专访柏视医疗创始人陆遥：“AI+医疗”的迟来者，用技术壁垒构建“护城河”

“AI+医疗这个行业不像两方对垒，谁先抢占高地就有优势，而是类似于高手比武，到最后比拼的是内力修为，谁说不能后发制人呢？”

柏视医疗的创始人陆遥如此说道。

陆遥，2013年中组部第九批“”青年项目入选者，在美国医学院做了多年的研究员，回国后在中山大学工作，任中山大学数据科学与计算机学院教授兼计算医学成像实验室主任，同时也是国家肿瘤医学协同创新中心科研骨干，有着十五年的医学图像后处理、医学影像分析及人工智能研究经验和产品积累。

近日，雷锋网和陆遥进行了一次深入的交谈。

四十不惑

和写出《平凡的世界》的路遥名字相差一字，但是两者有着类似的人生轨迹，那就是路遥写出人生代表作《平凡的世界》时是42岁，而陆遥创立柏视医疗时是38岁，都是四十不惑的年纪了。“如果按照正常的人生轨迹走下去，我应该还在美国做研究。这个年纪再创业，算得上是一个老兵了。”陆遥笑道。

陆遥是一个“杂家”，他曾就读于中国科学技术大学数学系，是中国科学院数学与系统科学研究院与美国雪城大学双博士。但是博士期间，又被自己的导师送到了美国纽约州立大学上州医学院学习医学影像；博士毕业后，跟随计算机辅助诊断领域国际权威Heang-ping Chan教授在美国密西根大学医学院从事乳腺癌医学影像的研究。“数学、计算机、医学，能学的东西我都学了一遍。”也正是这样一段特殊的学术经历以及与GE全球研发中心的合作，让陆遥在选择创业的时候能够兼顾到产品的设计研发。

而其余的几位合伙人，也都是在工业界摸爬滚打了十几年的老兵。

CEO沈烁曾经是BIMT（医学大数据）公司副总裁、CTO，曾担任中国互联网络信息中心实验室主任、广州中科院网络中心副主任和总工，美国普渡大学数学博士和电子与计算机工程硕士，中欧国际商学院EMBA。

上个月，IEEE Fellow、前西门子硅谷创新中心总经理徐晨阳加盟柏视医疗，出任首席科技顾问，负责顶层战略规划及核心优势产品研发、人才团队建设、资源整合和国际化等层面的工作。

可以说，创始团队的学界和工业界背景是陆遥在此时入局“AI+医疗”领域的最大底气。

“医疗人工智能是一个交叉领域，需要有坐冷板凳的毅力，这个行业现在很火，显得有些浮躁，很多产品就像空中楼阁，创业者也缺乏和医生共通的话语体系，我是想把自己在计算机和医学知识十多年的积累落实到患者身上，实实在在地做些事情。”

因此，和众多此领域的公司相比，今年五月才成立的柏视医疗团队看似错过了“AI+医疗”这个风口的最佳时期。但是正如陆遥所说，这个领域比拼到最后的是内力修为。在这点上，柏视医疗已经拥有了深厚的医学影像分析研究基础。

今年7月，柏视医疗获数千万元人民币天使轮投资，投资方看重的也正是陆遥博士15年医学影像分析的研究积累以及创业团队具备的学术和业界背景。

切入病种的几点思考

在我国，乳腺癌始终是威胁公众，尤其是女性健康的严峻挑战。最著名的新闻莫过于安吉丽娜·朱莉在两年前检查出带有BRCA1基因缺陷，有高度罹患乳癌风险，毅然决然接受了预防性乳腺切除。

十年时间里，乳腺癌的发病率不断攀升，居女性恶性肿瘤发病率之首，而且城市地区发病率是农村地区的两倍，发病人群较欧美国家年轻化。“我猜测，可能跟现在的饮食结构有关系。”

这也是为什么陆遥博士从这个病种切入的一个原因。陆遥坦言：我亲眼见到乳腺癌患者遇到的痛苦。“中国乳腺癌切乳率是90%，也就是说，10个女性如果得了乳腺癌之后，有9个要做全乳切除手术，这个数字在美国是34%。所以说，中国大概有56%的病人是白白被切掉的。对女性来说，罹患乳腺癌后是否保乳是非常艰难的选择。乳房是女性重要的第二性征，大部分选择全乳切除的乳腺癌患者不同程度上都会患上抑郁症。在十几年的乳腺癌研究中，患者的痛苦深深激发了我，要将自己的科研成果尽快进行临床转化，让她们可以真正受益。”

为什么中国的乳腺癌切乳率那么高？陆遥表示，中国的乳腺癌病人发现的时候大多数是中期到晚期，而中期和晚期的患者在中国通常激进的实施全乳切除了。但是，美国利用早期诊断可以最大程度上降低乳腺癌带来的疾病风险。

从医生临床需求来看，由于亚洲女性乳腺的脂肪含量普遍较低，单凭乳腺钼靶检测很难有高辨识度的影像，医生诊断时通常需要再次调用超声或MRI影像，将多模态数据结合来进行诊断。而且诊断时需要对病情进行分级，耗时长且主观性较大，也一直是临床诊断的痛点。

此外，陆遥博士所在的中山大学地处华南，鼻咽癌是华南地区的高发恶性肿瘤，因为头部是人体的重要器官，手术治疗风险大，通常采取放疗手段进行治疗，但医生勾画单个鼻咽癌患者的靶区，需要花费两三个小时看数百张CT/MRI影像，不但非常耗时，而且靶区勾画的准确度与放疗剂量选择直接决定了患者的治疗效果和生存率。

从技术角度看，以乳腺癌、鼻咽癌去做切入点，是因为这两个存有技术门槛，无法直接拿深度学习技术来做。“因为我们之前测试过，直接拿深度学习的方法应用在这两个病种上，准确度会受很大影响。在落后其他团队将近一年时间的前提下，我们要去打开市场，就必须抬高技术门槛，以技术门槛和别人拉开差距。”

从商业角度来看，乳腺癌现在是城市女性发病率最高的癌症，而且以每年14%的速度在增长，这是非常恐怖的数字。但是，乳腺癌有一个特点，就是早期发现的治愈率非常高，5年存活率超过85%。就是说，早期发现对乳腺癌非常重要，而陆遥的技术刚好也是做早期诊断。因此基于上述的几点考虑，他决定从上述乳腺癌的早期筛查和鼻咽癌放疗临床靶区的自动勾画切入市场。

产品需具备多模态的特性

由于医疗行业高壁垒本身的特性，技术之外还需要有数据、资源、人脉，缺一不可。尽管已经认识到乳腺癌和鼻咽癌防治的严峻形势，但如何将技术进行商业化落地是一个难题。

陆遥坦言，美国对于临床数据的控制非常严，技术人员很难接触到大量数据。但是，人工智能没有大量数据的支撑，很难把模型训练好。“这也有赖于国内人工智能的开放态度和市场环境。国家对于人工智能产学研的支持力度比较大，我们的团队相当于用美国的技术再加上中国的数据，就形成了很好的结合。”目前，柏视医疗以乳腺癌和鼻咽癌切入的相关产品进展明显。

熟悉这个领域的人都知道，肺结节和糖网筛查几乎成为每个医疗人工智能企业的产品标配，为什么众多玩家都会从肺结节、糖网等疾病领域入手？陆遥给出了自己的理解：除去疾病本身的医患供求特点，还有一点就是技术门槛低。

“以小结节为例，肺小结节前景是钙化，背景是肺泡，对比度很高，也就是我们所说的强边缘。这个边缘特征和光学图像的特征非常接近，光学图像的好处在于很合适利用深度学习网络进行自然图像分析。而且，国外的LUNA等公开数据库拥有上万例经过标注的数据，任何人都能获得，深度学习的代码也都是开源的。因此，对于部分人工智能初创企业而言，利用上述的数据和技术，一个晚上就可以轻松创业。

但是在医学影像领域里面，只有三个场景具有光学图像的特征：肺小结节；眼底OCT；细胞病理。细胞病理图像的获取成本比较高，因此很多团队会将“肺小结节”和“眼底OCT”作为自己早期创业的首选。

大部分肿瘤没有上述三个病种的特点，其图像边缘比较模糊（特别是在早期的时候），对比度较低，具有弱边缘的特征，弱边缘的特性不是光学图像所具有的。因此，利用深度学习技术去做肿瘤就存在技术门槛。这也就是很多玩家没有切入这个领域的原因。

与其他同行公司大部分集中在肺小结节、糖网筛查AI辅助诊断等不同，柏视医疗迎难而上，选择了技术难度更高并实际解决临床痛点的放疗靶区勾画作为突破点，所有数据均由中山大学附属肿瘤医院的主任医师进行标注，在全球首创了鼻咽癌放疗临床靶区自动勾画系统，不但可对GTV（肿瘤区）进行自动勾画，还可对CTV（临床靶区）进行自动勾画。

CTV勾画是放疗控制肿瘤复发转移的关键，也是靶区勾画技术难度最高、最耗时的部分。陆遥博士表示，在充分保证靶区勾画精准度的前提下，可将勾画时间从数小时缩短到几分钟，大大提高了临床医生的诊疗效率。目前鼻咽癌的产品已在中山大学肿瘤防治中心临床验证。

乳腺癌智能辅助诊断产品基于钼靶和超声进行计算机辅助诊断，结合了患者的病历数据和免疫组化数据，形成多模态的数据模型，具备多模态综合分析能力，可快速辅助医生对病情分级诊断。“以乳腺癌为例，乳腺癌检测的敏感度可以达到88%，相当于美国10年以上资深医生的水平。”

即将推出肺部常见病智能诊断产品，可提供覆盖肺部94%以上常见病(肺结节、肺部肿瘤、肺炎、肺结核、肺部感染和慢阻塞等)的多病种一键式诊断功能。

陆遥向雷锋网表示，柏视医疗的技术积累已经包括乳腺癌、肺癌、鼻咽癌、肝癌、宫颈癌这5个病种，这几类癌症在中国总体的癌症发病率里面占了约40%。接下来还会往更多的疾病发展，包括肾癌和其它病种。

他强调，柏视医疗的定位是一家医疗服务的公司。在他看来，医学影像产品要在医院落地，一定需要具备多病种和多模态的特性。不同于西方医生的从业特点，中国的临床影像科医生是全科医生，在这种情况下，柏视医疗的产品线必须要跟医生的工作流程相吻合。“医生看全病种，产品就得做全病种，就是这么一个原因。”

以“小样本数据集”训练模型

了解“AI+医疗”这个行业的人都知道，深度学习技术需要大量的数据基础作为支撑，但是数据作为一项宝贵和严肃的“财产”，不花费大力气是很难获得的。为了解决多源异构的医学影像数据的差异，柏视医疗的核心技术采用的是小样本集数据训练模型，并与知识图谱和深度学习相结合。

在数据获取方面，柏视医疗将其系统部署到合作医院中，并不从医院直接获取数据，而是在院内训练系统，从而获得增强特征数据集，利用这些特征集再完善本身的系统模型，有效地保护医院的数据隐私性，也解决了现有其他技术公司医疗数据获取灰色地带的问题。

对于这项技术，陆遥博士是这么理解的：

医学影像本质上是中小量级的样本级，所以说医学影像不能称为大数据。影像分析针对的是单病种，但是像中山大学附属第一医院，这是全国排名前七的医院，一年乳腺癌的门诊量才约2000例，手术量才约300例，多少年才能达到百万级别的数字呢？

大部分AI医疗公司采用的是深度学习技术，对样本量要求比较大，对数据的脱敏、清洗、标注，要做到10万例的级别，是非常耗时、耗力、耗钱的事情。

“我们的优势是训练集需要的数据量不是很大，绝大多数病种的数据量在1000-2000例之间就可以保证训练模型的稳定性。”

陆遥博士强调，稳定性是深度学习商业化的一个重要问题。“机器学习有一个很重要的概念是稳定，这也是深度学习需要庞大数据量的原因。现在很多团队没有注意到这个问题。因为数据量过小，网络没有稳定。在这种情况下，新增的数据进来之后，网络模型重新变了，因此就无法进行复制和推广。在这种情况下，我们利用已有稳定模型的优势去复制、推广就不会有特别大的困难。”

医工需要共通的话语体系

陆遥博士在采访中坦言，创业过程中最困难的一点是市场落地。2013年他刚回国时，“AI+医疗”的军备竞赛正开展得热火朝天，资本不断入围，赛道上的玩家越来越多，“2013-2015年两年时间里，有30、40个团队都从肺小结节的筛查做起。”

陆遥表示，“AI+医疗”兴起的时候，医生也非常欢迎AI，但是2015年形势变了，原因是一些团队将医生放在一个对立面。例如现在很流行的人机大战，表面看来，机器大有超越人类之势，而有取代医生之嫌，导致他们这批稍晚入局的创业公司遇到了市场阻力。“

从那个时候起，陆遥开始思考AI与医生的关系。柏视医疗的定位非常清晰——辅助医生诊断流程。他认为，医生是整个市场的主体，需求来自于医生，服务对象还是医生，只有找好自己的定位，才能在市场里存活。“几乎所有其他团队都将自己定位成人工智能公司，而我们将自己定位为医疗服务提供商，这是我们与其他团队最大的区别。

“AI+医疗”是一个交叉领域，交叉领域最忌讳什么？——缺乏共通的话语体系。“跑到人工智能的人跟前说医疗，跑到医疗的人跟前说人工智能”，这个是很忌讳的，原因是你可以唬住别人，但是你很难跟他打成一团，拥有共通的话语体系才能真正赢得对方的尊重，这也是我们拓展市场的基本策略，医院的营销本质上是技术营销，一定要通过技术把市场打开。”

分级诊疗背景下，如何深入基层医疗

将三甲医院优质医疗资源和服务从院内延伸到院外，将轻症患者留在基层，重症患者转诊到上级医院，可以提升筛查医生的工作效率，帮助各级医院充分发挥各自的医疗资源，提升整个医疗系统的运转效率，这是国家分级诊疗的一大背景，也是医疗人工智能企业长久关注的问题。

陆遥博士非常认可人工智能技术在当下分级诊疗背景中发挥的作用，他认为，一个是小病，一个是早期诊断，这两点对于基层医疗非常重要。因此，柏视医疗针对基层推出了肺部全病种的产品，覆盖病种包括肺炎、肺结核、肺结节等超过94%的常见病多发病。陆遥表示，“现在大部分公司做的产品是基于CT的肺小结节筛查，但这在基层医院是很难推广的，因为基层医院最常见的是胸片。”

据雷锋网(公众号：雷锋网)了解，柏视医疗的其中一项技术就是基于胸片的智能分析。胸片阅片的一大困扰是肋骨阴影，因为胸片成像时肋骨会与肺部的部分区域重合，容易造成肺部疾病的漏诊。在这点上，陆遥博士介绍了他引以自豪的技术——胸片影像去骨优化。“实际上这个技术限制了很多团队进入基层医院，但是我们可以利用这个技术帮助基层医院。”

现阶段，柏视医疗已经完成产品定型，在未获得二类医疗器械证之前，主要通过科研服务方式与医院进行产品实验和合作。在获得CFDA认证之后，将面向医院、独立医学影像中心销售，销售会有两种模式：一是工作站的形式，二是云平台形式，三是以合作形式部署在第三方检测机构。此外，柏视医疗也将通过与医疗设备厂商和医院信息系统厂商合作进入医院。

“算法+平台”将成未来趋势

值得一提的是，在2017 RSNA上，飞利浦发布了人工智能平台IntelliSpace Discovery 2.0（ISD2.0），柏视医疗作为唯一入选的AI公司，引起业界的关注，其基于CT/MRI的鼻咽癌放疗临床靶区自动勾画系统已嵌入ISD平台，这也是业界唯一一个通过顶级医疗设备厂商严格审查、开始商用的成熟AI产品。

雷锋网曾和飞利浦高级总监周振宇有过一次简短交流。他表示，ISD平台提供技术支撑，包括界面交互、数据库、算法平台等一系列标准化服务，以此来打造一个AI医疗的生态圈。“‘算法+平台’的方式将出现巨大的市场空间。过去两年，“AI+医疗”的市场里有130家公司，融资金额达到了260亿人民币，但是效果并不好，原因是医疗场景是一个高度标准化的场景，如果不能嵌入医生的实际工作流程，这样的产品很难得到医生的青睐。这也正是ISD平台开发的初衷。”

未来类似于柏视医疗这样提供技术、算法的团队，跟平台进行合作会不会成为一种趋势，陆博士表示赞同。他认为，平台提供了生态环境，团队的技术产品是生态圈里面的一个标地，融入进去之后，就在自己最擅长的地方去发力，不需要关注支撑性的内容了。这些内容如果创业公司单独去做，需要花费大量时间精力，让给擅长这些事情的大公司来做，可以更加专注在病种的算法研发上。

“从我个人的角度来看，人工智能+医疗这个领域跟互联网领域不太一样。相对而言，互联网领域的技术含量不是那么高，更多的是商业模式和市场推广的竞争，但是“AI+医疗”是一个技术含量非常高的领域。我相信最终可能会出现几家公司，每家公司在不同的病种、技术上有自己的核心，大家并存。”

。