴还包括医疗设备制造商，力求从“售后”向直接推出“预装设备”发展。
下一步，除了X射线和CT外，还将推出MRI、超声图像检测等产品应用。
2、从“识别猫狗”到“识别肿瘤”，深度学习逐渐进入行业。
相信大家对于深度学习这个词都非常熟悉。
它是近年来人工智能的重要算法之一，也是推理技术的热点。
研究方向。
从2016年的ImageNet竞赛到现在，深度学习在图像分类和识别方面取得了长足的进步。
从一开始的“识别图片是猫还是狗”到现在的“识别图片是不是肿瘤”。
据IDC Digital预测，到今年年底，医疗数据量将达到40万亿GB。
例如，这些数据对于医疗+人工智能非常重要。
IBM Watson可以在17秒内读完这本医学专着，吸收海量医学知识，并在短时间内迅速成为肿瘤学专家。
英伟达最近从多名参赛者中选出了五家最具“社会影响力”的人工智能初创公司，它们都来自医疗领域。
国内首家医学影像+人工智能公司最早成立于2007年，并逐渐壮大。
目前已发展到近30家公司，大部分集中在北京和上海，且大部分已完成A轮融资，其中已成立近30家公司。
其中半数获得千万元以上融资。
相对而言，国外企业比国内企业起步早，操作上也会相对严谨。
陈宽认为，医疗行业具有三大特点，使其非常适合人工智能的应用，并得到了良好的反馈。
无独有偶，这与前段时间引起全城轩然大波的“柯狗之战——柯洁VS AlphaGo围棋大赛”类似。
1、场景狭窄，规则清晰：黑棋、白棋、最终号码，围棋规则非常清晰；同样，医学图像的判断也遵循一定的医学标准：阴影部分的直径、边缘的整齐度等。
2. 可用数据量足够大，可以很好地训练深度学习神经网络模型。
就像机器看了几千张图片后，就能分辨出是猫还是狗；在看到大量医学图像后，机器还可以判断是否是肿瘤病变。
3、第三点与Go不同，但是非常紧迫，非常现实——医疗行业的产能非常不足。
去过医院的人都知道，一方面总是有那么多人排队就医，另一方面每个医生的工作量都非常大，经常需要加班到很晚。
要想在保证需求的同时控制价格，唯一的办法就是提高产能。
从这个角度来看，“人工智能”并不是一项难以理解的“高端”技术。
就像铲子或轮子一样，它是人类为了提高生产能力而创造的工具。
但由于医疗行业的特殊性，医学图像的检测诊断不同于单纯的“认猫狗”。
一方面，医学图像的准确性更高，细节差异更小。
同时数据维度更高，对于医疗的利用更加深入。
学习神经网络模型架构比较复杂，设计难度也比较大。
同时，医疗行业不能停止对技术的等待，因此英推科技的产品必须在不影响医院现有流程的情况下进行迭代和优化，这需要公司每个人都了解和熟悉医院流程。
公司几乎所有人都在医院轮班工作，陈宽自己也有一半的时间在医院度过。
不仅要自己熟悉流程，医生有什么想法也要直接反馈给产品技术部门，以便及时优化。
但也因为大家常年呆在医院，整个英弗科技团队都非常注重健康。
陈宽说，“别人出去开组会喝酒，我们却开组会喝酸奶……”另一方面，如何获取大量高质量、有标签的医学图像是也是一个问题。
虽然推断科技的部分三级合作医院可以使用过去十年的放射学数据，但这些数据仍然需要经过专业医疗团队的一一标记后才能用于训练。
目前，英弗科技拥有一支专门负责数据标注的医疗团队，其中大部分是兼职的放射科医生。
以上两点是投机技术需要面对的挑战之一。
3、诺贝尔奖获得者弟子回国创业。
作为一家医疗人工智能初创公司的创始人兼首席执行官，人们可能没有想到，陈宽实际上拥有芝加哥大学经济学/金融学双博士学位。
陈宽在深圳长大。
他是最早南迁、扎根“南海圈”的家族之一。
即使现在，我仍然听到他说话带有轻微的南方口音。
我去新加坡读中学。
高考后，我来到美国芝加哥大学攻读本科和博士，师从两位诺贝尔经济学奖获得者詹姆斯·赫克曼和拉尔斯·汉森教授。
一直对深度学习和人工智能有着浓厚兴趣的陈宽，在博士基础课期间就利用机器学习和深度学习做了很多金融和政策方面的预测。
例如，2016年，他和朋友合作基于Twitter数据进行金融和政策预测。
该项目预测奥巴马连任，也吸引了许多媒体愿意购买他们的作品。
到了年底，陈宽开始思考如何将深度学习落地到行业中。
基础课程结束后，在导师的同意下，博士生陈宽回国，开始在各个行业间穿梭，寻找真正的行业落地和行业痛点，包括安防、金融、农业……应有尽有。
。
直到一次闭门会议，一位放射科医生对陈宽的图像识别模型产生了兴趣，并向他提出了医学图像辅助诊断的方向。
随后，医生们也在不同场合向陈宽提出了这一要求。
再加上上面提到的几个特点，陈宽开始逐渐认识到医疗确实是一个需要深度学习落地的行业。
（联合创始人兼COO王少康）2019年，推断科技获得英诺天使基金、震云创投投资的万轮天使轮融资，2018年1月获得红杉中国领投的万轮A轮融资。
公司另一位联合创始人王少康现任公司COO。
加上上面提到的医疗团队，估计科技现在已经有一百多人了。
未来除了继续拓展国内医疗市场外，英孚科技现在开始逐步扎根海外，如美国、日本、欧盟等。
采访当晚，英弗科技日本办事处也正式落户东京千代田区。
此外，陈宽还向智喜喜独家透露了一则消息：美国基因深度学习公司Deep Genomics CTO兼联合创始人熊惠源博士已加盟英弗科技，担任公司首席科学家。
熊惠源博士的研究重点是探索机器学习在改善人类医疗健康方面的应用。
多篇论文发表在《Science》、《Nature》等知名学术期刊上。
结论：医疗圈内外对人工智能医疗的需求主要基于几个客观现实：一方面优质医疗资源供给不足、成本高、医生培养周期长、误诊率高、疾病谱变化快、技术日新月异；另一方面，健康方面，随着人口老龄化加剧、慢性病增多、人们对健康更加重视，对医疗服务的需求不断增加。
目前，国内外已有多家初创公司从事AI医学影像分析服务和数字医学影像解决方案。
医疗也是大家普遍非常看好的一个深度学习应用领域，并且正在逐渐蓬勃发展。
但我们不得不承认，医疗是一个非常保守、传统的行业。
由于涉及患者生命安全，各大医院对新技术仍持保守态度。
2000年，当“深度学习”还没有像今天这样流行时，人们认为技术的早期商业推广遇到了很多困难。
当时，大多数医院虽然对新技术很感兴趣，但仍然存在各种顾虑，不愿意投入精力。
陈宽走访了北京、上海、广州及多个省会城市的近30家医院。
终于，今年4月，他成功说服第一个合作伙伴四川省人民医院尝试利用推理技术进行医学影像辅助诊断。
“保守主义在一个圈子里是一把双刃剑，一方面外人很难进入，但一旦你在某个地方获得认可，他们就会对你产生强烈的信任感。
”陈宽感慨道。
先发优势确实给了推断科技很好的护城河，但正如陈宽自己所说，这个行业壁垒并不是绝对的。
随着越来越多的人工智能实例在医疗领域落地，医疗行业也正在从上到下进行技术变革。
初创公司必须勇往直前，不断优化和迭代产品，才能巩固这种先发优势，逐步在蓬勃发展的AI医疗行业中占据先机。