这一天，海康慧影发布了医疗视觉全新产品——MIK5内窥镜系统解决方案。

MIK5包括4K智能白光内窥镜图像处理主板及摄像头解决方案、4K智能荧光内窥镜图像处理主板及4K自动聚焦荧光摄像头、智能3D内窥镜图像处理主板及一体化3D内窥镜、光学镜、光源在内的硬件；及iDesigner自定义OSD软件、iTest图像测试软件以及iPlayer智能播放软件组成的一整套系统解决方案。

其中，处理能力全面升级是MIK5的最大特点。由之前的4核异构平台升级成8核，整个平台ISP的处理能力是以前的3倍，主控调度的处理能力是以前的5倍以上。

除此之外，平台具备4核AI运算，可支持10TOPS神经网络卷积加速性能。而智能ISP算法和智能辅助识别算法，让MIK5成为硬镜摄像系统领域中首先应用AI技术的产品。

海康慧影CEO申川表示：海康慧影将结合海康威视多年来的技术积累，把握AI时代进步的机会，将AI技术与内窥镜系统相结合，提升医疗效率，保障医疗安全。服务大众健康是我们的初心，让健康看见更多是我们一直以来的使命，海康慧影将持续用执著和热忱铸就硬实力，为医疗行业作出贡献。

作为一名“新选手”，海康慧影怎样入局医用内窥镜行业？

一家以“视觉”为优势的医疗科技公司

海康慧影正式的成立时间是2018年3月，开始做内窥镜领域之前，其曾做过一次市场调研：

一方面，内窥镜系统解决方案厂家较少，头部内窥镜厂家与传统的影像上游厂家如Sony、松下等合作，大部分内窥镜厂家则用安防的视频板卡方案，整个内窥镜行业都需要更多专业的视频技术解决方案商；

另一方面，内窥镜产业尚处于发展期。据中国医疗器械协会统计，国内窥镜市场年均增长率将保持在20%左右，发展空间和潜力都非常可观。 

 2017年，是医疗创业的红海之年。彼时，医疗AI、互联网医疗等概念热度颇高。不少项目凭着开源算法和公开数据库跑出一个模型，就能拿到一笔可观的融资。

从入局难度而言，拥有多年计算机视觉软硬件研发经验积淀的海康慧影，可以轻松加入这个阵营。

同时，从自身的优势出发，海康慧影更加看重以硬件产品为载体，将算法、服务的价值与硬件形成嵌套，最终输出一套完整的解决方案。而这种打法的医疗落脚点便是内窥镜领域。

啃下“内窥镜”的硬骨头

在加入海康慧影团队之前，海康慧影医疗视觉产品总监贺光琳曾在医疗行业探索多年。

她表示 “彼时，终端用户对内窥镜视频图像技术的要求越来越高，行业法规也越发完善，而供应链上游可选择空间很少，使得国内创业公司难以进入，是一个真正的硬骨头。”

当时，海康慧影团队调研发现，硬管内窥镜领域所有企业的打法主要分为三类：

第一种，布局微创手术全能解决方案、内窥镜摄像系统、手术器械、能量平台全方位布局；

第二种，专注内窥镜的技术研发，既有自己的品牌，同时也做供应商，提供硬件和定制服务，例如，雪力为达芬奇手术机器人提供3D内窥镜摄像系统。

第三种，做纯技术和硬件供应商定位，不做独立产品，只提供图像处理主板和摄像头模组。

“对于进入内窥镜行业的海康慧影来说，技术是我们的优势，团队也定位选择了第三种路径作为自己的发展方向，为医疗技术发展持续赋能。”

基于计算机视觉技术的积累，海康慧影团队在成立后，逐渐摸清了医用4K内窥镜摄像系统采集、传输、处理以及显示等完整的技术链路。

2018年年底，团队推出了4K图像处理主板和内窥镜摄像头产品； 

随即，又推出了首款自主研发，兼具HD和4K性能，搭载ISP算法的智能内窥镜系统MIK3，其中包括4核异构加速平台、一键自动聚焦，以及具备暗区改善、去雾等针对性自研高级算法，这也成为海康慧影后来最受欢迎的产品之一。

可是，即便有不错的产品推出，团队当时还是面临着产品如何切入市场，以及是否能拿注册证等问题。 

“作为‘新选手’的海康慧影在当时并没有引起行业的重视。” 

用贺光琳自己的话来说，许多医疗客户和内窥镜厂商最初并不知道海康慧影是谁，对MIK3产品的了解程度和合作意愿也更低。

于是，海康慧影成立后的第二年，贺光琳和海康慧影团队思考最多的便是产品亮点和差异化的问题。

他们率先提出了一种新的CDMO（定制研发生产机构，主要应用在医药领域）模式，不仅只提供硬件，同时继续为合作方提供后续集成优化测试和注册认证的技术支持服务。 

“我们认为，这种模式是内窥镜集成企业的刚需。一方面，全国只有13家指定的医疗器械检验机构，排队情况非常严重，很多企业自掏腰包找第三方检验机构辅导，然后再送到检验所，否则在检验过程中出意外，将导致注册周期被无限拉长。” 

所以，在采购配件的同时，如果能给内窥镜厂商，在算法、软件、光学硬件集成和注册认证解读等方面提供帮助，将有着更重要的意义。  

基于CDMO的思路，海康慧影很快就收获了第一批种子客户。 

2019年11月，海康慧影就以MIK3产品为基础，协助客户拿到了浙江省内第一张4K摄像系统注册证，并以此获得了进入市场的第一张准入证。

2019年到2020年，海康慧影的MIK3产品线的客户成交数更是增长了7倍以上。 

MIK5，海康慧影的利剑出鞘

接下来的两三年，虽然海康慧影已经成功将第一代产品MIK3推进到了市场应用阶段，但内部团队也看到，这样的产品线还太过单薄。

贺光琳表示，“MIK3的研发时间很短，很多经验和解决方案也都是从过去的视频积累上直接借鉴而来，相比于头部外企已迭代几十年的产品，我们的差距仍然比较明显。” 

因为是第一款产品，MIK3多多少少带有试水的性质。所以，海康慧影还有诸多的软硬件资源和实力没有被充分展示出来。 

皮球被压在水里，总有一刻是要冒出来。

于是，一面通过合作伙伴成熟的渠道推动MIK3开疆拓土的同时，海康慧影又同步启动了冲击高端产品技术的尝试，主要分为两条路：算法、硬件。 

首先，是算法。

2019年，在国际顶级医疗影像会议ISBI主办的竞赛中，海康慧影派出了自己的团队参加比赛。相比于比赛本身，团队得到的一条有用信息是，行业对于微创外科内窥镜领域的AI应用关注度都非常少。 

比赛结束之后，海康慧影团队就开始讨论在微创外科的切入点。为此，团队拜访了北京协和医院、浙二等多家医院，并且找到了他们共同的痛点。

例如，令外科医生敏感的手术异物残留，包括纱布、纱球、缝针、止血钳等等。

以腹腔镜胰腺手术为例，手术出血量大、解剖层次丰富，常需使用各种止血材料，手术中纱布常因浸血或暴露面积小等原因难以识别，常常会导致手术时间延长、发生纱布遗漏等不良后果，更严重的会形成异物性肿块，医学上称“纱布瘤”。 

“基于这样需求，我们就开始内部讨论，纱布图像特征较为明显，AI在物体识别上也具有显著的优势，这在很多场景中都已被验证。” 

2020年初，海康慧影团队和北京协和医院基础外科团队合作，验证纱布智能识别这一想法的可行性。之后，便研发出了第一款内窥镜硬镜领域中智能辅助纱布识别的应用。 

·

其次，是硬件。

不同于MIK3硬件的快速成型，海康慧影用了大量时间到医院、到一线科室，到合作方中去了解临床使用过程遇到的痛点以及没有解决的问题。

其中，他们既收获了类似更精准的自动曝光、自动聚焦、多光谱融合以及抗电刀干扰的需求，也同时感受到了质疑的声音。

贺光琳表示，“当时我们走访、问询医生，内窥镜设备有哪些是可以改进的地方，有的医生就会说，‘这些需求我也告诉了很多家企业，但反馈之后，后面很多都没有后续动作，就偃旗息鼓了。’” 

为了能够让更多医生看到国产实力，海康慧影成立了专门的产品开发团队-医疗视觉产品部。

··该产品团队不仅快速响应合作伙伴的临床跟台需求，还专注于医工结合项目的前沿研发及产品化。

2020年12月，海康慧影成功研发了最快速度达到0.5秒的自动聚焦摄像头。

2021年12月，他们又完成了内窥镜影像产品的4K智能白光，4K智能荧光以及智能3D的三大产品线的研发。

据贺光琳表示，目前，MIK5解决方案已经在几家内窥镜企业中完成了产品化集成，并进入到注册审批流程当中。 

结语

3月12号新品发布时，海康慧影CEO申川特意提到了植树节，以及树的概念：“四年前，海康慧影选择了植树节这一天成立。如今，海康慧影在高壁垒的医疗领域渐渐扎下根来，开始开枝散叶，迎来更广阔的空间。”

在这之前，在海康慧影腹腔镜胰腺手术产品研发时，一名医生也曾由衷地感叹：“智能内镜时代会因为这一块纱布拉开序幕。” 

在这群敬畏医学的团队手上，内窥镜行业一个新的序章也就此展开。雷峰网雷峰网

但在高速增长的同时，AI新药研发面临的质疑也在成倍放大。高频融资背后，究竟是AI新药研发行业已到成熟期，还是资本助推下的一次泡沫狂欢？ 

围绕AI新药研发的现状，我们近期对话了夸克资本合伙人Leo 韩涟漪、北极光创投合伙人宋高广，以及一位在跨国药企工作多年的高管赵兴（化名）等药企负责人和投资人，分享他们对于AI制药的看法。

AI制药，上天还是入地？ 

据统计，2021年，全球AI+制药产业共发生77起融资事件，累计融资额达45.64亿美元，融资事件数和融资额共同刷新了历年融资纪录。对比2020年，2021年融资额增长率达152%。 

繁华之下，是否有泡沫？在《医健AI掘金志》的对话过程中，三位受访者都对AI新药研发项目表示担忧。 

这种担忧主要集中在，难以评估AI新药研发企业的未来价值。 

过去两年，尽管国外先后有Schrodinger薛定谔、Exscientia、Relay多家AI制药企业完成了上市，但从目前的股价来看，多数企业都没有保持住超高市值，Exscientia市值较上市已经缩水50%。 

即使有AlphaFold2这样的革命性突破，部分企业的新药分子也陆续官宣PCC（临床前候选化合物），但具体到每家企业，每个合作当中，AI制药的具体效果，依旧无法衡量。 

传统的生物医药体系，自有一套价值评估的法则。

赵兴表示：“企业的价值最终还是要回归到产品和服务上，与是否用到AI关系不大。” 

医药投资老将、高榕资本合伙人杨昆曾对雷峰网表示：“目前很多AI研发药物处于临床前期阶段，一旦发展至临床阶段，按新药研发还是AI公司估值，会出现很大差异，甚至AI制药企业可能面临上天和落地的分化。” 

如果是后者，在AI商业前景集体唱衰的背景下，他们的发展许将面临很大的质疑和不信任。

此外，生物制药作为传统行业，对于互联网观念，互联网玩法的不适应，也会影响最终对AI制药价值的评定。 

而如果前者，则意味着AI制药公司的自研平台，需要更多可以在制药领域站得住脚的成果，例如高价值的创新药，足够通用的工具，这背后的难度都可想而知。

AI制药的核心价值是什么？

AI平台的价值，需要依靠药企的合作来证明，在《医健AI掘金志》的对话过程中，听到了不少制药行业群体对AI制药的不满。 

曾在美国国家生物技术信息中心工作多年，目前担任夸克资本合伙人Leo 韩涟漪表示：“在谈AI前景前，药学家和医药从业者，会先关注AI制药企业的业务逻辑是什么，核心竞争力在哪里，最终影响哪一类赛道，无论是晶型预测，还是小分子药物筛选，AI怎样找到药物研发的服务关系才是关键。” 

以药物研发企业为例，业务逻辑就是做出创新药，核心竞争力就在于管线的市场前景，以及高价值管线数量够不够多。同理，CRO就是能够提供专业的研发、生产等等外包服务。 

但显然，在很多药企或投资人眼中，大部分AI新药研发企业，还不具备类似的清晰逻辑。 

刘薇（化名）是一位医药行业分析师，她认为，除了宣传算法的优化能力，AI改变药物研发游戏规则，更应该谈谈怎样改变游戏规则，改变哪些规则，是作用在大分子，还是小分子领域，是可以优化化合物合成路径，还是可以实现剂型的优化。 

“以AI助力药企发现小分子化合物为例。在药学家看来，那些临床前的成绩都比较虚，而且他们经常的工作需求，可能都不是找到新的可能分子，而是尽早pass掉不行的分子，干掉的越早，省的钱就越多，最后都拖到临床阶段去验证，那损失就太多了。” 

所以，对于药企来说，目前很大的问题就是看不懂AI新药研发企业的业务逻辑和核心竞争力。 

AI制药的创业者自己也需要思考，不能光跟着热度讲故事，不是用AI来解决问题，而是具体要解决什么问题，怎么去解决，思路必须要清晰，给甲方展示出来。 

传统AI方法，也挺好

在传统医药行业，药企确实需要很多合适的工具来解决问题。但实际中，AI新药研发提供的平台，却和药企需求很不一样。 

赵兴表示：“对于药企来说，我们的目标是倾向于解决问题，也就是工程化能力，不太会看重工具是来自现在的人工智能企业，还会传统公司。” 

目前，在辉瑞的药物研发当中，已经有很多效果很好的工具，例如将已有科研成果和报告集成在一起的工具：

当药学家发现一种新化合物的时候，就可以快速找出所有相关的参考文章和报告，提供参考，这样的工具就会有很多人愿意去用。

在赵兴看来，目前很多AI新药研发平台，并没有达到这样的易用性，且普遍都存在工程化能力不足的现象。 

以AI应用于靶点识别、分子生成为例，除了更快发现靶点和化合物，药企会更加关心平台背后的数据是否准确，能否准确分析出和已知靶点的关系，是否可以很简单将这些结果呈现出来。 

而背后更牵扯出，药学家对AI新药研发平台数据质量的担忧：目前AI筛选结果的背后，是否有大量优质数据做支撑，覆盖数据是否可信？ 

张雷（化名）是一家跨国药企的国内研发负责人，他也表示，AI虽然貌似辅助研发人员在进行更全面的决策。但是，使用者很难对不同AI模型给出的结果的最优性和合理性进行验证，而任何一个模型的不可靠，会放大药物研发后期失败的风险。 

而再往下游走，用AI预测药代和毒理，用AI预测临床试验结果，从目前的结果来看，也都不大靠谱。 

此外，在药学家看来，AI新药这种新技术也并不那么纯粹。 

赵兴表示：“大家也许都看到像AlphaFold2这样巨大的新成绩，但AI制药的新趋势不是一刀切，也不是近几年才突然出现的革命性技术。也许在药物研发过程中，哪些是AI，哪些不是AI，连创业者也说不清楚。” 

举例来说，人工智能的定义自然包括机器学习和深度学习。

像机器学习里面的统计、线性回归、随机森林，神经网络，这些在药物研发的修饰和改造先导化合物、多肽合成、毒性预测等领域早已经应用了很多年。

2002年左右，韩涟漪在美国国家生物技术信息中心开展工作。 

据他的回忆，不少数据库和药物研发的工作，已用到支持向量机、神经网络来解决制药方面的问题。但是，即便如此，这些技术也只是解决部分问题，突破并不大。

对于现在的药企，或者医药出身的专家来说，他们更是觉得现在的AI DD或者是AlphaFold的出现，只是在原来的AI应用上，新增一个工具而已，甚至在许多场景下，过去的线程回归，随机森林也同样在使用，甚至效果会更好。 

赵兴表示，“突然举牌和投资人或药厂讲，哪一类是新的AI制药公司，哪些公司不是，这个逻辑很通。甚至生物计算或基因组分析中的一些AI制药成绩，单纯的深度学习能占多大比重，产生多大意义，还有待深究。”

当互联网VC面对医药VC

在AI制药风口，不同投资人的看法上，同样也存在冲突。 

尽管在2021年，AI+制药产业的融资事件数和融资额刷新了融资纪录；但在这些融资后面VC的种类也很有特点。 

据统计，参与5次交易以上的机构共有8家，他们分别是红杉资本、五源资本、峰瑞资本、高榕资本、源码资本、百度、真格基金、BAI资本。 

因此，许多医药行业投资人都认为，该领域热度热度攀升和像互联网巨头的加持，和互联网资本大量涌入，存在直接关系。

北极光创投合伙人宋高广表示：“目前互联网资本在AI制药方面无论是数量，还是额度都是最多的，而且更加抱团，更乐观。但做药的投资人，和互联网或TMT背景投资人，对这一赛道的理解，有很大不同。” 

对于在专注医药的投资人来说，AI在许多场景的商业化落地，还远远没有达到之后的高预期；他们在医药投资中，更愿意看的也是底层逻辑，而不是上面舞枪弄棒，搞出来一大堆花里胡哨不实用的东西，技术的先进最终应该赋能在产品上。 

宋高广表示：“在专注投药的VC和投资经理看来，拿不出候选药或者没有管线在手，AI新药研发企业的价值很难体现。” 

出于这种考虑，医药VC们几乎都在观望和尝试，投药依然是他们的主旋律，并非是AI。 

他们对AI新药研发这样的发展趋势也并不看好。

一位来自药企风险基金的投资人表示：“背后的资本会决定，AI新药研发企业的发展目标和衡量指标，会更加趋近于互联网思维：唯数据论，上规模、拼增长，快速追求高估值，这样的趋势会不会导致重走其他医疗AI赛道的老路，还很难说。” 

结语

任何一种辅助或者赋能的工具，能够获得行业内的认可，事关生死存亡。

根据Drug Discovery Today期刊、易凯资本的报告显示，AI新药研发经过前几年的积累，特别是在2022年，肉眼可见的融资整体正在向中后期转移。 

即使现在依然有新创业者在下场，但更多基金和VC都表示，未来一年资金的中心都在看向AI新药研发的中后期。 

尽管资本投的是未来，是想象空间，与传统背道而驰的故事以及故事支撑起的估值；但从业务实际角度来看，目前AI新药研发拿到的结果，显然还并没有得到药企和医药圈的满意。 

或许，从今年开始，在融资和行业发展角度，已经需要AI新药研发企业和创业者，拿出的不仅仅是口号和学术突破，而是改变。 雷峰网雷峰网

值得一提的是，这是英矽智能与复星医药战略合作中达到的第一个重要里程碑。英矽智能和复星医药目前正在共同开展用于新药临床试验申请的研究，以尽快将该项目推进到临床试验阶段。

ISM004-1057D 是英矽智能为合作项目开发的首个临床前候选化合物，是一种靶向QPCTL靶点的潜在全球首创小分子抑制剂。QPCTL对CD47上焦谷氨酸的形成起着关键作用，这一修饰是CD47与配体SIRPα相互作用所必需的CD47是一种广泛表达于多种癌细胞表面的糖蛋白，通过与免疫细胞表面SIRPα相互作用，释放“别吃我”信号来保护肿瘤细胞免受天然免疫系统监视。

QPCTL 小分子抑制剂可模拟 CD47 抗体的治疗效果，通过阻断该信号，来达到抗肿瘤效果。

在体内临床前研究中，ISM004-1057D在血液肿瘤和实体肿瘤中都显示出抗肿瘤的功效，并表现出良好的药代动力学特征和安全性，具有进一步临床开发价值。

此外，作为靶向QPCTL的小分子抑制剂，ISM004-1057D不仅具有较高的肿瘤渗透性，还能降低血液学毒副作用避免抗原沉没，而这正是目前大多数CD47抗体药物常见的副作用。

复星医药执行总裁、全球研发中心总裁兼首席医学官回爱民博士表示：“创新一直是复星医药最核心的发展驱动力，人工智能平台作为变革性的创新技术，可大大提升新药创新的效率，为医药创新提供有力支撑。”

英矽智能首席科学官任峰博士表示：“与复星医药的合作，高效地实现了提名QPCTL项目临床前候选化合物的里程碑，这是一次了不起的经历。在合作过程中，复星医药研发团队的专业精神和在科学与项目管理方面的强大实力给我们留下了深刻的印象。我们期待双方更紧密地合作，尽早将该临床前候选化合物推进至临床试验阶段。”

英矽智能利用其端到端人工智能平台Pharma.AI，该平台包括靶点识别引擎PandaOmics和小分子生成引擎Chemistry42等，提出了肿瘤学的靶点假设，并设计具有良好成药性的化合物。在项目启动后的9个月内，英矽智能合成并测试了71个化合物，发现了该项目的临床前候选化合物。

英矽智能创始人兼首席执行官Alex Zhavoronkov博士表示：“世界需要创新的、有效的first-in-class的疗法。在这次与复星医药的合作中，英矽智能利用人工智能技术刷新了药物研发的速度，并实现了项目的新颖性。我很高兴在宣布合作后不到40 天内，研发团队成功提名了QPCTL项目的临床前候选药物，并启动了用于新药临床试验申报的临床前研究。我们致力于为所有参与的药物研发项目带来速度、质量和创新，并期待尽快将其推向临床开发。”

英矽智能与复星医药的战略合作始于2022年1月，在这一创新的合作中，双方的科学家和技术专家并肩协作，将英矽智能端到端人工智能驱动的药物发现平台与复星医药的临床开发和商业推广能力相结合，共同研发创新药物和疗法的组合。英矽智能正在将QPCTL项目推进至IND阶段，一旦成功复星医药将对其展开临床阶段研究。此外，双方将共享QPCTL 项目的商业化利润。

近日，这家药企巨头阿斯利康在一天之内，与两家制药公司——Benevolent AI、Scorpion Therapeutics，达成研发合作。

协议称，阿斯利康将利用两者的AI药物开发平台，加快针对系统性红斑狼疮(SLE)和心力衰竭 (HF)的新药开发，以及针对难于成药的转录因子开发抗癌创新疗法。

早在2019年，阿斯利康就与BenevolentAI公司达成研发协议，合作开发针对慢性肾病和特发性肺纤维化的创新疗法。最新协议则是进一步扩展了双方的合作，将上述两种疾病添加到研发合作中。

与Scorpion Therapeutics公司合作，阿斯利康则是希望将前者的整合发现平台，与自身在癌症精准医药开发方面的专长相结合，攻克靶向转录因子的挑战。

近年来，阿斯利康在数字化医疗布局上十分活跃。

2021年，阿斯利康在杭州设立了中国东部总部，借助电商新零售、移动医疗及互联网产业基础，聚焦于新药研发、医疗器械、医疗数据这三大领域，并引入创新型药店新零售模式。

从上述动作来看，阿斯利康越来越不满足一个药企的传统人设。为什么，它成为了药企行业的一个“另类”？

想做药，阿斯利康为何相中了它们？

Benevolent AI和Scorpion Therapeutics，都属于AI药物发现公司。

其中，Benevolent AI成立于2013年，总部在英国伦敦。按照融资金额算，BenevolentAI已经成为欧洲最值钱的人工智能初创公司，位列全球前五。

目前，该公司已搭建专有的AI药物发现平台，结合了大约300名世界一流科学家和技术人员的科学专业知识和完整的湿实验室能力，能够以极高概率交付新的候选药物。

仅其现有的管道，就有可能服务于超2.6亿人的患者群体，市场机会超300亿元。

公司业务板块分为Benevolent Bio和Benevolent Tech两部分。

前者主要关注炎症、神经变性疾病（例如帕金森、阿尔茨海默症）以及其他罕见疾病研究；后者，则是关注AI在生物科学发现上的应用。

阿斯利康看重的，正是Benevolent在知识图谱、Al药物发现平台和湿实验室设施等方面的综合能力。

另外一家Scorpion Therapeutics，是一家精准肿瘤公司，成立于2020年，总部在美国波士顿，专注于针对癌症肿瘤的下一代精准治疗的药物研发。

该公司将基因组学、蛋白质组学、药物化学和新靶点鉴定结合到一个平台中，目前，已推出精准肿瘤2.0药物的研发计划。

此次，与阿斯利康的合作就建立在其2.0计划上，希望针对"不可治疗"的非酶靶点以及内部发现的蛋白质靶点开发治疗候选药物，在同领域的药物研发中达到best-in-class（同类最优）和first-in-class(同类最新)。

总体来看，这两家公司，一家在AI制药行业业务老道，研发管道成熟；一家在癌症疾病领域精准定位，竞争潜力充分，阿斯利康看中这两家，就是选择将药物研发“做深做精”。

新药研发是一项环节多、时间长、风险高的工程，主要包括药物发现、临床前研究、临床研究以及审批与上市4个阶段。

但从人体疾病的角度来看，人类2万多个可编码蛋白的基因，其中10%-15%与疾病相关，而可作为小分子药物靶点的小于700种，容易的靶点已经开发殆尽，剩下的都是难度很高的或者难以成药的靶点，需要投入更多的时间和经济成本才可能成功。

而这两家公司，同样关注的是临床阶段的药物发现，将药物开发的所有领域从靶点发现、小分子化合物设计以及将来的临床试验结果预测联系起来，基于自身的人工智能平台支持药物研发的每一阶段的发展。

这一流程的升级加速，为传统药企药物研发周期长，成功率低、成本高的问题，撬开一个突破点。

一场不得不进行的自我革命

阿斯利康成立于1999年，由两家药企合并。

在20多年的发展中，从自研新药到代理卖药、从共研新药到医疗服务，从创新孵化到资本合作，在不同的时代，它有着不同的“生存方式”。

阿斯利康的发展历程可以划分为以下几个阶段：

成立之初的阿斯利康，凭借三大慢病专利产品形成竞争优势，并以终端市场规模覆盖前端研发成本，在二十世纪的发展一路畅通。

然而，到21世纪头十年，阿斯利康继续“吃”专利，在新药研发成本上居高不下，研发效率远不如创新型小公司，于是开始一边向第三世界国家转移研发中心，一边维持全球价格体系。

这种瞻前顾后的局面，导致阿斯利康内部产品线出现了严重的“青黄不接”。

随后，2010年后，阿斯利康专利“坐吃山空”，逐渐失去专利保护。一般而言，在专利制度的保护下，创新药物厂商不仅能够抵制其他药企的仿制，同时还能有时间研制新的创新药、培育新兴市场。

但是没有走出专利低谷的阿斯利康，只能一边拒绝辉瑞的吞并邀约，一边大幅增加研发投入、并购频率以及甩卖力度。

据不完全统计，仅在2015年，阿斯利康的收购数量达14起，其中四笔交易都超过了20亿美元。

在2016年，阿斯利康又集中于甩卖，数量达11起，涉及小分子感染部门、麻醉部门等。

一系列的减肥、瘦身动作，为阿斯利康后续的路线埋下了伏笔。

2015年，是阿斯利康发展历程中的重要一年。

这一年里，公司提出新的商业创新构想和市场策略，宣布逐渐从一家传统的外资制药企业，转向创新医药的平台型企业。

这个时期的阿斯利康，加快与制药、器械、诊断、数字化、资本等领域的伙伴“跨界”合作，渗透入基层市场的毛细血管。

这种商业创新也为阿斯利康长期关注的药物研发争取了时间，直到2018年，阿斯利康“强化肿瘤管线、维稳呼吸管线、打造全新的内分泌和泌尿管线”的三条道路显露出来，其研发管线里的140多个产品相继进入人们的视野，股价开始回涨。

2019年，中国市场首次成为阿斯利康的第二大市场，收入占到整体收入的五分之一，阿斯利康更是击败辉瑞，坐上了中国市场的头把交椅。

2020年，阿斯利康蝉联中国区市场第一，全年营收53.75亿美元，而位居第二的默沙东和第三的罗氏收入都为35亿美元，远远落后于阿斯利康。

此时，中国区的“稳定输出”，才让阿斯利康缓了一口气。直到疫情的带来，又推了阿斯利康一把。

数字化技术与各行业间的结合在疫情中发挥了举足轻重的作用，医疗健康行业尤为如此。线下医院的运转受到疫情阻碍，但民众的医疗需求却有增无减，互联网医疗迎来了有史以来增长最为强劲的发展。

2021年，王磊在采访中说到，“阿斯利康的主营业务还是卖药，但你为什么一定要惦记人家吃药呢？”

在阿斯利康的构想中，医药公司不再只是药品销售，而是“创新的平台公司，为患者提供整合型服务的平台公司”。

如果一家药企基于自身产品线，把全部精力和资源都集中在晚期治疗上，没有用在早期预警、疾病诊断，愈后管理上，无疑是增加了患者和医保的负担。

但如果将商业模式从卖药变成卖服务，愿意在数字营销上下点功夫，不仅能帮自己找到潜在用户、增加销量，覆盖原来药品销售环节的长尾，还能将其他上下游的新产品传达给用户。

本质上来说，这也是迎合了数字经济时代，用户消费心理与方式变迁的必然之举。

从长期来看，数字化的效果一定会显现，影响的目标人群和次数越多，效果越好，同时边际成本递减。

所以，除了卖药，其他环节也有大量的工作要做，比如依托物联网技术，逐渐构建起一张连通不同地区、不同等级医疗机构的健康物联网络，实现从预防、筛查、诊断、治疗到康复的患者全病程管理。

再比如，寻求本土各类合作伙伴的支持。

其中重要一点是，中国广阔的市场、中国本土医疗习惯，中国的数字环境，都为阿斯利康打造出一套“中国模式”埋下根基，并被全球所复制。

2020年，阿斯利康发布AI医疗“武林召集令”，在世界人工智能大会上，寻求与顶尖人工智能公司进行合作。

2021年年初，阿斯利康频频促成商业合作，并宣布已经转型为平台型公司，在数字化和创新生态上多有布局。

从对外合作来看，阿斯利康计划落地200款产品，支撑150亿美元收入的目标，方式包括自研、联合开发、代理以及投资等。

其中包括与昆药集团（医疗大健康）、零氪科技（医疗大数据）、君实生物（港股上市的明星公司）、欧姆龙（器械公司)、橙意家人（数字医疗方案提供方）等数十家医药公司达成合作；

将泽桥医生（医疗信息化)、海王星辰（连锁药店）、深至科技（超声AI）及其自身孵化的迪哲医药等企业引至自家生命科学创新园；

以及与中金资本、高瓴创投、泰格医药、云锋基金、弘晖资本等建立伙伴关系。

从内部架构调整来看，2022年年初，阿斯利康在中国建立全新的事业部—全渠道事业部，涵盖及县慢病业务部、零售业务部、社区业务部、飞鹰业务部及东五县域市场。

另外，在人事调动上，阿斯利康新设副总裁级别的岗位，统管数字化相关工作，并由其整合阿斯利康的IT团队、智慧健康创新中心、国际生命科学创新园和数字化业务等四大团队，一齐指向渠道与数字化的布局。

简而言之，阿斯利康想做的，是一个医药行业的BAT。

正如中国区总裁王磊所说：“如果你觉得这个不是和你核心的治疗领域相关的，就尽可能让别人去做。你不要碰，让别人碰，你就做一个会议主持人，你不用想内容，就参与呗。或者说是汽车总装厂，我们做好总装的工作就可以了。”

传统药企们的默契选择

当前，在各种采购政策和数字技术的加持下，大批药企都顺应时代趋势，思考企业转型的新思路。

其中有像昆药集团这种转型大健康领域，拓展更大的消费群体和规模；

有像恒瑞医药的公司一面研制仿制药，一面用更大的现金流支持创新药研发；

也有像亚虹医药类似的中小药企收缩药品研制规模，在仿制药市场中走好自己的路。

但其中更多的，是像阿斯利康这种药企巨头转为平台型公司，诺华、武田、辉瑞等也是如此。

在诺华全球CEO万思瀚上任后，诺华从2018年开始转型为数据科学和数字化技术为核心驱动的医药健康公司，并与腾讯智慧医药、方舟健客等达成慢病合作，共同探索全病程创新管理模式的更多可能性。

而亚洲最大的制药企业武田，并没有采取巨头药企全流程铺开进行数字化创新的模式，而是在已有的核心产品线上附加数字化模块，用数字化解决燃眉之急。

比如在2017年收购夏尔后，武田紧接着完成全球化重组，将经营资源集中于癌症、消化器官、中枢神经等核心业务，围绕这几项核心药物搭建了“肠胃疾病＋数据”、“精神疾病＋患者服务”、“AI加新药发现以及孵化器”等三种项目。

辉瑞则因为中国区带量采购政策的实施，核心产品业绩表现平平，于是从2020年开始加大新销售渠道的布局，并在2021年初宣布设立单独的市场扩张团队，开发新的数字平台、电子商务渠道、互联网医院、政府合作伙伴关系和许多其他新举措，支持所有业务部门。

总之，这些企业无一不在进行数字化布局。

一方面，它们看到了未来的趋势：数字化的知识和信息成为新的关键生产要素，平台化是重塑创新经济中的新生产关系。

另一方面，外界环境倒逼：新冠肺炎疫情、新医改使得药企数字化转型必须提上日程。

从AI制药到研发合作，从传统药企到平台巨头，药企的数字化转型暗含了更多的时代命题，折射出行业和企业自身不断变化的需求。

药企的发展，要跟紧时代的大势，“AI+数字化”的组合方式，或是未来药企的一个必然走向。

雷峰网雷峰网

本轮融资由新进投资方西湖创新（杭州）股权投资有限公司旗下基金领投，高榕资本、富汇创投、金地资本等老股东继续跟投。据悉，公司将利用本轮融资所获资金，加速推进公司多款核心产品的后续研发。

凯思凯迪成立于2017年，以靶向核受体和G蛋白偶联受体（GPCR）药物的原始创新研发为特色，专注于代谢性疾病和炎症性疾病等未被满足的重大临床需求，聚焦创新药物的早期发现、药物开发和后续商业化。

凯思凯迪的研发团队由国际知名结构生物学家和核受体领域顶尖科学家共同领衔组成。

创始人徐华强博士，长期从事核受体和GPCR的结构研究与药物开发，在结构解析、信号传导机制、新功能发现以及相关药物研发方面取得了一系列创新性成果，解析了近1/3核受体和一系列重要GPCR的三维结构，在国际知名学术期刊上发表研究论文260余篇，其中Cell、Nature、Science共30篇，并参与和领导了Advair（舒利迭）、AVANDIA（罗格列酮）等重磅药物的研发。

目前，凯思凯迪核心研发团队共40余人，在以核受体和GPCR为靶标的代谢性疾病、炎症性疾病等领域有20余年的创新药研发积累。公司围绕经科学和临床验证的核心靶点，建立起完善的、全周期的小分子药物研发核心技术平台体系，主要包括药物设计及合成平台、分子细胞分析平台、药效评价平台、药物代谢分析平台和体内毒理评价平台等。公司突出原创优势，注重差异化创新药物开发，现已建立了丰富且风险平衡的I类新药产品管线。

公司进展最快的药物，靶向FXR的非胆酸类完全激动剂CS0159，已于2021年10月、2022年1月分别获得美国食品药品监督管理局（FDA）和中国国家药品监督管理局（NMPA）批准开展临床研究，目前在美国启动了针对原发性硬化性胆管炎（PSC）适应症的临床I期试验，近期完成Cohort II给药，有望为患者提供安全有效的潜在治疗选择。且该品种已获得美国FDA的PSC孤儿药认证。 

徐华强博士表示：“自上一轮融资以来，公司达成多项重要里程碑，并建立丰富且风险平衡的新药产品管线。首条管线IND获得FDA和NMPA的批准，并在美国I期临床试验中已完成Cohort II给药。本轮融资，非常荣幸有西湖创新投资加入，也衷心感谢老股东高榕资本、富汇创投、金地资本的持续支持与信任。”

对于本次投资，领投方西湖创新投资表示：“凯思凯迪是一家致力于新型核受体类药物和GPCR药物研发的创新企业，研发团队由来自葛兰素史克、温安洛研究所、中国科学院、清华大学等全球相关领域科学家组成，有20余年的创新药研发积累，具备一流的新药研发经验和丰富的生物医药产业背景，同时亦是基于蛋白结构开展药物开发设计的先行者之一。”

赛诺菲与Exscientia共同宣布，双方共同达成了一项1亿美元预付款和总额约52亿美元，折合人民币331亿人民币的潜在研究、转化、临床开发、监管和商业里程碑付款。 

根据这项合作内容，如果赛诺菲将合作产品商业化，Exscientia将有资格获得高个位数至mid-teens的销售分成，最高销售分成比例可提高至21%。 

要知道，赛诺菲在2020年的一整年研发投入才55.2亿欧元，折合人民币398亿人民币。

这样的比例，对于药企巨头、AI制药公司来说，都有特殊的意义。 

Exscientia在2012年创立，并于2021年10月1日在纳斯达克上市，上市市值达到32亿美元，最大外部股东是软银愿景基金，占比16.3%。 

Exscientia与多家药企达成过合作。

去年5月，Exscientia与百时美施贵宝还签订12亿美元的商业里程碑付款，获得5000万美元的预付资金，和高达1.25亿美元的近期和中期里程碑商业订单。 

而Exscientia与赛诺菲的接触与合作，则从2016年就已经开始。 

2017年，赛诺菲宣布出资2.5亿欧元与Exscientia合作开发双特异小分子糖尿病药物。当时，Exscientia曾利用它的AI平台帮助前者过滤掉许多化学上难以处理的组合，并选择了45个代谢病靶点，约1000种双靶点组合进行筛选。 

我们与国内三位AI制药高管——晶泰科技CEO马健、德睿智药CEO牛张明、望石智慧CEO周杰龙，进行了一次对话。 

德睿智药CEO牛张明认为，最亮眼的还是高达15个的管线数量：“300亿的订单金额，实际能收到的额度取决里程碑成功，有非常多限制，而15个管线合作却非常实际，一下敲定这么多管线并不容易。” 

望石智慧CEO周杰龙认为：近期的交易规模、起码证明AI平台支持药物研发已经有了验证。但AI制药整体依然处于早期阶段，例如，如何根据靶点更精准的生成分子，彻底摆脱‘先有库，后筛选’的原有范式等许多AI制药难题还没有解决。 

而相比之下，对于国内AI制药合作规模的差距，晶泰科技CEO马健则认为：

“目前国内药企的态度主要分几类：第一种，对AI感兴趣，但尚无条件开始合作，在不断尝试找合作方；第二种，对于AI平台将信将疑，观望不前； 第三种，已具备合作条件，开始试水AI合作或逐步扩大合作范围。”

以下是医健AI掘金志和三位CEO对话实录： 

百亿大单“不稀奇” 

医健AI掘金志：2017年，赛诺菲就宣布出资2.5亿欧元与Exscientia合作合作开发双特异小分子糖尿病药物。此次继续选择与Exscientia合作，开出53亿商业里程碑付款大单背后的原因是什么？ 

晶泰科技CEO马健： 首先，这说明药企对AI药物发现技术的看好和押注。

这个合作选择在摩根大通全球医疗健康产业年会宣布，之前肯定经过长时间的铺垫。

根据我们的经验，这种大额打包合作肯定是在一个合作周期里验证了AI药物发现的交付能力，药企才会继续大额投入。

另外，从这次合作透露的付费结构来看，药企愿意支付高额分成，也证实越来越多药企对AI在药物发现价值的认可。

而且合作收益的天花板非常高，而AI公司实际能收到的额度取决于里程碑达成和客户合作的管线价值，以及各个收入里程碑核算。

这是比较成熟和常见的付费结构，在晶泰科技的AI药物发现合作中，也有许多类似付费方案的案例，是基于对AI平台交付能力的自信和研发收益与风险的共同分享。 

最近的新闻，这种多管线、多靶向合作越来越多，把一些比较难的、技术有可能相通性的项目打包在一起完成。也说明大家对这个行业、对AI药物研发平台的认可度已经达到比较高的层面。

德睿智药CEO牛张明：本质原因上，还是Exscientia的平台技术，以及成功的管线案例给予了赛诺菲充足的信心，加上双方曾有过满意的尝试性合作。

同时Exscentia在与GSK、BMS、赛诺菲这些世界头部药企的药物研发项目中也曾交付了令世界头部药企满意的管线成果。

医健AI掘金志：对于药企，是否更多会考量和在意的AI制药企业自己管线研发进展？Exscientia管线做到临床一期，是否是这次合作一个比较大的影响因素？ 

晶泰科技CEO马健：很多AI制药公司会越来越聚焦为AI管线公司。越往后发展，越依靠它们的管线支撑估值，而不是前期的算法和平台。

而且，自己的管线越往后发展，越能理解整个药物研发过程。已有案例的进展肯定可以提高客户对AI公司整套研发流程和交付能力的信心。

德睿智药CEO牛张明：同意这个观点。当未来AI制药企业自研管线进入到临床二、三期以及上市后，AI制药公司的价值和议价能力也会进一步上升。 

医健AI掘金志：15个小分子研发管线的合作，在赛诺菲等新药研发项目中属于多大体量？ 

德睿智药CEO牛张明：比较小的总体比例，据推测不到1/10。据赛诺菲官方公开的进入临床阶段的管线数量已达到了82条（包括小分子，抗体药以及疫苗）。

医健AI掘金志：相比于之前在几个管线的早期试水，像赛诺菲这样的AI制药合作，对其它大药企会产生怎样的催化作用？

德睿智药CEO牛张明：会给其他药企更多的信心和参考，相信未来AI制药行业相关的重大合作会越来越多，会有更多药企愿意积极尝试与AI制药公司的合作。

例如，去年12月美国AI制药公司Recursion与Roche及Genentech也曾签署高达120亿美金的管线合作订单。 

望石智慧CEO周杰龙：大多数MNC药企对于创新一直是积极拥抱的态度，过去几年，越来越多跨国，及本土药企与AI自研平台或合作被披露。 

随着更多AI技术研究成果落地和验证，该趋势依然会延续，大额AI制药交易会常态化。AI技术的药物研发应用本身也会常态化，融入到现有的体系中，与研发人员形成新的交互。 

甚至AI体系化和平台化的解决方案，会成为药物研发领域常见的底层支撑技术之一。 

医健AI掘金志：一次达成15个管线的研发合作，是否意味着其它AI制药企业，很难再和赛诺菲有合作空间？ 

德睿智药CEO牛张明：不会，赛诺菲除了正在与Exscientia合作以外，已经在与其他AI制药公司（例如Berg和Recursion等）合作。

现阶段的跨国药企在某个细分方向可能会倾向与某个AI公司合作，但往往不会在所有方向都选择独家合作。如果其它AI平台有独到的能力，也非常有机会继续签更大合作。 

国内AI制药企业，尚无本质差距

医健AI掘金志：近几年，像Exscientia这样的国外AI制药公司，无论是在自研管线，还是合作金额都有很大动作；

相比之下，国内AI制药与之相当的动作还比较少，是否说明国内AI制药公司已经落后？ 

晶泰科技CEO马健：我并不这么想，国外自研管线开始就比较早，所以更早进入临床，不过大家看到的差距与合作周期和上市相关，具体到AI平台技术层面，我认为国内外AI制药没有差距，甚至中国的AI药企还有一些国外不具备的优势。

例如，国内有更多的AI人才，实验拓展能力更强，数据获取和处理能力也更强一些，在AI制药的长期基础建设上，绝对不会落后。

德睿智药CEO牛张明：总体而言，现阶段几家国外上市的AI制药公司 （例如Exscientia，Recursion）签订的订单总额以及自研管线进展确实是领先国内AI制药企业的。

Exscentia和Recursion分别成立于2012年和2013年，与大药企有着多年合作的相互信任和经验积累。

在商业模式层面，国外大部分AI制药公司更加注重管线，而国内生态更加多元化。

在技术层面，国内AI制药公司与国际头部相关公司其实并没有显著差距，反而在一些细分领域更加具有优势。

望石智慧CEO周杰龙：海外企业起步早，与制药公司建立合作周期长。

Exscientia作为海外头部企业，有很多值得国内从业者借鉴学习，他们商业的进展也得益于他们多年技术探索和积累。 

药物研发周期长、环节多、极具复杂性，各环节都需要不同的技术能力，中国市场环境也有其特殊性。

AI作为支撑性技术，各公司在擅长特定领域实现一定程度降本增效，与制药企业的合作模式也各有不同。 而且，行业才刚刚进入快速发展期，对行业格局不能过早判断。

医健AI掘金志：相比国外动辄几亿人民币付款合作，国内AI制药市场和国内市场目前是什么情况，是否还是试水合作比较多？ 

晶泰科技CEO马健：国内也有很多类似付费结构的协议，两种市场没有本质差距。

但一来国外创新研发的历史更长，有更多创新性更高的项目；

二来国内企业对于AI的整体认知水平和合作准备度普遍较国外药企要低一些，因此目前来说肯定欧美药企市场更大一些。 

一个技术从新兴到普及，发展变化周期肯定是从试水开始的，目前国内药企的态度主要分几类：

第一种，对AI感兴趣，但尚无条件开始合作，在不断尝试找合作方；

第二种，对于AI平台将信将疑，在观望不前； 

第三种，已经具备合作条件，开始试水AI合作或逐步扩大合作范围。

这种新技术的对外合作，出现大规模试水很正常。

德睿智药CEO牛张明：国内AI制药公司与国内外药企的合作正在逐步加强。国内AI公司的起步以及与药企的合作时间相对较晚，加上国外头部药企付费能力更强，所以看起来国内现阶段“试水”合作比较多。

医健AI掘金志：在I制药公司越滚越大之后，会成为另一种 CRO 公司吗？ 

晶泰科技CEO马健：我们认为AI制药公司是工业平台属性，它和CRO不一样，AI平台更像一个引擎。

相当于秋天收粮食，雇主需要雇佣很多服务商，通过获得具备特定技能的密集的人力帮忙把粮食收回来。

而AI平台就像是机械化收割工具，可以一下操作很多试验，使用更难养的高产种子，投入与收获的比例更高，可以很快拿到想要的结果，而且能将一些原本恶劣的环境也变成可耕之地，当然，也需要人的操作和掌控。

在这种新形式下，AI制药和CRO可能更要共生共荣，竞争之下也有很大的合作空间。

未来的蝴蝶效应

医健AI掘金志：现在的AI平台在药企内部，是否已经过了验证阶段，距离大规模回款和复购还有哪些阻碍，还是只是时间问题？ 

晶泰科技CEO马健：在我看来，目前AI在临床前展现的从头发现和交付能力令人振奋，但真正的验证还是要看临床的表现，这需要时间。

AI在临床前的加速，更多是让一个想法从早期研究、从一个靶点，尽快落地到临床阶段。

进入临床研究之后，药企关心的是这个药谁来吃，能带来怎样的治疗效果，这是所有AI制药平台和研发管线的终极价值验证。

AI发现的药物是否可以获得更高的临床试验成功率，这个流程还很长，我们目前只是解决了临床前的问题，获得了现阶段体外试验支持下最有潜力的候选，是完成了一部分的验证。

大家对AI制药的期待一定是长期的，无论是国外的AI企业，还是晶泰科技，以相对有限的资源，很难凭一己之力将管线大规模地向后期推进，而AI平台的规模化效益要在合作当中获得验证。

大家关心AI制药是否已经过了验证阶段这个问题，也是因为对这种技术期望很高，距离获得临床验证还有一段距离要走，但今年开始，肯定有越来越多AI发现的药物进入临床。

德睿智药CEO牛张明：部分公司的AI制药平台技术（尤其是小分子药物研发方面）已经过了验证阶段。

例如阿斯利康诸多自研管线都是依靠其自研AI制药平台辅助研发；而罗氏，赛诺菲，BMS等国外头部药企与AI制药公司分别已经达成了总额数十亿甚至上百亿美金的合作。 

正在有越来越多的AI制药公司的成功案例达到或者超过了药企的期望，大规模的合作以及复购正在被AI制药企业实现。从德睿智药与药企的合作中也体现了这点。

望石智慧CEO周杰龙：近期看到的交易规模、数量增加，恰恰证明了AI平台支持药物研发已经在这些企业中获得了验证，不少合作已经拿到里程碑回款，或通过进一步合作带来了复购。在我们自己的合作也实现了这点。 

虽如此，但AI制药整体依然处于早期阶段。新药研发是一个复杂场景，还有大量尚未满足的需求与挑战。 

例如望石关注的一个问题 如何 ‘根据靶点更精准的生成分子’，从而彻底摆脱‘先有库，后筛选’的原有范式； 

再例如，AI技术在开发过程中也面临大量资源未能有效整合和利用的问题，如沉积在各大药企中的研发数据。 

虽然推进进展已经非常喜人，从结果来看，国内外尚未有通过AI平台产生、并获批上市的药物。 

一个新技术在一个新场景广泛使用并实现商业变现，需要耐心和时间，我们现在已经看到了大量证据证明这个趋势确定性。因此我认为这只是个时间问题。

医健AI掘金志：与药企合作过程中，这半年您听到药企内部最大的反馈是什么，对于AI平台普遍都持有怎样的看法，令您印象最深的意见或者转变是什么？ 

晶泰科技CEO马健：这个变化确实很大，记得在2020年初，和药企谈合作的时候，还经常要介绍一些基本概念：AI制药是什么，AI怎么跟药物研发结合。 

到2021年初，就发现我们接触的所有客户都明白了基本逻辑，而且开始追问更多细节：例如技术差异点是什么？使用了什么样的技术？可以明显感觉到这种了解程度和认可度的变化。

另外一方面，很多转变是发生在合作过程中，包括许多已经达成的合作项目，合作方逐渐将晶泰科技的AI流程与自己的研发管线、流程相结合，各自分工从模糊到明确；

包括开始由晶泰主导整个药物设计的过程，融合进各种我们内部的测试和实验，实现更高效一体化的迭代和一站式的交付，从试水AI变成真的在水中游泳，这是我们看到的转变趋势。

德睿智药CEO牛张明：从我们接触到的企业反馈来看，大部分企业对AI的重视程度和理解都是与日俱增的。更多企业意识并相信AI可以为药物研发提供更多助力。

这种转变是因为药企有了更多的与AI制药公司合作的切身体验，看到近期业界频繁发生的里程碑事件。

对于德睿智药，内部转变是去年我们通过AI平台快速帮助一家上市药企快速设计并虚拟筛选出具有同类最优潜力的PCC分子，经过层层验证，后续进入了IND-Enabling阶段；据我们所知，类似的案例在业界非常少有。

作为甲方，上市药企对于合作成果是非常的惊讶和并且大幅超出了预期，我们后续也签订了更深入的管线合作协议。

外部转变，是在AlphaFold2取得重大突破并部分开源之后，更多企业相信或者意识到，AI赋能药物研发的时代已经来临。

医健AI掘金志：在结合带量采购，热门靶点赛道越来越拥挤，授权引进模式越来越不可持续等等问题和情况下，现在的AI平台对于国内的药企有怎样的价值？ 

晶泰科技CEO马健：像带量采购、医保政策的变化使得药企在仿制药上的利润空间越来越低，倒逼药企转向竞争持续加剧的创新药。

现在来看快速跟进类似的研发项目利润空间还可以，但以后肯定会越来越难做；这就需要国内药企用大量的精力去找差异化，去做更难的挑战。

整个过程像多米诺骨牌的连锁反应，已经开始产生效果:药企要做原创性创新，创新药发现就是一个试错的过程，而利用AI等新技术可以在显著拓宽试错空间的同时，极大降低试错成本，药企用同样的资源和团队投入，可以支撑几倍于传统研发的管线而且速度更快，所以，利用AI平台做研发是药企不可避免的大势所趋。

通过AI药物发现拓宽高质量的源头创新渠道，还能充分利用起来这些创新转型的中国药企在药物后期开发、生产、临床研究、销售渠道方面的优势和产能，两者优势和能力高度互补，有机会做出在国际市场也有高竞争力的创新药。

德睿智药CEO牛张明：AI平台技术有望助力我们更快速的实现原研创新，走向国际，做出一些更具国际影响力和竞争力的管线，缩小与欧美药物研发领域的差距。

国家政策以及大环境正在鼓励新药研发企业参与全球药物研发的竞争和赛跑。AI平台可以成为我们在全球创新药物研发竞赛弯道超车的工具。

望石智慧CEO周杰龙：我们在各种药企合作中，对于这种差异的感触非常真切。

以靶点为例，国内创新药大多集中在几十个靶点，而海外布局达数百个，通常一个靶点会有数家企业同时与我们沟通和探讨合作，这种格局给创新药企的压力是极大的。

其实不止靶点布局和国内政策引导，全新靶点相关基础研究成果少、创新药可投入资金的不足、人才和研发经验的缺失等因素，都逼迫国内药企在研发上另辟蹊径，尽可能降低研发成本、加快研发进度。

药物研发作为一种数据密集型行业，与AI这种需要大量数据训练的特点相吻合，将AI应用于药物研发，可以为传统经验型药物研发范式提供新的方法和思路、提升新药研发效率、降低研发成本。 

因此，对于国内药企而言，选择可靠AI合作伙伴，能够在同等资源下实现更快、更好的药物研发。 

国内已经多家药企与包括望石在内AI制药公司在合作，且取得了不错的效果。我们相信，基于AI的药物研发新范式，可以助力国内药企在多维度创新，实现弯道超车，进入国际竞争舞台。雷峰网雷峰网

医疗资源分布不均，即使在一线城市也要面临医疗机构难以提供持续性的、高标准医疗服务的问题——如何解决诊疗资源的紧缺，以及如何实现全国范围内尽可能多的诊疗规范化的扩展覆盖？这些都是在诊疗领域亟待解决的问题。

技术的发展为我们提供了解决这一痛点的契机。随着人工智能的不断成熟，行业正探索通过人工智能技术让机器实现可复制化的服务，让机器实现对每一个患者服务的标准化，且将服务成本降到足够低的规模化的服务能力。这个共性问题正在逐渐得到解决。

CSCO AI就是这样一个解决方案。它是由中国临床肿瘤学会（CSCO）携手国家高新技术企业浙江海心智惠科技有限公司（以下简称“海心智惠”）联合开发，结合CSCO临床诊疗指南、专家临床实践经验、肿瘤知识图谱、高等级临床证据、不良反应管理体系等多维度专业领域知识，协助临床医生制定更规范、更精准的治疗方案。

目前，海心智惠已成功建成国内领先的肿瘤智能服务新平台，为患者提供包含诊疗、康复的全病程一站式管理服务。这其中，海心智惠构建出的领先行业的知识图谱能力是一切的基石所在。

海心智惠如何构建肿瘤知识图谱？

知识图谱是Google在2012年提出来的一个知识网络体系概念，简单地说就是将散落的信息通过语义关系连接起来，转化成可视化的知识网络。知识图谱技术可以对医疗数据进行统一建模、组织和管理，不仅能够有效地描述、挖掘医疗知识间的关系，而且也为更高层次的医学应用比如辅助临床诊疗决策、医疗问答等提供了强有力支撑。

有了知识图谱这样一种知识表现方式，该如何去利用它，就成了摆在海心智惠面前的一道选择题。即便是聚焦到医学领域，去建一个通用医学知识图谱，也只能是把一些疾病的知识、定义梳理整合。

“通用医学知识图谱在临床应会有很大的局限性，它只适合去做一些简单的科普、导诊以及初步判断，如果将深入到疾病和临床诊断过程，甚至整个疾病的管理、跟踪、随访的细节里面去，便会遇到各种各样的问题：每种疾病自身的差异和整个临床治疗相关的知识体系变化延展开来，相互关联又相互影响，使得通用型知识图谱体系在药物选择、后期康复体系决策等方面都会遇到困难。海心智惠创始人李颖赟这样说道。

因此，海心智惠选择用“做深做细”的方式结合人工智能去构建一个肿瘤治疗全病程服务体系的知识图谱，它要将所有和肿瘤相关的知识清晰定义出来，这无疑是知识图谱最完美的应用方向。

“我们在前期花了几年时间把肿瘤从确诊开始到肿瘤进入治疗，再到病人全程管理的知识定义出来，这才把一个比较全面的肿瘤知识图谱建立起来。之所以选择肿瘤这个领域，在于这个疾病的特征是其整个诊疗体系相对其他疾病来讲更加复杂，持续治疗过程时间跨度更长，知识图谱在肿瘤治疗领域能最大程度发挥其作用”，对于为什么选择将知识图谱应用于肿瘤赛道，李颖赟这样解释。

第二个原因则是肿瘤的诊断和治疗的知识每年都在不断更新。

随着科技的发展，某些疾病已经被完全研究透彻，十年前跟十年后的治疗策略并没有本质差异。相比之下，人类仍然未能完全了解肿瘤的发病原理和机制，其治疗是一个日新月异的发展过程。放眼全球来看，医疗机构对于肿瘤治疗的规范性程度并不算高。

医务人员面临非常大的挑战——如何能紧跟国内外的学术前沿发展，并能精准的掌握最新的临床研究进展和治疗方式的扩展，准确地掌握最新的药物和治疗方式，并且运用在最适合的患者身上？

“如果一个城市30年都没有修过新路，那么在这个城市中生活的人其实是不需要地图和导航的——因为什么都没有变。但是，如果这个城市飞速发展，‘三年小变样，五年大变样’，那即便是从小就在这个城市中生活的人在出行时或许也需要导航来指引”，李颖赟用一个简单的例子来说明肿瘤治疗的日新月异。

抗肿瘤全身治疗手段在近十年来已经发生了翻天覆地的变化。十年前可能会以化疗为主，但今天，临床已经有了更多的选择：靶向药治疗、免疫治疗、再到最新的CAR-T细胞治疗等，不胜枚举。这也说明了国内一直在努力尝试建立起更加现代化、规范化的诊疗服务体系，能够让肿瘤患者得到最恰当、最规范、最标准和最合适的治疗。

辅助决策系统就是帮助医生实规范化治疗的最佳工具。CSCO AI的智能辅助决策系统在患者通过APP上传各类医疗诊断资料后，AI自动生成诊疗建议报告并提交至高级别专家审核反馈，AI模型又能根据专家审核结果持续得到闭环训练。在这一套运作系统的背后是海心智惠凝聚专家实力打造的肿瘤领域知识图谱与神经支持决策算法的结合。

透过知识图谱全面的知识体系，海心智惠通过CSCO AI除了在智能辅助诊疗方面实现治疗规范化和均质化外，还实现了院外患者全程管理，从而多方共赢——医院提高治疗总生存率，患者提高生存时间、生存质量和治疗依从性，制药企业也通过数据赋能和数字化平台结合，提高了对患者的支持能力，实现精准诊疗，精准康复支持。

同时，基于全病程管理的临床新药服务体系为患者精准匹配临床研究，提供给患者一个更多的选择可能性。

以精准病情为依托，建立面向患者全治疗周期的内容服务能力，从用药心智建立、正向经验激励、关键节点的强效服务等多维度手段实现高价值的社群平台。这些都是海心智惠服务的特色。

从知识定义到模型设计，发力跨学科融合

知识图谱是辅助诊疗决策的基础，高质量的数据和专业的知识体系又是知识图谱的基石，因此如何搭建数据层和知识体系，就成了知识图谱质量高低的关键。

CSCO AI的知识图谱并不是凭空创造的，而是把目前临床专家们正在运用的知识进行有效的计算机结构化沉淀以便于再次运用。

这个过程中最重要的就是辨别什么是影响临床决策的知识依据。只有先把这个知识定义清楚之后，才能针对这些知识设计对应的模型。

肿瘤治疗是一种循证医学，必须有充足的证据支撑才能够影响临床决策行为。

然而，肿瘤种类繁多且特异性强——每种肿瘤至少具有3000个临床治疗决策的高等级临床证据。将这些证据结合，才能基本将肿瘤相关的诊疗体系和知识体系构建起来。

“什么样的人群、特征、分子分型、基因位点、在什么情况下接受什么样治疗，能够获得更好的疗效，这是第一层面基础”，李颖赟说道。

在建立第一层面基础后，接下来就需要考虑临床治疗方案与患者体质的契合度，比如，患者身体是否能够承受，其基础疾病和既有并发症是否会对治疗选择产生影响。这是第二层面表现，即临床运用中扩大的知识体系。

在这个过程中，海心智惠CSCO AI是以病情的整个治疗知识为核心构建单个肿瘤最底层的核心知识体系，然后在临床应用中进一步扩展知识体系的建设。这样既能保证有核心证据的专业度，又能显现临床运用过程中医疗的专业度。

鲜为人知的是，“沟通”是知识图谱搭建过程中的最大难点。知识图谱想要从大数据里边提炼知识和关系，需要有不同专业的人员协调配合。

因此，将知识图谱技术运用在特定的业务领域里其实就是一种跨界行为。其难点在于到底由谁来把跨界的知识融合在一起，这是第一个难点。

这意味着，肿瘤知识图谱的构建者需要掌握工程算法并了解肿瘤的所有术语定义及基础医学知识。“如何把知识图谱这项技术运用到一个新的业务领域里去，会有一个天然的障碍，叫知识壁垒。掌握知识图谱技术的人是理工科系的，掌握医学知识的则是医学系的，两者都有各自的思维定式，很难进行专业的学科对话”李颖赟对此表示。

第二道壁垒则是对于专业知识的理解和梳理。

李颖赟认为，只有对知识进行体系化的梳理后才能进行知识图谱的初步搭建。之后，在这个图谱之上进行业务建模；在业务应用时又有新的专业的临床知识输入。计算机如何去运用这些新知识，如何将新知识放在一个具体的患者案例身上进行有效地推理和决策则是第三道壁垒。

因此，医疗知识图谱的搭建最大的难点在于跨学科融合，融合的难点则在于整个过程对两个学科的要求都比较高。

这也正是海心智惠的优势所在——其为中国临床肿瘤学会CSCO的人工智能战略合作伙伴。在学会的推动和帮助下，国内的头部肿瘤专家们基于对于社会责任的高度认知，花了大量时间和精力帮助海心智惠的技术人员理解临床路径并厘清体系脉络。

CSCO AI是第一个基于中国的诊疗指南和诊疗实践开发出的智能辅助决策产品，是从中国的国情出发的具有中国特色基础的，也因此更契合中国的诊疗应用场景。CSCO AI才能在全国数十个省份数百家医院落地，数万名患者因此获益。

不仅如此，CSCO AI在多场景的应用也能实现其更高的临床价值。比如上下级医院的互联互通——患者通过APP线上咨询，医生通过使用CSCO AI作为上下级医院的联动的工具，带动不同层级医院的规范化诊疗。

CSCO AI也可以是科研工具，通过真实病例开展临床研究，从多个角度探索智能决策系统对患者治疗和临床应用的帮助。此外，CSCO AI提供的治疗方案建议遵循循证医学，可以作为科室、医院、医联体、政府等规范化治疗的质量控制工具，提高区域规范化治疗的综合水平。

教学医院还可以将CSCO AI作为住院医生的病例分析学习和考核工具。作为肿瘤患者的治疗决策参考及管理工具，CSCO AI也可以同时在MDT讨论、医生学习、查房、病例讨论等多场景结合应用，从而提升整体临床效果。

基于知识图谱，海心智惠扩展出哪些临床应用？

海心智惠的肿瘤知识图谱的底层虽然很复杂，但在易用性上却有很好的表现。对于患者来说，只需要按照平台给予的提示步骤进行操作即可，完全没有上手难度。

对于医生来说，海心智惠这套人工智能驱动的全病程管理系统在患者长期治疗管理过程中，实现了系统跟踪能力、监测能力、随访能力和数据管理能力，最终达到在医生、护士和患者之间的效率平衡。

这套依托于知识图谱的个案管理服务的另一亮点在于引入个案管理师角色，在医生和患者之间搭起沟通桥梁。个案管理师既能协助科室完成日常患者管理工作，又能跟踪督促患者完成治疗及康复等相关事项，还能监测并协助医生介入院外不良事件的处理。有了个案管理师的跟进，对患者的诊疗管理也从院内延伸到了院外，将诊疗行为连续化。

对此李颖赟认为：“肿瘤诊疗这个领域未来一定会进入到一个以患者服务为中心的时代。通过人工智能的帮助，多方角色高效率协同帮助患者完成整个治疗管理服务。当然，这个体系目前没办法一蹴而就，还需要在实际使用中不断进化。”

虽然构建了底层如此复杂的知识图谱，但对于知识图谱以及辅助诊疗系统的能力边界，海心智惠是有清醒认知的。

目前，无论是在病理、医学影像、诊疗等领域基于AI技术进行的模型构建、定量分析、特征关联、决策建议、疗效预测等方面的尝试，都只是帮助医生提高诊疗效率、准确率以及预测疗效的能力，赋能医疗行为，并不会干涉到医生的判断决策权。

技术之于医疗，需要常怀敬畏之心。雷峰网

人体共生微生物群构成的微生态系统，是与自体基因组协同进化的共生功能性器官，是维持各项生理功能稳态、决定疾病异质性的物质基础之一。以微生态系统功能为调控靶点的“微生态医学”目前正处于产业化爆发前的关键时期。

由于个体间微生态系统组成存在固有差异，传统制药工业的质控和监管方法，难以对“肠道菌群”这类差异化制剂实施质量控制和有效监管。这是安全、有效、合规地开展临床微生态治疗必须解决的关键问题，也是将相关技术产业化过程中面临的巨大挑战；

肠道微生态研究目前在全球备受关注，关于肠道微生物和人体免疫、代谢、神经等系统关系的研究成果日新月异。

在此次合作中，未知君和奇辉生物将发挥各自在肠道微生态领域的优势，主要在以下几个方面开展战略合作。

首先，双方在微生态样品检测、菌群提取、制剂工艺、产品制备、功能验证等领域展开合作，发挥双方在技术与平台的优势，推动微生态产品工艺的创新；

其次，双方在业务合作的基础上，共同推进建立肠道微生态质控及标准化进程；

第三，在肠道微生态产品领域开展突破性技术的研发合作。

未知君联合创始人、CEO谭验表示：“很高兴能与奇辉生物达成合作。近年来，肠道微生态与人类健康、疾病的关系，在学术界引起了广泛的研究和讨论；而作为前沿领域之一，肠道微生态的产业化进程也在逐渐加快。未知君是专注于微生态药物研发的AI制药公司，拥有丰富的药物研发与临床转化经验，在药物制备工艺、技术上处于行业领先水平。奇辉生物致力于开发肠道菌群提取技术、提升微生态临床制剂技术的标准化质控和可监管性。”

 关于未知君

 未知君是专注于肠道微生态治疗的AI制药公司，拥有先进完备的微生物药物研发平台。公司旨在通过微生物技术和生物信息技术，利用活体生物药和微生物小分子调节剂，实现疾病的缓解或治疗。

未知君搭建了世界领先的生物信息分析平台和转化与生产平台，打通了从数据到药物的转化全链路，实现微生态药物研发的完整闭环。

2021年6月，美国FDA正式批准了未知君肠菌移植（FMT）药物的新药临床试验（IND）申请，根据美国FDA公开披露的官方数据，这是中国乃至亚洲第一款获得美国临床试验许可的FMT活菌药物。

在微生态AI制药领域，未知君吸引了资本市场的持续关注，目前累计已获得数亿元融资，在国内微生态制药行业处于领先水平。

关于奇辉生物 

奇辉生物科技（扬州）有限公司成立于2019年，奇辉生物专注于肠道微生态菌群精准提取技术，自主研发了肠道全自动化、标准化的肠道全菌群提取设备，采用超微粒层流分离技术，实现粪便全菌群分离富集的标准化提取，及可实时监控的分布式AI系统，拥有完全自主知识产权。

过去20年里，医学影像技术、人工智能技术以及这两项技术相结合的临床应用在全世界范围内得到了快速长足的发展。

随着医学影像数据的扩增、人工智能算法模型的改进优化以及软硬件设备的提升，越来越多的人工智能技术开始应用并落地于临床医学影像场景中，从而帮助医生提高诊疗效率和诊疗精度，缩短患者就诊等待时间，降低患者就医成本等。

中国医学影像人工智能领域在过去20年同样取得了突飞猛进的发展，在全世界范围内扮演了日益重要的角色。在科学研究方面，已经吸引了众多业内顶尖学者投身医学影像人工智能领域，在医学影像人工智能领域的国际顶级刊物及顶级会议发表的论文数量逐年增加，在国内举办的医学影像人工智能领域国际知名会议数量和影响力不断增强。

在应用落地方面，越来越多的传统医疗公司、互联网科技公司以及新生的人工智能公司开始大力发展医学影像人工智能产品。

同时，越来越多的医院也开始积极参与医学影像人工智能的合作研究项目，为将来人工智能在医学影像应用的最终落地夯实基础。

国家决策部门也在2017年发布的《新一代人工智能发展规划》中将智能医疗列入面向2030年国家新一代人工智能发展的重点任务之一，并且后续又出台了一系列的规划。

为了记录和总结过去20年中国在医学影像人工智能领域的努力和贡献，我们特意对中国医学影像人工智能过去20年的发展历程进行回顾，并对今后的发展进行展望。

在医学影像人工智能领域的国际主流期刊（例如TMI、TBME、NeuroImage、Human Brain Mapping等）和会议（例如MICCAI、IPMI等）中，考虑到期刊和会议收录该领域论文的全面性，以及本文作者资源和时间的有限性，重点定量分析了国内同行在期刊MedIA和TMI以及会议MICCAI发表的论文情况（截至2021年11月）。其中，在这些我们分析的期刊和会议上，Shen Dinggang（沈定刚）都是发表论文最多的学者。

此外，我们回顾并简要总结了近20年国内医学影像人工智能发展进程中的重要事件，包括国内主办的医学影像人工智能知名国际和国内会议、《中国医学影像AI白皮书》的发布以及国内同行在新冠肺炎COVID-19期间的贡献。

最后，我们展望了国内医学影像人工智能领域未来的发展趋势。

在检索期刊论文收录情况时，我们使用的数据来源于Web of Science核心数据集（不包括early access论文），设置出版物标题为“Medical Image Analysis”或“IEEE Transactions on Medical Imaging”，索引日期为“2000-01-01至2021-11-26”，国家/地区为“PEOPLES R CHINA or TAIWAN”（包含了中国大陆、香港、澳门和台湾）。

此外，我们包括了1998年（第一届MICCAI会议）至2021年的所有MICCAI论文，作者单位限定为中国大陆、香港、澳门或台湾。值得注意的是，在检索上述期刊或会议论文中，我们限定所有作者中至少有一位署名为国内单位。此外，为了排除同名作者造成的影响，我们还引入Scopus数据库提供的作者标识符（Author ID）来区分同名作者。

论文发表数量

1.1 MedIA

图1为2000年以来中国每年在MedIA发表论文数量和占比。由图1可见，2000—2021年（截至11月），国内单位在MedIA期刊共发表论文333篇。

自2003年发表第一篇论文开始，2003—2012年论文发表数量较少，一共仅11篇，平均每年1.1篇。2013年开始，论文发表数量有较明显增长，2013—2016年共发表44篇，平均每年11篇。

2017年开始，国内单位的论文发表数量增长迅速，2017—2021年11月共发表278篇，平均每年55.6篇，其中2021年（截止至11月）增长更为明显，较2020年增长69篇，达到132篇。

此外，自2012年开始，国内单位每年在MedIA发表论文占比也呈现整体上升趋势，2019—2021年（截至11月）分别达到27.07%，39.13%和37.29%。

图1 2000年以来国内单位每年在MedIA发表论文数量和占比。

1.2 TMI

图2为2000年以来中国每年在TMI发表论文数量和占比。由图2可见，2000—2021年（截至11月），国内单位在TMI期刊共发表论文601篇。2000—2011年间，中国在该期刊上发表的论文数量较少，每年的总数都不超过15篇。而从2012年开始，每年的论文发表数量呈现稳定增长趋势，在2020年达到129篇。

其中，2019—2020年的增长幅度最大，为54篇。截至2021年11月，2021年的论文总数已达到了112篇，预计年底能够追平甚至将超过2020年。

此外，自2011年开始，国内单位每年在TMI发表论文占比也呈现稳定上升趋势，2019—2021年（截至11月）分别达到28.63%，33.33%和42.26%。

图2 2000年以来国内单位每年在TMI发表论文数量和占比

1.3 MICCAI

图3为1998年以来中国每年在MICCAI发表论文数量和占比。由图3可见，1998—2021年，国内单位在MICCAI会议发表论文共985篇。

从1999年发表最初的2篇论文开始，1999—2003年论文发表数量较少，一共仅8篇，其中1999、2000、2002、2003年各发表2篇。

从2004年开始，国内单位论文发表数量有较明显增长，2004—2015年共发表179篇，平均每年15篇。自2016年开始，国内单位发表论文数量迅速增长，2016—2018年共发表154篇，平均每年51篇。

2019—2021年年均发表论文超过了180篇，分别达到188、221、235篇。此外，自2014年开始，国内单位每年在MICCAI发表论文占比也呈现整体上升趋势，2019—2021年分别达到34.75%，40.63%和44.26%。

图3 1998年以来国内单位每年在MICCAI发表论文数量和占比。

论文作者身份

2.1 MedIA

图4为2000年以来国内作者发表MedIA论文的身份占比。由图4可见，自2000年以来，国内作者发表MedIA期刊论文的身份具有显著变化。在论文发表数量和占比整体逐年上升（图1）的情况下，第一作者和通讯作者均为国内单位的论文数量占比（图4蓝色部分）也在逐年提高。

其中，2013—2019年总占比为44.53%，而2020年和2021年（截至11月）占比分别显著提高到71.43%和71.97%（由于2003—2012年论文发表数量及占比较少，故不纳入此分析）。

图4 2000年以来国内作者发表MedIA论文的身份占比

2.2 TMI

图5为2000年以来国内作者发表TMI论文的身份占比。由图5可见，自2000年以来，国内作者发表TMI期刊论文的身份具有显著变化。

2012年之前，在论文发表数量较少和占比较低的情况下（图2），第一作者和通讯作者均为国内单位的论文数量的占比也较低（图5蓝色部分）。

自2012年开始，该占比整体增长，几乎此后所有年份的占比都超过50%，平均占比高达61.09%。其中2019年和2021年（截至11月）的占比分别达到75.00%和69.64%。

图5 2000年以来国内作者发表TMI论文的身份占比

2.3 MICCAI

图6为1998年以来国内作者发表MICCAI论文的身份占比。由图6可见，自1998年以来，国内作者在MICCAI会议发表论文的身份具有显著变化。

在论文发表数量和占比整体逐年上升（图3）的情况下，第一作者和通讯作者均为国内单位的论文数量占比（图6蓝色部分）也在逐年提高。

其中，2009—2018年整体占比约60.9%，而2019—2021年占比分别为68.1%、67.9%和77.4%（由于1998—2009年国内作者论文发表数量较少且通讯作者没有明确标识，误差较大，故不纳入此分析）。

图6 1998年以来国内作者发表MICCAI论文的身份占比

论文发表单位

3.1 MedIA

图7为2000年以来国内单位发表MedIA期刊论文的数量统计图。发表论文总数量较多的国内单位，包括：

中国科学院（注：由于中国科学院下属研究单位机构众多，故在本文中合并统计，而中国科学院大学单独统计）（42篇，12.61%）、上海交通大学（35篇，10.51%）、香港中文大学（33篇，9.91%）、深圳大学（25篇，7.51%）、西北工业大学（21篇，6.31%）、上海联影智能医疗科技有限公司（17篇，5.11%）、四川大学（17篇，5.11%）、中山大学（17篇，5.11%）、复旦大学（15篇，4.50%）、北京理工大学（14篇，4.20%）、东南大学（14篇，4.20%）、中国科学院大学（14篇，4.20%）、厦门大学（14篇，4.20%）、浙江大学（14篇，4.20%）、华中科技大学（13篇，3.90%）、南方医科大学（13篇，3.90%）、北京大学（12篇，3.60%）、香港理工大学（11篇，3.30%）、电子科技大学（11篇，3.30%）、哈尔滨工业大学（10篇，3.00%）、上海科技大学（10篇，3.00%）、清华大学（10篇，3.00%）。

图7 2000年以来国内单位在MedIA发表论文总数量

3.2 TMI

图8为2000年以来国内单位发表TMI期刊论文的数量统计图。发表论文总数量较多的国内单位包括：

中国科学院（80篇，13.31%）、上海交通大学（59篇，9.82%）、香港中文大学（40篇，6.66%）、清华大学（36篇，5.99%）、南方医科大学（32篇，5.32%）、深圳大学（28篇，4.66%）、浙江大学（23篇，3.83%）、香港理工大学（22篇，3.66%）、四川大学（22篇，3.66%）、北京大学（22篇，3.66%）、北京航空航天大学（22篇，3.66%）、中国科学院大学（22篇，3.66%）、华中科技大学（20篇，3.33%）、西安交通大学（19篇，3.16%）、西北工业大学（19篇，3.16%）、中国科学技术大学（19篇，3.16%）、中山大学（18篇，3.00%）、北京理工大学（16篇，2.66%）、东南大学（15篇、2.50%）。

图8 2000年以来国内单位在TMI发表论文总数量

3.3 MICCAI

图9为1998年以来国内单位在MICCAI会议发表论文的数量统计图。发表论文总数量较多的国内单位，包括：

中国科学院（120篇，12.18%）、上海交通大学（103篇，10.46%）、西北工业大学（72篇，7.31%）、香港中文大学（69篇，7.01%）、浙江大学（51篇，5.18%）、深圳大学（47篇，4.77%）、北京大学（43篇，4.37%）、中山大学（33篇，3.35%）、清华大学（32篇，3.25%）、上海联影智能医疗科技有限公司（30篇，3.05%）、中国科技大学（29篇，2.94%）、中国科学院大学（27篇，2.74%）和香港科技大学（25篇，2.54%）。

图9 1998年以来国内单位在MICCAI发表论文总数量

论文作者合作链

4.1 MedIA

采用公开的igraph工具包来绘制论文作者之间的关系链示意图（图10—图12）。以国内第一作者作为主要节点来对同篇论文中的其他参与作者进行连接，图中红色节点以及作者名字体大小与该作者参与论文数量成正比，节点之间的连线粗细与作者之间合作论文的数量成正比。

图10显示了2000年以来发表MedIA论文的国内作者的合作链。为了使合作链示意图更加清晰，省略了不存在合作链或发文量仅一篇的作者。

在纳入统计的333篇论文中，发表论文数量相对较多且国内外合作者较多的国内作者有：

Shen Dinggang（43篇，12.91%）、Li Shuo（32篇，9.61%）、Heng Pheng-Ann（21篇，6.31%）、Chen Bo（13篇，3.90%）、Liu Tianming/Lei Baiying/Chen Hao（12篇，3.60%）、Guo Lei/Qin Jing（10篇，3.00%）、Liu Mingxia/Zhang Heye/Wang Tianfu/Ye Chuyang/Dou Qi（9篇，2.70%）、Zhang Daoqiang/Yang Xin/Zhang Yi（8篇，2.40%）、Ni Dong/Gao Yaozong/Zheng Yefeng/Wang Liansheng/Chen Yang（7篇，2.10%）、Wang Qian/Shi Feng/Zhang Tuo/Zhuang Xiahai/Fu Huazhu（6篇，1.80%）、Feng Qianjin/Han Junwei/Zhu Dajiang/Jiang Xi/Jie Biao/Xu Yanwu/Zhang Shaoting/Ma Kai/Bian Cheng/Jin Yueming/Xiao Jing/Chen Geng（5篇，1.50%）等。

图10 2000年以来发表MedIA论文的国内作者合作链关系图

4.2 TMI

图11显示了2000年以来发表TMI论文的国内作者的合作链。为了使合作链示意图更加清晰，设置节点顶点的大小为作者参与论文数量的5倍以及设置顶点名称的大小为作者参与论文数量的3倍，同时省略了一些合作较少的作者。

在纳入统计的601篇论文中，发表论文数量相对较多且国内外合作者较多的国内作者有：

Shen Dinggang（33篇，5.49%）、Heng Pheng-Ann（30篇，4.99%）、Tian Jie/Ma Jianhua/Yu Lequan（14篇，2.33%）、Liu Jiang（13篇，2.16%）、Chen Wufan/Chen Hao/Dou Qi（12篇，2.00%）、Zhang Yi（11篇，1.83%）、Feng Qianjin/Liu Dong/Feng David Dagan（10篇，1.66%）、Ni Dong/Zhang Daoqiang/Luo Jianwen/Qin Jing/Du Jiangfeng（9篇，1.50%）、Wang Qian/Xia Yong/Liu Mingxia/Chen Xinjian/Yang Xin/Zheng Hairong/Cheng Jun/Mou Xuanqin/Lu Hongbing/Zeng Dong/Zhao Yitian/Lin Weili（8篇，1.33%）、Liang Dong/Chen Yang/Zhang Hao/Yang Wei/Song Yang/Cai Weidong（7篇，1.16%）等。

图11 2000年以来发表TMI论文的国内作者合作链关系图

4.3 MICCAI

图12显示了1998年以来发表MICCAI会议论文的国内作者的合作链。由于MICCAI会议国内单位的论文数量较多，为了使合作链示意图更加清晰，将发文少于8篇的作者省略。

在纳入统计的985篇论文中，发表论文数量相对较多且国内外合作者较多的国内作者有：

Shen Dinggang（96篇，9.75%）、Liu Tianming（44篇，4.47%）、Heng Pheng-Ann（34篇，3.45%）、Guo Lei（33篇，3.35%）、Zheng Yefeng（29篇，2.94%）、Ma Kai（28篇，2.84%）、Xiao Jing（27篇，2.74%）、Qin Jing（24篇，2.44%）、Ni Dong/Li Shuo（23篇，2.34%）、Zhang Tuo（22篇，2.23%）、Lu Le（21篇，2.13%）、Kevin Zhou S./Chung Albert C. S./Liu Jiang/Yu Yizhou（20篇，2.03%）、Shi Pengcheng/Zhang Shaoting（19篇，1.93%）、Wang Li（18篇，1.83%）、Li Gang（16篇，1.62%）、Wang Qian/Xue Zhong/Yang Xin/Zhang Heye/Liu Huafeng（15篇，1.52%）、Zhang Daoqiang/Hu Xintao/Lin Weili/Fu Huazhu/Wang Yizhou（14篇，1.42%）、Shi Feng/Xia Yong/Zhang Han/Dou Qi（13篇，1.32%）、Jiang Xi/Lei Baiying/Shi Yiyu（12篇，1.22%）、Lv Jinglei/Li Xiang/Zhuang Xiahai/Liu Mingxia/Huang Junzhou/Yan Ke（11篇，1.12%）、Jiang Tianzi/Han Junwei/Yao Jianhua/Zhao Yitian/Cai Weidong（10篇，1.02%）等。

图12 1998年以来发表MICCAI论文的国内作者合作链关系图

论文关键词

图13—图15分别为对国内单位在MedIA、TMI和MICCAI发表的论文关键词信息进行统计得到的词云图。由图13(a)—图15(a)可见，2012年之前发表在上述三者的论文研究方法多集中于传统的影像分析方法。其中MedIA论文主要包括最小成本路径、统计参数图、随机有限元法和Gabor小波（图13(a)），TMI论文主要包括参数估计、可变形模型、小波变换和模糊聚类（图14(a)），MICCAI论文主要包括水平集、判别分析和基于模板的分析（图15(a)）。2012年之前发表在上述三者的论文研究对象多集中在心脏、血管和大脑。此外TMI论文对乳腺和视网膜（图14(a)），MICCAI论文对肺部（图15(a)）也有较多研究。2012年之前发表在上述三者的论文研究目标多集中在医学影像的配准和分割。此外MedIA论文对医学影像的标准化（图13(a)），TMI论文对医学影像的重建、分类、融合和聚类（图14(a)）也有较多研究。2012年之前发表在上述三者的论文研究影像模态主要为磁共振成像（magnetic resonance imaging，MRI）。此外TMI论文对CT（computed tomography）、超声（ultrasound）以及多模态磁共振成像，例如功能磁共振成像（functional MRI，fMRI）、弥散张量成像（diffusiontensor imaging，DTI）和磁共振血管成像（magnetic resonanceangiography，MRA）等有较多研究（图14(a)）。

由图13(b)—图15(b)可见，随着相关技术的发展和普及，2012—2016年发表在上述三者的论文主要研究方法从2012年之前的传统影像分析方法演变为稀疏表达。此外，MedIA论文对压缩感知（图13(b)），TMI论文对字典学习、压缩感知和深度学习（图14(b)），MICCAI论文对字典学习和多任务学习（图15(b)）也有较多研究。2012—2016年发表在上述三者的论文研究对象有一定差异。其中MedIA论文主要包括大脑连接、细胞和脑血管等（图13(b)），TMI论文多为前列腺、血管和肾皮质等（图14(b)），MICCAI论文除了心脏、血管和眼部，对大脑疾病（例如老年痴呆和轻度认知障碍）和大脑皮层特征点识别有较多研究（图15(b)）。2012—2016年发表在上述三者的论文研究目标除了传统的医学影像的分割、分类、配准和重建之外，MedIA论文对大脑结构及功能特性相关的功能或有效连接分析（图13(b)），TMI论文对计算机辅助检测和医学影像增强（图14(b)）有较多研究。2012—2016年发表在上述三者的论文研究影像模态除了多模态磁共振成像（例如fMRI和DTI等）之外，MedIA论文对相差显微镜影像（phase contrast microscopyimage）和正电子发射型计算机断层显像（PET）（图13(b)），TMI论文对CT、超声、弹性成像（elastography）和多普勒光学相干断层扫描（doppler opticalcoherence tomography, doppler OCT）（图14(b)），MICCAI论文对CT和超声（图15(b)）有较多研究。

由图13(c)—图15(c)可见，随着深度学习及其相关技术的发展和普及，2017—2021年发表在上述三者的论文主要研究方法从2012年之前的传统影像分析方法和2012—2016年的稀疏表达演变为深度学习。其中MedIA论文包括卷积神经网络、生成对抗网络、深度神经网络、迁移学习、对比学习、半监督学习、自监督学习、注意力机制等（图13(c)）。TMI论文包括卷积神经网络、生成对抗网络等，此外三维可视化、特征提取、特征学习和网络训练等也备受关注和青睐（图14(c)）。MICCAI论文包括卷积神经网络、生成对抗网络、Transformer、对比学习、图卷积网络、自监督学习、半监督学习、深度神经网络、多任务学习等（图15(c)）。2017—2021年发表在上述三者的论文研究对象具有一定差异。其中MedIA论文主要包括老年痴呆、乳腺癌、新型冠状病毒肺炎（COVID-19）和大脑等（图13(c)），TMI论文主要包括COVID-19、大脑和器官病变等（图14(c)），MICCAI论文主要包括脑疾病、脑网络、视网膜眼底疾病、乳腺和血管等（图15(c)）。2017—2021年发表在上述三者的论文研究目标除了传统的医学影像配准、分割、分类和重建之外，MedIA论文对医学影像合成（图13(c)），TMI论文对医学影像可视化（图14(c)），MICCAI论文对计算机辅助检测（图15(c)）也有较多研究。2017—2021年发表在上述三者的论文研究影像模态除了传统的CT和MRI之外，MedIA论文对数字病理影像和多模态影像（图13(c)），TMI论文对超声、X射线和OCT（图14(c)），MICCAI论文对超声和多模态影像（图15(c)）也有较多研究。

综上所述，国内单位在MedIA、TMI和MICCAI发表的论文关键词信息在过去20年具有以下发展特点和趋势：研究方法紧跟人工智能技术的最新发展潮流；研究对象除了传统的器官，也紧密结合医疗健康领域的重点和难点问题，例如COVID-19；研究目标除了传统的医学影像分析，计算机辅助检测近年来也受到一定重视，但已发表论文仍侧重于医学影像计算（MedicalImage Computing, MIC），而计算机辅助介入（Computer AssistedIntervention, CAI）的相关研究偏少，需引起足够重视；研究影像模态也逐步从单一模态扩展到多模态融合，包括与自然语言（例如诊断报告）的融合。

(a) 2000—2011年词云图

(b) 2012—2016年词云图

(c) 2017—2021年词云图

图13 2000—2011年、2012—2016年和2017—2021年国内作者发表MedIA期刊论文的关键词词云分析结果

(a) 2000—2011年词云图

(b) 2012—2016年词云图

(c) 2017—2021年词云图

图14 2000—2011年、2012—2016年和2017—2021年国内作者发表TMI期刊论文的关键词词云分析结果。

(a) 1998—2011年词云图

(b) 2012—2016年词云图

(c) 2017—2021年词云图

图15 1998—2011年、2012—2016年和2017—2021年国内作者发表MICCAI会议论文的关键词词云分析结果。

论文引用次数

6.1  MedIA

2000—2021年（截至11月），国内单位在MedIA期刊发表的333篇论文共被Web of Science核心数据集引用7 481次，平均每篇被引22次。被引次数较多的10篇论文分别为：

“Validation, Comparison, and Combination of Algorithms for Automatic Detection of Pulmonary Nodules in Computed Tomography Images: The LUNA16 Challenge”（268次）、

“A Deep Learning Model Integrating FCNNs and CRFs for Brain Tumor Segmentation”（265次）、

“3D Deeply Supervised Network for Automated Segmentation of Volumetric Medical Images”（240次）、

“Magnetic Resonance Image Reconstruction from Undersampled Measurements Using A Patch-based Nonlocal Operator”（203次）、

“Assessment of Algorithms for Mitosis Detection in Breast Cancer Histopathology Images”（194次）、

“DCAN: Deep Contour-aware Networks for Object Instance Segmentation from Histology Images”（192次）、

“ISLES 2015 - A Public Evaluation Benchmark for Ischemic Stroke Lesion Segmentation from Multispectral MRI”（190次）、

“Gland Segmentation in Colon Histology Images: The Glas Challenge Contest”（187次）、

“Central Focused Convolutional Neural Networks: Developing A Data-driven Model for Lung Nodule Segmentation”（170次）、

“A Blind Deconvolution Approach to Recover Effective Connectivity Brain Networks from Resting State FMRI Data”（136次）。

6.2 TMI

2000—2021年（截至11月），国内单位在TMI期刊发表的601篇论文共被Web of Science核心数据集引用16 623次，平均每篇被引28次。被引次数较多的10篇论文分别为：

“Generalized q-Sampling Imaging”（426次）、

“Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network”（380次）、

“Penalized weighted least-squares approach to sinogram noise reduction and image reconstruction for low-dose X-ray computed tomography”（358次）、

“Low-Dose X-ray CT Reconstruction via Dictionary Learning”（357次）、

“Stacked Sparse Autoencoder (SSAE) for Nuclei Detection on Breast Cancer Histopathology Images”（351次）、

“H-DenseUNet: Hybrid Densely Connected UNet for Liver and Tumor Segmentation From CT Volumes”（320次）、

“Low-Dose CT Image Denoising Using a Generative Adversarial Network With Wasserstein Distance and Perceptual Loss”（305次）、

“Automated Melanoma Recognition in Dermoscopy Images via Very Deep Residual Networks”（292次）、

“Automatic Detection of Cerebral Microbleeds From MR Images via 3D Convolutional Neural Networks”（287次）、

“Retinopathy Online Challenge: Automatic Detection of Microaneurysms in Digital Color Fundus Photographs”（266次）。

6.3 MICCAI

1998—2021年，国内单位在MICCAI会议发表的985篇论文共被引用8 916次（截至2021年11月，由Plum Metrics评价系统提供），平均每篇被引9次。被引次数较多的10篇论文分别为：

“Medical Image Synthesis with Context-Aware Generative Adversarial Networks”（268次）、

“DeepVessel: Retinal Vessel Segmentation via Deep Learning and Conditional Random Field”（245次）、

“3D Deeply Supervised Network for Automatic Liver Segmentation from CT Volumes”（186次）、

“Accurate Pulmonary Nodule Detection in Computed Tomography Images Using Deep Convolutional Neural Networks”（142次）、

“Cardiac Image Super-Resolution with Global Correspondence Using Multi-Atlas PatchMatch”（91次）、

“Automated Pulmonary Nodule Detection via 3D ConvNets with Online Sample Filtering and Hybrid-Loss Residual Learning”（88次）、

“ASDNet: Attention Based Semi-supervised Deep Networks for Medical Image Segmentation”（84次）、

“Automated Nucleus and Cytoplasm Segmentation of Overlapping Cervical Cells”（81次）、

“Uncertainty-Aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation”（69次）、

“Multi-modal Image Registration by Minimising Kullback-Leibler Distance”（65次）。

 其他相关重要事件总结

7.1 中国举办的医学影像人工智能知名国际会议

作为医学图像人工智能领域的国际顶级学术会议，医学影像计算与计算机辅助介入会议（MICCAI）已在中国成功举办过2届。

第13届会议（MICCAI 2010）于2010年9月20—24日首次在北京举办，大会主席为中国科学院自动化研究所蒋田仔教授。会议共接收论文251篇，来自全球参会者达800余名。

第22届会议（MICCAI 2019）于2019年10月13—17日在深圳举行，大会主席为上海科技大学沈定刚教授和美国佐治亚大学刘天明教授，当地主席为深圳大学倪东教授。

第22届会议创造了多项纪录：会议注册人数突破2 300人；论文投稿数量相比2018年增加63%，最终接收538篇，其中来自亚洲的录取论文比例（37%）首次超过美洲，中国贡献了绝大多数论文（188篇）；讲习班、研讨会、挑战赛的举办数量多达60余个；创纪录地资助了113名全球学生参会，其中包括48名本科生，并且中国高校本科生占多数；赞助商达20余家；会议也吸引了大量工业界人士和医生参会。MICCAI 2019的成功举办对中国医学图像人工智能的长远发展和青年后备人才的培养具有深远的影响。

除了MICCAI之外，中国还成功举办了其他知名医学图像人工智能国际会议。

例如，2014年的生物医学成像国际论坛ISBI（The IEEE International Symposium on Biomedical Imaging）于4月29日至5月2日在北京举办，大会主席为伦斯勒理工学院王革教授和卡耐基梅隆大学贺斌教授，程序委员会主席之一为中国科学院自动化研究所田捷教授。

第26届医学成像信息处理国际会议IPMI（The international conference on Information Processing in Medical Imaging）于2019年6月2—7日在香港举行，大会主席为香港科技大学Albert C. S. Chung教授和宾夕法尼亚大学James Gee教授。

第18届人脑图谱组织年会OHBM（18th annual Meeting of the organization for Human brain Mapping）于2012年6月10—14日在北京举行，当地主席为北京大学高家红教授。

7.2 中国举办的其他医学影像人工智能会议

2014年12月，在上海科技大学（原北卡罗来纳大学教堂山分校）沈定刚教授的倡议下，医学图像计算青年研讨会MICS（Medical Imaging Computing Seminar）在深圳大学首次由倪东教授举办。

该会议最大特色及宗旨是为医学图像计算领域的华人青年学者提供国内学术交流平台，促进该领域青年科研学者与医生等其他领域专家的相互了解，帮助其融入国内学术研究大家庭。

会议聚焦近三年内的医学图像计算领域有影响力的原创研究，经过2014年—2021年共8届会议，MICS从线下参会人数不足百人到最多2000余名。

此外，MICS还组织了每两周一次的在线学术讲座。MICS已迅速发展成为国内医学图像计算领域最具影响力的学术活动和组织之一，为推进中国医学影像人工智能领域的发展做出了贡献。

2017年9月，由电子科技大学李纯明教授发起的图像计算与数字医学国际研讨会ISICDM（International Symposium on Image Computing and Digital Medicine）在成都首次举办。

该会议坚持理工医跨学科交流特色，学术讨论围绕图像计算和数字医学中的理论、算法与应用问题，旨在促进电子信息、数学和医学等领域学者的交流合作，近4届会议共2000余人次线下参会。

此外，中国生物医学工程学会每年主办的青年论坛也为医学影像人工智能领域提供了交流合作和共同发展的平台。

7.3 中国医学影像AI白皮书

为促进中国医学影像人工智能（AI）相关产业技术的创新和发展，中国医学影像AI产学研用创新联盟（以下简称“联盟”）于2018年4月在上海成立。首届联盟理事长由上海长征医院刘士远教授担任。2019年3月，该联盟正式发布了《中国医学影像AI白皮书》（Chinese Innovative Alliance of Industry, Education, Research and Application of Artificial Intelligence for Medical Imaging，2019）。

白皮书由该联盟召集国内三甲医院关注人工智能的影像专家、研究学者和人工智能医学公司等产学研用各环节代表联合起草，从人工智能在医疗领域的应用、医学影像人工智能算法的最新进展、医学影像人工智能的需求调研、临床应用现状与展望、政策、挑战与建议等6个方面深度分析了医学影像各个领域的现状、需求和未来，并对政策做出建议。

在近几年医学影像人工智能蓬勃发展但泡沫和乱象并存的时刻，该权威性报告为中国医学影像人工智能的未来发展提供了蓝图。

7.4 国内同行在COVID-19期间的贡献

2019年新型冠状病毒肺炎（COVID-19）的爆发给全世界人民生命健康安全带来严重影响，也给全世界医疗健康领域带来巨大挑战。

医疗成像，尤其是胸部成像在COVID-19患者的诊断、预测和管理方面发挥着重要作用。为了应对这一全球危机，全世界医学影像人工智能领域同行迅速采取行动，开发和分享了针对COVID-19成像数据的管理和分析的深度学习模型和工具，以及医学影像分析方法（Zhang等，2020）。

2020年2月18日，在国内疫情最严峻的时刻，MICS组织了COVID-19在线论坛，邀请了国内知名医学专家、医学影像人工智能研究学者和公司代表讨论了基于CT影像诊断COVID-19的进展，以及人工智能在辅助医生诊断COVID-19中发挥的作用。

Shi等人（2021）和Dong等人（2021）在综述中分别从不同角度总结回顾了针对COVID-19成像数据的医学影像分析以及深度学习方法和工具。Liu等人（2021）和Shen等人（2020）分别在MedIA和TMI上创办了名为“Intelligent Analysis of COVID-19 Imaging Data”和“Imaging-based Diagnosis of COVID-19”的联合特刊，从互补角度聚焦COVID-19成像的核心问题，共汇集出版了20多篇提出新方法和报告新实验结果的论文，其中中国同行贡献了近一半数量。

从方法角度，中国同行发表在上述特刊论文可分为3类：1）COVID-19成像数据的分割和诊断（Gao等，2021；Yang等，2021a；Di等，2021；Ouyang等，2020）；2）COVID-19严重程度评估和预后预测（Zhu等，2021；Xue等，2021）；3）COVID-19影像数据的临床管理（Zhong等，2021；Han等，2020；Wang等，2020）。

结  语

本文对中国医学影像人工智能过去20年的发展历程进行了回顾。着重定量分析了国内同行在医学影像人工智能领域国际顶级刊物（MedIA和TMI）以及顶级会议（MICCAI）发表的论文情况，包括论文发表数量、作者身份、发表单位、作者合作链、关键词、被引次数等信息，介绍了中国近20年在医学影像人工智能领域取得的突飞猛进的成绩。

同时，许多研究论文的作者将数据和源代码公开给全世界共享，为全世界医学影像人工智能的科研和教学做出了杰出的贡献。

此外，还回顾并简要总结了国内近20年医学影像人工智能发展进程中的重要事件。期望本文能为医学影像人工智能同行提供一个科研和教学参考，为新一代从事医学影像人工智能领域研究的学者和学生提供一个了解中国该领域发展历史的线索，促进该领域将来在中国的蓬勃发展。

通过对中国医学影像人工智能的发展历程回顾可以发现，首先，随着人工智能技术的飞速发展，机器学习，尤其是深度学习正广泛运用于医学影像的成像、识别、分类和量化等各个领域。

由于具有强大的从数据中归纳特征而非根据领域特定知识手工识别特征的能力，深度学习近年来已迅速成为主流的人工智能技术，并显著提高了医学影像应用的性能（Shen等，2017）。

故此建议将来进一步提高深度学习的能力，包括最优和高效的深度学习，可推广的深度学习，可解释的深度学习，公平的深度学习以及负责任和值得信赖的深度学习等。

其次，医学影像人工智能结构化数据服务和共享需要进一步提升，以促进医学影像和深度学习领域的专家学者以最佳方式协同推进基础科研和临床应用落地研究。

再次，需要加强多中心和多模态医学影像数据的采集和融合分析，包括与自然语言的融合。进一步，由第4章“论文作者合作链”可以看出，医学影像人工智能是一个医工交叉学科。建议该领域研究者进一步与医生加强密切合作，聚焦当前人工智能在医学影像临床应用中的真正难点和痛点，将医学影像人工智能技术真正落地。

最后，期望医学影像人工智能领域的国内研究学者要以国家战略需求为导向，坚持“四个面向”（世界科技前沿、经济主战场、国家重大需求、人民生命健康），勇于探索领域内的高难度、需要长期投入、出成果周期长的关键科学问题，加强人才培养特别是校企联合培养，并且继续扩大和加强国际合作，坚持开源研究相关数据和源代码，为全世界医学影像人工智能领域的发展继续贡献中国力量。

论文引用格式：Jiang X, Yuan YX, Wang YP, Xiao ZX, Zhu ML, Chen ZH, Liu TM, and Shen DG. 2022. A 20-year retrospect and prospect of medical imagingartificial intelligence in China. Journal of Image and Graphics, online.（蒋希，袁奕萱，王雅萍，肖振祥，朱美芦，陈泽华，刘天明，沈定刚. 2022. 中国医学影像人工智能20年回顾和展望. 中国图象图形学报，优先出版 ）[DOI: :10.11834/jig.211162]雷峰网

雷峰网消息，近日， 晶泰科技宣布与国内生物医药企业正大天晴达成战略合作，双方将针对高难度靶点共同开发小分子新药，用于恶性肿瘤治疗。

中国的生物医药行业在政策环境、市场环境的双重影响下，正在发生着深刻地变化。加强源头创新与提升差异化水平已经成为国内制药企业提高竞争力，确保未来发展空间的重要手段。

晶泰科技与正大天晴的合作，是以人工智能为核心的新兴生物技术公司和集科研、生产和销售为一体的大型医药集团的联合。

本次合作，晶泰科技将利用其人工智能和高精度计算化学等技术平台，完成化合物的生成、评估、优化等工作，聚焦小分子抗肿瘤创新药物的发现和优化。

晶泰科技联合创始人、CEO 马健博士表示：“抗肿瘤药物研发具有极高的社会价值，同时也有非常高的技术难度。在国家药监局《以临床价值为导向的抗肿瘤药物临床研发指导原则》发布之后，市场对国内抗肿瘤药物的研发提出了更高的要求。正大天晴在抗肿瘤药物的研发领域一直处于行业前列，我们非常高兴与正大天晴达成此次合作。晶泰科技将利用智能化的药物发现平台，结合正大天晴强大的技术能力和项目经验，共同开发临床价值更高的抗肿瘤药物。”

正大天晴药业集团董事长谢承润表示：“我们的使命是以持续的创新和杰出的工作，为临床尚未满足的治疗需求提供安全有效、可及的药物，从而提高生命质量。我们非常重视利用AI和其他前沿技术提升新药研发的效率，晶泰科技是将人工智能技术应用于药物研发的领先公司，相信通过合作双方的强强联合，优势互补，能够加速针对高难度抗肿瘤靶点的新药发现，开发出高质量的肿瘤治疗药物”。

关于晶泰科技

晶泰科技是一家量子物理与人工智能赋能的药物研发公司，通过提高药物研发的速度、规模、创新性和成功率，致力于实现药物研发的行业革新。作为一家立足中美、服务全球的企业，晶泰科技始终坚持探索最优解决方案，以充分利用前沿的研发与计算资源，最大化满足客户与合作方的需求。

晶泰科技的智能药物研发平台将基于云端超算数字化研发工具与先进的实验能力进行整合，形成高精度预测与针对性实验相互印证、相互指导的研发系统。作为全球先锋人工智能药物研发公司之一，晶泰科技已建立起一整套量子物理干实验室与先进湿实验室紧密结合的研发迭代流程，挑战传统研发的效率瓶颈，赋能新药研发实现创新速度与规模的突破。

关于正大天晴

正大天晴是中国领先的集研发、生产和销售为一体的创新型医药集团，致力于为患者提供优质可及的治疗产品。公司是国内知名的肝病药物领跑者，并以民生需求为导向，重点打造肝病、肿瘤、呼吸、感染、内分泌与心血管六大产品集群。

正大天晴始终把科技创新作为企业可持续发展的支撑力量，创新药物研发投入在行业内位于前矛，年研发投入占销售收入的 12-15% 。

本轮投资由天图投资领投，五源资本和晶泰科技跟投。融资将用于加速其免疫代谢重编程的生物大分子药物的临床前研究，推进全新代谢增强型CAR-T细胞治疗药物管线向临床试验进展，并拓展自主研发的免疫代谢重编程平台的应用范围，在更多免疫治疗领域赋能新一代抗肿瘤药物的研发。

据了解莱芒生物成立于2021年7月，创始团队来自全球顶尖理工院校瑞士洛桑联邦理工学院（EPFL）。该团队在唐力教授领导下深耕于肿瘤免疫治疗领域的前沿研究，尤其在攻克T细胞耗竭方面发表了一系列国际顶尖的研究成果，相关工作入选2021年度EPFL十大新闻。

莱芒生物成立之初，即瞄准T细胞耗竭这一长期制约肿瘤免疫治疗，尤其是制约实体肿瘤疗效的关键共性瓶颈问题。基于EPFL最新的两项研究成果，团队研发了全球首创的Meta 10免疫代谢重编程技术，建立了具有自主知识产权的生物大分子药物和新型免疫细胞药物的发现、研发、生产技术平台。

目前，莱芒生物已经开发了多条具有巨大市场潜力的研发管线，并稳步向临床研究推进。

T细胞耗竭是目前制约多种肿瘤免疫治疗效果的重大挑战，因此，如何重新激活终末耗竭T细胞是肿瘤免疫治疗研究领域的关注重点。

基于Meta 10代谢重编程技术平台，莱芒生物开发了可以逆转免疫细胞耗竭并诱导其干性免疫记忆的全新代谢增强型肿瘤免疫疗法，通过增强肿瘤特异性终末耗竭T细胞的氧化磷酸化代谢，实现再次激活终末耗竭T细胞，可显著提高多种肿瘤免疫疗法的响应率和疗效。

目前，该疗法已在多个小鼠和人类肿瘤的动物模型中展现出对实体肿瘤的显著治疗效果和巨大应用潜力，成功实现逆转终末耗竭T细胞的耗竭状态，显著增强了T细胞的抗肿瘤潜力，在多个实体瘤动物模型中实现了肿瘤彻底清除，并诱导产生免疫记忆效应，为实现肿瘤的临床治愈带来曙光。

Meta10 代谢重编程技术平台显著增强多种肿瘤免疫疗法原理示意图

本次轮融资后，莱芒生物将积极推进两款代表性候选药物率先进入临床前和临床研究，并重点布局对黑色素瘤、结肠癌、乳腺癌等多个实体肿瘤的临床研究；

同时，莱芒生物已与AI制药企业晶泰科技达成深度战略合作，双方将利用莱芒生物在免疫代谢和细胞治疗方面的技术优势，以及晶泰科技在AI和高精度计算化学领域的行业优势，实现对生物大分子复合物结构的精确预测与高效理性设计，联合开发下一代基于AI计算的超级免疫代谢调节因子研发平台，用于研发一系列生物活性特异性更高、副作用更低、疗效更好的免疫调节因子，进一步开拓免疫治疗的新领域。

此外，莱芒生物还将积极扩展其免疫代谢重编程平台的应用范围，在TILs、新抗原肿瘤疫苗、免疫检验点抗体等其他肿瘤免疫治疗重点领域，为合作企业提供攻克T细胞耗竭的解决方案。立足于独特的Meta 10免疫代谢重编程技术，结合领先的AI制药及计算方法，发挥特有平台优势，与行业药企广泛建立合作，莱芒生物致力于为肿瘤免疫治疗领域带来新的突破。

莱芒生物联合创始人兼董事长唐力教授表示：“很荣幸在投资人与战略伙伴的支持下，莱芒生物从免疫代谢重编程这一独特角度入手开发出核心技术Meta 10，在短时间内就实现研发进展的快速突破，这也让我们更加坚信Meta10在激活终末耗竭T细胞、显著提高肿瘤免疫治疗效果方面的巨大潜力。接下来，我们将进一步壮大研发团队，推进公司主营管线和技术平台的研发进展，加速开发和储备新技术，并进一步拓展我们的技术平台的应用范围，积极与肿瘤治疗领域相关创新药企开展合作，将这一技术广泛应用于提升肿瘤免疫治疗药物的响应率和疗效，争取尽快惠及广大肿瘤患者。”

天图投资合伙人魏国兴表示：“莱芒生物在新型肿瘤免疫治疗药物研发领域拥有国际前沿的成果，符合国家战略性新兴产业的发展需求，很高兴看到这样优秀的创新型生物科技公司落户深圳。团队有清晰合理的发展规划和强大的落地执行力，核心技术差异性强、技术壁垒高，成立后快速取得一系列亮眼的阶段性成果，展现了一家高速成长型生物医药企业的素质。我们非常期待莱芒生物通过与晶泰科技的强强联合，加速开发出下一代AI 赋能的创新型肿瘤治疗药物，解决实体肿瘤临床治疗的迫切需求，为广大肿瘤患者带来生命的希望。”

五源资本董事总经理井绪天表示：“莱芒生物的管线布局层次清晰，定位合理。既能快速推进临床研究，实现治疗效果的突破；又能稳扎稳打，增加公司抗风险能力；还有基于AI技术的后备技术管线，储备发展潜力，成长空间巨大。莱芒生物的Meta10技术平台作为T细胞终末耗竭瓶颈难题的有效方案已获得实验验证，填补了该领域空白，具有国际领先优势，在其自有管线研发与广泛赋能创新药企肿瘤免疫疗法方面，都具有巨大的应用潜力与合作空间。”

晶泰科技董事长温书豪表示：“莱芒生物基于免疫代谢重编程技术开发的生物大分子药物在肿瘤免疫治疗领域，特别是对实体瘤的治疗中取得了突破性进展。我们很荣幸与这样具有关键性核心技术的团队联手，以晶泰科技的量子物理和AI技术与莱芒生物深度合作，瞄准下一代超级免疫代谢调节因子的设计和优化，加快生物大分子药物的工程化改造，为进一步提升相关生物大分子药物的治疗潜力提供解决方案，相信这一新领域将孕育无限可能。”

在8个月时间内设计、验证了69个全新的小分子并获得了针对某B类G蛋白偶联受体（Class B GPCR）靶点的临床前候选化合物，目前该自研管线已进入IND-Enabling Studies阶段。历史上Class B GPCR小分子激动剂的开发已被证明非常具有挑战性。

公司利用Molecule Pro平台设计和虚拟筛选预测了多个系列新骨架结构分子，其中部分新骨架分子经过体外药效活性测试达到皮摩尔级别。

通过进一步的体外机制和成药性筛选、大小动物的体内药效/药代评价及初步的安全性测试，最终被提名的临床前候选化合物在药效、药代和安全性方面显示出同类最优潜力（针对几种大型慢性病未满足的临床需求）。

Molecule Pro平台尤其擅长解决药物研发中的多目标优化问题，其自主研发以及整合的人工智能模型覆盖了化合物设计、筛选和优化、新颖性、可合成性、成药性及毒性预测等临床前药物研发关键环节，为难成药靶点的开发提供了跨越式加速、提高成功率的平台型解决方案。 

据公开信息显示，这是德睿智药成立一年以来第二条进入IND-Enabling阶段的新药管线；另一条与上市药企合作伙伴联合开发的别构抑制剂药物管线于2020年9月已进入IND-Enabling阶段。

在B类GPCR靶点管线与别构抑制剂管线的短期内的突破性进展体现了Molecule Pro平台针对部分高难度及难以成药类靶点具有良好的通用性和延展性。

德睿智药创始人兼CEO牛张明表示： “我们的平台大幅提高了新药研发效率。在8个月的时间内，通过合成并验证了几十个小分子就得到了优质的临床前候选化合物。这是对人工智能结合药物研发技术不断地尝试、探索和创新的成果。”

德睿智药联合创始人兼中国区总裁张龙博士：“通过创新性的将自主研发的AI平台技术和新药研发经验互相渗透、有机结合，我们用极短的时间便取得了突破性进展，获得了骨架新颖兼具同类最优潜力的临床前候选分子。未来AI技术有望发挥出更大的潜力，成为解决新药研发各项难题的武器。”

关于德睿智药：

德睿智药是一家AI驱动创新药物研发公司。公司的愿景是通过结合人工智能、计算化学、药物化学、分子生物学等技术，提高药物研发的效率及成功率，让更多疾病有药可医，更多生命重获健康。公司AI医药解决方案曾被欧美权威机构Deep Pharma Intelligence 评为“2018-2020全球最重要的11个AI药物研发突破性成就”之一。

近三年（2019、2020、2021），先后有六位该领域的华人学者当选IEEE Fellow（一年IEEE约有250名左右的Fellow产生，相当于会员总数的0.1%）。

IEEE全称是电气与电子工程师协会，医学影像作为其中相对“小众”的一个类别，获此殊荣殊为不易。

论文的接受数量，也进一步佐证了这一现象。

2019年，华人学者沈定刚教授成为MICCAI大会主席，他曾以MICCAI为例，向雷峰网分享过一组数据：

在相当长的一段时间里，国内（包括香港）每年有十篇左右的文章会被（MICCAI）接收，比例只有3%-4%。

但这个现象在2019年完全不同——亚洲的录取文章比例已经达到37%（美洲为36%，欧洲为26%），超过了美洲。在亚洲的录取文章里，绝大多数（150篇左右）来自于中国。

在两年后的今天，这种学术趋势越来越明显。对学者而言，如何做出有水平的研究成果，实现高效的产研转化进而造福人类，是毕生的追求。

近日，由雷峰网与图像计算与数字医学国际研讨会（ISICDM）联合主办的"IEEE Fellow圆桌对话"，邀请了近三年来当选IEEE Fellow的五位学者，围绕医学影像产学研融合的话题进行了深入探讨。

中国科学院自动化所研究员蒋田仔

中国科学技术大学讲席教授暨生物医学工程学院创始执行院长周少华

电子科技大学电子工程学院教授李纯明

东南大学脑科学与智能技术研究院创院院长彭汉川

腾讯天衍实验室主任郑冶枫

圆桌由南方医科大学生物医学工程学院的冯前进院长担任主持；MICCAI 2019大会主席、上海科技大学生物医学工程学院创始院长沈定刚教授进行致辞，对青年AI学术人的治学提出了诸多建议。（文后附致辞详细内容）

以下是圆桌论坛的现场内容，雷峰网《医健AI掘金志》做了不改变原意的编辑和整理：

南方医科大学生物医学工程学院院长  冯前进

冯前进：近年来，越来越多华人在医学影像分析领域做出了杰出成就而当选IEEE Fellow，包括在座各位专家。请大家谈谈科研的经验与感想，如何做高水平、有影响力的学术研究？

蒋田仔：每个人对高水平定义肯定不一样，我觉得对这个领域或社会有意义的事，才是高水平。

我原来搞数学，从本科、博士都是学数学，后来做脑科学，从2000-2010年这十年基本上以写论文为主，发表了很多论文，却不能解决现实问题。

我们申请科技部“973项目”的时候，分析了以前的问题。

发现脑科学研究缺乏一个靠谱的脑图谱，所以，我们的项目设计了有三个主题：脑图谱、脑连接、疾病的脑网络表征。

该项目绘制的“脑网络组图谱”临床影响就很深远，因为有很多临床应用场景，包括精准诊疗的生物标志、治疗和调控靶区等等。

周少华：我非常同意蒋田仔教授观点。我博士做人脸识别，后来“误打误撞”加入西门子医疗开始医学影像的研究，研究了很多来自临床实践的问题。

我觉得临床实践才是医学影像研究比较好的途径，因为实际临床问题是重要的问题来源。

真的能解决某个临床问题、做出有影响力的工作才是高水平。

李纯明：我结合个人背景谈一下我的看法，我本硕都是数学，虽然博士读的是电子工程，后来一直在工科领域工作，但还是受数学影响比较深一点。所以我的研究偏数学一些，看法可能有些偏颇。

针对做算法的文章来讲，我认为一篇有长久影响力的论文应该具备以下四个特征：

第一，创新性。首先是文章的创新性，所提出的方法要新颖独特，这样才能成为作者的一张名片。

第二，有效性。文章里的实验结果首先要可复现，而且要有优势，至少在某些方面要优于其它方法。

第三，理论性。文章要有很好的理论支持，在理论层面或数学模型上就能够清晰地解释方法的工作机制，这样才能让人知其然，还知其所以然，让人心服口服，产生更深远的影响力。

第四，简洁性。文章的数学模型、公式和算法的表达都要尽可能简洁。

因为简洁可以让很多人在此基础做进一步研究，用起来更方便，容易让别人在你工作的基础上做进一步的研究，也更容易被记住。一篇经典的论文或一个fundamental的贡献往往具有简洁性。

现在很多深度学习论文的同质化比较严重，就是创新性不高，即不满足第一条特征，而且大部分论文也不具备第三条和第四条特征，往往只靠第二条。

即只依靠在某个数据集上的实验结果取胜，就是人们常说的“刷分数”，但因为缺乏理论性而不能让人心服口服，也许换一个数据集结果就分数很差。

而且，一个方法在某个数据集的挑战赛上得了第一名，也许第二天就被别的方法比下去了，很难维持长久的影响力。

彭汉川：蒋田仔教授他们一直都是体量比较大的项目，比较容易看到临床的巨大需求。但许多研究相对比较小众，项目曝光不大。

这种情况下怎么才能做出被大家关注的工作？

我曾经长期研究人工智能项目，博士后阶段后才开始做放射科学、医学影像技术、从事临床相关的数据挖掘。

后来，在2002年接触了新兴的基因组、基因表达研究，还有单细胞影像数据等等，逐步意识到，生命科学影像数据可以比传统医学影像数量级大很多，迫切需要新方法新系统。

2005年左右，这些研究的数据集进一步扩大，于是我尝试了很多方法学创新，其中也借鉴医学影像方法改进，但大量创新研究导致了全新的多维影像大数据平台并得到越来越广泛应用，现在也开始对医学影像数据处理产生了一些促进作用。

所以个人体会是，若想做出重要工作，需要经常跳出自己的视野，经常做一些跨界性研究，这个过程中会做很多不一样的工作，产生不一样的成果。

因此，我并不特别关注怎么做出高水平、有影响工作，而是如何在不同领域中使工作更有趣，同时把这些信息传递给合作伙伴，让大家慢慢把研究做起来，这样很多所谓的高水平工作就会自然产生。

郑冶枫：我在工业界工作了十几年，和周少华老师在西门子美国研究院共事十几年，工业界和学术界研究不太一样。

学术界比较自由，瞄准有意义的方向就容易出成果。但工业界没有太多自由，但好处是课题都是临床实际问题，都是医生迫切需要解决的好问题。

研究目标就是解决这些需求，所以我们被逼着死磕这些问题，确实有些问题很重要，但解决起来非常难，一旦解决就能推进技术发展。

例如，我曾用五六年研究如何从CT抽取冠状动脉，冠状动脉非常细，只有CT分辨率才能看清楚血管是否被堵住，想要解决非常难。

当时，我们参考了学术界方法，引入机器学习和深度学习，得到比较好的结果。

冯前进：深度学习兴起后，医学影像AI领域涌现一大波论文，这些论文与前深度学习时代论文相比有哪些不同？传统方法该何去何从？

郑冶枫：深度学习出来之后，最近5、6年所有方法都被深度学习覆盖，已经很难看到传统方法，我不希望某种方法一统江湖，压抑其他方法改进。

例如，现在模型越来越大，达到千亿、万亿级别参数的模型。搞得许多研究机构根本跟不上，像GPT那种需要几百、几千个GPU训练的模型，大部分实验室都没有这样的条件。

而且这种数据堆砌的方法不适用所有领域，例如医学影像没有那么多优质数据，几千个数据就是很大的数据集，这种情况下我会更聚焦算法创新。

除此之外，深度学习时代还有很多同质化现象，许多研究只是在神经网络结构上做微调，这不是一个好的现象，研究方式手段还要丰富多彩。

在深度学习如此火热的当下，之前旧的方法还是有很多可以探索的地方。之前我们更依赖于先验知识，而不是数据，用先验经验设计模型，现在靠数据、靠模型，这不太一样。

我最近就在研究把传统方法和深度学习结合，在数据量比较少的情况下提高准确率。

比如，传统的字典学习是生成模型，一般优化重建图像的损失，而在测试阶段是作为分类模型使用的，训练目标和测试目标不一致。

将字典学习和深度学习结合，我们可以做到端到端学习，训练和测试的设置一致，可以提高准确率。我们将这个方法用于CT图像去金属伪影，取得不错的效果。

最近几篇论文都是这个方向，因此我还是希望传统方法能和机器学习有机结合起来，发挥两者优点。

中国科学院自动化所研究员   蒋田仔

蒋田仔：深度学习只是一种方法，很多人把深度学习当作人工智能，认为人工智能就是深度学习。我觉得这值得思考，甚至要泼一些冷水。

2006年深度学习出来的时候，我就叫学生看了，但用处不明显。因为深度学习需要大量高质量、有标签的数据，对数据和人工要求都非常大，当时还不满足条件。

后来的深度学习越来越热是因为许多主要领域都有了数据积累。

即便如此，我还是要持不同的看法，很多问题是深度学习无法解决的，例如脑疾病问题需要最后追溯到哪个脑区和网络的损伤形成的，一般深度学习做不到，需要传统方法给临床提供一些帮助。

所以，未来也许有会出现深度学习更好的方法，但每个方法都有其优缺点。

彭汉川：我是1994年开始学习和使用人工智能包括很多人工神经元网络模型等，用了8年时间在早期先驱的原始代码上做各种实验也提出了一些新方法。

后来有幸又和做Bayesian Networks的首个学习算法提出者合作两年，做了医学图像数据挖掘的研究，之后大约进行了近20年的生物影像信息学大数据新领域的开拓和研究。

针对主持人的问题，我现在认为当今脑科学、生命科学研究和深度学习有很大关系。

现在，许多研究都已经可以用Deep learning解决方案，确实在很多工作中取得很好效果。对此，还是应该保持欢迎趋势而不是抗拒。

学术圈一种观点认为，这虽然叫深度学习，但不一定有“深度”。但深度学习好不好，还需要看应用场景。

例如，通过数据集成，在单个显卡训练或运算就能达到前所未有的效果，对学术研究是利好的，没必要拒绝。

另一方面，我们也注意到医学影像等现实需求中有大量问题，并不适用于深度学习方法。

例如，数据传输问题就不能被简单使用分类策略解决，数据可视化和标注也需要使用特定策略，不能简单套用所谓深度学习的框架。

实际上，一套医学影像AI系统不只是有深度学习模块，还有结果验证、校验、可视化、再编辑等等问题，需要一整套系统，而不是只是中间某个特定分类问题。

根据应用场景，我们可能不会只使用深度学习这一类方法；能解决问题同时又较少带来新问题的方法是最好的方法。

电子科技大学电子工程学院教授   李纯明

李纯明：我想说的有两点。

第一，现在的深度学习文章或方法同质化比较严重，大家可能觉得每个文章都能提出创新点，但方法上都大同小异，同质化比较严重，大批文章都比较类似。

同质化也造成一个很严重的审稿问题：要拒就全部拒，要接受就全部接受，许多文章貌似有道理，就被成批成批录用。

这样会出现一个恶性循环，文章一多，审稿的需求就增加，带来素质较差的审稿人。

第二，审稿人的不专业，许多本科生都来发顶刊文章，进入学术界，这些人进来之后就导致很多不好，水平比较差或没创新的文章被录用进来，产生恶性循环。

这和十几年前的学术界很不一样，当时的文章都比较注重理论创新，要有所突破。当然，其中也有人刻意加很多数学公式，把文章搞得很复杂，导致审稿非常困难，和现在正好相反。

周少华：我再补充一点，过去研究的很多都是临床问题，这些问题从更大层面角度都是刻划数据的分布问题。

我认为，深度学习是目前发现的一个最好的方法，过去的先验知识，或其它传统方法也都是数据分布的刻划，这一点上深度学习或许是一个最完美的手段。

当然，我也不喜欢模型变得越大越深，这让很多研究人员的工作越来越困难，所以深度学习还有很多问题，例如无法解决数据少的问题。

例如医学影像即使使用分布迁移的手段，也可能面临鲁棒性问题，让之前的努力都前功尽弃。

冯前进：在产学研融合方面，医学影像分析是一个交叉性质十分鲜明的学科，需要与医生进行广泛、深入的交流，要将一个好的模型转化为医生使用顺手的工具有很长的路要走，能否分享你们与医生合作印象较深的案例？

彭汉川：医生本身也需要很多科研需求，希望借助新方法在临床样本上看到不太一样的东西。

例如，医生需要利用自己的知识找到特定的数据样本或临床样本并记录下来，这就是一个标注，和样本分类的需求，具体可分为几个方面：

第一，对二维数据进行快速标注，这方面的工具有很多，需求和开发都比较简单；

第二，三维或多维影像的数据的标注，需要开发全新的算法。传统处理三位数据标注需要逐层处理，但一张一张来做的话速度很慢，效率低下。

效率更高的方法是通过工具把三维或多维数据在三维或多维环境中进行直接标注。

这在生命科学领域是一个很常见的问题，我的小组十几年前就做这方面工作，开发世界上第一套三维“虚拟手指”系统让使用者（包括医生）能够有效对三维影像数据进行快速标注，不需要单独逐层处理，得到越来越广泛的应用。

8年前我们又开始做虚拟现实工作，结合云计算把使用者和观察者放到海量数据中间，做出这个领域的世界第一套标注系统。

相信这样的系统未来会有很大应用，例如元宇宙，在虚拟世界里加入各种各样反馈，让场景变得更加生动有趣。

我们的系统也可以做类似开发，让影像科医生更加快速准确地产生诊断报告，将各种需求、研究和实际使用者联系起来，产出实际价值。

蒋田仔：这是我选择回国的主要原因之一，和医生合作是中国的一个优势。

我回国这20年时间里，一直都是和医生打交道，这让我能知道哪些工作是有价值的，哪些工作是没价值。

所以我最开始做973项目的时候，直接就选择了神经精神疾病作为应用场景，虽然这件事到现在还没有在临床应用，可能有几点原因：

第一，没有靠谱的图谱，所有人都拿着以前的图谱做牵强解释；

第二，缺乏大数据，精神疾病往往有不同亚型，精神分裂症也有不同亚型。

过去的一篇文章一共就二十个样本，如果分成不同亚型，一种亚型就只有几个样本。所以，从科研角度好像有一些进展。但对于临床医生来说，根本没意义，样本量太小。

所以，医学影像的科研，一定要通过和医生合作，了解他们的反馈和需求，调整自己的研究方向，尽量满足临床需要。

李纯明：我在这方面比较没有发言权，因为我过去的研究更偏向算法。

我觉得和医生合作，不能只是把他们看作提供数据的来源， 要求他们去做一些标注就到此为止，后面自己做，然后发文章；这样的研究既没有利用医生知识，也没有解决他们临床上的需求。

腾讯天衍实验室主任   郑冶枫

郑冶枫：我过去几十年都一直在工业界，参加了几个产品开发，这些产品最后也都在医院落地，有机会去看看医生的使用情况和收集反馈。

所以我也列举一个亲身的案例——当时在西门子开发的一个主动脉瓣膜微创置换手术导航系统。

这个手术非常复杂，过去死亡率达到10%。主动脉瓣膜是一个单向流动的阀门，如果钙化以后就会导致阀门关不严，血液回流，最终导致全身缺血，严重到一定程度就需要置换。

这个手术以前都需要开胸，把心脏打开，瓣膜缝进去，操作风险非常高。

在2009年以后，开始用微创的方法，在一根管子前方放置一个小瓣膜，从大腿根部动脉插进去，回溯到瓣膜位置，之后用气球将人工瓣膜撑开，替代掉原来瓣膜，整个手术创伤非常小，死亡率也很低。

但要实现这样的微创手术，就要能够在体外重建出体内情况，找到瓣膜放置的位置，临床上过去一直都是通过打造影剂，用X光照射观察，但是造影剂会对肾脏造成伤害，出现急性肾衰竭的风险。

我们了解到这个需求之后，了解到他们需要一个尽量不开X光、不打显影剂的导航系统，来找到瓣膜的位置，什么时候可以放置。

记得当时和医生沟通了很多次，去了很多家医院参观，甚至穿着铅衣还观看了几次真正的手术。

最后得出的方案是将X光机绕病人旋转一圈，生成一个CT，之后实时通过算法将瓣膜图像重建，抽取出来，满足在不打造影剂的情况下，就让医生知道人工瓣膜是不是在一个合适且匹配的位置，最后就可以撑开安装；

这是非常关键的，因为瓣膜置换只能做一次，如果放置不好，就需要转成开胸手术，这样死亡率又高达10%。

所以从产业的角度来说，和医生交流之后，能够知道他的需求，什么样的方案最合适，最后看到产品在临床应用后，会觉得熬了这么多夜做出来的东西确实真实有用，也很有成就感。

冯前进：2020年有多家公司的医疗AI产品获得了医疗器械的三类证，但是这些AI产品的落地能力仍受到质疑，这其中有哪些因素导致？产学研融合的关键是什么？

郑冶枫：腾讯也是获得三类证的企业其中之一，新冠肺炎辅助诊断算法在八月份获得药监局的NMPA三类证。落地中，我们确实碰到了很多问题，有商业模式的，也有技术的。

商业模式上，国内医疗系统收费模式和国外有差别，例如，影像诊断是和设备费用打包在一起，并不会独立算影像诊断费用，因此，我们的AI算法不能独立收费。

而美国诊断费用和设备费用是分开的，诊断费用和设备费用基本等价的，所以美国的人工成本非常高，有一些AI算法可以独立收费，甚至专门有一个类别可以报销，但国内的AI算法没法独立收费。

所以，对医院来说购买一个AI产品就增加了一项成本，真正采购的医院比较少。当然，整体环境正在改变，收费模式可能也会改变。但就现阶段而言，国内医疗AI企业的商业模式还有一些困难。

技术问题上，现在的AI算法只能在几个特定任务取得不错成果，拿证也都是独立病种一个个审批。

例如肺结节、肺炎，但法律要求影像科医生阅片将影像中体现的所有疾病都必须在报告中写出来，例如胸部不只看肺结节，还有心脏钙化、骨折、骨瘤等等一系列疾病。

所以这就有一个矛盾，现在的产品只有单一能力，例如我们拿到的是肺炎三类证，可以提高医生单点疾病诊断准确率，但不能节省工作量。医生还需要自己详细看一遍其它疾病，导致总体效率是降低的。

总体来说，现在的医疗AI算法还是单点能力，不能全面帮助医生，导致不能被临床普遍接受。

蒋田仔：非常赞同郑教授观点，拿证只是其中一环，拿证之后怎样被医生接受才最关键。脑机交互、神经调控也是同理。

很多人都是自己先做东西，然后去找市场，最终能不能落地，有没有人用这个产品都完全无法确定。

我们也有一个公司在做这方面研究，都选择医生看到这个需求和方向，我们在迅速跟进研究，这样的产品出来之后，可能更容易在临床落地。

中国科学技术大学讲席教授暨生物医学工程学院创始执行院长  周少华

周少华：AI落地最大痛点在于功能单一，除此之外医疗AI还有流程问题，医生工作流程都非常标准化。

如果AI产品不能嵌入工作流程，或者没有帮医生减少工作量是不受欢迎的。此外，还有分布迁移问题没有解决，一些AI模型即使有很多训练数据，做过很多测试，但还有鲁棒性问题。

李纯明：拿到证不见得能够得到医生认可，还要解决实际临床问题。自己在2018年前曾经预测深度学习最多还能再火一两年，现在看来其热度应该还能再持续一两年。

今年初我还觉得明年深度学习会降温，但AlphaFold又在生物计算领域掀起了一轮热潮，最近又有人工智能公司商汤的上市，它又会激励一些人继续加入深度学习的学术研究和创业。

所以，我现在都不太敢预测了。所以大家即使看到深度学习有很多问题，但未来还会继续发展，但应该会朝着更理性方向发展，比如进一步提高深度学习的可解释性，或与传统方法结合。

东南大学脑科学与智能技术研究院创院院长   彭汉川

彭汉川：落地难题本质不只是AI产品问题，更多的是公司运营的问题。

AI产品本身是一个新技术，拿到证只是标志它满足了一定技术质量要求、得到了政策允许、可以推向市场，至于落地难本身就是运营的问题。

医疗AI创业很大成分不只是怎么讲好故事，更多的是如何更有效推广，怎么在企业运营中分配各方面资源，更好地分配收益，产生持续现金流，这些才是关键。

AI技术只是其中的一部分，AI技术的落地更多的是市场问题，是公司运营的问题。

至于深度学习的热度会持续多久，我觉得会持续很久，因为现在深度学习参与者数量不断增加，越来越多的人在涌进这个领域。

此外，在实际应用中，我们看到医疗AI的成功案例也比较多，包括临床实验突破，技术成功，创业成功，上市成功，这会吸引更多人涌进这个领域，所以深度学习的热潮还会不断地持续下去。

至于医学影像发展，我的结论不太一样，在这一领域发挥作用的可能不只是深度学习等机器学习方法，更重要的生命力可能来源于它们能不能和具体应用场景或新技术结合。

例如元宇宙、自动手术机器人等不断拓宽应用场景和加强应用渗透度，和不同方法结合才能发挥更大前景。

郑冶枫：深度学习会继续持续一段时间，具体多久无法确定。

但事实上，现在的深度学习已经没有以前那么热了，顶会论文增长没有那么快，现在这个市场容不下这么多人。

至于深度学习会不会被取代，我记得80年代的时候神经网络技术也很火，但后来就直线下降，因为支持向量等替代技术，实际应用中比神经网络更好。

目前，我还没有看到可以替代深度学习的技术，顶会论文还都是深度学习文章，至少三五年内没有看到替代深度学习的理论。

我觉得深度学习的产业化情况总体趋势还比较好，在人脸识别、语音识别上都有很多成功应用。虽然医学影像的AI应用发展要慢一些，但至少大家都已经拿到证了，至于商业化是否成功，还需要几年观察。

沈定刚教授致辞：对青年AI学术人的建议

简介：沈定刚教授在美国工作20年（从Hopkins，UPenn，到UNC，都在医学院的放射科）；在此期间，为国内培养近200位留学生/博士后/访问学者，有40位左右成为国内的院长/副院长、系主任/副系主任、放射科主任/副主任，还有不少人获得国家级和地方人才计划。回国前，沈定刚教授在UNC的 IDEA Lab 有70-80人，去年11月，他在上科大重建IDEA Lab，现在已有50多人，欢迎各位加入。

作为行业的权威学者，沈定刚教授在顶刊IEEE TMI、Medical Image Analysis杂志和顶会MICCAI上发表了全世界最多的论文，分别是72篇、64篇及411篇。

MICCAI 2019大会主席、上海科技大学生物医学工程学院创始院长  沈定刚

以下为详细内容：

今天的 “IEEE Fellow圆桌对话“ 里的每一个人，我都非常熟悉。

主持人冯前进，2021年刚成为长江学者。前进2008年到我UNC的IDEA Lab做博士后；博士后期间，不光在学术研究方面得到了全面的、深入的训练，更重要的是也学到了做研究、指导学生的新方法，这为他回国后有效领导他的研究小组起了很大的作用。

回国以后，他的研究组发表越来越多的 international journal papers，他们发表在 顶级影像杂志IEEE TMI上的文章在国内名列前茅。前进BME学院里的很多老师、学生都在我原来的UNC IDEA Lab训练过。

蒋田仔是我20多年的朋友，我们2000年在CVPR上认识，成为好朋友。田仔一直专注于医学图像的研究，他是脑网络研究的引领者，国内不少有名的脑网络研究者来自他的实验室；

我之前的不少博士后也来自于田仔的实验室。田仔在科研上坚持做原创工作，取得很多世界领先的水平成果（特别是脑图谱研究），相信田仔将来会获得更多的成果。

周少华，2006年在丹麦的MICCAI认识他。少华在医学图像领域一直做着创新的研发工作，他早期的image regression研究已在不同方面得到了广泛应用。同时，少华是我们领域的热心者，建立了很多专业微信群，促进同行的交流。

李纯明和彭汉川都来自我美国的同一个Lab，算是我的师弟了。

汉川当年从香港去Johns Hopkins做博士后时，我去机场接他的，他非常早到机场。汉川后来去了UC Berkeley，他那时做的mRMR特征选择方法，已被引用了一万多次。

后来汉川又开始做新领域，特别是转做脑大数据采集、可视化、分析、知识挖掘、脑图谱建立等工作，做得越来越好，在Nature、Cell等上发表了很多论文，包括最在Nature又发表的论文等。

李纯明，在我离开UPenn 的 Lab以后加入的；当然，我们很早就认识了。纯明的工作，之前的国内研究者应该比较熟悉，不少人跟着他做level set，他的好几篇level set方面的论文都被引用了几千次。

纯明近年了组织的 "图像计算与数字医学国际研讨会“，在领域中有较大的影响力。

郑冶枫，因为与我在同一领域——MICCAI领域，我们认识很长时间。冶枫的 “投影空间学习法” 在领域内比较有名，在医学影像的器官快速检测与分割中有较好的表现。

从我们指导学生、带领年轻从业者的实际经验来看，我们在学习AI的过程中，应该注意下面3个现象：

1） 跟风：大家可能都跟热点，包括应用场景和具体方法。基本上是跟着论文、比赛走。从论文中学到方法和应用，然后找论文中的问题，解决一个小问题，发表文章。

也就是从文章中来，回到文章中去，在文章里循环；没有从实际中找问题，为实际问题提供解决方案。也就是，没有做 "来自临床、高于临床、回归临床“ 的工作。

要解决这个问题，导师的作用非常重要，需要导师在初期引导学生/年轻人到正确的方向（包括临床场景、研究方法等）。

导师开始时要带着学生做研究，而不是给学生简单说一下方向，让没有经验的学生自己去做；那样的话，找好的临床问题、好的研究方法的可能性比较低。

2） 不深入：很多时候我们做完一个工作（可能只是其中的一个小问题），马上move到另外一个方向/课题，或者使用另外一个popular的方法，这样工作没有延续性。这个问题跟上面提到的 "跟风“ 问题非常相关。

正因为没有一个具体的临床问题去解决，看到新的文章、新的方法、新的比赛数据，拿过来就做；等到毕业的时候，做的问题很难成为一个体系，也解决不了具体问题。

应该以一个问题为中心，所有的方法都是为解决这个问题而服务；做完一个阶段性的工作，然后来深入review当前方法的limitation。

再来propose新的方法（这些方法也许是最近提出的新方法，或者经典的老方法），来解决当前的limitation，这样做的工作会越来越深入，最后的工作也会有体系、整体性。

3） 不实际：这个问题跟 "跟风“ 也有关系。如果我们在文章中找问题、公开数据中找方法，对于数据是怎么来的、怎么做预处理、怎么考虑从数据到结果的整体解决方案，都没有机会去学习、没有能力去解决。

这样没法跟医生做真正的合作，因为我们知道的只是其中一步，而医生需要解决的实际问题可能更复杂。其实，我们需要对问题的整体有全面的了解，虽然我们具体 focus的问题可能是其中一个问题。

另外，解决实际问题时，影像只是其中一部分的信息，我们需要考虑临床中用到的其他信息，来有效解决临床痛点。

归纳一下，我们应该做我通常强调的 "全栈全谱” 的工作。

上面讲了我们学习、工作初期的3种现象，大家可能也关心AI的前途，特别是当前AI的热度，以及可能的工资、待遇变化等。其实：

1） 过去AI被炒作得过分热。在医疗上面的应用，以前鼓吹AI要代替医生，这其实是门外汉的自我想象。

我们2017年就指出，这是不可能的；AI只能解决临床流程中的某些点上的某些问题，还没有能力去解决复杂的问题，还是需要医生作为AI工具的使用者，在临床流程中帮助医生，帮助病人，帮助医院管理，甚至医联体的管理。所有的AI都需要与实际临床问题紧密结合，才能很好解决临床问题。

2） 另外我们还需要深耕、练功。接地气的AI有广泛的应用，所以AI的前途非常光明；与垂直领域有机结合，我们可以一个问题一个问题去解决。

为了做到这些，我们还需要深耕临床场景、练好我们解决实际问题的功夫，这样我们的benefit（包括工资、待遇）都会越来越好。

近日，第六届全球人工智能与机器人大会（GAIR 2021）在深圳正式启幕，140余位产学领袖、30位Fellow聚首，从AI技术、产品、行业、人文、组织等维度切入，以理性分析与感性洞察为轴，共同攀登人工智能与数字化的浪潮之巅。

在医疗科技高峰论坛上，中山大学中山眼科中心的袁进教授从算法、数据、算力等角度，对目前的AI行业进行了剖析。他指出，算法或许是目前的短板所在。“不少团队使用的是第三方提供的算法模型。真正自己去做自研平台、训练算法的比例只有1.6%。用公开的方法不是不好，而是公开算法不一定满足自己特定化的需求，这也是为什么在算法上进行创新的原因。”

为了能够促进行业的规范化发展与落地应用，2018年，袁进教授牵头组建了全国第一个智能眼科学组。他表示，以前，我们讲的都是眼科人工智能。现在，要将其调整为智能眼科，以人工智能、5G、可穿戴设备、高清成像、新一代机器人等新时代的技术，融合到临床上应用，打造真正的智能眼科。

以下是袁进教授的演讲内容，雷峰网做了不改变原意的编辑和整理

袁进：各位同道，大家下午好！非常高兴受到雷峰网的邀请，来参加这样一个跨专业、跨学科的交流，认识了新朋友，也见到很多老朋友。我会从专业知识的角度，来分享一下眼科人工智能的发展与挑战。

世界卫生组织曾写到，影响人类生存质量的三大疾病——肿瘤、心血管和眼科疾病。我的演讲中有几个关键词，一个是眼科，一个是AI（人工智能）。

AI不是一个新概念，上世纪60年代就已经诞生。为什么熬到现在才强势地C位出道？

根源在于2010年算法的突破，以及与实体场景的结合能力大大增强，带来了AI的井喷式发展。从本质上来说，AI主要是模仿人类思考问题和解决问题的能力。

在AI领域，中国是为数不多、能够与国际同行并跑或者领跑的学科领域。其他领域都在强调解决卡脖子问题。但是，在AI领域，我们已经是国际上非常重要的一个阵营，来自中国AI领域的论文数量和质量都很高。在这其中，眼科贡献了非常多。为什么是眼科，而不是心血管、骨科等其它的专科？

这里面有两个原因。

第一，眼睛是一个天然的光学器官，是以影像为主导的学科。所有的眼科诊疗都需要影像来介导。所以，眼科有大量丰富的影像资料，这就为AI系统的研发提供了必要的原材料。

第二，它有强烈的内在需求。中国有14亿人口，但是所有注册在案的眼科医生只有3.3万人，而且眼科医生还集中在一些大中型医院。

所以，每次说到医疗扶贫、优质医疗资源下沉，眼科总是被第一个拎出来，希望下沉到基层。这本身就是一个伪命题，什么叫优质的医疗资源？优质就是少，少还要让它“撒胡椒面”，显然是不可能的。

但这样一个命题，随着AI的出现有可能在将来得到解决。眼科人工智能的开发，是医学人工智能的缩影。我们碰到的问题，别人都碰到过，我们没有碰到的问题，别人可能也还会碰到。

一个好的人工智能系统，要有三个要素：算力、算法、数据。

算力倒不重要，主要是靠钱投入，购买一些计算性能好的GPU工作站搭起来，甚至借助中山大学的天河二号都能解决算力的问题。

但是，最重要的是数据，数据来源是哪里？

第一是和医院合作，得到脱敏数据，但是从医院拿数据，医院会考虑回报是什么，是科研文章还是产品共享？这会产生很多合作形式的问题。

第二是免费、公开数据集。现在有很多公开数据集，但是质量良莠不齐。其次，我们使用过Kaggle数据库，这是全球最大的免费眼底图像数据集。我们发现，它的错误率有15%到20%，这样的数据库训练出来的系统能到什么层次？

第三，用真金白银买，很多AI企业烧钱烧得很快，这也不是一个好的方式。

即便拿到了数据，还会有第二个问题——数据的清洗和标注。业内曾开玩笑说，人工智能，先有人工再有智能。要一群医生给数据打标签，费时费力，质量还可能良莠不齐。如何解决这个问题？

首先，要学会数据的清晰和分类。数据一定要人工标注吗？能否有智能的算法对数据进行归类，进行初步的特征提取，医生就不需要下场做“运动员”，而是做“裁判员”。

其次，要有公益心，开发出的AI产品愿不愿意贡献出来。国家也在强调，要建立规范的、经过严格论证标记的第三方数据库，用于产品的开发、验证。

所以，中山眼科中心自己花钱做了很多事，把自己做的金标眼底数据集面向全球进行公开免费的发布，命名为iChallenge。

目前，全球已经有2000多个团队利用这个公开数据集，开发了很多在临床上应用的人工智能算法系统。

同时，不仅仅是青光眼，我们团队还跟南方科技大学合作，做了从眼表、角膜这样一些病变损害特征的数据集，包括眼底的特征参数，都进行了公开和共享。

我们希望能够有更多的团队，利用这些金标的数据集去开发高质量的人工智能诊断系统，尽快进入医疗临床，改变现有的医疗模式。

同时，我们现在做的这些分割系统和算法也开始进入临床转化，因为仅仅是出于科研目的是远远不够的。总书记讲过，要把科技成果写在祖国的大地上，所以我们现在也在推行这些算法、系统的转化和应用。

这是我们团队开发的诊断眼科疾病——干眼的基于图像分割的算法系统，完成了成果转化。不仅是在中国，经过我们的授权后，国外也装入了这套系统，这也是国内为数不多被国外主流装备所采纳和应用的案例。

解决了数据问题后，第二个问题就是算法。

在算法层面，我们国家可能存在一定的短板。因为真正沉下心来做原创算法的团队和机构不多。不少团队使用的是第三方提供的算法模型。真正自己去做自研平台、训练算法的比例只有1.6%。

用公开的方法不是不好，而是公开算法不一定满足自己特定化的需求，这也是为什么在算法上进行创新的原因。

谷歌的Deepmind团队和英国的Moorfields眼科研究所开发出一个新算法，采取了并联的方式，去解决医疗应用上的黑箱问题。算法同时将疾病的分类和特征提取分开训练，最后进行结果的匹配。

还有近年来比较流行的迁移学习。开发出一个好的算法后，基于同类的影像特征，我们没有必要再把原来的路走一遍，可以通过迁移学习来完成新算法模型的开发。

这个例子就是他们原来做了肺部CT的短发，然后应用到眼科OCT，包括利用不同的热图的标记去展示算法读图的功能。

当然，人工智能算法也存在同质化的现象——开发一个模型只能解决一个病。

对于医生而言，可以一个人看数十种病，不然看一个病换一个医生，医生在病人面前就跟走马灯一样。

所以，我么希望AI算法从单模态、单任务转变为单模态的多任务。同样一张眼底图像，不仅仅是能诊断糖网，也能诊断青光眼、高度近视等不同眼底疾病。

这种想法在今年实现了突破：利用眼底图像训练后，AI可以对39种眼科疾病，包括全身性高血压的疾病进行诊断和预测。在这个过程中，要求算法的可视化和可解释性，这样才能使更多的临床医接受。

要做到这一点，就要使用不同的分类器去解决不同的特征。

另外一点，眼睛是心灵的窗户，可以反映心脑血管、代谢性疾病、糖尿病等早期的症状。我们团队做了一项工作：基于眼科的微血管的特征提取、智能参数的分析，去服务于代谢疾病（肾病和糖尿病等）的早期诊断。

除了单模态的多任务，进一步要实现的多模态、多任务。

在临床上，医生诊断一个疾病往往不会只依靠一种设备，仍然存在着漏诊或者误诊的风险。所以，把不同的诊断设备进行整合，形成多模态的人工智能诊断系统，将是未来趋势。

我们团队将眼底照相和OCT两种不同的诊断数据融合后，去诊断青光眼，进一步提升了诊断的效能。目前，实现了双模态、双任务，但是要真正实现多模态多任务，还要解决设备在空间和时间上的融合和交叉问题，否则影像特征难以准确匹配。

现在，我们把眼科的几个重要诊断设备，如OCT、裂隙灯、眼底照相数据集成，正在进行系统开发，硬件也即将进入开发阶段。

虽然多模态进入临床还要一段时间，但是双模态这种搭载智能诊断系统的装备已经进入到临床，这是把眼底照相和OCT两个不同的模态影像进行融合，在临床上对眼科疾病进行诊断。

将来，算法会如何发展？

我们看到一个有意思的研究：用人工智能的方法，去计算一个抛出物体在空间的运动轨迹和落地点。

传统算法的工作量会非常大。但是，从物理学的先验知识角度来看，如果没有外界干扰，遵循简单的抛物线原理，就能完成算法系统的开发。

因此，我们要抛弃单纯由医生贴标签的过程，把文本、逻辑等先验知识结合起来，进行新一代人工智能算法系统的开发。

同时，系统本身还要进行自我进化，也就是遗传算法。被公众所熟知的人工智能标志事件是，AlphaGo打败了人类最顶尖的棋手。后来，Alpha Zero不用学棋谱，只学里面的逻辑概念、判定胜负的原则，它自己进行逻辑的归纳，就能完成算法的提升。最后，它又打败了AlphaGo。

未来，算法要体现自我提升的能力，才不会局限于人类自身的逻辑思维，也就是“超智能”、“超脑”的概念。

走到这里，人工智能系统只是走完了开发阶段，很多系统会倒在最后一公里——真实世界研究。换句话说，你的模型、算法框架可以做的很好，但是到了临床上，能否依然保持高水准。

如果达不到，一定会被市场抛弃和淘汰。

如何去做真实世界研究？要有规范。这个规范没有答案，也没有参照物。既然没有，我们就要自己做。

首先，我们要有一个团体。2018年，我牵头组建了全国第一个智能眼科学组。

这是一个跨学科的组织，包括97个眼科机构、全国排名前20的眼科机构、研究机构，中科院图像所、中科院计算所、头部AI企业、BAT都加入了这个组织。依托这个组织，我们制定了全球第一个针对眼底照相的人工智能筛查、临床应用指南，为人工智能诊断系统的真实世界研究提供了一个范本。

这份指南是中英文同时发布，英文版在发布不到三个月的时间里，被国际顶刊转发超过7万次。指南也和智能医学专委会，包括眼科学会和医师学会等三大学会共同见证，推广在临床的使用。

基于指南的要求，两个医疗AI公司硅基智能、鹰瞳科技在2020年陆续得到NMPA的三类器械批准，这两个团队都是来自我们的眼科中心，硅基就是和我们这个团队合作。

除了指南，我们也在进行行业规范化发展。

2019年，我们举办了第一个眼科的人工智能专刊，向眼科医生推广人工智能的理论问题。去年，我们也主办了第一个智能装备的专刊，介绍智能装备研发的最新动态。

今年，我们又受《人工智能》编辑部的委托，举办了智能医疗的专刊，进一步展示人工智能未来发展的前景。同时，我们完成了人工智能在眼底彩照标注领域的第一个团体标准，使大家以后在系统的开发上更加有规章可循。

人工智能在医疗领域是全链条、全生态的覆盖。

以前，我们讲的都是眼科人工智能。现在，把这个词进行了微调——智能眼科，是以人工智能、5G、可穿戴设备、高清成像、新一代机器人等新时代的技术，融合到临床上应用，打造真正的智能眼科，而不仅仅局限于眼科人工智能这样的概念。

目前，我们正在与深睿医疗合作，由我牵头推进的一个全天候、多场景、交互式的视觉功能导航系统，将工智能的场景识别，包括智能汽车导航的识别方法，对新的元器件进行整合，打造一个对低视力和盲人的智能视力辅助系统，从而改变他们的生活状态，提升生存质量。

最后，中国眼科人工智能的发展任重而道远。

国家已经提出了明确的目标，2025年成为人工智能强国，2030年要成为世界主要的人工智能创新中心，要实现这样一个看起来已经非常近的重大目标，需要医疗专家、理工科技术专家、企业共同携手。所以，我们的理念是“齐携手、共努力、期未来”。

在引领新趋势方面，智慧医院可在临床专科发展、医学技术研究和创新服务模式方面起到推动作用；在提升新效能方面，智慧管理系统在质量安全运营、设备耗材、财务资产、教学科研知识支撑体系等方面起到保障作用；在激活新动力方面，智慧管理可以助力人事管理薪酬分配工作；在建立评价体系方面，智慧医院各项指标未来可以量化并逐步纳入考核体系中。”

疫情期间，智慧医院的需求直线增长，缓解医疗服务压力应该向互联网“问路”实体医院和互联网医院的再融合会进一步加速，智慧医院会在疫情常态化的催化、以及医疗质量改善需求下得到进一步发展与完善。

由中国信息协会医疗卫生和健康产业分会、科雷会展、智慧产业网联合主办 “2022全国智慧医院建设大会”将于2022年3月5日 ，在上海召开。

大会组织机构

主办单位：

中国信息协会医疗卫生和健康产业分会

科雷会展

智慧产业网

支持单位：

中国电子商会数字医疗与健康专业委员会

行业合作（拟邀）：上海市医院协会

上海市社会医疗机构协会

北京市医院协会

浙江省医院协会

江苏省医院协会

甘肃省医院协会

山西省医院协会

湖南省医院协会

协办单位：

雷峰网    医健AI掘金志

承办单位：

科雷会展

会议日程安排

3月4日（星期五）：会议报到、展商布展

3月5日（星期六）：开幕式、主、分论坛、展览参观

3月6日（星期日）：分论坛、展览参观

会议论坛安排

主论坛：全国智慧医院建设大会开幕式及主论坛

分论坛：

1、智慧医院高质量发展院长大会分论坛

2、智慧医院信息网络建设分论坛

3、非公立医院智慧化建设分论坛

4、中医院智慧化建设分论坛

5、智慧医院人工智能分论坛

6、智慧医院医疗机器人分论坛

7、智慧医院物联网应用创新分论坛

8、智慧医院DRG收付费分论坛

9、智慧医院智慧后勤分论坛

10、智慧医院智慧护理分论坛

11、智慧医院智慧财务分论坛

12、智慧医院检验医学分论坛

13、智慧医院数据中心建设与高效运维分论坛

14、智慧医院智能医学装备规划建设与运营管理分论坛

15、智慧医院室内设计及家具配置分论坛

16、智慧医院节能建设及低碳改造分论坛

大会拟邀请嘉宾

国家及省市卫健委领导

宋 新   中国信息协会医疗卫生和健康产业分会会长、中国电子商会数字医疗与健康专业委员会理事长、中国妇幼保健协会妇幼健康大数据及人工智能专业委员会副主任委员兼秘书长、中国科技产业化促进会数字健康专业委员会常务副主任委员兼秘书长、中国卫生信息与健康医疗大数据学会产业发展与信息安全专业委员会常委、中国卫生经济学会健康产业分会常委

樊嘉    中国科学院院士、复旦大学附属中山医院院长

谢桦    上海市卫生健康信息中心主任

刘晓强  江苏省卫生统计信息中心主任

余勤    甘肃省医院协会会长

刘小舟  浙江省卫生健康信息中心主任

张建    北京市医院协会会长

王小冬  上海市医院协会秘书长

李立新  上海市社会医疗机构协会秘书长

余勤    甘肃省医院协会会长

梁立强  浙江省医院协会秘书长

徐长江  江苏省医院协会副会长兼秘书长

李和平  山西省医院协会会长

李爱勤  湖南省医院协会副会长兼秘书长

俞建明  福建省卫生信息协会会长

刘宝    复旦大学公共卫生学院教授

应亚珍  首都医科大学国家医疗保障研究院副院长

何萍    上海申康医院发展中心医联工程与信息化部主任、上海市医院协会医学人工智能管理专业委员会主任委员

魏建军   上海申康医院发展中心投资建设部主任、上海市医院协会建筑后勤专业委员会主任委员

于广军  上海市儿童医院院长

郑兴东  上海市第一人民医院院长

法宪恩  郑州大学第二附属医院党委书记

陈伟平  无锡市人民医院院长

夏强     上海交通大学医学院附属仁济医院院长

雷光华  中南大学湘雅医院院长

陈仲强  北京大学国际医院院长

马骏     上海市同仁医院院长

艾开兴  上海市肺科医院院长

潘常青  上海市胸科医院院长

汤黎明  常州市第二人民医院院长

卢红建  南通市第一人民医院党委书记、院长

程蔚蔚  中国福利会国际和平妇幼保健院院长

王杰宁  上海市第七人民医院院长

葛明华  浙江省人民医院院长

钟海忠  长海医院院长

黄进    四川大学华西医院副院长

何强    浙江省人民医院副院长

吴文莉  武汉第一人民医院副院长

孙新    上海交通大学医学院附属新华医院副院长

安健   济南市妇幼保健院副院长

丁克峰  浙江大学医学院附属第二省医院副院长

郑杰    树兰医疗集团总裁

李力    爱尔眼科集团总裁

项乃强  嘉会医疗首席医务官兼上海嘉会国际医院医疗院长

项耀钧  上海蓝十字脑科医院院长

沈旭东  上海永慈康复医院院长

翁思跃  上海全程玖玖健康门诊部品牌创始人、总经理 

刘益民  四川省简阳市人民医院党委书记

许长松  安徽省天长市人民医院党委书记

向炎珍  中国医学科学院北京协和医院总会计师

李登梁  南方医科大学南方医院总会计师

刘雅娟  上海交通大学附属新华医院总会计师

李雪辉  上海交通大学医学院附属瑞金医院财务处处长

季花    江苏省肿瘤医院总会计师

张海斌  上海市交通大学医学院附属第九人民医院财务处处长

赵艳    上海交通大学医学院附属瑞金医院计算中心主任

张琼瑶  福建省立医院信息管理中心主任

陆慧箐  广州医科大学附属第二医院信息科科长 

刘新平  河北省人民医院信息处处长

师庆科  四川大学华西医院信息中心主任

吴邦华  四川大学华西第二医院信息中心主任

黄虹   复旦大学附属华山医院信息中心主任

冯嵩   中南大学湘雅医院信息中心主任

朱卫国  北京协和医院信息管理处处长

张铁山  中日友好医院信息部主任

王忠民  南京医科大学第一附属医院信息处处长

董亮    上海中医药大学附属龙华医院信息中心主任

高志宏  温州医科大学附属第一医院信息处处长

陈强    常州市第二人民医院信息中心主任

何剑虎  浙江大学妇产科医院信息科科长

左秀然  武汉市中心医院信息中心主任

王奕    复旦大学附属肿瘤医院信息中心主任

卫荣    西安交通大学第一附属医院信息中心主任

陈宏立  宝石花医疗健康投资控股集团有限公司首席信息官

洪建    安徽中科唐玖医院首席信息官

马旭    河北燕达医院信息科主任

张晓祥  华中科技大学同济医学院附属同济医院计算中心主任

易应萍  南昌大学第二附属医院信息处处长

黄锋    北京大学人民医院信息中心主任

陈航    陕西省人民医院信息处处长

胡梅英  江西省儿童医院信息科科长

李瑞    首都医科大学附属北京天坛医院信息中心主任

张弓    福建省肿瘤医院绩效办主任、信息科科长

林 辉   浙江大学邵逸夫医院互联网与人工智能办公室主任

张纪阳  复旦大学附属中山医院大数据人工智能中心主任

俞刚    浙江大学附属儿童医院信息中心主任

曹磊    南昌大学附属第一医院信息中心主任

吴良明  南京鼓楼医院信息中心主任

陈秀娟  三明市医保基金管理中心主任

王怡    北京协和医院病案科主任

莫春梅  四川大学华西医院病案科科长

牛培勤  上海市第十人民医院病案统计科主任

谢俊明  浙江省中医院医保办主任

周章彦  三明市第一医院党委书记

夏苏建  暨南大学医保大数据研究所所长

马路宁  中山大学附属第一医院医保办主任

孙麟    四川大学华西医院医保办主任

焦卫平  宣武医院医疗保险管理办公室主任

刘新奎 郑州大学第一附属医院病案管理科主任兼DRG办公室主任

徐英春  中国医学科学院北京协和医院检验科主任、教授

应斌武  四川大学华西医院实验医学科主任、教授

王培昌  首都医科大学宣武医院检验科主任、教授

关明    复旦大学附属华山医院中心实验室主任、检验医学科主任

沈立松  上海交通大学医学院附属新华医院检验科主任、教授

娄加陶  上海交通大学附属胸科医院检验科主任、教授

张绪超  广东省肺癌研究所所长、中心实验室主任

顾兵   广东省人民医院检验科主任

明亮   郑州大学第一附属医院检验科主任、教授

张国军 北京天坛医院实验诊断中心主任

刘树业 天津市第三中心医院检验科主任

成守珍 中山大学附属第一医院护理部主任

奚慧琴  上海交通大学医学院附属仁济医院护理部主任

王泠   北京大学人民医院护理部主任

韩斌如 首都医科大学宣武医院护理部主任

陈肖敏 浙江省人民医院护理部主任

岳丽青 中南大学湘雅医院护理部主任

金静芬 浙江大学医学院附属第二医院院长助理、护理部主任

沈美萍 浙江大学医学院附属儿童医院门急诊科护士长

辛 霞  西安交通大学第一附属医院护理部主任

顾则娟 江苏省人民医院护理部主任

陈雁   南京大学医学院附属鼓楼医院护理部主任

唐蔚蔚  中国医学科学院北京协和医院后勤保障处处长

徐文蔚 上海交通大学医学院附属同仁医院后勤保障部部长

王峥   重庆医科大学附属儿童医院两江院区后勤办主任  

温杰   中山大学附属第一医院后勤处处长

付磊   厦门大学附属心血管病医院保障保卫部主任

郭成   安徽医科大学第二附属医院总务部部长

黄如春  江苏省人民医院总务处处长

段珀文  浙江大学医学院附属第一医院基建总务部主任

杜 栩   四川大学华西医院后勤运行部部长

马书岭  首都医科大学附属北京地坛医院保卫处处长

芦 铭   北京积水潭医院总务处处长

许锋    北京大学第三医院医学工程处处长

赵箐    中日友好医院医工处处长

陈玉俊  中国科大附一院（安徽省立医院）医学工程处主任

冯靖祎  浙江大学医学院附属第一医院医工信息部主任

陈宏文  南方医科大学南方医院设备科主任、教授

于靖    上海市第十人民医院医学装备处处长

钱学峰  苏州大学附属第一医院医学工程处处长 

林强    福建省立医院基本外科主任、设备处处长

王文丁  江西省人民医院医疗器械处处长

温林    四川省人民医院医学装备部部长

金伟    无锡市人民医院医学工程处处长

仲辉    苏北人民医院医学工程部主任

秦航    南京市第一医院临床医学工程处处长

更多大会嘉宾持续更新中.............

参会人员

1、全国各省市、各级地方政府主管领导、卫健委领导；

2、全国各省市、各级医院协（学）会、医学会等机构代表；

3、公立医院院长、民营医院院长、妇幼保健院院长、中医院院长；

4、各级卫生健康行政部门负责人、医疗信息化相关管理人员；各类医疗卫生机构负责人、信息化工作主管领导、专业技术人员，以及医院临床、教学、科研、运营、财务等专业技术人员；高等院校、科研机构医疗卫生信息化专业技术人员；医疗信息化相关行业学会、协会等组织专业技术人员；从事医疗信息技术研发、产品生产、经营、服务的企业管理人员和技术人员。

5、全国各省市、各级医院分管信息化、后勤、总务、基建、护理、医务、设备、检验、医工、医保、绩效、质控、采购等负责人；

6、全国各省市医疗行业代理商、经销商、集成商、渠道商代表；

7、智慧医院建设相关的设计院、科研单位、工程单位、后勤服务单位、院内物流、物联网等单位代表及决策人；

8、供应商代表：智慧医疗、智慧检验、人工智能、5G、物联网、区块链、大数据、云计算、医疗机器人、智能医疗设备等单位代表；

9、投资方代表：非直接建设医院领域地产机构、金融机构等代表；

10、媒体代表：大众媒体、行业媒体、新兴平台型媒体代表；

联系人：李老师18916841069（微信: allen-9900）

蓝晶微生物B3轮融资由元生资本（Genesis Capital）和中国国有企业混合所有制改革基金（混改基金）共同领投，中平资本、江苏黄海金融控股集团、中州蓝海跟投，现有股东峰瑞资本、碧桂园创投、高瓴创投和三一创新投资等继续追加投资，泰合资本继续担任独家财务顾问。

此前，蓝晶微生物分别于2021年2月和8月获得累计近7亿人民币的B1轮和B2轮融资；B系列融资资金将会用于生物可降解材料PHA规模化生产设施的建设运营、工业4.0合成生物学研发平台SynBio_OS的开发部署、以及再生医学材料与工程益生菌等新产品管线的研发落地。 

蓝晶微生物（Bluepha）由北京大学张浩千博士和清华大学李腾博士于2016年创立，是一家基于合成生物技术从事分子与材料创新的企业，致力于设计、开发、制造和销售新型生物基分子和材料，帮助消费品、食品、医疗、农业和工业等众多行业的B端客户在行业内开展差异化竞争。

2022年1月1日，蓝晶微生物首个产品管线——生物可降解材料PHA的年产25,000吨「超级工厂」在江苏省盐城市滨海县正式开工建设。

蓝晶微生物在菌株研发、生物转化、分离纯化、材料改性等PHA相关技术链的各个环节均有丰富的技术储备与知识产权布局，产品性能已通过了多个世界500强企业客户的验证，并获得了多家企业的订单和意向订单；同时，蓝晶微生物已和世界主要国家和地区的多个合作伙伴签署战略合作协议以持续拓展PHA的全球市场。

蓝晶微生物建立了一支由机器人、软件开发、机械电气、大数据和合成生物学等不同领域资深科学家和工程师组成的跨学科团队，开发合成生物学研发平台SynBio_OS，目前已部署柔性自动化实验平台（BlueArk）、超高通量发酵平台（AutoFarm）和智慧云端数据系统（CyberFarm）三部分。

预计未来3年内，SynBio_OS能够将蓝晶微生物的单个产品完整研发周期在现有基础上再缩短70%。 

蓝晶微生物联合创始人兼总裁李腾博士透露，在既有技术之外，蓝晶微生物正在研发能以生物废弃物为原料、高效合成PHA的工程菌株及配套的生物转化与分离纯化工艺；公司将依托盐城滨海独特的地理区位优势、绿色能源优势与生物原料的资源优势，打造示范性的合成生物学「零碳产业链」。

除PHA外，蓝晶微生物正在围绕再生医学材料、美妆新功能成分、新型食品添加剂、工程益生菌等应用方向快速推进新产品的研发，并在商业模式上探索新的路径，构建与合作伙伴共同成长的创新生态。

PHA的不同形态，粉、粒、片、膜（从左到右）

至此，蓝晶微生物一横一纵的「T型战略」已经落地显现，「横」为合成生物学研发平台SynBio_OS，「纵」为生物可降解材料PHA及通过研发平台实现落地转化的其他产品管线。这意味着蓝晶微生物向「1个超级实验室+N个超级工厂」创新综合体的发展目标又迈进一步，开启持续赋能合成生物学价值链上下游的合作伙伴，共同实现可持续发展价值主张的新阶段。

元生资本创始合伙人彭志坚表示：生物行业的底层技术在发生快速迭代，在「碳中和」的大趋势下，元生看好致力于解决资源短缺、环境污染等全球性问题的生物科技公司；蓝晶微生物是国内领先的合成生物学公司，其PHA可降解塑料的规模化生产有明显进展，同时构建了特色的高通量自动化平台，以平台分子为基础拓展至护肤美妆、消费品、医疗健康等领域。

混改基金表示：合成生物材料是一个长坡厚雪的赛道，有望快速成长。蓝晶微生物致力于研发、制造和销售新型生物基材料，同时为客户提供合成生物技术解决方案。其主打产品PHA材料在生物基分子和材料领域的规划和布局符合国家「禁塑令」、「碳达峰碳中和」和「绿色制造」等政策以及「新材料产业发展」等战略。

中平资本CEO、创始合伙人吴斌博士表示：蓝晶微生物具有通过合成生物学产业深刻影响社会生活的远大愿景，打造了高效科学的全栈研发平台，搭建了丰富的菌株管线，并重视产业化落地。在当前PHA产能建设的关键时点，我们看好浩千、李腾所带领的团队，践行专业极致、始终创业的价值观，在未来的一段时间内实现全球领先的成本优势。

近日，由雷峰网 & 医健AI掘金志主办的GAIR「医疗科技高峰论坛」在深圳正式召开。

论坛上，西湖大学特聘研究员、西湖欧米创始人郭天南以《AI 赋能的蛋白质组大数据助力精准医疗》为题发表了演讲。

郭天南表示：“AlphaFold2 使用 AI 技术在蛋白质结构预测上取得了突破性进展，但此类 AI 驱动的生命科学的更大价值将体现在蛋白质组学中。”

他说到，一个战场上，有各类兵种和武器，各自的性能就如同是一个蛋白质的结构。要赢得一场战斗，不仅要知道各类兵种和武器的性能，更需要知道他们的数量、运行及修复方式，以及所有军力在整个作战系统中的互动，这个过程在生命健康中就如同是动态的蛋白质组。这个类比在一定程度上体现了蛋白质结构和蛋白质组的关系。”

演讲中，郭天南还重点介绍了一种新的蛋白质组大数据展示形式——怎样将蛋白质组数据转化成为张量（即 Tensor，多维矩阵）。

“张量可转化为多种数据格式视频，包括这里每个像素就是某个蛋白质的一个多肽的一个片段，平铺后可以得到一副有规律的、类似宇宙的图像，密集像素之间的间隔都是一个分子单位。这种数据可直接用于深度学习，将人体内的小宇宙转化为大数据。” 

以下为演讲的全部内容，雷峰网做了不改变原意的整理和编辑： 

大家好，我是西湖大学特聘研究员郭天南，给大家分享 AI 蛋白质组大数据辅助精准医疗的一些想法和实践。 

我的演讲分为六个部分：

第一，什么是蛋白质组学；

第二，蛋白质组学最新临床技术进展；

第三，蛋白质组学大数据的概念，以及 AI 发挥的作用； 

第四，AI 助力甲状腺结节的诊断； 

第五，AI 在尿检中实现新冠肺炎分类； 

第六，将蛋白质转化为 Tensor 的多维矩阵新概念。 

宏观世界中存在各种各样的疾病，不同的检测方法会把结果以图像、文字、数字等呈现在我们面前。而 AI 能将这些大数据进行整理、分析、归纳、预测，给我们的疾病诊治带来极大便利。

同时，还有一个我们看不到的微观分子的世界，虽然目前还没有技术可以直接看到微观世界里分子机器如蛋白质等的具体呈现和动态，但它是真实存在的，并且所有生命活动都是在微观世界中以蛋白质为主的分子层面上发生的。

例如在感染新冠肺炎的时候，病毒入侵细胞后，细胞内各种蛋白质等分子会发生相应的改变。一个成年人大约有 30 万亿个细胞，一个真菌细胞大约有 4000 万个蛋白质。而人体的每一个白细胞、红细胞到底有多少种类型的蛋白质，而每一类蛋白质有多少个，现在还没有准确数据。所以，人体其实包含了无数个非常宏大的微观世界。

这张图展示的是一个人的基因组，一个人的基因组基本上固定不变，从出生到死亡，心肝脾肺肾各个不同器官的基因组非常稳定。但每一个器官、每一个细胞都不一样。我们有红细胞、白细胞、神经细胞、肿瘤细胞等，它们在形态上有很大差别，功能也不尽相同，这些差别也主要体现在蛋白质层面，也就是蛋白质组。

蛋白质组是一个非常复杂的体系，这里展示的是其中一些蛋白质，每一个蛋白质就像汽车的一个零件，研究所有蛋白质的科学就叫蛋白质组学 (Proteomics)，与基因组 (Genomics) 的概念相对应。

最近，在生命科学和 AI 领域有一个突破性进展，将 AI 应用于蛋白质结构的预测，因为 AI 预测在理论上可以无限并行计算，也有人将之称为“蛋白质组”结构的预测。

每一个蛋白质都有独特的结构，并且这个结构处于动态变化中，不同蛋白质结构间还有相互作用，目前这些结构在一定程度上可以由 AI 进行预测。 

第一，蛋白质结构预测跟蛋白质组关系是什么？

我有一个比喻。这里展示有不同的战士、不同的武器和不同的装备，他们就如同是微观分子世界的一个个蛋白质。每一个装备有什么性能、有什么样的形态、可以做什么，都需要研究。

而且，要赢得一场战斗，还需要知道各种士兵和武器的数量、运行及修复方式，以及所有军力在整个作战系统中的互动，这个过程在生命健康中就是蛋白质组学。这个类比在一定程度上体现了蛋白质结构预测和蛋白质组学的关系。

第二，蛋白质组学的临床最新技术进展。

我一直以来都是从事临床蛋白质组研究，十几年前还很难将蛋白质组学技术应用在临床，因为当时蛋白质组学技术非常复杂，价格昂贵，距离临床应用尚有很长的路。

但最近几年，这个领域有了显著进步，多种新的技术可有效分析各类临床样品。

例如血清、血浆、尿液、眼泪、唾液等各种体液样本，以及活体组织、石蜡切片、细胞等固体样本，甚至像毛发、骨骼、牙齿、粪便等特殊组织样本都可以进行蛋白质组分析，且只需极小量样本就可进行蛋白质组分析。

图中这个案例的组织，直径是 0.5 毫米，上部 90% 以上都是白色石蜡，下面红色部分是仅肉眼可见的组织样本。

在这部分组织上，我们可以提取出足够量的样本进行多次高通量的蛋白质组分析。通过独特的压力循环技术，3 小时能处理 16 个微量组织样品；从组织提取到进行质谱分析，只需要 3 个小时。 

这是我们几个月前在 Cell 发表的关于 Clinical proteomics 的Snapshot文章，总结了最新的针对各类临床样品的蛋白质组分析方法。

还有一个重要问题，蛋白质组分析的成本。

根据估算，2006 年使用质谱测一个蛋白质的成本大约是 3 美金；而 2020 年测一个蛋白质的成本是 0.1 美金左右。 

如果用在临床，经过更好地工业优化，使用质谱进行蛋白质检测的成本还会进一步降低。

有了高通量微量蛋白质组学技术，我们就有可能将 AI 纳入蛋白质组学驱动的精准医疗当中。

AI 医疗的初衷是希望通过人工智能和医疗大数据来实现对疾病的早期预测、准确诊断、有效治疗、靶点发现、预后判断等。目前使用的医疗数据主要是临床数据、图像、文本分析，或简单的生化检测。

而组学数据正在兴起，因为组学可以得到微观世界分子的动态信息，其中蛋白质是最主要的靶点，几乎所有药物的靶点和效应分子都离不开蛋白质。我们在蛋白质组方面的进展会让我们加深对生命的理解。

上图来自于我们最近的一篇综述，AI 医疗的核心驱动力是 AI，还有临床数据、蛋白质组、转录组、基因组。蛋白质组从临床队列到样本到制备分析，整个流程会越来越容易，我们将产生越来越多的蛋白质组大数据。

所以我们提出“蛋白质组大数据”概念。蛋白质组大数据可以通过各种临床样本含有的蛋白质组的内容，和各种蛋白质的量，获取 AI 医疗以前无法获得的信息。

下面介绍一下蛋白质组在临床上的应用。

第一，甲状腺结节。甲状腺结节很常见，几乎一半成年人都有甲状腺结节，而这些绝大多数为良性。

如果出现甲状腺结节，一般都是通过 B 超、血液检测进行诊断，如果怀疑结节是恶性的，还需要做穿刺活检，判断组织的良恶性。

如果是恶性，就要通过手术切除，虽然这并不是很大的手术。但切除之后，病人需要终生服用人工激素。因为甲状腺是一个非常重要的器官，切除之后就无法分泌甲状腺素。

这其中有个关键问题，30% 左右的甲状腺结节目前无法判断是良性还是恶性，因此患者通常有非常大的心理压力。压力之下，大多数人会选择甲状腺切除。但手术后却经常发现其实是良性结节，原本并不需要切除这么重要的器官。这是因为缺乏对甲状腺结节良恶性进行准确判断的方法。

美国有多项研究尝试使用基因测序方法，为这些无法判断的甲状腺结节作

进一步诊断，通常要测 100 多个基因，其中包括 DNA 和 RNA。 

以上表格是目前市面上所有经过 FDA 批准的商业化试剂盒。经过第三方评估，发现这些检测灵敏度很高，接近百分之百，但特异性只有 10%-52%，也就是被判断为恶性的结节，实际上有大约50%-90%是良性的，这就导致过度治疗，大量良性甲状腺结节被切除。

所以，我们就尝试开发基于蛋白质的甲状腺结节诊断系统。具体来说，我们将新加坡 578 位患者的数据作为训练数据集。

首先这些患者的结节良恶性情况是已知的，利用这部分数据我们训练出了一个神经网络模型，这个模型最初包含了 6000 多个蛋白。

最后我们挑选出了 19 个蛋白质，在一个回顾性的临床队列中进行了验证，并在一个前瞻性的多中心临床队列中也做了验证，目前已经有十几个国内外医院参与到这项工作中。

该方法在回顾性与前瞻性的队列里面都能够达到比较好的效果，具有 90% 的准确率，尤其在特异性方面优于基因组的效果。我们正在通过更大规模的前瞻性的队列去验证、进一步优化这个基于蛋白质的 AI 模型，并正在开发可以在临床使用的试剂盒。

蛋白质组不仅仅可以用作诊断，还可以发现潜在的药物靶点，几乎所有的药物都是要以蛋白质作为靶点。

例如，我们在甲状腺癌中发现有一个特殊的亚型叫 Hürthle cell 亚型，目前的分子机理研究非常少，也没有特别有效的药物治疗。

目前仅知道这种肿瘤主要患者群体是老年女性，在显微镜下酸性染色比较强，但原因未知。我们的数据显示，在这一群特殊的肿瘤中，有 186 个蛋白跟其它肿瘤是不一样的，其中有 160 个蛋白都跟线粒体蛋白相关。 

这些线粒体相关的蛋白，很多都是潜在药物的靶点，有可能用来开发针对这一特殊亚型肿瘤的新方法。

第二个案例是新冠诊断。绝大部分患者感染新冠之后，自身免疫力都可以将病毒消灭，核酸阳性患者只有很少的部分，其中约 20% 的阳性患者会出现重症和危重症。 根据 2020 年的数据统计，占 80% 的轻症患者可以通过一般抗病毒治疗或隔离治愈，而占20% 的重症患者，如果早期干预也可以转化为轻症。

但现在世界上还有很多国家的重症、危重症病人无法转好。重症诊断一般都是基于临床数据判断，也就是宏观世界的数据——病人呼吸急促、血氧饱和度非常低等。

当这些指征出现的时候，病人已经处于重症，治疗窗口期已经非常短，要进行紧急处理，如吸氧、上呼吸机等。

所以，我们试图在血液中找到一些分子，在患者演变为重症之前，通过 AI 进行鉴别诊断，通过分子的改变，提前预判重症，以期为每一位患者提供更加精准的治疗。

为此，我们在 2020 年收集了一些轻症患者、重症患者以及健康人群对照样本，将患者分为训练集和验证集。

我们在训练集中测量了蛋白，其中包含 22 个蛋白和 7 个代谢物，最终在训练集中 AI 达到了 93.5% 的准确度，有两个患者的预测结果和临床结果不符。其中一位 70 岁男性患者，临床是轻症，但模型认为他是重症，而我们发现，他在所有患者中年龄最大，所以这位男性的治疗方法也跟重症患者最相似。

而在验证集中的 19 位患者中，有 3 个患者跟临床诊断不相符，后来发现主要是因为患者复杂的病史情况。

其中，XG45 这位患者临床判断为重症，但 AI 认为他是轻症，后来得知，这位患者入院前做了 20 多天各种的抗病毒治疗，所以入院时虽然临床表现为重症，但很快就康复出院。

另外一位患者 XG22，临床症状是轻症，AI 模型判断为重症，后来诊断发现有乙肝和糖尿病，是所有观察组中住院时间最长的一位。其他重症患者都已经出院，他还没有明显的好转，连续 50 多天检测都呈阳性。这位患者的微观世界数据表明，他的慢性疾病导致他的免疫系统与其他人都不一样，比重症患者对病毒清除能力更弱。

另外一个独立队列有十几位患者，其中 3 位患者与临床诊断不相符，后来发现不一定是我们错了，甚至我们微观世界的数据其实更加准确。

例如，X2-22 这个患者是一位 66 岁的女性，她的分数是所有患者中最低的，比重症患者还要低，她在采血当天，血糖达到 27.8，这是典型的高血糖危象。

我们通过蛋白质和代谢的分析，利用 AI 模型，准确找到了这位患者，未来如果我们有可能将这个方法在临床广泛使用，有可能让医生更加从容的应对类似患者。

除了对疾病诊断和预后进行判断之外，蛋白质组数据同时还可以提供分子通路信息，这些改变的通路里通常含有潜在的治疗靶点。

我们的文章发表之后，确实有很多临床研究针对其中一些潜在靶点，对新冠药物进行了开发。

此外，我们也做了新的研究，利用尿液做新冠诊断。一般我们认为尿液中没有蛋白，如果发现蛋白尿，一般认为是肾脏功能出了问题。

但这种观念是因为过去临床使用的一般的蛋白检测技术比较陈旧，而目前蛋白质谱技术可以发现正常尿液里有非常多的蛋白。为此，我们采集新冠和相应对照患者的血样和尿样，展开了更多蛋白质组学分析。

我们发现尿液里有 3800 多个蛋白，而同样的方法只能在血液中发现大约 1500 个蛋白，我们在血液中发现的蛋白，其实在尿液样本中绝大多数都可以测到，且分子量分布差不多，并不是只有小的蛋白才能进入尿液。

得到结果之后，我们再用机器学习预测，使用血蛋白和尿蛋白进行新冠轻重症鉴别，发现和目前使用血液检测蛋白的方法效果类似。

并且，重症患者尿蛋白模型的分数刚开始还比较高，康复期才逐渐下降。这说明尿蛋白也可以对新冠病情进行分类和预测。

此外，尿液中还可以发现很多细胞因子，一般通过抗体检测新冠重症患者，在细胞因子风暴数据中一般只测量十数个细胞因子。

用质谱检测可以测到 200 多个细胞因子以及受体，我们发现一些新发现的细胞因子都与新冠有密切相关性，这些都是目前只能通过蛋白质谱检测到的。蛋白质谱可以让我们看到肉眼无法察觉的，但在微观世界中真实发生着的蛋白分子的一举一动。

最后介绍一下我们的新技术——蛋白质大数据。 

大数据一定要有展示形式，大数据领域有一个基本的、适用于深度学习的大数据格式，叫做张量 (Tensor)，即多维矩阵。各种大数据形式，包括文本、声音、图像都可以转化成 Tensor。 

那么蛋白质组数据能不能转化成 Tensor？ 

我们最近将蛋白质转化为 Tensor 多维矩阵，这个矩阵可以转化为视频。 

如图所示，每个像素就是某个蛋白质的一个多肽片段，平铺后可以得到一副有规律的图片，如果再放大就会发现每个像素之间像宇宙图像一样有一些间隔，每个间隔都是一个分子单位。

我们的微观世界蛋白质组就像宇宙一样，有大量信号，这些信号绝大部分都不是随机存在的，而是生物信号。

我们做了统计，45 分钟内质谱机采集的像素点达到 100 多亿个。我们也建立了一些针对蛋白质组 tensor 的计算流程，像 TensorFlow 一样，可以进行各种深度学习分析，用于疾病诊断、新靶点发现等。

西湖欧米是我们实验室的 Spin-off，我们希望和医院和社区合作，满足大家对健康及医疗的需求。虽然有很多宏观世界数据，但是微观世界分子运作数据极其匮乏。欧米工厂生产试剂盒、做样本制备，可以将各类临床样品转化为蛋白质组数据。在数据中心处理之后，AI 可发现并总结规律，用于指导疾病诊疗。同时，也有望发现新的药物靶点，与制药公司合作，开发更好的治疗方法。

公司致力于用高性能生物计算和多组学数据技术加速创新药物和早筛早诊等精准生命科学产品的研发，力图让更多疾病可预警、可控制、可治愈，为行业提供更好的生物地图（BioMap），帮助药厂找到化合物，帮助医生找到生物标志物，帮助科研人员找到各种生物数据背后的意义。

不久之前，国际机器学习大牛又宋乐加入李彦宏生物计算军团。为世界知名机器学习专家，他领导着百图生科 AI 算法团队，为独具特色的生物计算引擎研发提供技术动力。

宋乐博士是著名的机器学习和图深度学习专家，曾任美国佐治亚理工学院计算机学院终身教授、机器学习中心副主任，阿联酋 MBZUAI 机器学习系主任，蚂蚁金服深度学习团队负责人（P10）、阿里巴巴达摩院研究员，国际机器学习大会董事会成员，具有丰富的 AI 算法和工程经验。

自 2008 年起，宋乐博士在 CMU 从事生物计算相关的研究，利用机器学习技术对靶点挖掘、药物设计取得了一系列突破性成果，获得 NeurIPS、ICML、AISTATS 等主要机器学习会议的最佳论文奖。社区服务方面，他曾担任 NeurIPS、ICML、ICLR、AAAI、IJCAI 等 AI 顶会的领域主席，并将出任 ICML 2022 的大会主席，他还是同行评议期刊 JMLR、IEEE TPAMI 的副主编。

近日，由雷峰网 & 医健AI掘金志主办的GAIR「医疗科技高峰论坛」在深圳正式召开。

这一次，医健AI掘金志以「医疗AI的破局与新生 」为主题，将话筒传递给四位院士、5位IEEE Fellow、19位行业领袖，由他们以分别从历尽铅华的医学影像AI、和风劲正浓的AI制药两大赛道出发，为行业的发展提出自己的判断。

论坛之上，百图生科首席AI科学家，ICML 2022大会主席宋乐，以《用人工智能赋能新药研发》为题，发表了一场演讲。

宋乐教授提到，大家在憧憬AI可以在新药发现领域展现巨大作用的同时，还有三个问题要提前考虑。

第一个挑战，了解复杂疾病的困难。例如胃癌，因为胃连接不同器官；细胞层面上，每个器官有不同细胞进行不同作用，细胞之间通性也是很复杂的网络；分子层面，细胞里有各种各样蛋白质等分子产生相互作用，也形成了很复杂的网络。所以，如果为一种胃部疾病找合适治疗靶点，就需要对整个网络有透彻的了解。

需要测量每一个环节、每一个尺度，包括整个机体组织尺度，整个组织的切片，细胞之间如何通信，如何表达这些基因。甚至要看到细胞里的蛋白质互相作用，收集这些数据会非常复杂。

例如，需要测量单个细胞基因表达量，蛋白质表达量。甚至还需要同时测量单个细胞基因表达、不同细胞在空间、组织里面的表达。

第二，对于包括基因层面的基因测序、表观组，蛋白质表达、蛋白质代谢，组织层面、机理层面等多维度、多尺度的数据，如何进行复杂且多样化的融合处理。

传统方式是对每个维度分开分析，再通过人来做整合；现在可以用AI将多尺度、多样化数据整合。 除了数据多样性问题，数据量增加也非常快，生物数据每7个月翻一倍。

 第三个挑战，行业配合问题。数据分析与实验往往是两波人，他们之间的沟通缺乏一个非常高效的系统，将预测、模型输出和试验系统进行整合，加速迭代。

通常情况下，都是数据分析员根据根据已有知识在脑海里形成假设，然后让实验员做实验；有了数据后，再给数据分析团队分析，验证假设是否成立，决定下一次实验。

整个实验-数据分析-模型环节比较开环，但不是完全开环，缺少一个非常高效的系统，将预测或模型输出和实验系统整合，加速迭代过程。

以下是演讲的全部内容，雷峰网做了不改变愿意的整理和编辑：

今天我分享一下对人工智能赋能医药的理解以及行业现状，人工智能在这个领域能做些什么。

首先，这个行业面临很大的挑战，我将其定义为双十挑战。

第一，医药研发漫长；每个新药从研发到上市需要10年时间甚至更多，药物筛选过程非常艰难。

很多药物都是小分子或蛋白质，种类极多，筛选空间甚至有10的60次方，从这么大范围找出最终的药物分子，并推到上市，其实非常艰难。 

计算节点上，要从10的60次方中找到1万种，再从里面选几百个做Preclinical测试，之后再做临床试验，整个过程中每一步都有很高的失败率。 

而且，前期筛选经常预测不到后期属性，导致产物后期无法使用，就要从头重新筛选，周而复始。

第二个“十”是指，开发一个新药大约需要10亿美金左右的造价。1950年还有很多比较容易治疗的疾病未被治愈，

如果当时有10亿美金投入，可以发现几十个药物。但现在面对的都是比较难的疾病，并且现在我们对药物的疗效、副作用减少的要求越来越高，监管要求越来越严。

所以10亿美金只能发现一个新药物。如果我们能把新药研发的造价降低、成功率提升的话，也可以节约研发经费，这个市场是巨大的。

所以AI新药研发面对的是一个非常广阔的市场，但大家在憧憬AI可以在新药发现领域展现巨大作用的同时，还有三个问题要提前考虑：

第一个挑战，了解复杂疾病的困难。例如胃癌，因为胃连接不同器官；

细胞层面上，每个器官有不同细胞进行不同作用，细胞之间通性也是很复杂的网络；

分子层面，细胞里有各种各样蛋白质等分子产生相互作用，也形成了很复杂的网络。

所以，如果为一种胃部疾病找合适治疗靶点，就需要对整个网络有透彻的了解。

需要测量每一个环节、每一个尺度，包括整个机体组织尺度，整个组织的切片，细胞之间如何通信，如何表达这些基因。甚至要看到细胞里的蛋白质互相作用，收集这些数据会非常复杂。

例如，需要测量单个细胞基因表达量，蛋白质表达量。甚至还需要同时测量单个细胞基因表达、不同细胞在空间、组织里面的表达。

第二，对于包括基因层面的基因测序、表观组，蛋白质表达、蛋白质代谢，组织层面、机理层面等多维度、多尺度的数据，如何进行复杂且多样化的融合处理。

传统方式是对每个维度分开分析，再通过人来做整合；现在可以用AI将多尺度、多样化数据整合。 

除了数据多样性问题，数据量增加也非常快，生物数据每7个月翻一倍。

但是传统方式分析效率却不高，所以就需要AI模型用HPC方式，把数据里有用或微弱的信息整合。

第三个挑战，行业配合问题。数据分析与实验往往是两波人，他们之间的沟通缺乏一个非常高效的系统，将预测、模型输出和试验系统进行整合，加速迭代。

通常情况下，都是数据分析员根据根据已有知识在脑海里形成假设，然后让实验员做实验；有了数据后，再给数据分析团队分析，验证假设是否成立，决定下一次实验。

整个实验-数据分析-模型环节比较开环，但不是完全开环，缺少一个非常高效的系统，将预测或模型输出和实验系统整合，加速迭代过程。

为了解决这三个挑战，有必要形成一个AI-实验的闭环系统，把预测和湿试验的环节打通到同一个系统。

百图生科建立了干湿试验闭环的高通量平台，这个平台在AI模型有一个巨大的场景，可以整合现有的数据，产生异构的、复杂的知识图谱。

 基于知识图谱可以进行AI模型拟合，或者整合这些数据并且产生预测。例如要探究某个蛋白质是不是某个疾病的靶点，或者我们设计出方案是不是针对这个靶点有效，直接发放给实验系统，收集到的可能是生物实验数据，可能是翻译的数据，甚至是图像数据，很快可以通过AI模型或者计算机视觉方法更新，再进行下一个实验。

接下来，我再介绍一下AI主要在每个环节可以做什么，大概分为三部分：

第一，在药物发现阶段找到新靶点；

第二，根据靶点设计新的药物分子；

第三，在试验闭环阶段进行交互学习。

下面具体列举几个案例：

第一个案例，AI找出目标蛋白质，例如在复杂蛋白质相互作用网络，或信号通路里找出蛋白质。

细胞膜上有很多蛋白质，阻断或激活膜蛋白的作用就会产生细胞间的生物作用。而且，每个蛋白质在不同疾病里，对应蛋白质表达单元也不一样。

寻找针对某个疾病表现的蛋白质，就需要把得到的细胞基因表达数据、蛋白质表达数据整合到同一网络里。

过去，有很多生物学家做了这方面研究，模型做得很复杂，将很多复杂的AI模型迁移到生物网络里。 

例如在生物计算领域，蛋白质之间连接产生了非常复杂相互作用网络。

这个网络不单是两两蛋白质作用，也可能有三、四个蛋白质相互形成作用。蛋白质又关系到关键基因表达，每个节点有非常复杂的属性，就需要用图神经网络进行推理。

我们也可以借鉴其他领域的图神经网络模型，融合在一起学习更好的模型。

图神经网络是现在比较火的领域，大量搜索的经验都可以迁移到靶点发现领域，让靶点发现变得更有效，融合各种各样信息。   

第二个案例，AI怎样针对靶点设计有效药物。一般药物都是有机小分子或大分子，或蛋白质或RNA。

所以，设计药物就要涉及很多小分子性质和大分子结构预测。例如AlphaFold 2可以根据给定序列预测蛋白质结构。

蛋白质的结构对其功能、作用非常关键，如果知道蛋白质功能结构就可以更好了解其功能，所以，准确蛋白质结构对设计结构非常关键。

除了蛋白质，AI领域还能看到各种各样搜索。例如RNA分子二级结构、三级结构，如果AI预测出这些结构对RNA药物设计也有帮助。

除此之外，各种各样小分子以及它们的属性，毒性、水溶性，针对某一个靶点的有效性，也都可以通过AI模型预测。

其实，生物制药的数据形态与传统互联网差异较大，生物制药数据中很多是图数据，而传统互联网主要以网络数据、人的行为数据为主。 

在生物制药领域，如果想对一张图结构数据进行预测，或者对生成的小分子、大分子等生物序列比对，就需要各种各样图数据模型和VAE模型，甚至还要基于VAE模型学习小分子表征，进行小分子搜索和优化。

除了预测结构和功能外，AI在小分子性质优化上也有很多应用，例如已知一个小分子是潜在药物，利用AI更高效合成这些小分子，这就涉及到AI模型和博弈数搜索的结合。 

目前，AI在小分子、大分子的应用已经非常完善，AlphaFold2本身就是非常复杂的AI模型。

第三个案例，预测RNA二级结构折叠，通过RNA序列来预测结构。

我认为RNA药物未来可能是AI制药非常好的应用方向。

这是RNA二级结构预测演示，先输入RNA序列，如果需要预测RNA结构。就要在RNA 序列远端位点折叠，使空间上比较接近，位点接近程度用接触图表征。

AI模型可以在其中基于序列输入预测接触图，目前最好的手段就是深度学习，它的完善程度甚至超越了一些计算机视觉类模型。

用AI分析这样的数据，首先需要对序列分析，例如可以通过自然语言处理模型表征生物学序列。

这时，Transformer模型预测的是2D的结果，如果要生成图像数据，还需要做卷积神经网络产生特征，再预测接触图。

而且还要考虑结构的限制，AlphaFold 2就是采用类似的策略，这相比传统模型确实有巨大提高。

实验和AI模型闭环情况下，除了基因表达数据、蛋白质表达数据之外，AI还可以解决有细胞图像的数据。

细胞图像数据图像可能有六个频道荧光图像，如何基于荧光图像，描述出微妙的细胞状态变化，就需要做很多模型开发和设计。

此外，AI还可以提升一些信息含量比较高的实验的效率。

第四个案例，有效打标签。这不止是AI模型问题，也是系统设计的问题，而且也需要专家知识。

往往一开始只能获得少量精标签，训练一个尚可的模型。

但是如果让这个模型变成更准确的模型，就需要闭环的系统，让AI模型对大量没有标签的图像打标签，并呈现给无专业背景筛选，再给专家进行精标签；精标签打完后，再回流到AI模型更新，进行下一环。

整个过程如果在闭环情况下，就更有可能在少量精标签情况下，让模型继续对大量没有精标签的图像打标签。

此外，AI还可以输出分割标准，以及选择什么样图片打标签，在各个环节都有很多可以做东西，有很多可以提高的空间。  

最后总结一下，我们目前面临的都还是非常复杂的问题，即使有很多观测手段，收集到大量数据，有如此多的AI模型，也还是杯水车薪。

未来，如何把AI模型、专家知识和实验手段结合在一起，还需要交叉学科的团队一起努力，希望感兴趣的同学加入这个领域，把生物计算交叉学科研究做得更好。 

这是今天我想讲的就是以上这些，如果感兴趣，额外的信息可以关注我们公司的公众号并访问我们的网站。谢谢大家！

这一次，医健AI掘金志以「医疗AI的破局与新生 」为主题，将话筒传递给四院院士、5位IEEE Fellow、19位行业领袖，由他们以分别从历尽铅华的医学影像AI、和风劲正浓的AI制药两大赛道出发，为行业的发展提出自己的判断。

论坛之上，英矽智能首席科学官任峰博士，发表了题目为《人工智能加速纤维化药物研发》的演讲。

会议召开的十天之前，英矽智能的全新靶点和新分子结构的候选药物，成为有史以来，首个进入临床试验阶段的AI辅助研发创新药。

演讲中，任峰博士详细介绍了IPF项目的研发细节，以及英矽智能自有的人工智能药物研发平台Pharma.AI中PandaOmics和Chemistry 42的实际作用。

任峰表示：目前市场上只有两款药治疗肺纤维化，分别是：吡非尼酮和尼达尼布。这两款药在2019年总销售额是30亿美金左右，这是一个庞大的市场。但是吡非尼酮和尼达尼布有共同的问题，就是安全窗口非常小。

这导致10-40%的病人由于无法耐受这两款药的毒副作用，无法继续用药，也没有其他药物可以治疗。英矽智能希望通过在连接生成生物学和生成化学的人工智能药物研发平台的辅助下找到全新的靶点和全新的化合物，治疗尚未被满足的临床需求。

在靶点发现方面，我们通过自研的人工智能平台PandaOmics对比患者和健康人转录组学的数据，找到其中的差异，通过分析其中信号通路的变化，找到新的靶点。

我们通过这种方式找到了20多个全新的靶点，又通过自己的过滤条件（比如靶点蛋白有无晶体结构、或者这个蛋白有无动物数据证明其安全性等）最终选定了一个靶点。目前全球没有任何一款针对这个靶点的纤维化药物进入临床试验阶段，临床前的研究也非常少。

此外，AI在新药研发上可以做很多事情，例如擅长找到蛋白靶点，或者针对已知药物进行老药新用，甚至是用在很多‘快跟’项目上。大家对于AI新药研发的想法应该更加深远，今天想到的新药分子、新的靶点都还只是一小步，接下来还需要向端到端发展。

以下是演讲的全部内容，雷峰网做了不改变愿意的整理和编辑：

英矽智能是一家研究如何用人工智能做新药研发的公司。新药研发是风险很高的行业，众所周知，它有“一高一低一长”的特点：研发费用高、研发成功率低、研发周期长。

平均每款新药的研发需要10年以上时间，需要花费20亿美金以上的研发投入。另外，其成功率非常低。临床1、2、3期总成功率只有大概10%，所以从靶点的发现到药物获批的成功率只有3-5%左右。

小分子新药研发分为三个主要过程：

第一，跟生物学相关，主要是靶点发现和验证。

第二，和化学相关，主要是针对已知的靶点找到合适的小分子化合物进入临床。

第三，临床试验。

针对这三个（小分子）新药研发的主要过程，英矽智能发明了三款人工智能的软件，辅助这三个新药研发里主要的环节。第一环节，我们通过组学数据帮助靶点发现，找到新靶点后，在第二环节通过生成化学的人工智能平台，主要是生成对抗神经网络为主的30多个模型帮助设计和发现新的小分子化合物，第三环节是帮助预测临床试验的结果。

接下来，我想用个例子跟大家介绍英矽智能如何利用人工智能平台赋能新药研发。

这是我们特发性肺纤维化的项目。今年我们提名了这个项目的PCC（临床前候选化合物）并推进这个候选药物进入人体试验的阶段。

特发性肺纤维化是罕见病，但也在全球影响了70多万病人，在亚洲就有30多万。这个病的致死性很强，诊断后如果没有得到合适的治疗，患者平均寿命周期只有4年。特发性肺纤维化患者的一个典型特征是用力肺活量每年以7%左右的速度丧失，病程非常痛苦。

目前市场上只有两款药治疗肺纤维化，分别是：吡非尼酮和尼达尼布。这两款药在2019年总销售额是30亿美金左右，这是一个庞大的市场。但是吡非尼酮和尼达尼布有共同的问题，就是安全窗口非常小。这导致10-40%的病人由于无法耐受这两款药的毒副作用，无法继续用药，也没有其他药物可以治疗。

英矽智能希望通过在连接生成生物学和生成化学的人工智能药物研发平台的辅助下找到全新的靶点和全新的化合物，治疗尚未被满足的临床需求。

在靶点发现方面，我们通过自研的人工智能平台PandaOmics对比患者和健康人转录组学的数据，找到其中的差异，通过分析其中信号通路的变化，找到新的靶点。

我们通过这种方式找到了20多个全新的靶点，又通过自己的过滤条件（比如靶点蛋白有无晶体结构、或者这个蛋白有无动物数据证明其安全性等）最终选定了一个靶点。目前全球没有任何一款针对这个靶点的纤维化药物进入临床试验阶段，临床前的研究也非常少。

也就意味着没有合适的化学起点，于是我们利用人工智能小分子生成平台Chemistry 42，针对这个靶点生成小分子化合物，在相当短的时间内，我们设计并合成了78个化合物，这些化合物有良好的活性。

055是我们合成并测试的第55个化合物，这个化合物有良好的活性和成药性，值得往下一步推进。在博来霉素诱导的小鼠特发性肺纤维化测试中，可以看到化合物055在尼达尼布十分之一的剂量下，在肺功能改善上可以起到与尼达尼布非常类似的效果。

虽然有小鼠模型证明化合物055的活性非常好，但我们认为还需要细胞层面的实验，进一步增加证据。于是我们使用特发性肺纤维化患者的细胞开展了两种体外实验：

一是用患者的纤维化细胞的转化，可以看到化合物055与尼达尼布相比，活性高了5倍。二是用患者的上皮细胞的转化，可以看到化合物055比尼达尼布的活性高了16倍。再次证明在体外实验上，化合物055比尼达尼布有更好的活性。

得到临床前的数据对有效性的支持后，我们下一步进行了一些安全性的评价，包括做了小鼠14天的DRF实验，以及体内外、药效、药代动力学（DMPK）等实验，从各个方面来支持化合物055进一步推进，这里是罗列了主要的实验及其结果。

化合物055今年11月份正式进入临床，现在已经完成了微剂量临床实验。从早期的靶点发现到提名临床前候选化合物，大概用了18个月时间，研发经费260万美金左右。跟传统研发新药研发相比，一个新的靶点平均需要10年半的时间，需要花费几千万美金的研发费用。通过人工智能的赋能，在这个项目上确实大大加速了研发进程，同时大大降低了研发费用。

同时，这个全新的靶点不仅是对特发性肺纤维化有效，在临床前实验上我们已证明它对皮肤纤维化、肾纤维化、肝纤维化进程等都有效果。

比如对于肾纤维化，我们找到了另一个化合物073，对它做了大量临床前实验，证明化合物073可以停止或者逆转纤维化的过程。

今年以来，我们不仅实现了特发性肺纤维化和肾纤维化的两个临床侯选化合物的确定；同时，完成了C轮融资，由华平投资领投，融资额达2.55亿美金；并且，我们在上海建立了比较强大的新药研发团队，快速推进了26个以上的自研项目。

英矽智能从2014年建立后，立足于打造端到端人工智能促进新药研发的生态体系。我们的研发项目是由人工智能和新药研发团队共同立项产生，我们在上海有强大的CRO管理团队，可以通过CRO帮助做湿实验验证，同时通过把验证数据反馈给人工智能和新药研发团队，进一步提高人工智能的效率和新药研发团队设计化合物的效率，从而形成了一个干湿实验的一个闭环。

下面我想介绍我们这三款人工智能的平台：

第一个平台是以生物学为主的靶点发现平台PandaOmics。

第二个平台是Chemistry 42，以生成化学为基础的小分子化合物生成平台。

第三个平台是InClinco，是一个优化和预测临床实验方案的平台。

对于PandaOmics靶点发现平台，我们后台有大量的数据，这里展示了我们后 台在这个平台后面的数据量。我们有1000万个组学的数据，4000万个文献专利数据，还有130万个化合物、抗体数据、大分子数据，以及300万个科研经费支持的研发项目数据和34.2万个临床实验数据。

这就是我们PandaOmics做靶点发现研究的界面，以克罗恩病为例，这是我们对克罗恩病找到的靶点，左边是一些靶点的信息，中间是以组学数据、文献专利为基础的评分，右边是针对这个靶点的信息，包括有没有小分子化合物，有没有大分子药物，及其安全性如何、吸引性如何，有没有晶体结构，目前有没有在临床试验阶段的药物，它属于哪个靶点。

还是以克罗恩病为例，点进去后会展示跟疾病相关的信息，这里展示跟克罗恩病有关的组学数据，选一组进行靶点发现。然后用健康的人作为对比，系统运行后会呈现火山图，对比克罗恩病患者和健康人组学间的差异。同时可以看基因所影响的所有信号通路，比如这里有1800多条信号通路被这些基因所影响，可以对信号通路进行排序，同时可以看到每一个信号通路的一些基本信息。

如果对一个特定的新药通路感兴趣，比如CDC 6，可以看到其上下游之间的关系，同时在下方找到跟新药通路相关的文献专利。把要做的组选完后，PandaOmics会帮你找新的靶点，这就会出现刚才跟大家介绍的界面。

我们最后找了一些结果，有组学数据、11个组学评分，同时我们有以文献专利为基础的评分，可以看到对每一个组学的评分都会有一定的介绍。这里找到的靶点的吸引力都不高，因为在设置时没有让它找新的靶点，想找新的靶点需要重新设置，把文献专利数据去掉，重新进行靶点搜寻工作。这样就可以找到全新的或者相对有吸引力的靶点。这就是PandaOmics帮助做靶点发现的过程。

 除了PandaOmics外，我们另一款AI平台是Chemistry 42，是一个小分子化合物生成平台。它最大的优势是在中间有一个生成对抗模型，包括30多个生成算法。同时在生成之前，可以做很多设置，比如成药性、结构吸引性或者合成的可及性。设置好后，电脑会自动生成针对这些靶点的小分子化合物。当小分子化合物生成后，可以用传统CADD的方式进行排序，成功选择一些小分子化合物进行合成和测试。

下面我想用另一个小视频来介绍Chemistry 42是如何生成小分子化合物的。我想用一个靶点，这个靶点比较热门，它跟AMG510有共同结构，对我们来讲更容易比较生成的化合物和AMG510的区别。

这是我们的界面，首先设置文件名，同时把数据上传，选好后会出现共晶结构，如果把蛋白结构去掉就是AMG510的小分子结构。可以点药效团自动识别，这里识别了5个药效团。下一步可以做一些设置，因为这个物质需要共价结合的头端，可以选上共价结合的头端，这样得到的化合物都是有共价结合的药效团，从而可以设置分子量等参数。

这是我们的30多个生成模型，一般运行72个小时，可以产生出比较优质的小分子化合物。点进去每个小分子化合物，可以看到它的结构，可以跟AMG 510进行对比，可以看出它占据的空间是比较相像的，同时跟AMG 510化合物本身区别还是非常大的。Chemistry 42人工智能平台能帮助你产生真正全新的小分子化合物。在这里有很多排序，可以找到跟蛋白的结合口袋最匹配的一个小分子，可以看到跟AMG 510占据的口袋比较相像，整体三维结构是比较相似的。在此，由于时间关系，我不把化合物一一跟大家介绍。

英矽智能的商业模式有两种：一是用AI作为工具，我们有软件外授权使用，也可以跟公司进行合作。另一个是我们利用人工智能的平台做一些内部管线，这些管线到一定阶段会转让和授权出去。目前我们利用强大的人工智能平台，包括生成生物学和生成化学，我们跟很多制药公司，包括国内外大药企进行全方位的合作，包括靶点的发现合作和化合物生成合作以及软件授权业务。

总的来说，我们AI平台可以做很多事情，比如用PandaOmics，它擅长的事情是找到细胞靶点，或者针对已知的靶点进行老药新用；用Chemistry 42可以做“快跟”项目，主要解决选择性和耐药性问题，以及针对一些全新的靶点可以产生全新的先导化合物，我们现在也试图把Chemistry 42用到蛋白降解疗法上。

最后再介绍一个例子，是我们做“快跟”的一个项目是DDR1靶点，这是与药明康德合作的药物发现挑战，看最快多长时间找到合适的小分子化合物。接到这个任务后我们花7天时间生成数据，12天生成模型，生成了3万个化合物，通过一些过滤方式，过滤到40个化合物。药明康德从中选择6个化合物进行合成测试，最后2个化合物的活性在10nM以上。整个过程只花了46天时间，这是创记录的高效过程，该结果发表在2019年的Nature biotechnology上。

在英矽智能，我们不光有AI算法，还有非常强大的生物医药研发团队，希望把AI和DD结合起来，就是我们所说的AIDD。这是我今天想跟大家分享的所有内容，谢谢大家！

利用新型人工智能抗体平台，团队优化和筛选出了新的新冠抗体，该抗体的抗病毒能力，超过了目前所有已经获得紧急批准的抗体：不仅可以涵盖新冠病毒原始株，还对阿尔法、贝塔、伽马，以及最新的德尔塔等变异病毒，达到高效和广谱的中和效果。

彭健教授是清华大学智能产业研究院（AIR）访问教授、伊利诺伊大学厄巴纳-香槟分校计算机科学系终身教授，主要研究领域为生物计算、化学信息学和机器学习方向，也是此次项目的AI平台负责人。

彭健教授向雷峰网表示，此次应用的AI抗体设计平台Helixon Design——Helixon一词由Helix（螺旋）及exon（蛋白质编码区域）组成，背后也代表着编码蛋白的含义。

平台能随着新冠病毒的突变快速随动，生成新的抗体结构设计，进而可能彻底解决新冠病毒的变异治疗问题。

早在十年前，他参与研发的结构评估算法就曾参加结构预测评估竞赛(CASP)，并取得了第一名的成绩，此次的人工智能抗体平台也是彭健教授的研发成果之一。

近期，雷峰网与彭健教授展开了一次对话，试图解析出这次新冠抗体成果的具体情况，以及其中AI平台的实际效用。

AI，刷新抗体研发的记录

彭健教授表示，相比原先抗体，本次AI平台研发的新抗体，最大的特征就是具备广谱性。

“过去的抗体研发通常使用传统实验方法利用天然的免疫系统，例如动物免疫法，把抗原蛋白注射到动物例如转基因小鼠体内，让免疫系统产生抗体；或者从已经康复的病人血液中，分离出产生过的有效抗体。”

这些方法虽然成熟，但广谱性通常都比较弱。因为这些实验方法得出的抗体，往往对原始病毒比较有效，一旦病毒发生变异，就会逃逸原来抗体的攻击，抗病毒效果就会大打折扣。

这也是此前不少欧美紧急获批的抗体药，对阿尔法株、贝塔株、德尔塔株治疗效果较差的主要原因。

彭健教授表示：“传统的生物实验室受制于资源和人力的限制，无法枚举和同时展示各个不同变种的抗原结合区域。但人工智能和深度学习的办法不一样，只要算力足够，就可以模拟和穷举出所有可能的抗体序列并计算出它们的中和效果。”

所以，研究团队在初期，就将目标定义在了“具备较好的广谱性”。具体的团队分工则是：

首先，清华大学医学院提供出最早的抗体样本；

其次，由华深智药团队利用自研的深度学习平台，模拟和分析抗体与各种新冠病毒刺突蛋白在原子水平的相互作用，以及结合蛋白与蛋白相互作用，找出哪些作用比较关键，根据这些信息重新设计某些氨基酸和可变区域，产生亲和力更好的新抗体；

最后，抗体产生后回归实验室，由清华大学医学院负责合成，并进行生物学试验测量抗体针对于各个变异株的中和能力。

从今年8月到11月中旬，利用AI抗体设计平台Helixon Design，合作团队在三个半月的时间里，就研发出对阿利法、贝塔、伽马和德尔塔等十余种突变株都达到高效和广谱中和效果的新抗体。

在彭健教授看来，这种新方法不仅解决了现今的新冠抗体药问题，也为接下来的抗体药研发提供了新思路。

“尽管抗体的提取和测试环节，还离不开生物实验室的支持，但AI解决了最耗费时间的抗体设计和再优化过程。应对其它的变异病毒，也可以很快的找出最优抗体，在这次试验中，华深智药的AI模型跑一遍计算的时间约为一周左右，而传统生物试验因为需要抗体制备和培养或者筛选，通常需要花费几个月时间。”

据《医健AI掘金志》了解，目前，针对新病毒的抗体还没有开始正式的临床试验。但后续的临床试验正在评估当中，将进入标准化的临床报批流程。

链接三方的纽带

作为此次项目的AI平台负责人，彭健教授最早的生物计算研究经历主要开始于读博期间。

2007年在武汉大学本硕毕业后，彭健到芝加哥大学丰田计算技术研究所深造，加入了许锦波教授的团队，成为了他的第一位博士生。

许锦波教授是生物计算领域著名学者，曾在2016年证明了深度残差卷积神经网络可以大大提高蛋白质结构预测的性能，引导了深度学习在蛋白质结构预测领域的第一次变革。

也正是从这个时候开始，彭健开始正式转入生物计算方向，和许锦波教授参与了多次蛋白质结构预测关键技术分析大赛(CASP)。

2013年，从芝加哥大学毕业后，他开始在麻省理工学院数学系做访问学者和开展博士后研究。

2016年2月，彭健教授获得斯隆研究奖，该奖被称为美国的杰出年轻教授奖，并于2020年获得了计算生物学的最高奖项Overton Prize，也是唯一一位华人得主。

而在这段时间里，计算与分子生物学领域也进入了“冰河期”。

“当时行业的关注度比较小，除了计算分子生物学以外，也做了不少行业上下游的工作，包括系统生物学及疾病基因组学。从现在的角度来看，疾病治疗和药物研发是一整套流程，这些经历会让我对整个流程的了解更深刻。”

2020年，在AlphaFold 2取得震惊世人的蛋白质结构预测成绩之后，彭健教授正式收到组建不久的清华大学智能产业研究院（AIR）的邀请。

2021年初，与清华大学智能产业研究院（AIR）院长张亚勤、首席科学家马维英的沟通后，彭健决定加入AIR。

2021年7月，彭健从伊利诺伊大学厄巴纳-香槟分校(UIUC)回到国内开展生物计算和人工智能方向研究。

也是从这个时候，彭健教授完成了一次身份的转变，成立了自己的人工智能科学计算公司——华深智药，新冠AI抗体正是该公司的第一个研发项目。

2021年10月，华深智药正式完成了千万美元级天使轮融资，投资机构包括襄禾资本、高瓴创投和清智资本。

写在最后

由AlphaFold 2引起的AI制药浪潮，正在吸引互联网巨头、创业者和顶级投资机构不断加码，一个新的创业风口已然形成。

此次彭健教授研发的新冠抗体成果，或许正是AI在生物科学，大分子预测发展过程的一次新的“里程碑”。

在他看来，这是一个“创造增量”而不是“竞争存量”的行业——人类疾病的种类太多，不同肿瘤有很多亚型，每一种亚型背后都是上万，甚至几十万病人的切身需求。这个行业不是竞争同一块蛋糕，而是一起从零创造出市场。

而未来的创业故事也更加充满融合、合作的意味：“不同AI制药公司可以研发出自己的管线，腾讯或华为等大企业去解决算力和技术需求，未来几年，将会有更多解决更多像抗体药等等无法解决的疾病和问题。” 

据最新消息，彭健教授正在组织研究针对新冠病毒最新变异毒株Omicron的抗体设计，相信会很快取得成果。

此举意味着，该药物已经正式进入临床试验阶段。

而在今年2月，该特发性肺纤维化创新药才刚被英矽智能选定为PCC（临床前候选药物），当时曾被认为是药物发现史的一次重要事件。

相比之前内部官宣PCC，这次IPF进入临床试验，更是得到了官方认证，也是AI在药物研发作用价值的一次实践证明。

对此，英矽智能首席科学官任峰表示：“据我所知，这是有史以来首个由人工智能发现的具有全新靶点和新分子结构的候选药物进入临床试验，是人工智能药物发现史的一个里程碑。”

2013 年诺贝尔化学奖得主，英矽智能科学咨询委员会成员Michael Levitt 博士也表示：“这证明了很多AI新药研发公司的管线都可以抵达PCC，过去很多人都说这对我们来说太贵了，我们做不到。这次英矽智能是以某种方式优化了整个过程。”

医健AI掘金志与英矽智能首席执行官AIex、首席科学官任峰展开了一次独家对话，分析了此次成果的过程、价值，以及英矽智能该款创新药的下一步规划。

值得注意的是，在12月11号的GAIR（第六届全球人工智能与机器人大会）的医疗科技高峰论坛上，任峰博士还将现场介绍IPF项目的研发细节，并发布更多的AI新药研发成果，具体详情请查扫描底部二维码。

以下是本次对话的全部内容，《医健AI掘金志》做了不改变原意的整理和编辑：

英矽智能首席科学官 任峰

医健AI掘金志：IPF候选药物从立项到PCC过程，累计18个月时间，花费了260万美元，从提名PCC到进入临床这9个月时间里，因为有很多对外合作和临床测试的工作，是不是花费更多？

任峰：目前，我们的临床申报还在进行当中，本次在澳洲进行的是一个微剂量给药的临床试验，为后续的临床试验PK（药物代谢动力学，体内药物浓度与时间的关系）提供参考。微剂量试验要求的临床前试验数据相对少一些，具体包括：化合物放大生产，以及毒理试验等。

因为生产量没有那么高，毒理试验没有那么复杂，病人数量也比较少，所以花费并不多，初步统计在60万美金左右。

医健AI掘金志：临床零期实验结束之后，估计多久会通过IND？

任峰：我们计划在明年第一季度进入临床1期，已经在新西兰提交了1期临床试验申请，同时向国家药监局药品审评中心提交了预申请（pre-IND）。

医健AI掘金志：从现在到明年第一季度申报通过CTA的过程中，预估失败率是什么情况？

任峰：失败率很小，因为申报CTA过程中，主要就是考察28天毒理实验，评估安全性和有效性。

这个评估我们已经做完了，目前无论是在啮齿动物还是非啮齿动物都非常耐受，失败可能性比较小。

医健AI掘金志：IPF药物从宣布PCC到进入临床一期过程中，英矽智能主要做了哪些事？

任峰：宣布PCC之后，我们主要做了两件事，第一，化合物的放大生产，配以合适的辅料，为临床1期服务；

第二， 28天毒理实验，包括啮齿类动物和非啮齿类动物的毒理性实验，评估临床上的爬坡计量以及最大耐受。

在中剂量下，我们找到了没有任何毒副作用的剂量，也就代表临床上至少可以爬坡到这个级别，这对后续的临床试验非常有帮助。

医健AI掘金志：除了临床实验的技术层面，作为一家AI新药的初创公司，从宣布PCC到临床试验，有没有遇到什么问题？ 

任峰：目前的进展我们还是比较满意的，虽然是一家初创公司，但临床团队构建上我们还比较下功夫，临床团队已经有10几个人，包括API、CMC、制剂、毒理、DMPK都有对应人员。

而像你说运营问题，我们确实也碰到过。

大家都知道近两年国内药物研发热度特别高，所有CRO企业都满负荷运转。当时我们合作的CRO企业就因为项目太多，就面临GLP毒理试验要被延期的情况。

对于我们来说，一旦GLP毒理试验被拖延，就意味我们原来安排的临床试验的地点和进度都会受到影响；

经过这次之后，我们也学到了一个经验，就是要给CRO试验时间设定出更多冗余，我觉得其它AI新药研发企业也要注意。

医健AI掘金志：这是不是说明目前AI新药研发企业，在生物医药行业的话语权比较低。

任峰：这是一定的，因为比较大的药企和CRO企业有很多业务合作，而初创AI研发企业往往只有一条或几条管线合作，大客户和小客户之间肯定会有区别。

医健AI掘金志：之前和清华彭健教授沟通，他表示目前AI平台最大作用，应该是药物靶点发现到化合物选择，而到PCC之后就是很标准的临床试验和合规过程，和AI没有什么关系，您认可这个观点么？

任峰：这有一定道理，PCC之前AI赋能作用会更明显一些，PCC之后合规认证，像化合物放大生产、GMP、GLK这些工作确实都有比较完备的监管流程，AI没有办法加速这部分实验过程。

但AI也并完全没有作用，例如可以设计更好的合成路线，更好的晶型，帮助缩短合成时间，辅助流程优化，让6个月的工作量缩短到5个半月。

但确实无法大规模，大范围缩短，无法像PCC之前一样，将几年新药研发过程缩短到1年半搞定。

另外，临床试验过程中AI平台也会有一些作用，例如我们研发的InClinico软件，可以帮助预测和优化临床试验成功率，这个赋能并不是缩短研发时间，而是会试验成功率带来帮助。

医健AI掘金志：PCC之后，AI平台赋能已经比较有限，后面合规认证也已经不是AI企业所擅长，投入成本又比较多，像IPF这款创新药咱们后续计划是什么，有没有考虑和药企合作。

任峰：确实有考虑，我们一些内部管线已经计划在PCC阶段对外转让，后面许多事对于AI新药研发企业比较困难，也得不偿失。

但我们不会所有项目都对外转让，一些比较看好的项目还是希望自己推进到临床1期或靠后一点，这样可以帮助我们建立自己的临床团队。

目前，ISM001-055也是基于这样的考虑，我们希望将英矽智能定位为一个AI赋能的生物医药，而不是只有早期研发的部分。

医健AI掘金志：英矽智能的肾纤维化药物今年6月也宣布PCC，这个管线目前进展怎么样，下一步也会像IPF项目一样推进临床试验么？ 

任峰：肾纤维化药物，目前我们也已经推进到GLP毒理阶段，药物放大已经完成，这款药物和IPF同一靶点，化合物不同，这种化合物更多在肾上积累，对肾纤维化效果更好。

接下来，这款创新药我们同样计划自己完成案例申报，推进到临床1期，再考虑是否找有经验的药企合作开发。

医健AI掘金志：从技术层面角度，PCC之后就去和大药企合作不是更好一些么？

任峰：PCC到临床一期阶段虽然比较费精力，但成功率比较高，如果创新药完成临床一期并取得比较好的临床效果，那整个项目的价值就和PCC阶段完全不一样。

对于创业企业来说，到了临床二期主要看药效，风险和成本都比较高。所以从收益角度，一期之后再转让会比较理想。

医健AI掘金志：这一年来，英矽智能接连拿出几个PCC，在新冠药物筛选上又取得了重要突破，背后的主要原因是什么？

任峰：和整个生物医药企业相比，AI新药研发企业，因为AI的加持和赋能，让每个项目的研发周期都更短一些，研发经费更少一些。理论上同样经费情况下，AI企业可以做更多项目，产生更多里程碑。

医健AI掘金志：AI新药研发行业中，能拿出这么多成果的企业好像并不多，甚至有很多企业成立时间比英矽智能更早？

任峰：我认为这背后和每家企业的策略有很大关系，我们目前有三个AI平台，涉及靶点发现、小分子化合物生成，以及临床试验预测。

通过目前的成绩来看，AI平台对于新药研发的帮助确实很大，也帮助我们快速拿出了自研创新药。

但其它企业公布成绩比较少，并不代表它们的AI平台就要更逊色，据我所知，有很多企业在制剂优化、晶型预测的算法都非常出色。

但这些企业的AI平台因为和药企在合作赋能，很多的成绩因为对方，或者保密原因无法对外做宣传。

医健AI掘金志：除了自研创新药，我看到英矽智能的Chemistry42产品，和其它很多药企都有合作，在全球排名前30的药物公司中就有7家，能谈谈这些合作的情况么？

任峰：目前两款软件一个是7月份上线，另外一个是11 月份上线，真正使用效果都不是很长，从这次合作的内部反馈来看，效果还可以，例如找出从没想过的靶点，节省发现新靶点时间，为他们筛选出可以借鉴的小分子。

医健AI掘金志：一年的时间里，这些AI产品在药企中发挥的价值是不是还比较有限？

任峰：这些药企中，确实还没有拿得出大家可以看到的AI平台成果，但作用其实很好验证，因为经过简单测试，就能验证出AI平台找出的化合物活性。

之所以大家还没有看到合作成绩，主要是因为后面试验、毒理、DMPK周期都比较长，这些项目很多都在这个过程当中。其实，其它很多AI企业还没有公布出成绩，也是这个原因。

医健AI掘金志：既然目前还没有特别突出的合作案例，那为什么这一年时间里，咱们和这么多药企都达成了合作？

任峰：背后原因有几个方面：

第一是服务形式，英矽智能刚开始就将AI产品定位于软件形式呈现，而不是做平台。我们通常都会将软件包提供给客户，并提供一定试用期，协助对方测试产品，看看能否对他们提供帮助效果，让对方决定是否购买。

这个过程中对方即能体会AI相比传统方式优势，也可以清晰体会到这的确是AI帮助产生的结果，而并非人为干预。

第二，平台有一定验证，我们的IPF项目的成功已经有了大家可以看得见的验证效果，别人也会更容易信赖，而如果没有这些验证，合作伙伴也可能会对平台的效果提出疑问。

第三，团队力量，作为一个生物医药企业，应该针对不同用户需求，都能给出很专业的意见和反馈。

对于有的客户来说，我们团队给到的AI新药研发经验有的时候要比AI平台本身更有价值，光有好的AI技术和平台，没有专业的团队也不行的。

医健AI掘金志：您也谈到对于AI新药研发企业人才非常重要，现在各个企业抢人还是比较激烈的。

任峰：中国创新药企业有1500多家，每个初创公司都需要非常懂化学，非常懂生物的人，但事实上国内并没有这么多化学家、生物学家。

从英矽智能的角度，我们在招人方面投入精力也比较大，从今年年初到现在已经组建近60多人的生物、化学、临床前研发团队，但还是比较缺人，特别是懂临床的人，能够做临床试验的人，国内还比较少。

医健AI掘金志：除了AI新药研发企业，国内比较大的药企也在招聘懂AI、算法的人才，他们是打算给过去的工作流程提供一些AI赋能，还是也会做类似的产品。

任峰：做类似产品肯定来不及，产品可能需要更长的时间去验证，他们应该希望招一些AI团队，用深度学习对他们已有的研发管线的某些点赋能。因为现在无论这些大公司承认与否，AI都已经成为一个重要趋势。大家即不想错过这次颠覆性革命，但现在又不敢完全相信。

医健AI掘金志：英矽智能IPF药物通过IND这个进展，对于AI新药研发行业有怎样的实际意义？

任峰：这应该是AI全新发现的靶点和化合物首次进入临床阶段，其它AI企业项目可能做的是已知靶点，然后匹配新化合物，还有一些是新靶点，去做老药新用，这些研究都有进入临床的。

但像新靶点和新化合物还是第一次，应该是生物和化学结合的一个小突破。

从行业角度，AI平台对于生物医药未来应该是端到端赋能，而不是某个点，某个环节优化。

应该从药物靶点发现到剂型预测，到临床试验整个链条都可以发挥作用，可以将AI生物、化学、剂型、晶型这些都结合起来，提供端到端的辅助，我觉得这是行业下一个突破的地方。

医健AI掘金志：英矽智能的首个AI研发的创新药进入临床之后，行业内什么时候会出现更多类似的成果，出现一次集中的浪潮。

任峰：目前针对已知靶点，像国外的Exscientia就已经把管线推进到临床1期。国内据我所知还没有类似的成绩，但现在一些AI公司研发的化合物已经在动物模型上有一定药效。

这一意味未来3-6个月之内，这些化合物就能拿出PCC，再有一年时间，2023年上半年就会有比较多的类似成果进入临床。

医健AI掘金志：我们知道CADD领域有薛定谔，过去20年他们研发的CADD产品在药企里面已经有了比较大的作用，英矽智能近期和药企合作为他们服务的AIDD产品，是为之前的CADD提供补充，还是有希望取代。

任峰：AIDD肯定不能取代CADD，但要比后者更强大，我觉得未来应该是AIDD为主，CADD做补充的模式。

目前英矽智能就是在用这样方法，AIDD产生新化合物之后，再用CADD+人的方法去做分子优化。

英矽智能CEO AIex

医健AI掘金志：最近AlphaFold2的创始人又宣布成立一家新的AI公司，谷歌在这方面曾经创造出蛋白质结构预测这样的成绩，接下来，他们会成为英矽智能有力竞争者么，您会有危机感么。

AIex：我非常高兴Demis和Deepmind在蛋白质折叠工作方面的成功，创立一家公司以AI赋能药物研发的公司，

但AI新药研发的发展和其它人工智能不太一样，一般情况下验证一个药物发现的算法需要2-3年时间，无法像图片、文字、声音处理或电子游戏等领域可以很快验证AI成果。

另外，一个药物发现结果验证，往往需要进行分子合成、动物实验乃至人体组织实验等繁杂步骤，一旦实验设计有缺陷，就会浪费非常多时间。

期待Demis组建一个非常有能力的药物发现团队，这可能会让他们2-3年内成为我们的竞争对手。

此外，我相信当他们在药物发现上创造成果时，也会以我们的成绩为参照。

例如时间节点上，AI从一个旧靶点合成一个化合物，并进行临床实验一般需要46天，AI找到一个新靶点、新分子的发现到临床前候选药物阶段需要16个月，新靶点到人体应用需要两年的时间。

我对越来越多公司进入AI驱动新药研发这个赛道感到非常高兴。

因为与许多“赢家通吃”的行业不同，药物发现本身是一个十分宽广的赛道，有超过上万种疾病，数千种可行的靶点等待大家去发掘，即使是同一靶点的治疗方法也有很广扩的空间。

所以更应该为这个领域发力，共同繁荣和富裕的最终形式不仅是舒适的生活，更是健康。

所以，越来越多AI药物研发公司加入这个赛道，我们就能更容易实现这个目标。

我们真正的竞争对手是那些浪费人力、物力、时间和资源，却非常内卷的公司，那些既没有共同做出奉献和利益，却试图对立的公司。

未来的大企业、科技公司应该更关注健康，更多的计算科学家应该转向生物技术领域。这次Google也为亚马逊、腾讯、百度、阿里巴巴等其他科技巨头树立了很好的榜样，科技巨头们应该更加支持生物制药和医疗保健领域的进步，希望他们能够对合作关系保持开放态度。

例如AI医疗大联盟(AAIH)的行业团体。因为需要共同讨论标准和政策，2017年在Numerate首席技术官Brandon Allgood的倡议下组建，英矽智能也是最早的创始成员，目前已经有四十多名成员。我们希望大家更多的是交流和合作，而不是敌视。

医健AI掘金志：最近一年，英矽智能的产出和成绩都非常好，独立研发几个新化合物，药物开发平台又和多个药企达成了合作，这样高产出的背后原因是什么？是人员，还是技术，或者是选择？

AIex：谢谢你的赞扬，但我仍然觉得做得不够，还有很长的路要走，而这个阶段性的成功主要归功于我们的先发优势。

在2014年的时候，大家对于深度学习还比较陌生，许多大型制药公司内部也都没有人工智能科学家团队，但大家非常愿意分享知识和数据，并且愿意尝试很多新想法。

基于此，当时我们从很多这样的交流和试点中汲取了经验，从而很早就积累了大量的药物发现和开发知识，同时也找到了生物和化学领域的一些瓶颈。

于是，我们当初就开始试图构建一个比较复杂的人工智能工具，为发现靶点、生成化合物和临床试验方案的结果提供预测。

当时的制药行业发生了一些变革，出现了很多的CRO（合同制研究机构），我们通过和他们合作，让他们的科学家负责化学合成或者生物实验，我们只负责算法和AI。

2019年，我们在中国建立了英矽智能的分中心，和许多的CRO合作伙伴处于同一时区，当时中国也在大力投资生物医学基础设施建设。正是因为看到了这一趋势，也许才有了英矽智能今天这样的成绩。

而真正触发英矽智能发展更快的原因还有任峰博士的加入，从2021年他加入之后，我们才构建了一个非常专业的AI药物发现团队。

他是真正改变英矽智能的人，是我重要的合作伙伴，我们团队也很钦佩他，他确保了人工智能平台的有效性，建立了产业化规模的研发团队，今天的纪录和他的努力密不可分。

在任博和我致力开发先进AI药物研发项目的同时，英矽智能也在美国建立了顶尖的临床开发和商务团队，先灵葆雅前首席医学官Robert Spiegel博士出任我们的首席医学管、前药明生物发展和研发业务拓展高级副总裁Michelle Chen博士出任我们的首席商务官，他们对于临床试验的推进和药企的合作提供了非常多的帮助。

最后，我觉得还因为设置了一个宏大的目标——“利用AI了解人类衰老的生物学机制，使人类更长寿、更健康。”

在这个大目标前，其他的小目标看起来都非常容易实现。

就像马斯克计划移民火星，相比之下，成功发射火箭的目标看起来就非常容易，当你实现这些目标的时候，越来越多的人也会相信，后面的大目标并非遥不可及。

医健AI掘金志：从找到新药分子到宣布PCC，再到进入IND，英矽智能的节奏貌似走的很快，您觉得如果后面顺利的情况下，应该多久会完成下一阶段。

AIex：由于临床研究过程非常严格，需要遵循标准化临床研究方案，安全性实验一般都需要六个月到一年才能完成，所以这个进度会比较久。

但我们现在有很多临床前项目，接下来的目标是在短时间提名多个PCC，并用我们的AI平台帮助其它药企提升研发效率。

医健AI掘金志：过去二十年，计算机辅助药物设计(CADD)虽然已经成为药物发现的一部分，但它从未被视为药物发现过程的核心部门，而是支持部门。新的药物发现更多都是生物学和合成化学在驱动，您觉得在ISM001-055进入临床之后，这种情况会发生改变么。

AIex：过去四年里，因为我们和同行的努力，其实CADD和AIDD在药企已经有很多优先话语权了，一些大型药企已经非常专注用AI开发专业知识，还有一些药企拥有的AI人才甚至比我们还多。

但计算机辅助药物设计依然还是一个比较垂直的领域，因为大药企里面生物学、化学和临床开发都是相互独立，在其中实现端到端AI药物开发还比较困难。但在化学领域中，AI会被优先选择。

我希望未来的年轻人可以越来越多投身AI新药研发领域，它的重要性会随着时间推移而变得更加重要，而且也有机会帮助更多人实现更好的生活。雷峰网雷峰网

本次挑战赛由ISICDM 2021会议组委会联合天津医科大学总医院、同济大学和东北大学主办，由天津医科大学总医院江荣才教授、电子科技大学李纯明教授、北京邮电大学杨辉华教授担任挑战赛指导，同济大学陈宇飞副教授、东北大学覃文军教授担任挑战赛主席，旨在通过挑战赛的形式为数字医学产学研界提供技术交流和展示的平台。本次挑战赛的特点如下： 

(一) 赛程历时三周，赛事环环相扣

本次大赛于11月底开始报名，共有22个院校43支团队报名参赛。赛程主要分为3个赛段：热身赛、排位赛和决赛，每个赛段均为发放数据后限时操作上传。本次比赛共设置2大比赛项目，5个比赛分项：头颅 CT 血肿分割与血肿量计算、肺部 CT 解剖结构分割-支气管/肺叶/肺血管/肺动静脉。

比赛过程中的各个阶段均记录客观指标数据，并公布现阶段排名结果。根据各阶段所有客观指标的加权平均成绩进行排名，最终有12只队伍进入决赛。

(二) 决赛过程公正透明，兼具专业与实战性

由于疫情的原因，本次决赛在线上会议室进行并全程直播，决赛阶段受到了广泛的关注，除进入会议室观战的人员外，还有4000余人次在线观看了此次直播。

评委专业且组成合理：三大类评审分别来自医院、公司和高校，分别从临床、业界和算法角度对各队伍结果进行综合评价。现场既有来自医学界的天津医科大学总医院江荣才教授、沙壮博士、大连大学附属中山医院薛洪省医生、中国医科大学附属第四医院周镝医生和江苏省人民医院胸外科徐心峰医生从临床角度对结果进行评价，还有来自东软医疗的周庆华博士从医学产业界的角度对成果进行指导，又有来自东北大学的覃文军教授和同济大学的陈宇飞副教授对算法的创新性等进行了评估。

整个评审过程评估角度覆盖面广，包括了算法准确度、临床可用性、界面展示与交互性、方法创新性、算法效率等，评审角度实用且专业。

在项目一脑血肿的比赛前，天津医科大学总医院神经外科副主任兼NICU主任，天津市神经病学研究所副所长，我国神经重症一线专家江荣才教授对本次比赛的临床意义做了深刻的阐述。

江主任是中华医学会神外分会委员兼脑外伤组副组长、中国医师协会神外分会神经重症专委会副主委和国家创伤医学中心颅脑创伤专委会副主委以及《中华神经外科杂志.英文版》《中华解剖与临床杂志》《临床神经外科杂志》和J Clin Lab Anal的编委。是阿托伐他汀钙治疗慢性硬膜下血肿两发明人之一并优化了该治疗方案，是该项目获得天津市科技进步特等奖的主要贡献者。

以创新理念治疗重型脑损伤及其并发症著称，专注颅内淋巴管引流调控治疗脑外伤，年诊疗神经重症患者千余人次。是天津市131第一层次人才、2020天津市重点领域推进计划创新团队负责人、“国之名医.优秀风范”和改变医学实践之“十大原创研究领衔者”，创立天津市医学会神经重症分会。

江主任指出：脑血肿测算在外科治疗中具有重要的临床意义，临床中脑出血患者手术指征之一便是脑血肿量，如幕上血肿量大于30mL或幕下血肿量大于10mL的患者需行手术治疗，然而临床上却无法精确计算脑血肿的体积。

头颅CT检查可以很好地显示出血灶，而准确估算CT图像中血肿量，是各项研究亟需解决的问题，目前以医师手动分割的血肿结果作为计算血肿量的“金标准”，但这种方法耗时费力；临床上常以多田公式作为血肿量的估算方法，此公式针对出血形状相对规则的血肿测量精确度较高，但当出血形状相对不规则时，其结果难言精准。近年来，随着人工智能（AI）技术的进步，根据脑血肿的CT图像特征，尝试自动分割CT图像中的血肿区域及计算血肿体积成为一种可能，本比赛拟开发精准、便捷的脑血肿分割及血肿量计算方法，为脑出血精准诊断提供临床技术支持。

比赛过程强调实战：在实战性上，两个比赛项目的医学图像训练数据和测试数据分别来自天津医科大学总医院和东北大学提供的真实临床数据。

大赛不允许反复提交分割结果，避免了传统分割挑战赛中参赛者通过反复提交结果刷分数的弊端；初赛和决赛环节的每场比赛时间越来越短，也越来越逼近真实临床环境；在决赛环节，挑战赛组织者现场发放临床数据，1人答辩共享PPT，1人对当场发布的数据实时测试，评委和观众通过选手屏幕可看到软件操作的全部过程，真实可信。

其中，热身赛、排位赛从发放测试数据到提交共计两小时时间。而决赛阶段现场发放测试数据并展示需在10分钟内完成。决赛阶段比热身赛和排位赛更加紧张，在一定程度上排除了人工修订的可能性。

赛程跟进严谨透明：比赛的最终成绩综合考虑了队伍各个赛段的所有客观指标加权平均的结果，以及现场决赛各评委的主观测评成绩。会务组提前公布了各项目的计算量化指标，并公开了各赛段队伍的排名等信息，方便参赛团队验证排名的准确性。

此外，来自同济大学的伍谦、付巍、孙士晨、黄麒光和东北大学的王龙光、李小硕、黄培芳、周璐雨8位挑战赛助理，具备一定的医学专业知识和算法专业能力，对赛程全程跟进与监督，也为挑战赛的顺利进行提供了保障。

(三) 参赛团队实力雄厚，模型亮点频出

在本次比赛中，各参赛团队均展示出雄厚的算法实力，以及对临床问题的深度思考。针对脑部血肿CT影像分割中的数据标注不准确与分割模型选择难题，上海大学计算机工程与科学学院岳晓冬团队拓展改进已有CNN、Transformer分割模型，提出了基于全局上下文注意力的分割方法，并采用了多模型集成策略对血肿区域进行不确定性度量与分割，确保分割预测结果具有较好的鲁棒性与泛化性能，并在一定程度上弥补医生的标注缺失情况，在现场实时数据的测试中得到了各类专家的一致好评。

来自南方医科大学生物医学工程学院阳维团队在两个项目的比赛中均取得了好成绩。对于肺部 CT 解剖结构分割任务，他们提出采用多尺度和轻量级UNet分别解决细小血管分割、动静脉分割需要较大感受野等问题；对于头颅CT血肿分割与血肿量计算，采用nnUNet和nnFormer集成方式提升血肿区分割和血肿量估计精度，在各项指标中表现出众。

来自东北大学医学与生物信息工程学院齐守良团队秉承“one architecture fits all segmentation”的思想，基于3D-UNet模型实现肺部的肺叶，气道，血管，动静脉等的解剖结构分割。在模型decoder的部分采用深监督的方式，将不同分辨率的输出结果进行整合，从而生成模型的预测结果，在肺部各个解剖结构的分割任务中均取得了很好的效果。

2022年的ISICDM分割挑战赛将继续保持今年挑战赛的优点和特色，邀请更多算法专家和医生参与挑战赛的数据整理与发布，制定赛程和规则，以及担任挑战赛评委。相信随着更多专家学者的加入，明年的ISICDM挑战赛将会更加精彩，并有望促进相关技术的研发与落地。

附完整获奖名单：

近日，第六届全球人工智能与机器人大会（GAIR 2021）在深圳正式闭幕，140余位产学领袖、30位Fellow聚首，从AI技术、产品、行业、人文、组织等维度切入，以理性分析与感性洞察为轴，共同攀登人工智能与数字化的浪潮之巅。

在医疗科技高峰论坛上，东软医疗人工智能研究院院长，MDaaS事业群总经理黄峰博士以《AI助力解决医疗痛点问题的路径探索》为题，用“修路”和“跑车”来形容医疗新基建的价值。

在黄峰看来，医疗器械是大健康产业的“国之重器”，高端医疗制造业将是健康中国2030规划的重要载体。国内的医疗器械厂商也在不断提升自身研发能力和产业链整合能力。

在智能时代，越来越多的厂商也在进行“软硬结合”，但无论是传统企业还是创新企业，都有自己的创新侧重点。

作为一家设备企业起家的企业，东软更倾向于打造一个基于医疗设备和医疗影像数据的开放式智能服务平台，接洽更多的企业、医疗机构、科研人员、医患等，合力推动医疗生态的繁荣。

以下为黄峰博士的现场演讲内容，雷峰网&医健AI掘金志作了不改变原意的编辑及整理。

各位现场和线上的同事、专家，下午好！我是来自东软医疗的黄峰，前面几位专家都做了非常精彩的报告。

萧教授提到，传统影像公司一定是做全链条的，但是最开始一定要围绕着设备，像自动摆位、快速重建、低剂量的CT成像等等，都是围绕着设备的人工智能。

除此以外，我们也在做一些其它的布局，我就来汇报一下我们如何利用AI来解决目前医疗面临的一些痛点问题。

我国面临两大医疗痛点，一个是医疗资源不足，尤其是影像科医生的增长速度远远低于影像数据的增长速度；另外一个就是医疗资源分布不均。

从国家的角度来说，如何解决这两个问题，一个是AI+云服务，一个是AI+互联网。

AI+云服务为企业来讲带来了很多新的商机，比如按次付费、按例付费；而结合互联网的AI则是帮助企业创新商业模式。

从政策上来说，国家倡导互联网和人工智能相结合，来解决我们国家面临的两大医疗痛点。中央政府、各个地方政府都出台了很多文件，促进“互联网+、AI+”的落地，其中就包括数字影像服务和人工智能服务的收费标准，这对企业和行业来说都是非常好的事情。

东软医疗基于以上的这个背景想做一件事情，就是结合互联网，利用互联网搭建一个大的平台出来。我们给它起了一个名字叫MDaaS，全称“Medical Devices&Data as a service”。

它来源于软件即服务，也就是SaaS，我们把它变成了“医疗设备与医疗影像数据服务”。我们利用这个网络连接相关方，从设备到医疗机构、政府、科研机构、患者，我们把所有的利益相关方整合在一起，利用这个平台为大家服务，这就是MDaaS的想法和初衷。

MDaaS目前做了什么，这个平台是什么样的现状呢？

首先我们修了路，实现了基础平台的建设。

我们搭了几个不同场景的平台。第一个平台基于公有云，面向基层医疗机构的智能影像云平台，命名为NeuMiva，解决基层医疗机构诊疗能力不足的问题。

第二个平台基于私有云，面向卫健委所辖的医疗机构的省市级智能影像云平台，命名为NeuMica。

第三个平台面向专科化疾病的智能诊断和分级诊疗的平台，目前我们搭建了两个，一个针对脑卒中的eStroke，另外一个是针对肺部疾病的叫eLungCare。

我们把相关方都联系到了一起，这是第一步，好比修好了路。有了路才能跑车。

第二步，就是跑车：实现产业生态链的互通互联。

这些平台把设备、医疗服务提供者、患者、政府、科研机构和第三方服务提供者连接、融合起来，实现了数据的互通互联，也实现了人工智能产品在平台上的应用，比如产品的远程在线运维、远程在线辅助诊断、人工智能辅助诊断等。

我们修了路、跑了车，具体价值有哪些呢？

一个是助力了设备管理。

MDaaS平台首先连接起了东软医疗自己的设备。在全球，我们装机量共有4.1万多台套，从2016年我们开始部署MDaaS平台后，连接了3400多个设备，在线运行近2000台。实时采集设备9大类运行数据，包括：

系统稳定性数据、部件可靠性数据、系统部件寿命数据、扫描协议使用频率分布数据、扫描剂量统计数据、患者部位统计数据、患者处理量数据、工作流效率数据、性能维护状态数据。

同时，我们利用云端的数据对这些设备进行监管，把设备运行的情况反馈给医疗机构，帮助他们做更好的影像设备的监管和管理。

另外一个是助力了医疗机构，提升基层医疗机构的诊疗水平。

不管是公有云、私有云，还是专科化的云，我们在云端平台部署了大量的人工智能工具，比如科亚的、深睿的这些头部人工智能公司的工具。

这个平台相当于一个入口，所有的人工智能工具都部署在这个平台上。

当我们的平台部署到基层医院，基层医院不再需要花钱买那么多的人工智能工具，大大降低了基层医疗机构使用人工智能工具的门槛。

除了利用人工智能工具以外，我们还通过5G技术将这个平台连接起基层和专家。比如一个真实的应用场景：

我们在云端实时传输四条线，影像、声音、视频，以及病人相关的资料，5G零延时远程超声会诊, 可实现远程超声指导服务。

目前针对基层医疗机构的公有云平台NeuMiva，能看到现在这个平台上总共接入3000多个医学影像设备用户，服务量超过100多万次。这些数据实时变化的，那些红点就是正在使用的医院。

这种平台的建设，确确实实连接起来了基层医疗机构、远程的专家以及人工智能公司。为接入MDaaS平台的影像设备赋予了辅助诊断的能力。提升了医疗机构的诊疗能力，促进了分级诊疗的实现。

另外一个价值是助力医疗机构减轻数据存储的成本。因为数据存储有国家规定，医疗机构的门诊病历的保存期不得少于15年，住院病历的保存期不得少于30年。

这个不仅对大医院来说是一个负担，对基层医院更是负担，不仅要专门设置一个储存空间，配备专门人员，还要每年扩容，成本相对于存量来说偏高。

而我们利用云端的技术帮助它们解决了这个问题，所有的数据由我们来帮它存储、管理，并通过电子胶片展示全息影像的信息，以二维码和密码锁定，防止丢失或泄露。不仅实现了数据的互通互联和远程调阅，降低了医疗机构的数据管理成本，方便了医生的移动办公，改善了患者的就医体验，而且降低了传统胶片购买产生的数千万元支出。

目前我们已经通过与阿里云、中国电信、中国联通等云服务商的合作，东软医疗已经受用户委托管理了384万例影像数据。

同样这个平台也能帮助到病人。很多基层医疗机构的医生向我们反馈了他们用后的感受，表示当地的病人看病不再需要跑到大型三甲医院或大城市，在当地的卫生所或者基层医疗机构就可以享受到同样的医疗待遇。

因为我们的平台上有专家资源，当影像传输到我们的平台上，上海、北京的专家就能远程看病。这样的好处是提升基层医疗机构的整体能力，实现我们国家所号召的“小病不出村、大病不出县”的政策。

总体来说，我们的平台既能帮助到医疗机构、帮助到病人，还帮助到政府，推动行业和产业的医改、解决痛点。

我们有一个跟政府机构合作的医疗平台NeuMica，属于我们和政府机构合作，平台为政府机构所有，由我们来建设、运营。

目前辽宁省和黑龙江省都已经搭建起了这个平台并投入使用借助这个平台实现远程诊断、数字胶片运营等服务。这种模式我们也在不断地复制，希望推广到其它省份。

从经济方面说，平台将“降本增效”发挥出极大价值。

还有一个价值是赋能科研。因为现在不仅仅是医疗机构、政府和患者在使用这个平台，科研机构和人员也可以使用这个平台。

目前我们部署了两个专科的网络平台：一个是脑卒中平台，2019年成立，与首都医科大学宣武医院及其牵头成立的互联网疗诊治技术国家工程实验室，借助互联网和人工智能技术联合组建了eStroke国家溶栓取栓影像云平台，面向基层医院提供智能化评估和专家在线辅助功能，实现脑卒中的智能化在线解决方案。

这是一款针对急性缺血性脑卒中影像的自动智能分析软件，和首都医科大学共同建设的平台，是我们研发出来的NeuBrainCare里面最核心的一个产品，自动分析患者脑灌注图像及相关影像数据，做侧枝循环评估、组织窗评估，也可以做灌注图谱等等。

它属于eStroke本地版本，功能与效果上无差异，但处理速度与体验感比eStroke平台版更加优质。

这是eStroke平台整个的框架，以宣武医院为龙头，联系上一些省级的卒中中心、市县级卒中中心，形成一个以宣武医院为中心构建面向全国的卒中医疗网络体系。

既帮助基层医疗机构提升他们的水平，又能实现分级诊疗，让最佳，最节省的脑卒中医疗解决方案普及到中国的每一个角落。

这是真实的eStroke平台上的病历，所有的数据都是自动的，扫描后自动上传，3分钟返回报告。报告中包括了一些关键值的计算，从而实现7×24小时全天时帮助基层医疗机构。

如果病人对这个结果有疑问，还可以借助eStroke平台找到宣武的专家，进行进一步的分析和诊断。

这个平台目前在全国已经连接了83家医院，遍及全国22个省市，总共使用量已经有1.2万亿，真正帮助到了1.2万亿病人的卒中问题解决。

另外一个是在呼吸系统解决方案领域，NeuLungCare。公司与广州呼吸健康研究院（钟南山院士团队）、医科大学附属第一医院国家呼吸系统疾病临床医学研究中心联合组建了“呼吸影像大数据与人工智能应用联合实验”，创建了eLungCARE呼吸健康影像云平台，实现呼吸系统疾病的智能化在线解决方案。

我们没有做太多肺结节和肺炎的事情，当时和钟院士团队合作的时候，我们就想解决一些大家没有做的事情，减轻医生的工作量，把一些资历比较浅的医生、不会做的事情变得自动化。所以我们当时决定：一个是支扩，一个是COPD，一个是肺栓塞。

现在这个平台上的牵头单位就是广一医，有30多家医院在这个平台上。

我们2019年中成立这条线，2020年就碰上了新冠，所以我们也做了一些应对新冠肺炎的工作。但是主要的工作还是集中在上面三点。

此外，我们在这个平台上还搭载了一系列科研工具，基于共享数据、共享算法算力、共享人工智能工具，推动异地多点协同研发。

比如很多影像组学的工具都部署到了这个平台上，其中一个标注的工具叫飞标，可以实现半自动的标注。它是不断优化的，越往后越快。基本上是按照前面训练的算法先做一个基础分割，后面只需要做一些小的修改。前面是半自动化的，后面是自动化的。

这种方式极大降低了大多数人对算法应用的门槛。因为我们的平台要服务于很多非专业人员，医生有很多想法，他要用人工智能算法的时候，不需要对人工智能算法特别懂，完全拖拉式的、像搭积木一样的使用就可以，整个过程就变得非常简单。

而且异地多点协同创新促进了临床和高端医学影像设备技术的进步，最终也推动了东软医疗为用户提供更多更优质的服务。

目前我们已经和多所医疗机构和科研单位建立多点协同的产学研合作关系，包括朝阳医院、吉林大学第一附属医院、中科院自动化所、厦门大学等。

最后是赋能合作的企业。

我们现在这个平台上面已经部署了很多的头部人工智能企业的产品，通过这种合作，一方面是使得我们的平台的功能越来越强大，帮助到用户；另外一方面，是对更多的人工智能企业起到了一个促进的作用。

就像一开始我们讲的，我们是设备企业，并非特别专注人工智能产品，所以我们更倾向于打造一个开放式平台，和更多的人工智能企业进行合作。

通过这种合作的关系，来赋能我们的产品、设备，从而再推动我们的平台上能够跟更多的研究机构、医疗机构合作，推动整个医疗生态的繁荣。

所以总体来看，MDaaS平台就是一个人工智能的“新基建”，连接起了各个利益相关方，共同致力于医疗世界和更广阔的现实世界的发展。我的汇报就到这里，谢谢大家。

近日，第六届全球人工智能与机器人大会（GAIR 2021）在深圳正式启幕，140余位产学领袖、30位Fellow聚首，从AI技术、产品、行业、人文、组织等维度切入，以理性分析与感性洞察为轴，共同攀登人工智能与数字化的浪潮之巅。

在医疗科技高峰论坛上，AIMBE Fellow、深圳理工大学计算机科学与控制工程院院长潘毅以《人工智能在生物医疗学工程中的应用》为题，分别讲述了医药研究中的数据特征、AI应用生物医学的研究案例，以及知识和数据对医疗AI的重要性。

今年2月，潘毅教授当选为美国医学与生物工程院院士。

他同时是英国皇家公共卫生学院院士、乌克兰国家工程院外籍院士、英国工程技术学会会士，在计算机和生物信息领域已发表250多篇SCI期刊论文，其中100多篇发表于顶尖期刊。

潘毅教授表示，当大家关注到事物之间的关系，用万物互联的思路解决问题，用AI探索万物互联，不仅能输出定量化病理诊断和疾病预后，还能推动病理研究向着更加自动化、更加精准的方向发展。

“今天很多的医药进步，已经不仅是通过临床实验做出来的，还是用数据分析出来的。人工智能的解释是逆向工程，这个工作非常复杂，但是非常值得研究。如果可以实现，那么，我们就可以找到压抑癌症、压抑肺病的某一个蛋白质，从而以靶标精准用药。”

以下为潘毅的现场演讲内容，雷峰网&《医健AI掘金志》作了不改变原意的编辑及整理。

今天，我的演讲题目是《人工智能在生物医疗学工程中的应用》。人工智能是个大课题，生物医疗工程也很大。话题缩小一点，我们来谈谈AI制药。

01 生物医学研究已进入大数据时代

生物医学进入大数据时代，但是很多人处理数据的水平不高。原因在于计算机专家不懂生物，生物学家不懂编程，成果都不是很好。

对研究人员来说，常常面临工程上的“够用”和研究上的“低智”的矛盾。比如刚开始花了五百万提高到97%，如果还要再花五百万推进1%的进步，就会面临技术边际效应递减的问题。

很多人就放弃了，这是研究界很头痛的问题。

归根溯源，是什么在阻挠技术的进步？首先是数据。

计算机数据的结构巨大，我们耗用了大量的硬件和软件。大家熟知的超算中心、云计算平台、存储器，因为存储数量大、运算速度快、可以共享资源。

国家基因库里面放了很多基因数据，现在深圳理工大学也成为国家的生物中心之一（北上深各有一个）。

这个基因库不光是存储，还要提供很多工具和软件，即平台库，输入一个数据就出来结果，无需下载软件。

数据量大不是难题，难题是数据的异构性、多样性、增加速度快。

什么叫异构性？

在医疗数据里，有影像数据、特征数据、医生诊断报告数据、病历数据，它们不仅是多模态数据，也是非结构化数据。

另外，医学数据还存在天然的不完整性、保密性、冗余性、时许性、多态性等特征。如何在浩瀚的数据原油里提炼转化，是非常重要的一点。

02 人工智能助力生物医学大数据研究

人工智能在大数据领域已经有很广泛的应用，比如用基因组学预测疾病，研究新冠病毒变异。

我的一位学生创立了一家公司，可以用一滴血或者唾液，预测人一辈子将会发生的疾病。

此外，在智能化时代，精准医药也变得十分重要，今天的主题是药，我着重讲一下AI在制药方面的应用，比如针对每个人的个体特征而控制药量。

回溯一下AI在医疗方面的应用。2017年，斯坦福大学教授做了一个研究，给皮肤照相来预测皮肤癌症，这也是今后我们要做疾病预测的一个方向。

2020年，哈佛大学成功用机器学习实现药物筛选，带动深圳几个药物筛选的AI公司发展起来。

我们的魏彦杰团队与药物所万晓春团队，与深圳市三院刘映霞团队合作，针对RdRp靶点，用人工智能技术筛选新冠病毒药物，发布了论文并应用到社区疫情预防中。

同样在疫情期间，尹凌研究员团队研发传染病时空预测与精准防控系统，基于大数据做疫情防控研究，形成了十余份内参文档和政策建议，为政府决策提供依据。

他们团队的方法是基于大规模手机信令数据、居民出行调查记录等多源时空大数据，对传染病时空传播过程进行城市级别的高分辨率模拟与预测，得出病毒的变种归规律、传播规律、感染规律等等。

• 新型冠状病毒2019-nCoV动物宿主朔源、及分子遗传变异规律研究

• 本地家庭、社区人群中传播效能、传播规律和驱动因素研究

• 人群大样本感染水平研究，确定病例隔离周期、评估隐性感染情况

所以，我们总是能够看到很多人工智能技术发挥医学价值的例子。但说到人工智能，Artificial intelligence，它到底是什么？

“假智能”？“伪智能”？还是“人造的智能”？

不管大家如何定义，我要说的一点是，我们不要神化AI。

第一代人工智能出现在三、四十年前。

在我求学时，我学习的“专家系统”是一个最典型的AI例子。它和中医诊断系统中的“因果说”很相似。比如说舌苔发黄，眼睛发红，很可能是得了感冒。专家系统也是一样的逻辑，就是用知识驱动知识。

那么，专家的知识从何而来？从老师那学，从书本上学，从经验里学。

那时候的AI技术为什么不成功？原因很简单，它只是一个很小的“玩具”。专家们只能搞点小玩意儿，发点小文章。在60年代到90年代，如果你说你是搞人工智能，是找不到的工作的。

那么，为什么现在的人工智能会被大家熟知？关键节点是出现了第二代AI系统。

如果说第一代AI系统是“照葫芦画瓢”，那么第二代AI系统是“无师自通”。

第二代系统由数据驱动，无需阐明数据之间的逻辑性，只需要放进大量的数据，利用深度学习就能找到数据背后的统计规律。

说得好听一点是深度学习，说得不好听就是算法，算法里面就是统计规律。

但是这时候的AI系统没有逻辑、也没有可解释性。

举个例子，AlphaGo第一次在围棋上打败人类，掀起了人工智能研究的热潮，但其实AlphaGo只是把五千年来所有的棋谱输入系统，然后在博弈的时候搜索最可能获胜的招数，以数据、算力和算法获胜。

当时我们也推出了一款新产品，命名为ShouZhuo，成功打败了AlphaGo，并尝试继续迭代算法，一举写出一篇好论文。不幸的是，两周以后Alpha Zero出来了。它不断跟自己对弈，不需要五千年的棋谱，练到最后棋法越来越好，把所有人类都打败了。

我们的想法是类似的，但是我们为什么不能成功呢？我们发觉，假如我们的算法也像Alpha Zero这样无休止对弈、训练，凭借我们实验室的硬件，大概要用1000多年的时间，1000多年之后这个算法肯定就没用了。

说到底，人工智能还不聪明，还是依靠“数据+硬件”驱动。在拼设备的年代，还能拼什么？

所以，这时出现了第三代AI系统。它将知识和数据结合起来，融汇了第一代AI系统和第二代AI系统。

举个例子，什么叫知识驱动？我女儿两岁的时候被蜜蜂蛰了一个大包，以后再见到蜜蜂就会跑开，这是数据驱动。什么是知识驱动呢？从小你家里人告诉你，猫不能碰、狗不能碰、蜜蜂不能碰、蛇不能碰，以后你见到这些东西就会远离。

但是知识驱动是有缺点的，因为图片是有限的，以后你遇到老虎、遇到大象还是会碰，因为没有先验知识。数据驱动也是有问题的，需要通过大量的数据完成“原始学习”，过程很慢。

如何将两种学习方式结合起来，将知识嵌入到机器脑中，这是第三代AI系统的问题。

举个例子，假如现在用100万张猫和狗图像训练好了一个神经网络，也就是设置好了参数，它会很轻松地分辨猫还是狗，但是准确性如何升高，如何再调整参数？

这时候就要用到梯度调节，这就是神经网络的概念。但是如何通过知识驱动，就是嵌入一个概念：比如我把“狗的耳朵比较大，猫的鼻子比较小”的概念放进去，这个算法就可以学得更好、更快。

所以，如何将知识图谱注入神经网络是很重要的课题。

举个例子，用神经网络抠出图片中的人。左边的图为无监督分隔，没有嵌入足够的知识图谱，所以分隔得十分粗糙。而右边的图为半监督分隔，事先学习了天是蓝的、云是白的、人脸是黄的，人的衣服是黑色的知识，图像识别的效果非常好。

同样的知识学习还体现在AI识别手写0—9这10个数字的实验中。

尽管每个人的笔迹都不同，写字风格千差万别，但假如我事先编写一组规则：有圆圈就是0、6、8、9，有一竖的就是1、4、7等等，这样AI的识别结果会好很多。

另一个方法是融合多模态数据，是把所有数据融合起来决策。

要预测什么菜好吃，我们说闻起来很香，炒起来看着很好吃，味道很甜美，口感很滑，颜色很漂亮，这就是好菜。

但是我要给你一个融合的算法，告诉你这个菜是臭的（臭豆腐），吃起来是很香的，颜色也是很糟糕的，你说是好还是不好？这个决策就很难了。

所以，这里面的融合，要决定哪个因素有多少的比例，大家投票说臭豆腐好不好，来训练这个神经网络。

比如应用在自闭症预测时，多模态融合的分析方法诊断率极高。

具体来说是三管齐下：

第一管，行为学分析；

第二管，基因分析，抽点血找到生物标记；

第三管，建立MRI影像，找到病灶。

我们现在讲三管齐下，实际上不止三管，比如行为学可以一管分成三、四管，细分为表情、语调、动作姿势、脑信号。最近我们又做了一个眼珠转动的研究，发现自闭症的孩子，眼珠转动也不一样。

但复杂问题是，各种模态的确诊率不一致，如何判断可信模态，如何用算法融合，是前融合、中融合还是后融合

例如，后融合就是每个人决定做好了，再来做预测；中融合是中间算法加了东西，前融合是数据结合起来一起融合。这就很难，因为每个数据都不一样。

下面我们讲到这个三步曲，第一步是行为观察，这是不用花钱的，第二步是抽血，花500到1000块钱，第三步是照影像，大概1000到3000块钱。

我们希望在3年到5年时间，我们预测疾病能达到90%的可能性，这样就比医生的水平高了，当然这里面就涉及到伦理和法律问题。

现在看起来，我们好像对人工智能不信任。但其实我们以前已经在相信机器了，比如说10年前你看个肺病，就是用X光扫描，X光不准怎么办，医生就那么准吗？

所以今后就是这个方向——如何健全法律，让使用者可以在使用AI的时候没有后顾之忧。

我们最近还做了一个癫痫实验，也是三步走：脑影像中的特征、磁共振影像（MRI、三维），功能性磁共振影像。

具体来说，先对大脑做MRI成像，抠出来51个小特征，并结合SVM(支持向量机，support vector machines)分析脑成像中的灰色地带等特征。比如说，如果灰色面积较大，则有可能是癫痫。

第二步，MRI建立三维神经网。第三步加入时间轴，建立四维fMRI图。考虑到诊断效率和算力水平，我们所用的四维方法是加入LSTM（长短期记忆，Long short-term memory）的三维图像，以便减少训练时间。虽然减少一点精度，但是实际应用效果还是很不错。

03在医学研究中，要多做由结果找靶标的逆向工程

最后，在第三代AI系统中，还有一个方法是结果解释，这是一项逆向工程。

举个例子，如何让AI识别男女，我们经常是输入男性和女性的特征，比如头发的长短、身体的胖瘦、个子的高矮。但是从结果回溯，我们需要知道，AI到底基于什么比例做出的判断？

80%是因为你的头发比较长，10%的原因是你的个子比较矮小，1%的原因是你比较苗条。

为什么结果解释在医学中这么重要呢？

因为这是找到“靶标”的过程。

我来举个AlphaFold的例子。

大家知道氨基酸有20个字母，形成一个序列即氨基酸序列，这个序列可以产生一个结构。在生物界，蛋白质序列是很容易得到的，蛋白质结构是很难的。现在很容易基于氨基酸序列给出所有的预测结果，但如果由结果回溯，AI能不能得出序列？

如果可以实现，那么我们就可以找到压抑癌症、压抑肺病的某一个蛋白质，从而以靶标精准用药。

人工智能的解释是逆向工程，这个工作非常复杂，但是非常值得研究。

说到这，大家会问，为什么要用人工智能做药物筛选呢？人工智能技术在药物筛选流程中的哪一个环节？

在美国的药库中，目前有三万种药，在药物和小分子结构的耦合中，如果用生物实验来做匹配，至少要做3万多次实验，时间成本是多少？

人工智能能够用最快速的办法做筛选，最后排列出耦合度最高的前100种药物，再由人工实验选择出排名前几位的几种药物，极大降低研究人员的实验难度，缩小时间成本。

而在实际情况中，从药物筛选到药物上市，中间还要有经过生物实验、动物实验、一期、二期、三期临床，以便证明药的效果好，并且没有副作用。

如果我们在最初始阶段卡了脖子，整个过程将十分漫长。医疗济世，就会道阻且长。

可解释AI最近是个研究热点，而我们16年以前已经把可解释AI成功地应用于生物信息领域，有效指导了生物学家进行有选择性的生物实验，大大减少了生物实验成本。

之所以要用到可解释AI，是因为生物学家当时需要知道哪种氨基酸的变化引起了蛋白质结构的调整，以便下一步做有选择性的实验。

以上过程中能够看出，很多问题，如可解释AI，来自于实践，最后结果又用之于实践。

在2006年，我们发表了两篇可解释AI相关论文，一篇为《基于支持向量机和决策树的蛋白质二级结构预测的规则生成》、另一篇为《基于支持向量机和决策树的跨膜片段预测与理解》。

两篇文章用到了关联规则和决策树来记录人工智能的决策过程，以便回溯和解释整个决策的过程。

感兴趣的读者，可以阅读下面两篇文章：

https://ieeexplore.ieee.org/abstract/document/1603533

https://www.sciencedirect.com/science/article/pii/S0957417405002411

大家会提到基因组学、蛋白质组学、转录组学、微生物组学、代谢组学、病理组学、放射组学等等，组学研究越来越多。

之所以产生这些组学词语，是人们发现单纯研究某一方向（基因组、蛋白质组、转录组等）无法解释全部生物医学问题，开始从整体的角度出发去研究人类组织细胞结构，基因，蛋白及其分子间相互的作用。

通过整体分析反映人体组织器官功能和代谢的状态，为探索人类疾病的发病机制提供新的思路。

当大家关注到事物之间的关系，用万物互联的思路解决问题，用AI探索万物互联，不仅能输出定量化病理诊断和疾病预后，还能推动病理研究向着更加自动化、更加精准的方向发展。

总之，今天很多的医药进步，已经不仅是通过临床实验做出来的，还是用数据分析出来的。

随着科学的发展，医疗行业正在不断创新，科研力量的进步与医学界的需求，将共同促进医疗人工智能的发展。

微软在2021年4月12日宣布以197亿美元或每股56美元的价格收购上市公司Nuance Communications，其目标是“加速医疗保健行业的云战略”，当时预计会在2021年底完成收购。当时微软给出了23%的溢价，作为参考，Nuance在12月21日的股价是55.2美元。

该收购此前已经在美国和澳大利亚获得了反垄断批准，而这次的欧盟委员会表示“微软和Nuance提供非常不同的产品，交易不会显着减少转录软件、云服务、企业通信服务、PC 操作系统和其他产品市场的竞争。合并后的实体将继续面临来自其他参与者的强大竞争”。

不过微软还要过英国反垄断监管机构竞争与市场管理局（CMA）那关，CMA在12月13日表示将调查微软收购Nuance一案，对外征求意见的时间持续到2022年1月10日。

这是微软在2016年以260亿美元收购LinkedIn之后，涉及金额最高的收购案。微软本身也是“收购爱好者”，2018年以75亿美元收购GitHub，今年以75亿美元的价格拿下游戏公司B社，21年2月甚至传闻其计划收购市值540亿美元的Pinterest（但失败了），21年3月则传闻其希望以100亿美金收购Discord。

图源Reuters

Nuance Communications的前身是1992年成立的Visioneer，总部在美国马萨诸塞州伯灵顿，业务涉及OCR、语音合成、语音识别、PDF以及技术咨询，其2016营业额为19.49亿美元。

在国内，Nuance Communications并没有什么知名度，但可能大家都直接或间接用过它的技术和产品，因为它和苹果Siri也有合作。Nuance的语音识别技术非常有名，多年来一直被苹果、微软视为收购目标。

Nuance是医疗的对话式人工智能和环境临床智能的头部供应商，美国77%的医院都有用它的服务，其业务涵盖交互式语音响应 (IVR)、虚拟助手以及数字和生物识别解决方案等领域，Epic、汇丰、Verizon等大量医疗保健、金融服务、电信、零售和美国政府相关企业都是它的客户。

Nuance在2005年和ScanSoft（前身是施乐成像系统XIS）合并后，改名 Nuance Communications并化身“收购大师”，从2006到2018年的13年间进行了30多次收购，收购对象主要是语音识别和医学图像/文档/信息相关的公司。

雷峰网雷峰网雷峰网

据悉，这次融资吸引了君联资本、高榕资本、云九资本、五源资本、春华资本、山行资本、天图资本等国内外投资机构的加注。

资金预计将用于药物临床试验的开展，美国和中国IND申报项目，候选药物管线的研发；同时，用于积极推动商业授权引进和大药企合作，加快国际化进程，打造美国创新中心，加快公司技术平台升级迭代，释放“自主研发+平台赋能”的药研体系的能量。

近年来，人们对于肠道微生物的认知日益深刻。科研方面，多项研究成果在顶级期刊陆续发表，走入学术舞台中央。人们发现微生物与宿主间有着全面、广泛的相互作用机制，和健康息息相关。而源于微生物的微生态药物，具有来源丰富、安全性高、研发周期短、产量高、综合效应显著、适应症广泛等优点。据估计，微生态药物可渗透的市场规模达千亿美元。

一年来，全球微生态制药行业捷报频传，有口服药物已达到三期临床的主要终点；资本市场也对微生态制药企业投入巨大热情，法国生物科技企业MaaT Pharma近期在巴黎完成IPO，成为年度行业里程碑事件之一。

未知君成立于2017年，旨在通过微生物技术和生物信息技术，利用活体生物药和微生物小分子调节剂，实现疾病的缓解或治疗。

B轮系列融资期间，2021年6月，未知君的一款肠菌移植（FMT）药物获得美国FDA的临床批件（IND），正式进入临床试验阶段。

据美国FDA的公开数据，这是亚洲范围内第一个获批的FMT药物。目前，该项目在国内的申报工作也取得了重要进展，已于近期向国家药品监督管理局药品审评中心（CDE）提交了Pre-IND申请。

目前，未知君拥有五条自研的First-in-class微生态药物管线，与北京大学肿瘤医院、北京协和医院、南方医科大学南方医院等国内众多著名医院展开临床方面的合作，多款临床药物均展现出显著疗效。

同时，未知君积极通过商业授权引进、合作开发等方式，扩充药物管线，2021年5月，公司与三生制药达成全菌胶囊治疗肾病领域合作开发协议。成立仅四年，未知君的药物管线已完成对微生态治疗主要药物形态的全面覆盖，体现了公司将微生态制药从科研推向产业的高效落地转化能力。

生物信息技术方面，近一年，未知君的多组学计算平台实现算力扩容，临床分析平台的分析能力同比增长300%，全新的药物发现平台组建完成，AI算法快速迭代，在数据、算力、分析、药物机理发现等方向，均取得重要进展，实现数据驱动的病理挖掘，构建菌群基因组-代谢功能-菌株映射关系。

药物研发方向，未知君近期完成多个活菌药物研发平台的搭建，建立一系列体外功能筛选平台和动物疾病模型，有多个LBP候选药物进入临床前开发阶段。公司自主建立活菌药物发酵与制剂的核心技术，并建成一套与美国FDA达成共识的CMC体系。

此外，未知君近年来着力打造以美国波士顿为核心的创新研究中心，驻美团队快速扩大，短期内将覆盖生物信息、临床、生产、产业等多个领域，充分参与包括科研、产业合作、投资孵化、授权引进在内的全产业国际化链条。团队还在波士顿，纽约，费城，硅谷积极拓展国际合作，布局创新项目及未来技术储备。

谈及未知君下一阶段的发展战略，谭验介绍，近期全球微生态制药行业出现了一些明星企业和明星药物，说明微生态药物已经进入到了转化的成熟阶段。未知君将抓住这一发展机遇，开启“AI×BT”的新战略——持续优化公司业务架构，将AI与BT方面的技术、人才更深度融合，在自研药物和对外赋能两个方向齐头并进，进一步提升微生态药物转化效率，打造具有核心竞争力的技术平台；布局多条自研及License-in药物资产管线。

君联资本总裁李家庆称：“君联资本自2019年首次投资未知君，投资合作多年来，未知君在今年实现了在美国FDA获得亚洲首款FMT药物临床批件的重大milestone。谭验先生带领的团队展现出极强的综合能力及边界扩展能力，在AI制药、微生物技术、生物信息技术、合成生物学领域均有广泛布局，并与多家著名医院展开临床方面的合作。”

高榕资本副总裁乐贝林称，“作为‘第二基因组’的人体微生物，对维持健康和控制疾病发生发展至关重要。全球范围内对这一领域的科研如火如荼，微生态制药行业也迈入落地转化阶段。未知君作为国内AI的微生态制药公司，我们也不断见证团队在领先AI+BT技术、丰富临床资源、高密度人才三驾马车的带动下，建立了药物研发完整闭环，并已在临床试验中凭借显著疗效彰显硬实力。相信未知君将在全球微生态制药行业占有一席之地。”

云九资本创始合伙人曹大容称：“计算驱动的药物研发是云九资本长期关注并看好的创新主题，而微生态药物正是生物医药领域一颗冉冉升起的新星。肠道微生态与身体其他系统性病症之间的相关性关系正在得到验证，且学界讨论向科研成果转化的趋势愈发明显，研发空间可观。” 

五源董事总经理井绪天称：“微生态制药是我们非常看好的新疗法方向，未知君产品作为新的药物形态在FDA取得了临床许可是一个重要里程碑。我们相信随着算法和数据在新药研发中起到越来越重要的作用，中国基于临床资源和数据算法能力的优势，未来一定会出现有持续产出高临床价值产品能力的新一代生物技术公司。”

春华创投联席负责人邹凌称，“我们非常高兴能够继续支持未知君的成长。作为国内领先的微生态AI制药企业，未知君药物管线布局全面，科研进展领先。在过去一年中，未知君在谭验博士带领下取得了长足的进步，不仅管线首次进入临床，团队技术储备也日益雄厚。”

山行资本创始合伙人徐诗称，“肠道菌群的研究是近年来在医学、微生物学、基因组学等领域最引人关注的前沿研究领域之一，具有广泛的受益人群和市场。中国作为人口大国的生物样本多样性优势为研究肠道菌群提供了基础，尤其在创新层面，中国领先的大数据能力和基础设施也为该领域研究提供创新条件。谭验博士带领一支覆盖了生物信息、效果评估、菌株筛选及选剂工艺等环节的世界级专业团队，组建了一个复合的从用户到产业、从科学到商业的跨界优秀组织。”

一方面，以人工智能为代表的新技术，在医疗行业上下游经过几年打磨，明确发挥出辅助诊断、临床决策、科研合作等应用价值之后，如何明确其发展模式，形成持续迭代的产业范式，成为今年这个行业最重要的思考。

另一方面，互联网诊疗、数智化、蛋白质计算芯片、口腔手术+物流机器人等等创新手段、创新工具，也在今年医疗体系的各个方方面面生根发芽，尝试解决更多现代医疗难题，为传统诊疗方式提供新思路。

医疗一直都是传统行业，治病救人，看病问诊的传统模式和供需关系，几千年来都未曾改变；医疗行业也一直都在打破传统，从盘尼西林到伦琴射线，再到基因组学，每一次技术革新都带来翻天覆地的变化。

我们坚信在这一次次细微变革中，会有很多闪光点值得我们牢记。

借此，2021年，雷峰网推出了“2021最佳AI数智化年度榜”，它由”AI最佳掘金年度榜”升级而来，于2017年正式发起，是全国首个人工智能商业项目榜单评选活动。

在过去四年，有近2000家企业参选，经过多轮的筛选与评审，最终近200家极具商业价值的公司成功从中脱颖，入选四届榜单，成为各个领域的落地之王。

而在即将到来的年末，2021最佳AI数智化年度榜，则又启动新一轮评选，继续寻找AI+医疗、智驾、工业、未来城市、金融、安防等10多个行业的数智化领航企业，以及其数智化标杆项目，以为政、产、学、研、投五界的决策者，做权威参考与项目引荐。

AI为体，场景为用。在技术场景化落地层面，“2021最佳AI数智化年度榜”的考评指标，将包括单场景纵深/全场景服务能力、上下游产业链话语权、核心技术自主原创力、POC测试综合成绩、国际/国家标准制定经验等方面。

其中，在“医疗科技场景”领域，汇医慧影、深睿医疗、科亚医疗、医准智能、百洋智能科技、平安健康（检测）中心、腾讯健康、百图生科成功入选2021最佳AI数智化年度榜，并分别获得该领域的最佳创新医疗器械奖、最佳智慧医学科教平台奖、最佳临床辅助决策奖、最佳两癌筛查及公卫赋能奖、最佳区域影像云平台奖、最佳第三方影像诊断机构奖、最佳智慧医院流程优化奖、最佳AI新药开发平台奖（以上排名不分先后）。

最佳创新医疗器械奖：汇医慧影

汇医慧影是一家致力于计算机视觉和深度学习技术应用的国家级医学影像人工智能高新技术企业。

依靠图像深度学习的核心技术和多项专利技术，基于云计算、大数据、人工智能技术，汇医慧影目前拥有三大产品体系，完成从筛查、诊断、治疗决策支持的闭环。公司发掘数据资源价值行业领先且持续增长，汇医慧影以影像切入数据银行，成功连接医院并形成数据闭环。

目前，汇医慧影的AI产品已覆盖全球50多个国家，国内省市级卫生体系、各级医院、大型体检中心1000多家，以AI技术开拓全球市场，在连续两届全球算法大赛中击败多个国家对手获得冠、亚军。

在新冠肺炎期间，泰国总理、厄瓜多尔副总统、马来西亚和智利卫生部部长等人在社交媒体上为汇医慧影的技术点赞，成为海外的医疗AI明星企业。

汇医慧影以产学研为技术基因，在2021年同时获得3个国自然基金，现已与医院合作发表SCI论文64篇、摘要文章67篇，承担多个国家级、北京市级科委项目。荣获人民日报“健康中国”年度十大AI医疗创新项目、Red Herrin（红鲱鱼）亚洲百强、福布斯中国最具创新力企业50强等荣誉。

最佳智慧医学科教平台奖：深睿医疗

深睿医疗成立于2017年3月，致力于通过突破性的人工智能技术及自主研发的核心算法，为国内外医疗服务机构提供人工智能和互联网医疗解决方案，深睿医疗云集人工智能、互联网云计算、医学影像等多个领域专业人才，公司核心团队由医疗领域资深从业人员和来自国内外知名院校的博士和高级科研人员组成。

公司目前构建了包涵智慧影像、智慧服务、智慧科研、智慧云、智慧教育等在内的医疗人工智能生态体系，可提供从辅助诊断、患者服务、科学研究、医生培训全链路的人工智能服务。

今年，深睿医疗全新智慧医学教育新产品正式发布，深度挖掘医疗大数据所蕴含的信息，通过NLP和临床知识图谱技术，为医生提供专业的培训与教育新模式。该平台融入疾病知识图谱，构建了新颖的智慧专家教学系统，涵盖了学、教、训、研四大功能。

通过实战训练，培养医生科学的诊断思维，该平台可为多病种、多征象的医学影像提供辅助检测功能，结合临床信息、实验室检查数据其他多维特征，深度挖掘医疗大数据所蕴含的信息，为培养年轻医师提供了丰富的诊断教学应用场景。

最佳临床辅助决策产品奖：科亚医疗

科亚医疗成立于2016年1月，是中国AI医疗器械三类证首证企业，也是率先同时拥有中国NMPA、美国FDA、欧盟CE三重认证产品的人工智能医疗国际领先企业。

科亚医疗专注大数据和人工智能技术在医疗领域的落地应用，致力于用AI技术赋能医疗行业，推动临床路径实现精准诊疗，打造新一代人工智能医疗平台，为患者、医疗机构、生命科学研究机构提供精准医疗服务。

科亚医疗基于AI技术，从冠脉产品线出发，构建覆盖从筛查、诊断到治疗、随访全流程的AI产品服务体系，助力AI医疗产业链的健全。科亚医疗现有智慧心、智慧脑、智慧影像等系列共10余款产品。

目前，科亚医疗已成功与国内多省市标杆医院，共建人工智能诊断中心1100余家，其中80%为三甲医院，并已审批通过8省物价，另有13省物价正在审批中，累计覆盖患者超3000万人。同时在国际市场中，积极探索技术边界，孵化行业场景应用。

最佳两癌筛查与公卫赋能奖：医准智能

北京医准智能成立于2017年底，汇集了国内外顶级人工智能及医疗行业精英，从解决临床的实际需求出发，致力于打造全栈 式智能分析解决方案。

据2020年最新数据显示，乳腺癌新增人数达226万，乳腺癌正式取代肺癌，成为全球第一大癌症。两癌筛查工作也受到了国家各级政府的高度关注，2021年国家癌症中心中国女性乳腺癌筛查与早诊早治指南指出要对一般风险人群及高风险人群进行乳腺癌早筛工作。

医准智能自创立之初便将关爱女性健康作为发展目标之一，从深入剖析乳腺癌筛查痛点到运用人工智能技术实现从静态分析到动态实时、从单设备到全模态、从诊断分析到全栈式分析的乳腺健康方案全流程覆盖，推出乳腺全栈式智能分析解决方案，覆盖常规乳腺癌筛查设备，真正做到动、静结合。并于2021年创立“粉红关AI”品牌支线，践行粉红初心，将AI力量注入女性健康呵护中。在传播乳腺癌早筛、早诊、早治的重要理念和守护女性乳腺健康的道路上，实现更多可能性。

最佳区域影像云平台奖：百洋智能科技

百洋智能科技作为以AI为特色的医疗信息化升级服务提供商，其以医疗数据前结构化及AI算法技术平台为基础，以创新产品产业化为导向，为政府、医院、药企、医生、患者提供全链条、多场景的整体解决方案，致力于科技改善健康。

目前已联合国内十多家顶级医院研发不同医疗场景下的医疗AI应用，以智慧医疗技术优化医疗场景，展示了强大的医疗AI应用研发及推广能力，也在支持医疗信息化升级上助力医院智能化建设。

截至目前，百洋智能科技及其控股子公司已拥有自主知识产权数百项，申请发明专利几十项。未来，百洋智能科技将继续加大研发投入力度，以创新和自主研发的高科技术产品进一步扩大行业优势，不断创新、追求卓越。

最佳第三方影像诊断机构奖：平安健康（检测）中心

平安健康（检测）中心是中国平安大医疗健康板块的重要成员，以推进分级诊疗，促进健康业务发展，实现区域医疗资源共享为导向，依托科研级尖端设备、影像专家、纳米级的精密技术、更好的客户体验和医疗级的健康检测，打造线下线上一体化的影像诊断、医学检验和精密检查综合医疗服务业态，为广大人民群众提供更便捷、更精准、更安全的创新型健康检测服务。

截至目前，平安健康（检测）中心已经完成全国8家自营旗舰检测中心、9家医学检验实验室的网络布局，并通过共建、加盟、托管、移动等形式，在27个省落地600余家医疗终端。

作为第三方医疗机构，平安健康（检测）中心始终致力于提升区域医技服务能力，积极响应分级诊疗国家政策，承担多层次的医疗服务职能，推动区域医疗资源共享，化解医疗资源不均的社会难题。

在医疗服务能力方面，平安健康（检测）中心组建了一支由三甲医院权威专家和中青年骨干组成的专职医护团队，并引进256排低剂量螺旋CT、3.0T磁共振、PET/CT等顶级医疗设备，打造坚实医疗质量。

最佳智慧医院流程优化奖：腾讯健康

腾讯健康是一个为用户提供线上线下一体化服务的医疗健康平台，利用自身在连接和科技上的优势能力，连接全国超过3000家公立医院，帮助医院进行数字化升级，与行业各方一起探索“互联网+医疗健康”应用模式的升级，共同释放医疗供给端的优质医疗资源的价值，助力医院提升患者就诊体验与效率，满足患者“就医更简单”的诉求。

2021年3月，广西医科大学第一附属医院携手腾讯健康、广西和湛科技，利用互联网技术对就医服务进行全面数字化升级：4000多名医科大一附院医护人员整体接入腾讯健康开启在线门诊，“互联网+护理”上门服务和基于云医联体的一体化医疗服务亦同步上线。

用户打开微信支付界面中的“医疗健康”，即可快速进入医科大一附院，享受包括AI导诊、智能预问诊等覆盖诊前、诊中、诊后全周期的线上线下一体化医疗健康服务，实现对医疗健康的全流程体验优化和健康追踪，让就医更简单。

最佳AI新药开发平台奖：百图生科

百图生科利用超大规模图神经网络，从海量生物数据中提取高维度的靶点与疾病关联规律。

公司在北京和苏州建立了超过10000平米的高通量自动化实验室，通过自主研发的微尺度、高通量、超分辨等技术能力，构建了独特的细胞和器官模型，获得高质量的验证数据。在此基础上，通过干湿闭环实验的主动、强化学习手段，大大加速抗体药物的设计和理解过程，从而设计先进的、复杂的下一代抗体。

依托百度智能云等独特合作伙伴的强大底层能力，百图生科开发针对生物计算需求的超级计算集群、高性能蛋白质计算芯片、高性能图数据库、高等级的数据安全与隐私计算引擎，支撑EB级别的海量数据存储计算需求，让超大规模的蛋白质预训练模型、图神经网络靶点分析、蛋白质结构预测和模拟成为可能。

前沿领域创新，则是带动这股浪潮的核心力量。

如何从历史节点中找寻机遇，探寻医疗与科技的结合点，并在合适的时点实现商业化落地？

在今年的医疗科技高峰论坛上，19位医、产、研、投的行业领袖，分别从医学影像AI、AI制药两大赛道出发，为行业的发展提出自己的真知灼见。

四院院士、国际顶会主席、顶级三甲医院科室主任、投资界大咖...无论是嘉宾级别，还是议题的多元程度，都是近年来的最高水平。

以下是本次大会的精彩回顾：

潘毅：用第三代人工智能，助力生物医学大数据研究

作为上午场的开场嘉宾，潘毅教授以《人工智能在生物医学工程中的应用》为题，进行了开场报告。

他提到，生物医学已经进入大数据和AI时代，但有很多问题值得反思：每天产生海量数据，但处理数据的水平并不高，主要原因就是计算机科学家不懂生物，生物学家不懂编程，最后产出的成果质量也比较差。

潘毅教授认为：“对于生物学家而言，假设投入几百万成本提升研究工具，而最后的结果改进微乎其微，就会让研发工具的计算机科学家得不到认可。”

而人工智能技术，可以应用于人类生命研究和健康管理的多个阶段。潘教授着重分享了第三代人工智能技术的前景与应用。他表示，第三代AI系统，是把第一代的知识驱动和第二代的数据驱动结合起来，构造更强大的AI，其关键之处就是知识嵌入、多模态数据融合及结果解释。

潘毅教授分享了关于“多模态数据融合”的最新研究，将研究实体如基因、RNA、蛋白质、微生物、代谢物、通路以及病理和医学影像数据，用不同层次的网络来表示，从而可以使用计算方法来探索生物实体之间的潜在关系。

任峰：在失败率极高的制药行业，AI大有可为

第二位演讲嘉宾是，英矽智能首席科学官任峰博士，他的演讲题目是《人工智能加速纤维化药物研发》。

十天之前，英矽智能的全新靶点和新分子结构的候选药物，成为有史以来，首个进入临床试验阶段的AI辅助研发创新药。

演讲中，任峰博士详细介绍了IPF项目的研发细节，以及英矽智能的Chemistry 42、PandaOmics和InClinco三个AI平台的实际作用。

任峰表示：“AI在新药研发上可以做很多事情，例如擅长找到蛋白靶点，或者针对已知靶点进行老药新用，甚至是用在很多‘快跟’项目上。大家对于AI新药研发的想法应该更加深远，今天想到的新药分子、新的靶点都还只是一小步，接下来还需要向端到端发展。"

郭天南：诊断准确率超90%的AI+蛋白质组学技术

任博演讲之后，接下来西湖大学特聘研究员郭天南，以《AI赋能的蛋白质组大数据助力精准医疗》为题，发表了演讲。

郭教授的演讲主要分为六个部分：

第一，什么是蛋白质组学；

第二，蛋白质组学在临床的最新技术进展；

第三，蛋白质组学大数据的新概念，以及AI发挥的作用；

第四，AI助力甲状腺结节的诊断；

第五，AI在尿检中实现新冠肺炎分类；

第六，将蛋白质转化为Tensor的多维矩阵新概念。

郭教授表示：“AlphaFold2使用AI技术在蛋白质结构预测上取得突破性进展，但此研究的更大价值将在蛋白质组学中展现。想象一个战场，需要不同的兵种和武器，它们的性能就是蛋白质结构。要赢得一场战斗，需要知道各种士兵和武器的数量、性能、运行及修复方式，以及所有军力在整个作战系统中的互动，这个过程就是蛋白质组学。这就是蛋白质结构预测和蛋白质组学的关系。”

演讲最后，郭教授还重点介绍了一种新的蛋白质组大数据的展示形式的研究——怎样将蛋白质组数据转化成为Tensor的多维矩阵。

“张量可转化为视频，每个像素就是某个蛋白质的一个多肽片段，平铺后可以得到一副有规律的、就像宇宙的图像，呈间隔分布，每个间隔都是一个分子单位。”

宋乐：AI新药研发面临的三大挑战

上午的第四位演讲嘉宾是百图生科首席AI科学家、ICML 2022大会主席宋乐，他演讲的题目是《用人工智能赋能新药研发》。

宋乐博士提到，大家在憧憬AI可以在新药发现展现巨大作用的同时，还有三个问题要提前考虑。

第一，对一种疾病有足够了解，就要对身体每个器官，不同细胞的不同作用，细胞之间的通性有足够了解，这会是一个非常复杂的网络，需要获取分子在细胞膜上接受、在细胞里互相调控，细胞里的蛋白质基因表达等等很多种信息。

第二，需要面对包括基因测序、表观组，蛋白质表达、蛋白质代谢，组织层面、机理层面等不同维度、多尺度数据的融合处理难题。

第三个挑战，是人与人的层面，AI模型药物分子或靶点发现过程中，数据分析与试验往往是两波人，他们之间想法有时候比较冲突，有时候沟通比较久，缺乏一个非常高效的系统，将预测、模型输出和试验系统进行整合，加速迭代。

圆桌论坛：AI制药是一场技术革命，找到闭环是关键

上午的最后一场，进入了“AI新药投资人讨论”环节，这是国内关于AI新药研发的投融资和下一步发展的顶级讨论。由阿里健康投资部执行董事秦祯主持，出席圆桌的四位顶级投资人分别是：

高榕资本合伙人杨昆、深创投执行总经理、健康产业基金投资部总经理周伊；邦勤资本总经理&创始合伙人刘明宇。

围绕AI新药研发产业的发展现状和资本倾向，深创投执行总经理周伊先发表了自己的看法。

他认为，AI制药刚刚起步，通过AI制药技术来发现的分子或者靶点，还没有得到临床的验证。如果后续更多的案例可以跑通，大家对AI的信任度和依赖性会越来越高。“我不希望AI制药也像AI医学影像一样，大起必然会有大落。对创业者来说，AI制药是一个不错的选择，但不要太着急，做药本来就慢，还是需要跨过很多坎。”

邦勤资本总经理刘明宇认为，“如果新工具是一场技术革命，就有可能颠覆传统的游戏规则。AI制药目前还需要一定突破口，去验证和传统的思维方式的差异，但AI制药的‘工具’属性更强。”

圆桌对话中，四位投资人还讨论了AI制药高风险的问题。

对此，高榕资本合伙人杨昆表示，对于AI制药的前景和风险，需要从产业闭环的角度来看问题。以AI诊断为例，在临床中有实际作用，但其商业化表现在中美各异。而AI制药的试金石会来得更快。

目前很多AI研发药物处于临床前期阶段，一旦进入临床阶段，会面临两个问题。首先，进入临床阶段意味着企业将进入新药公司估值体系；其次，AI筛选出来的分子对比科学家研究出来的分子效果几何有待验证，新药研发天然有一定失败率，也将对行业和企业造成一定影响。未来两年，AI制药企业可能迎来“上天”和“落地”的分化。

阿里健康投资部执行董事秦祯总结道：生物计算，更多会从静态预测往动态方向走，AlphaFold2是一个三维结构的构象的截图，未来对它的预期会从照片变成录像，真正看到蛋白如何运动。

另外，从蛋白质的预测到RNA二级结构，现在还有三级结构，把它的结构和运动连接在一起，这也是一种趋势。

第三，干湿实验数据结合，要不断地有闭环，有新的真实实验数据，再反哺到算法里面去，这也是大家期待看到的AI制药趋势。

萧毅：医学影像AI已有头部效应，三个价值将得到验证

在医学影像AI分论坛的开场报告中，上海长征医院影像科的萧毅教授发表了题为《医学影像AI发展的变量与新动能》的演讲。

萧毅表示，随着对疾病诊疗认识的增加，医学影像人工智能产品也进一步横纵结合，往更深更广发展,而完整的解决方案才是真正服务于临床的好的产品。

萧主任以目前行业内较为领先的几家AI公司为例，分享了它们在临床、科研方向上的布局。

但是，医疗AI依然面临商业化难题，“ AI头部企业现在还有着失血之痛，没办法进入医保，头部AI公司即便已经完成IPO，也处于只流血、无输血、不回血的商业断链的窘境。”

不过，放眼未来，在分级诊疗的大背景下，基层医疗机构的服务需求将快速增长。与此同时，三类证陆续下发，头部公司充分展现良好的临床、经济和社会的价值后，医疗AI企业将迎来新的创业命题和新的增长周期。

张笑春：方舱共享医疗体系，是大势所趋

张笑春主任是广州妇女病儿童医疗中心影像部负责人，现任中国医疗器械行业协会方舱医疗分会主任委员。

她表示，5G+AI+脑机接口等新技术的革新，已经让现在的医疗生产关系发生了巨大的改变。张笑春主任着重分享了“方舱共享”医疗模式的建设成果。

她认为，后疫情时代，医疗执业人将开启怎样的医疗模式？一定是建立具备某种功能或者组合多种相关功能的移动智慧共享集成的功能载体，也就是方舱共享医疗体系，这是大势所趋。而医生、科学家、企业家、政府职能管理者，要有一切工具皆为我所用的心态，要有驾驭高级智能工具的能力和信心。

袁进：以前我们谈眼科人工智能，今后要谈智能眼科

作为分论坛的第三位讲者，中山眼科中心副主任袁进教授在近几年积极带领团队完成超高分辨率OCT、眼科多模态成像系统等眼科新型成像设备的设计与评价，以及眼科人工智能诊断云系统等智能分析技术的开发。

在演讲中，袁进教授表示，AI产品的研发有三要素：算法、算力和数据。而数据是至关重要。

为了方便研发人员进行产品开发，中山大学中山眼科中心将金标的眼底数据集进行了全球公开免费发布，命名为iChallenge。目前，全球已经有2000多个团队利用该数据集开发了临床AI应用。

袁教授认为，以前行业谈论更多的是眼科人工智能，现在这个概念应该扩大为“智能眼科”：以人工智能，以及5G、可穿戴、高清成像技术、新一代机器人等新时代的技术，融合到临床上应用，打造真正的智能眼科，而不仅仅局限于眼科人工智能这样的概念。

目前，袁教授团队正在与深睿医疗合作，推进一个全天候、多场景、交互式的视觉功能导航系统，打造一个对低视力和盲人的全新智能视力辅助系统，以改变这类人群的生活质量。

李育威：医疗AI产品未来商业化的确切道路

下午的第四场演讲嘉宾是科亚医疗首席科学家李育威，他演讲的题目是《从临床需求出发-AI产品的商业化之路》。

在上午的演讲中，有投资人曾提到医学影像AI的商业化难题，而作为我国医学影像AI三类证产品的首证企业，科亚医疗也是做过最多医疗AI产品商业化探索的先驱者之一，在演讲中，李育威博士对于医疗AI产品的研发、临床验证与合规性落地、物价审批与商业化模式进行了介绍。

李育威博士表示，作为行业的头部企业，回顾科亚医疗过去几年的发展，其实特别像整个医疗AI的进化史，我的感受有两个：一，不容易；二，幸运。

“最早在2016年我们就开发了深脉分数的核心算法，当年年底已开始进入临床试验，之后从2018年进入药监局创新医疗器械特别审批通道，到2020年初正式获批，落地时间周期大大超出了我们作为科研人员的意料；”

“而幸运也是同样的原因，我们有幸成为了填补国内医疗AI产品监管落地空白的第一家获批企业，从零开始和监管部门，尤其和药监局一起探索出怎样才能让我国医疗AI产品落地，让科亚积累了深厚的医疗AI产品商业化经验，懂得如何从最开始就围绕医疗AI产品商业化，进行有针对性的产品设计、数据及算法研究到临床应用的落地。”

黄峰：传统影像设备公司，要学会“修路”和“通车”

下午的第五位演讲嘉宾是东软医疗首席科学家黄峰博士，他的演讲题目是《AI助力解决医疗痛点问题的路径探索》。

黄峰博士表示，大家对于传统影像设备公司的人工智能应用，最多的概念是自动摆位、快速重建、低剂量CT成像等等围绕设备的人工智能应用，但是如何能够进一步满足用户的临床需求？

基于医疗AI的落地、商业化、医疗资源不足和分布不均匀等问题和现状，东软医疗研发了一个平台MDaaS，致力于连接医疗设备和医疗影像数据，从而服务于医疗生态的各方，并对从设备到医疗机构、政府、科研机构、患者等所有利益相关方进行整合。

具体来说，黄峰博士认为MDaaS主要做两件事，修了路和通了车。

修路是指，MDaaS在内部搭建了几个不同场景的平台服务，包括面向基层的医疗机构智能影像公有云平台NeuMiva，面向专科化疾病的智能诊断和分级诊疗的脑卒中平台e-Stroke和肺部疾病平台eLungCare。

通车是指，实现生态链互联互通，把设备、医疗服务提供者、患者、政府、科研机构和第三方服务提供者连在一起，实现数据互通互联，以及人工智能产品应用。

IEEE Fellow圆桌对话：做高水平的学术研究和产学研的对话机制

医学影像AI分论坛的IEEE Fellow圆桌对话，由雷峰网和图像计算与数字医学国际研讨会（ISICDM）联合主办。由南方医科大学生物医学工程学院的冯前进院长主持，出席的各位嘉宾分别是：

蒋田仔，中国科学院自动化所研究员、IEEE Fellow；

周少华，中国科学技术大学讲席教授、IEEE Fellow；

李纯明，电子科技大学电子工程学院教授、IEEE Fellow；

彭汉川，东南大学脑科学与智能技术研究院创院院长、IEEE Fellow；

郑冶枫，腾讯天衍实验室主任、IEEE Fellow。

在当天的对话中，六位嘉宾的讨论主要以治学和产学研融合两个层面展开：

关于治学层面。蒋田仔教授认为，大家都希望做高水平科研，但什么是高水平科研是一个认识过程，每个人的标准可能不一样，同一个人在不同的时期也不一定一样。蒋田仔教授从本科到博士都是数学专业，在2000-2010年的十年里基本都在从事临床基础研究，发表了一些高水平，但无法解决临床现实问题。在申请973项目时确定以临床需求为切入点，做对学科和社会有意义的研究，这样的论文才会体现其真正的水平和价值。

对于这个想法，周少华教授给予了认可，他表示："在西门子医疗工作时，是误打误撞才有幸进入了这样的研究，做的很多问题都来自于临床，医学影像的学术研究，从临床问题切入是一个比较好的途径，临床问题是许多重要问题的来源。”

李纯明教授也认为：“医学影像的技术研究不能迷信某一种技术，例如大家对深度学习的研究非常多，在很多领域都应用得很好，但也不能什么问题都用深度学习解决。最终要看能不能解决实际问题，满足临床需求，而且切实帮助医生提高工作效率，造福患者。”

各位学者讨论的第二个话题是产学研如何实现融合。

彭汉川教授认为，医生有很多实际的工作痛点，都可以由工科人来解决。例如，医生需要把接触到的数据样本或者临床样本记录下来，这就需要一些顺手的标注工具。因此，在十几年前，彭汉川教授就开发了一套工具，让医生能够有效对三维数据进行快速标注。

作为腾讯天衍实验室的负责人，郑冶枫博士也从产业角度，介绍了自己开发主动脉瓣膜微创置换手术导航系统的经验。他表示，在不扫X光、不打显影剂的情况下，准确找到瓣膜位置相当困难。也正是在和医生交流后，甚至是穿上铅衣到手术室观摩之后，才有了导航系统的建设思路。

最后，冯前进院长也作了总结，他认为，不同的观点需要充分表达，这是一个论坛的价值所在。医学影像分析是一份跨界的工作，需要研究者们从实际的临床问题出发，不断优化方法和结果。相信，五位IEEE Fellow的治学经验，也一定能为国内的青年学者指明一条清晰的成长路径。

由于篇幅有限，GAIR 2021医疗科技高峰论坛的嘉宾演讲与圆桌对话精华，后续将会单独推出，敬请期待。

近日，第107届北美放射学会（RSNA）落下帷幕。作为全球医学影像技术及应用发展的风向标，北美放射学年会是分享“后疫情时代”发展经验的一次难得机会。

因此，即便是在疫情仍未完全缓和的美国，也有超19000名与会者现场参会，另有4000多人在线与会。

大会设有2000多场报告、1500个教育展览、300多个教育课程以及571多家参展商的先进放射学创新技术。其中，95家为AI类厂商。

据雷峰网《医健AI掘金志》不完全统计，今年国内与会的厂商有10多家，分别为万东医疗、东软医疗、深透医疗、思创贯宇、安德医智、上海瑞钼特、深圳安健、联影医疗、友通科技、迈瑞医疗、纳米维景、深圳安科、蓝韵影像。

值得注意的是，本次大会，没有一家中国本土的纯医学影像AI企业参展。这其中有疫情的影响，但是，医学影像AI行业本身的变化也不容忽视。

雷峰网医健AI掘金志与多位产业人士及一线医生进行了对话，尝试对“重塑”过后的影像行业及AI技术提出一些观察和思考。

三大关键词与一个基调

今年的RSNA有三个强调的关键词：多样性、公平性和包容性（Diversity、Equity、Inclusiveness）。

“新冠肺炎凸显了世界各地的卫生不公平现象以及多样性和包容性的重要。”RSNA 2021主席Mary C. Mahoney医学博士说，“从目前的讲者、会议、展示项目来看，RSNA 2021将突出这三大要点，并为与会者提供专家指导和工具，在他们的实践中促进DEI文化和举措。”

另一方面，作为全球最大的放射学盛会，RSNA时隔一年回归线下，传递出了行业直面疫情危机的信心和决心。而这种决心尤其表现在今年RSNA会议的主题上：Redefining Radiology，重塑放射学。

“重塑”，成为本次年会的基调。

会议现场，RSNA2021主席Mary C. Mahoney博士做了题为《重塑放射学：未来之路》的开场报告。

她指出，“新冠疫情虽然严重影响了我们的工作和生活，但也让我们变得更加睿智和从容。我们从中学到了适应力、同情心、以病人为中心、多样性、公平、包容、文明和团结，并将这些应用到我们的日常工作。我们可以将放射学重新定义为一个‘以价值为基础、以服务为导向’的专业，将患者视为我们的伙伴。”

在演讲中，Mahoney博士也强调了成像技术创新的重要性，并认可了AI在放射科工作流程中的作用。

“通过技术创新，可以改善我们的工作流程，进而自由地专注于真正重要的事情——患者关怀。”

大会主席Mary C.Mahoney

北京和睦家医院的放射科主任陆菁菁教授，对Mahoney博士的观点表示认同。

她说到，“重塑影像学”是由疫情导致的医疗问题所启发。疫情凸显了医疗资源分布不均衡的问题，导致需要的人得不到相应的医疗服务，尤其对于肿瘤和慢性病患者。我们在疫情后会遇到患者"补偿式看病"，导致工作量突然上升。”

作为放射科的医生或管理者，都要努力为之提前做好适应性准备，前瞻性主动管理。正如像Mahoney教授说的："We need to become less reactive and moreproactive."

医生对AI的研究认知进一步深化

2019年，RSNA主办方将人工智能展区扩展成一个专门的展馆，还将传统RSNA的两个展馆扩展到了三个，这在RSNA历史上非常罕见。

由此，AI也一直成为了RSNA研究的重点，今年也不例外。

陆菁菁教授表示，“今年RSNA上的论文，疫情相关的影像研究和影像AI研究仍然是两大热门领域。在AI方面，研究者们的认识逐渐深入，更加考虑其理论基础、外部验证、泛化能力和可解释性。”

比如，陆菁菁教授的研究组在会上有一篇口头报告论文，"Multi-Organ Universal Lesion Detection in CTscans: an Independent External Validation"（CT扫描多器官普遍病灶检测：独立的外部验证），是将经过内部验证的多器官疾病探测算法在真实世界的数据环境中进行了外部验证，相比之前多数在内部进行验证的研究，外部验证的研究更能提示模型的实用性和鲁棒性。

另外，大会中有一篇AI研究方面的获奖论文，也提到外部验证的观点：“Pre-operative Radiomics Model For PrognosticationIn Resectable Pancreatic Adenocarcinoma: Multi-institutional Development AndExternal Validation"（可切除胰腺癌术前放射组学模型预测：多机构发展和外部验证）。

在这篇论文中，一共纳入了欧美国家多中心来源的500多例胰腺癌患者，进行了术前组学预测预后模型的外部验证研究，呈现了客观可信的实验数据，对模型进行外部验证。

当然，在学术研究之外，在FDA连批数十款AI产品、NMPA接连下发三类证的趋势下，医疗AI产品现今的成熟程度，是否已经成为医生“顺手的临床工具”？

医疗AI公司深透医疗的临床顾问、芝加哥大学放射学专家Paul Chang教授，在分析今年医疗AI的市场趋势时说到了几点：

人工智能影像应用已经跨过了过高期待的HYPE（炒作）阶段，在技术发展曲线中，当前处于一个从期待过高后跌倒低谷再重新走入真实的应用，产生更大价值的临界点。

而目前亟待解决的问题是，如何尽可能缩短这个低谷期，加速发展。

陆菁菁教授也谈到，“临床工作中的AI使用还没有很好地嵌入临床工作流，这也是国内AI产品发展的局限性。而国际上各大AI公司基本都打通了各种PACS对接，各种大品牌的PACS公司，也开始接受AI公司的模型集成。”

她表示，“以我一直关注的Nuance公司为例，在AI整合到影像报告工作流各个方面都走在前沿，其产品非常符合影像医生的期望。”

另外，AI产品方面还是略显任务单一，主要还是包括常见的肺结节、炎症、气肿等，骨折探测，脑卒中处理方案，心血管处理方案，乳腺超声钼靶等AI产品。

因此，医疗AI需要思考的是，如何将AI进一步融入临床工作流，探索使用体验更好的AI产品。

Paul Chang教授认为，医疗AI最重要的几个关键点是：首先，要由真实的临床价值带来真实的商业价值；

此次，如何将产品方向往更真实的临床场景推动，做一些真实临床需要的提升临床效率与数据质量的应用；

第三，标准化，AI解决方案成为临床标准流程的重要环节。

由此看来，医生对AI的学术研究及产品认知，进一步深入。

器械与医疗AI的跨界融合

在RSNA的会场上，GPS、东软医疗等厂商现身会场，带来了自己一年来的新动作。

GE医疗在 RSNA 2021 上推出一系列医学成像模式的新产品，其共同主题是：提高放射科室和成像中心的效率，介绍包括新的 MRI 系列和新的 CT 扫描仪。

飞利浦在 RSNA 2021 上聚焦新型增强、供应商中立放射学工作流程解决方案和可扩展的智能连接成像系统，透露了有关其新型1.5T和 3T MRI 扫描仪的详细信息，以及基于软件的工作流程增强功能。

西门子医疗在RSNA 2021 展台上的主要亮点是一款名为 Naeotom Alpha 的新型光子计数 CT 扫描仪。

与传统 CT 技术不同，它使用一步转换过程将 X 射线光子转换为电流，然后产生医疗图像，而不是传统 CT 使用的两步过程。光子计数扫描仪还分别评估每个光子。

作为国内较早出海的大型医疗装备企业，这是东软医疗连续第22次亮相RSNA。

东软医疗副总裁、国际业务中心总经理张丹向雷峰网表示，连续参展22年，可以看出东软医疗对积极参与业界交流活动，分享经验非常重视，也表现出了（东软医疗）将开拓国际市场摆在更加重要的位置。

同时，这次会议也会为东软北美，南美等地区的渠道和客户提供一个窗口。据张丹表示，目前，东软医疗的产品和服务覆盖了全球110多个国家，总装机量达41000余台。

在本次RSNA展会上，东软医疗展出了NeuViz 128 CT、NeuViz ACE(SP) CT以及NeuMR 1.5T 工作站。

东软医疗RSNA2021展台

在软件层面，东软医疗与IMEXHS公司签订全球战略合作协议，将MDaaS（医疗设备和医疗影像数据服务）的范围延伸至海外。

在今年的CMEF上，东软医疗CEO武少杰曾向雷峰网说到，“从业务模式角度来看，设备商做的不再是一次性的销售行为，而是要和医院的临床业务进行结合。因此，MDaaS业务的核心属性是‘服务’，与患者的流量和医疗数据的分析、处理相关。”

所以，MDaaS将会为更多的客户提供基于AI的多专科云诊断服务。

深透医疗现场展位

展台上，深透医疗分享了一些新技术：通过SubtleMR实现AI影像增强的快速高精度脑部MRI扫描，在3倍加速情况下得到质量和分辨率更好的影像，通过多中心定量化验证其在临床脑分区分析中的准确性。

深透在大会期间达成了几项合作：

一是上下游AI公司的合作，如深透医疗影像采集上游AI应用与AIDoc影像下游分析急诊应用；

二是与医疗设备公司的合作，西门子将深透医疗旗下SubtleMR™ 相关模块作为前装软件整合进其西门子最新一代MRI机器，SubtleMR™ 将无缝集成到西门子的图像重建管道OpenRecon中，实现进一步提速、增强图像质量、赋能智能设备。

近几年，“软硬结合”成为行业的关键词，与医疗器械公司牵手，已经成为AI公司较为常见的合作方式。

此前，柏视医疗的董事长陆遥教授就曾向雷锋网表示，“器械商本质上要通过平台化的形式来提供服务，满足用户的软性需求，比如说临床培训、科研，会是未来器械商们发展的重点方向。”

而医疗AI公司带来的价值则是，让器械商更灵活快速、更专业地解决临床需求。

据深透医疗CEO宫恩浩透露，与西门子医疗的合作规模预计超千万美元，未来将进一步影响西门子医疗在60亿美元MR设备的布局。

深透医疗的另一项合作是与药企拜耳。

目前全球造影剂市场约70 亿美元，然而造影剂注射器和耗材及配件的高成本在一定程度上抑制了市场的增长。造影剂所产生的安全隐患也驱动了造影剂行业更安全、更低剂量、更高质量的大趋势。

而AI技术的作用在于，可以大大提高图像采集的质量和速度。

例如，全球每年有 3000 多万人次注射基于钆(Gadolinium)金属的磁共振造影剂。深透医疗的SubtleGAD，目的在于提高MRI检测质量且减小MRI检测中钆沉积等潜在风险和问题。

这项合作的规模预计达数千万美元。

所以，从上述的一些成果来看，解决方案和服务，越来越成为硬件厂商和药企的额外价值点，这也为AI厂商提供了更好的合作机遇。

结语

由于中国医学影像AI厂商的“集体缺席”，今年的RSNA在国内似乎没有太多的讨论。不过，变化都在悄悄发生。例如，AI驱动影像加速和低剂量、数据共享、网络信息安全。

在这些方方面面，影像科医生、研究者及AI厂商仍有不少的事情要做，认知及研究方式进一步优化，“重塑”也将是一个长远的过程。

正如陆菁菁教授所言，医生要把宝贵的综合和分析能力用在对患者病情的全局把控上，用在需要人类高等智慧和情感沟通的事情上，更好地以患者为中心服务，也能更好地从事科研探索。

【明天！年底最强产学研医疗科技高峰论坛即将启幕】

2021年12月9-11日，由雷峰网主办的2021全球人工智能与机器人大会（GAIR 2021）将在深圳启幕。医疗科技高峰论坛将同步召开。

「医疗科技高峰论坛」，已成为GAIR最受学者们关注的专场之一，往届嘉宾有三院院士Demetri Terzopoulos、IEEE Fellow田捷、沈定刚、张元亭，斯坦福大学医学物理系主任邢磊、瑞士苏黎世理工学院机器人所长Brad Nelson、香港大学新兴技术研究所所长席宁等知名学者出席。

同时，微软亚洲研究院副院长张益肇、飞利浦大中华区CTO姚智清、商汤科技副总裁张少霆、科大讯飞智慧医疗事业部总经理陶晓东等企业代表出席。

今年的医疗科技高峰论坛，延续往年的高标准、话题性与产学研融合的特色，已成为最前沿和最具影响力的医疗行业高端论坛之一。

本届论坛将分为两个重要专场：「AI新药研发」和「AI医学影像」，一面聚焦冉冉升起的创业风口，一面畅谈成熟赛道的未来走向。我们邀请到了多位学术领军专家、赛道标杆企业代表、顶尖投资人，共话AI与医疗的道与术。

本届医疗科技高峰论坛的议程，由此前的半天扩增为一天，由原先以医学影像AI为特色，延展至“AI制药+AI医学影像”双轨并行。

GAIR 创立于2016年，由鹏城实验室主任高文院士、香港中文大学（深圳）校长徐扬生院士、雷峰网创始人林军等人联合发起。

历届大会集结了多位图灵奖、诺贝尔奖得主、35位院士、25位人工智能国际顶会主席、100多位 Fellow，同时也有400多位知名企业领袖和100多位知名投资人，在粤港澳大湾区有着首屈一指的政、企、学、投四界的号召力和风向推动力。

峰会三大看点

1、医疗AI同类型会议的最高规格

从深圳理工计算机科学工程院院长潘毅、到ICML 2022主席宋乐，再到蒋田仔、周少华、李纯明、彭汉川、郑冶枫共5位IEEE Fellow ，这次医疗论坛的嘉宾阵容，达到了医疗AI同类型会议的最高规格。

2、资深医疗投资人，解析未来创业方向

医疗科技的投资人圆桌论坛，更是整个GAIR（第六届全球人工智能与机器人大会）中唯一的投资经验分享，深创投、阿里健康投资部、高榕资本、邦勤资本四家医疗长期投资机构，分析医疗AI行业现状的同时，还能看到更多未来创业方向。

3、一线临床医生、蛋白质组学学者等更多AI应用型元素

中华医学会放射学分会委员、中山医院眼科副主任、湖北新冠肺炎临床诊断标准提出者、更多专业的顶级药学、生物学专家，这次医疗科技论坛更是延续了往届的传统，邀请到更多一线应用专家，争辩更多应用型难题。

2021「应用之王」医疗AI新业态，AI制药新趋势

9:30-10:10《人工智能在生物医学工程中的应用》

潘毅

中国科学院深圳理工大学计算机科学与控制工程院院长、讲席教授；中国科学院深圳先进技术研究院首席科学家；

他是美国医学与生物工程院院士、乌克兰国家工程院外籍院士、英国皇家公共卫生院院士、联合国科学院院士、广东院士联合会会员、长江学者；

入选全球前2%顶尖科学家榜单，入选世界顶尖1000名计算机科学家榜单；

2013年被中国校友会网评为杰出高考状元；2017年入选中国大陆高考状元职业成就排行榜；

深圳机器人协会理事长、深圳物流机器人产业联盟理事长。

任峰

10:10-10:35《人工智能加速纤维化药物研发》

任峰博士是AI制药公司——英矽智能的首席科学官。

任峰于2007年博士毕业于美国哈佛大学化学系。十余年跨国药企（葛兰素史克）小分子创新药物研发经历。历任葛兰素史克研发部首席研究员，副总监，总监，化学部负责人。成功研发出治疗帕金森病、多发性硬化症、疼痛、以及银屑病等多个临床候选化合物/临床化合物。

2018年，任峰加入上海美迪西，历任副总裁、高级副总裁，全面负责化学部和生物部的研发服务业务以及公司的药物发现平台服务业务。2019年公司成功在科创板上市。

2021年，任峰加入英矽智能任首席科学官，负责使用公司的人工智能平台构建临床前/临床产品管线以及外部项目合作。任峰博士发表国际学术论文30余篇、国际专利20余件。

郭天南

10:35-11:00《AI赋能的蛋白质组大数据助力精准医疗》

郭天南博士，西湖大学特聘研究员、博士生导师、西湖大学蛋白质组大数据实验室负责人，西湖欧米创始人。

2006年，郭天南毕业于华中科技大学同济医学院临床医学七年制，同时获得武汉大学生物科学双学位。2007-2008年曾在新加坡国立肿瘤中心从事医学研究工作。2012年获得新加坡南洋理工大学博士学位。2012-2017在瑞士苏黎世联邦理工大学Ruedi Aebersold教授实验室从事博士后研究。

2017年初至七月在澳大利亚悉尼大学儿童医学研究所ProCan任Scientific Director，肿瘤蛋白质组Group Leader，悉尼大学医学院兼聘高级讲师。

11:00-11:40《用人工智能赋能医药研发》

宋乐

宋乐博士是著名的机器学习和图深度学习专家，曾任美国佐治亚理工学院计算机学院终身教授、机器学习中心副主任，阿联酋 MBZUAI 机器学习系主任，蚂蚁金服深度学习团队负责人（P10）、阿里巴巴达摩院研究员，国际机器学习大会董事会成员，具有丰富的 AI 算法和工程经验。

自 2008 年起，宋乐博士在CMU从事生物计算相关的研究，利用机器学习技术对靶点挖掘、药物设计取得了一系列突破性成果，获得 NeurIPS、ICML、AISTATS 等主要机器学习会议的最佳论文奖。

社区服务方面，他曾担任 NeurIPS、ICML、ICLR、AAAI、IJCAI 等 AI 顶会的领域主席，并将出任 ICML 2022 的大会主席，他还是同行评议期刊 JMLR、IEEE TPAMI 的副主编。

11:40-12:20《AI新药研发，一场正在崛起的黄金赛道》投资人圆桌论坛：秦桢、杨昆、周伊、刘明宇

秦祯

阿里健康投资部执行董事，负责医疗健康领域的财务投资及管理，上海交通大学临床医学学士、硕士，美国西北大学凯洛格商学院MBA。重点关注医疗领域的颠覆式创新企业，致力于从资本、战略及运营等多维度支持创业者团队。

加入阿里之前，曾任职于早期科技基金蓝驰创投和生物医药专项基金德诚资本，在此之前，分别在百度和Monitor Deloitte从事医疗方面的企业战略及投资和管理咨询，加入咨询行业之前，秦祯女士曾在上海瑞金医院担任医生。

周伊

深创投执行总经理、健康产业基金投资部总经理 北京大学药物化学专业博士。深创投投资决策委员会委员。

同时担任广东省生物产业协会副会长、深圳市战略性新兴产业项目评审专家、深圳市青年科技人才协会理事等社会职务。 

周伊具备丰富的投资经验，代表项目包括迈瑞医疗、华大基因、正海生物、普门科技、泽璟制药、中山康方、荣昌生物、共同药业、亚辉龙、麦科田等，涉及创新药、医疗器械、体外诊断、基因测序、CDMO等多个细分行业。获评《投资界》“F40中国青年投资人”、中国科技金融促进会风险投资专业委员会 “2020中国40位40岁以下优秀青年直投基金投资人”、浩悦资本“2020第四届医疗健康投资卓越榜·年度医疗健康投资人”、证券时报“医疗健康行业最佳投资人TOP10”。

杨昆

高榕资本合伙人，专注于医疗健康领域的投资，主导投资和管理的项目包括：先健医疗、荣昌生物、康诺亚、联影医疗、沃比医疗、艾博生物、百奥赛图、景杰生物、迈百瑞等。

加入高榕资本之前，杨昆曾任国投创业投资基金医疗行业负责人及投委会成员，也曾任德同资本医疗合伙人，并曾在美敦力、强生、柏盛医疗等跨国企业担任过高管职位。

刘明宇

邦勤资本总经理&创始合伙人  西安交通大学生物医学工程博士，高级工程师，曾任乐普医疗战略投资部负责人，中兴合创董事总经理。先后投资，并购国内外企业几十家。

从事投资之前曾任职深圳蓝韵实业，先后担任研发总监、产品市场&注册法规总监、集团战略总监等职务，拥有技术发明专利10多项，承担政府项目多项，参过制订国家技术标准多项。长期担任国家科技部、省科技厅、市发改委、科创委、经信委技术审评专家，香港中文大学（深圳）、西安交通大学、深圳大学企业导师。

萧毅

13:40-14:20《医学影像AI发展的变量与新动能》

上海长征医院放射诊断科副主任、放射规培基地教学主任。

中华医学会放射学分会委员；中华放射学分会心胸学组副组长；中国医学影像AI产学研用创新联盟，副理事长兼执行秘书长；全军分子影像与核医学专委会，委员；上海市放射学会委员、胸部专业组组长。

张笑春

14:20-14:45《后疫情时代，5G、AI助力“方舱共享”医疗模式建设》

广州妇女儿童医疗中心暨国家儿童区域医疗中心影像部负责人兼放射科主任，三级教授、二级主任医师，博导。

中国医疗器械行业协会方舱医疗分会主任委员，中国性病艾滋病防治协会（感染影像）常务委员，广东省人口文化促进会放射专委会副主任委员，广东省胸部疾病学会副主任委员，广东省医学会放射学分会常务委员，广东省医师学会放射分会常务委员。

湖北新冠肺炎临床诊断标准提出者，发表论文90余篇(SCI 25篇,最高IF8.549,新冠6篇<SCI 4篇>)、主参编规划教材2部和新冠著作6部，参编新冠诊疗指南6部，承担国家及省部级项目6项。

袁进

14:45-15:10《眼科智能影像的发展与未来》

中山大学中山眼科中心副主任，教授，博士生导师，广东省眼科诊疗创新工程技术研究中心副主任，国家重点研发计划首席科学家，科技部“青年科学家”、广东省医学领军人才（第一批）、广东省杰出青年医学人才（第一批）。

中华眼科学会青委会副主任委员，中华眼科学会角膜病学组委员。中国医药教育协会智能医学专委会副主任委员兼智能眼科学组组长。中国眼科医师协会角膜病学组委员。亚太眼科学会眼成像分会委员（APOIS）、亚洲干眼协会（ADES）创始会员，广东省精准医学应用学会眼前节分会主任委员，广东省医师协会常委兼角膜病学组副主任委员，《中华眼科杂志》编委，《中华实验眼科杂志》编委。以通讯作者或第一作者在在Bioactive Marterials(IF14.5),ACS Nano(IF14) ,STTT（IF18),Nature Bio Eng(IF22)等期刊发表代表性论著，制定指南/共识3项。申请发明/实用新型专利15项，软件著作权3项。

李育威

15:10-15:35《从临床需求出发-AI产品的商业化之路》

科亚医疗首席科学家，负责研发团队各产品线开发工作，包括心血管、头颈、脑部、病理等AI临床辅助诊断产品。

李育威博士是深圳市海外高层次人才、深圳市海外高层次人才”孔雀团队”核心成员。主要研究领域为人工智能、高性能计算、大数据分析、流体力学、图像处理等多领域交叉学科的研究应用，涉及众多重要分支领域，包括医疗影像、临床AI智能分析、血流动力学等，具有非常丰富深厚的高科技技术转化及产品落地实践。2018年起，入选深圳市科创委项目审评专家库。

作为科亚医疗创始团队核心成员，研发了全球首款应用深度学习技术实现无创心血管功能评估产品，并于2017年获得深圳市海外高层次人才创新创业专项资金团队资助，且于2020年初获得国内首个AI医疗器械三类证。

黄峰

15:35-16:00《AI助力解决医疗痛点问题的路径探索》

2004年毕业于美国佛罗里达大学应用数学专业，获博士学位。主要研究领域为医学影像成像和后处理算法。现任东软医疗人工智能研究院院长， MDaaS事业群总经理。

其它兼职包括：东北大学计算机学院兼职教授，厦门大学研究生企业导师，中国医学装备协会影像装备人工智能联盟企业副主委。2019年成为上海市首批人工智能高级工程师，20年授予闵行领军人才。发表国际核心期刊文章47篇，发表会议论文和摘要近300篇， Google引用2700次， H-index 23；申请国内国际专利已公布超40项，授权17项。

担任13种期刊的审稿人，其中曾任 IEEE transaction on Biomedical Engineering 的副主编，和中国医学装备杂志编委，作为主要负责人获得国家十三五和上海市基金累计超过2000万。数十次在国际会议上口头汇报或受邀演讲。多项研究成果已经广泛应用于工业界。

16:00-17:00《IEEE Fellow 线上圆桌》：蒋田仔、周少华、李纯明、彭汉川、郑冶枫

蒋田仔

蒋田仔，研究员，中国科学院自动化研究所脑网络组研究中心主任，脑网络组北京市重点实验室主任。

欧洲科学院外籍院士(MAE)，IEEE Fellow, IAPR Fellow，AIMBE Fellow，国家杰出青年基金获得者，长江学者特聘教授，973项目首席科学家。

现任Neural Networks, IEEE Transactions on Cognitive and Developmental Systems等多种国际刊物编委，北京脑网络组与类脑智能学会理事长，中国神经科学学会常务理事和意识与意识障碍分会会长，中国解剖学学会常务理事和脑网络组分会会长。

主要从事领域包括多模态跨尺度脑网络组图谱研究、基于脑网络图谱的脑机融合和脑疾病早期预测和精准治疗。在Nature Medicine 等刊物发表SCI收录的论文300多篇。

获国际脑电图与临床神经科学学会的最高成就奖(Turan Itil Award，2021)，国际神经网络学会终身贡献奖 (Hermann von Helmholtz Award，2020)，吴文俊人工智能杰出贡献奖（2020），北京市自然科学奖一等奖（2021），国家自然科学奖二等奖(2004)等。

周少华

周少华博士致力于医学影像的研究创新及其应用落地。Fellow of IEEE、AIMBE (美国医学与生物工程院)、NAI（美国国家学术发明院），现任中国科学技术大学讲席教授、生物医学工程学院执行院长、影像智能与机器人研究中心（筹）主任、中科院计算所客座研究员、香港中文大学（深圳）客座教授，曾在西门子医疗研究院任职首席影像AI专家。

他已经编撰了五本学术专著，发表了240+篇学术期刊及会议论文，并拥有140+项授权专利。他多次因其学术成就和创新贡献而获奖，包括发明奥斯卡奖、西门子年度发明家、马里兰大学ECE杰出校友、MICCAI年轻科学家奖提名文章等。他热心奉献于专业社区，是行业顶级协会MICCAI财长兼理事、Medical Open Network for AI（MONAI）咨询顾问、Medical Image Analysis 、IEEE Trans. Pattern Analysis and Machine Intelligence（TPAMI）、IEEE Trans. Medical Imaging（TMI）等编委、《视觉求索》公众号联席主编。

李纯明

李纯明，现任电子科技大学信息与通信工程学院教授、博导，IEEE Fellow，电子科技大学-陆军军医大学联合数字医学实验室主任，计算机软件国家工程研究中心兼职教授，中国工业与应用数学学会（CSIAM)数学与医学交叉学科专委会副主任委员。

李纯明教授主要研究领域包括图像处理、计算机视觉和医学影像分析的算法研究与应用。

在医学影像分析、图像分割、水平集方法的研究中做出了有国际影响力的重要贡献，以第一作者身份发表了多篇原创性的研究论文，提出的模型与算法已被应用于各种生物医学图像和自然图像的处理与分析；其中两篇论文单篇引次数都超过2000次，分别荣获2013和2015年IEEE信号处理学会最佳论文奖，是国际上唯一的两次以第一作者身份获得该奖的学者；2015年受邀担任图像处理顶级期刊IEEE TIP副主编，2020年受邀担任医学图像分析顶级期刊Medical Image Analysis编委。

彭汉川

彭汉川博士/教授是东大-艾伦联合研究中心主任，脑科学与智能技术研究院院长，曾任美国艾伦研究所前沿计算总监，HHMI Janelia Research Campus 独立研究组长/实验室主任，研究工作主要集中在脑科学和医疗应用中的脑大数据采集、管理、可视化、分析、知识挖掘、结构功能模型、人工智能应用等前沿研究。

彭博士担任多个国际学术杂志编辑，国际生物图像信息学年会的发起人和现任指导委员会主席，兼任国际脑信息学年会的指导委员会共同主席等。

获得美国科学院2013年度最佳论文奖Cozzarelli Prize等多个奖项。他在高性能计算软件硬件系统、智能算法、大脑三维地图和脑重建研究等方面上的工作多次在国际一流杂志如Nature, Nature Biotechnology, Nature Methods, Nature Communications, Nature Protocols, Cell, Neuron, PNAS, IEEE TPAMI, 等上发表并被广为引用，在多个媒体上被报道。彭教授是AIMBE 和IEEE Fellow。

郑冶枫

郑冶枫，腾讯天衍实验室主任，清华电子工程本硕毕业，博士毕业于美国马里兰大学。2006年至2017年在西门子医疗美国研究院工作。2018年1月加入腾讯。

他一直从事智能医学影像分析，发明的投影空间学习法于2011年获美国马斯.爱迪生专利奖，相关的研究成果于2014年结集出版《医学影像处理的投影空间学习法：器官的快速检测与分割》。他是AIMBE /IEEE Fellow，IEEE医学影像杂志副编。

冯前进

冯前进教授，博士生导师，南方医科大学生物医学工程学院院长、广东省医学成像重点实验室主任；长江学者特聘教授，珠江学者特聘教授，百千万人才国家级人选；教育部生物医学工程教学指导委员会委员，广东省生物医学工程教学指导委员会主任委员。

主办方：雷峰网 & 医健AI掘金志

会议时间：2021年12月11日

会议地点：深圳中洲万豪酒店

本届医疗科技高峰论坛的议程，由此前的半天扩增为一天，由原先以医学影像AI为特色，延展至“AI制药+AI医学影像”双轨并行。学术方面，四院院士潘毅、ICML 2022大会主席宋乐将会出席。

与此同时，雷锋网与图像计算与数字医学国际研讨会(ISICDM)联合主办了IEEE Fellow圆桌论坛，邀请了蒋田仔、周少华、李纯明、彭汉川、郑冶枫等五位近三年来的新晋IEEE Fellow，畅谈医学影像AI的产学研落地展望。（注：ISICDM由电子科技大学电子工程学院李纯明发起）

医学方面，我们邀请到中华医学会放射学分会委员萧毅、广妇儿影像部负责人兼放射科主任张笑春、中山大学中山眼科中心副主任袁进。

产业方面，我们邀请到英矽智能CSO任峰、西湖欧米创始人郭天南、东软医疗人工智能研究院院长黄峰、科亚医疗首席科学家李育威。

投资方面，我们邀请到秦祯、周伊、杨昆、刘明宇等四位业内知名投资机构负责人。

医疗科技高峰论坛，历来是国内医工交叉领域的前沿论坛。联影智能联席CEO、MICCAI 2019大会主席沈定刚、华西医院副院长龚启勇、中国科学院分子影像重点实验室主任田捷、广东省人民医院影像医学部主任梁长虹等多位医工交叉界的意见领袖先后发表演讲。

GAIR 创立于2016年，由鹏城实验室主任高文院士、香港中文大学（深圳）校长徐扬生院士、雷锋网创始人林军等人联合发起。历届大会集结了多位图灵奖、诺贝尔奖得主、35位院士、25位人工智能国际顶会主席、100多位 Fellow，同时也有400多位知名企业领袖和100多位知名投资人，在粤港澳大湾区有着首屈一指的政、企、学、投四界的号召力和风向推动力。

不管是从内容厚度、阵容深度，GAIR 2021的医疗科技高峰论坛，都将是2021年底值得期待的一场思想盛宴。

首批确认出席嘉宾名单（以议程先后顺序）

潘毅 

潘毅教授是中国科学院深圳理工大学计算机科学与控制工程院院长、讲席教授；中国科学院深圳先进技术研究院首席科学家；美国佐治亚州立大学州校董荣休教授、前系主任、前副院长；

他是美国医学与生物工程院院士、乌克兰国家工程院外籍院士、英国皇家公共卫生院院士、联合国科学院院士、广东院士联合会会员、长江学者；

入选全球前2%顶尖科学家榜单，入选世界顶尖1000名计算机科学家榜单；

2013年被中国校友会网评为杰出高考状元；2017年入选中国大陆高考状元职业成就排行榜；

深圳机器人协会理事长、深圳物流机器人产业联盟理事长。

任峰

任峰是AI制药公司——英矽智能CSO。

任峰博士于2007年博士毕业于美国哈佛大学化学系。十余年跨国药企（葛兰素史克）小分子创新药物研发经历。历任葛兰素史克研发部首席研究员，副总监，总监，化学部负责人。成功研发出治疗帕金森病、多发性硬化症、疼痛、以及银屑病等多个临床候选化合物/临床化合物。

2018年，任峰加入上海美迪西，历任副总裁、高级副总裁，全面负责化学部和生物部的研发服务业务以及公司的药物发现平台服务业务。2019年公司成功在“科创板”上市。

2021年，任峰加入Insilico Medicine任首席科学官，负责使用公司的人工智能平台构建临床前/临床产品管线以及外部项目合作。任峰博士发表国际学术论文30余篇、国际专利20余件。

郭天南

郭天南博士， 西湖大学特聘研究员、博士生导师、西湖大学蛋白质组大数据实验室负责人，西湖欧米创始人。

2006年，郭天南毕业于华中科技大学同济医学院临床医学七年制，同时获得武汉大学生物科学双学位。2007-2008年曾在新加坡国立肿瘤中心从事医学研究工作。2012年获得新加坡南洋理工大学博士学位。2012-2017在瑞士苏黎世联邦理工大学Ruedi Aebersold教授实验室从事博士后研究。

2017年初至七月在澳大利亚悉尼大学儿童医学研究所ProCan任Scientific Director，肿瘤蛋白质组Group Leader，悉尼大学医学院兼聘高级讲师。

宋乐

宋乐博士是著名的机器学习和图深度学习专家，曾任美国佐治亚理工学院计算机学院终身教授、机器学习中心副主任，阿联酋 MBZUAI 机器学习系主任，蚂蚁金服深度学习团队负责人（P10）、阿里巴巴达摩院研究员，国际机器学习大会董事会成员，具有丰富的 AI 算法和工程经验。

自 2008 年起，宋乐博士在CMU从事生物计算相关的研究，利用机器学习技术对靶点挖掘、药物设计取得了一系列突破性成果，获得 NeurIPS、ICML、AISTATS 等主要机器学习会议的最佳论文奖。

社区服务方面，他曾担任 NeurIPS、ICML、ICLR、AAAI、IJCAI 等AI顶会的领域主席，并将出任 ICML 2022 的大会主席，他还是同行评议期刊 JMLR、IEEE TPAMI 的副主编。

秦祯

阿里健康投资部执行董事，负责医疗健康领域的财务投资及管理，上海交通大学临床医学学士、硕士，美国西北大学凯洛格商学院MBA。重点关注医疗领域的颠覆式创新企业，致力于从资本、战略及运营等多维度支持创业者团队。

加入阿里之前，曾任职于早期科技基金蓝驰创投和生物医药专项基金德诚资本，在此之前，分别在百度和Monitor Deloitte从事医疗方面的企业战略及投资和管理咨询，加入咨询行业之前，秦祯女士曾在上海瑞金医院担任医生。

周伊

深创投执行总经理、健康产业基金投资部总经理 北京大学药物化学专业博士。深创投投资决策委员会委员。同时担任广东省生物产业协会副会长、深圳市战略性新兴产业项目评审专家、深圳市青年科技人才协会理事等社会职务。 

杨昆具备丰富的投资经验，代表项目包括迈瑞医疗、华大基因、正海生物、普门科技、泽璟制药、中山康方、荣昌生物、共同药业、亚辉龙、麦科田等，涉及创新药、医疗器械、体外诊断、基因测序、CDMO等多个细分行业。获评《投资界》“F40中国青年投资人”、中国科技金融促进会风险投资专业委员会 “2020中国40位40岁以下优秀青年直投基金投资人”、浩悦资本“2020第四届医疗健康投资卓越榜·年度医疗健康投资人”、证券时报“医疗健康行业最佳投资人TOP10”。

杨昆

高榕资本合伙人，专注于医疗健康领域的投资，主导投资和管理的项目包括：先健医疗、荣昌生物、康诺亚、联影医疗、沃比医疗、艾博生物、百奥赛图、景杰生物、迈百瑞等。

加入高榕资本之前，杨昆曾任国投创业投资基金医疗行业负责人及投委会成员，也曾任德同资本医疗合伙人，并曾在美敦力、强生、柏盛医疗等跨国企业担任过高管职位。

刘明宇

邦勤资本总经理&创始合伙人  西安交通大学生物医学工程博士，高级工程师，曾任乐普医疗战略投资部负责人，中兴合创董事总经理。先后投资，并购国内外企业几十家。

从事投资之前曾任职深圳蓝韵实业，先后担任研发总监、产品市场&注册法规总监、集团战略总监等职务，拥有技术发明专利10多项，承担政府项目多项，参过制订国家技术标准多项。长期担任国家科技部、省科技厅、市发改委、科创委、经信委技术审评专家，香港中文大学（深圳）、西安交通大学、深圳大学企业导师。

萧毅

上海长征医院放射诊断科副主任、放射规培基地教学主任。

中华医学会放射学分会委员；中华放射学分会心胸学组副组长；中国医学影像AI产学研用创新联盟，副理事长兼执行秘书长；全军分子影像与核医学专委会，委员；上海市放射学会委员、胸部专业组组长。

张笑春

广州妇女儿童医疗中心暨国家儿童区域医疗中心影像部负责人兼放射科主任，三级教授、二级主任医师，博导

中国医疗器械行业协会方舱医疗分会主任委员，中国性病艾滋病防治协会（感染影像）常务委员，广东省人口文化促进会放射专委会副主任委员，广东省胸部疾病学会副主任委员，广东省医学会放射学分会常务委员，广东省医师学会放射分会常务委员

湖北新冠肺炎临床诊断标准提出者，发表论文90余篇(SCI 25篇,最高IF8.549,新冠6篇<SCI 4篇>)、主参编规划教材2部和新冠著作6部，参编新冠诊疗指南6部，承担国家及省部级项目6项

袁进

中山大学中山眼科中心副主任，教授，博士生导师，广东省眼科诊疗创新工程技术研究中心副主任，国家重点研发计划首席科学家，科技部“青年科学家”、广东省医学领军人才（第一批）、广东省杰出青年医学人才（第一批）。

中华眼科学会青委会副主任委员，中华眼科学会角膜病学组委员。中国医药教育协会智能医学专委会副主任委员兼智能眼科学组组长。中国眼科医师协会角膜病学组委员。亚太眼科学会眼成像分会委员（APOIS）、亚洲干眼协会（ADES）创始会员，广东省精准医学应用学会眼前节分会主任委员，广东省医师协会常委兼角膜病学组副主任委员，《中华眼科杂志》编委，《中华实验眼科杂志》编委。以通讯作者或第一作者在在Bioactive Marterials(IF14.5),ACS Nano(IF14) ,STTT（IF18),Nature Bio Eng(IF22)等期刊发表代表性论著，制定指南/共识3项。申请发明/实用新型专利15项，软件著作权3项。

黄峰

2004年毕业于美国佛罗里达大学应用数学专业，获博士学位。主要研究领域为医学影像成像和后处理算法。现任东软医疗人工智能研究院院长， MDaaS事业群总经理。其它兼职包括：东北大学计算机学院兼职教授，厦门大学研究生企业导师，中国医学装备协会影像装备人工智能联盟企业副主委。2019年成为上海市首批人工智能高级工程师，20年授予闵行领军人才。发表国际核心期刊文章47篇，发表会议论文和摘要近300篇， Google引用2700次， H-index 23；申请国内国际专利已公布超40项，授权17项。担任13种期刊的审稿人，其中曾任 IEEE transaction on Biomedical Engineering 的副主编，和中国医学装备杂志编委，做为主要负责人获得国家十三五和上海市基金累计超过2000万。数十次在国际会议上口头汇报或受邀演讲。多项研究成果已经广泛应用于工业界。

李育威

科亚医疗首席科学家，负责研发团队各产品线开发工作，包括心血管、头颈、脑部、病理等AI临床辅助诊断产品。

李育威博士是深圳市海外高层次人才、深圳市海外高层次人才”孔雀团队”核心成员。主要研究领域为人工智能、高性能计算、大数据分析、流体力学、图像处理等多领域交叉学科的研究应用，涉及众多重要分支领域，包括医疗影像、临床AI智能分析、血流动力学等，具有非常丰富深厚的高科技技术转化及产品落地实践。2018年起，入选深圳市科创委项目审评专家库。

作为科亚医疗创始团队核心成员，研发了全球首款应用深度学习技术实现无创心血管功能评估产品，并于2017年获得深圳市海外高层次人才创新创业专项资金团队资助，且于2020年初获得国内首个AI医疗器械三类证。

蒋田仔

蒋田仔，研究员，中国科学院自化研究所脑网络组研究中心主任，脑网络组北京市重点实验室主任。欧洲科学院外籍院士(MAE)，IEEE Fellow, IAPR Fellow，AIMBE Fellow，国家杰出青年基金获得者，长江学者特聘教授，973项目首席科学家。现任Neural Networks, IEEE Transactions on Cognitive and Developmental Systems等多种国际刊物编委，北京脑网络组与类脑智能学会理事长，中国神经科学学会常务理事和意识与意识障碍分会会长，中国解剖学学会常务理事和脑网络组分会会长。

主要从事领域包括多模态跨尺度脑网络组图谱研究、基于脑网络图谱的脑机融合和脑疾病早期预测和精准治疗。在Nature Medicine 等刊物发表SCI收录的论文300多篇。获国际脑电图与临床神经科学学会的最高成就奖(Turan Itil Award，2021)，国际神经网络学会终身贡献奖 (Hermann von Helmholtz Award，2020)，吴文俊人工智能杰出贡献奖（2020），北京市自然科学奖一等奖（2021），国家自然科学奖二等奖(2004)等。

周少华

周少华博士致力于医学影像的研究创新及其应用落地。Fellow of IEEE、AIMBE (美国医学与生物工程院)、NAI（美国国家学术发明院），现任中国科学技术大学讲席教授、生物医学工程学院执行院长、影像智能与机器人研究中心（筹）主任、中科院计算所客座研究员、香港中文大学（深圳）客座教授，曾在西门子医疗研究院任职首席影像AI专家。

他已经编撰了五本学术专著，发表了240+篇学术期刊及会议论文，并拥有140+项授权专利。他多次因其学术成就和创新贡献而获奖，包括发明奥斯卡奖、西门子年度发明家、马里兰大学ECE杰出校友、MICCAI年轻科学家奖提名文章等。

他热心奉献于专业社区，是行业顶级协会MICCAI财长兼理事、Medical Open Network for AI（MONAI）咨询顾问、Medical Image Analysis 、IEEE Trans. Pattern Analysis and Machine Intelligence（TPAMI）、IEEE Trans. Medical Imaging（TMI）等编委、《视觉求索》公众号联席主编。

李纯明

李纯明，现任电子科技大学信息与通信工程学院教授、博导，IEEE Fellow，电子科技大学-陆军军医大学联合数字医学实验室主任，计算机软件国家工程研究中心兼职教授，中国工业与应用数学学会（CSIAM)数学与医学交叉学科专委会副主任委员，中国体视学学会智能成像分会副主任委员。李纯明教授主要研究领域包括图像处理、计算机视觉和医学影像分析的算法研究与应用。在医学影像分析、图像分割、水平集方法的研究中做出了有国际影响力的重要贡献，以第一作者身份发表了多篇原创性的研究论文，提出的模型与算法已被应用于各种生物医学图像和自然图像的处理与分析；其中两篇论文单篇他引次数都超过2000次，分别荣获2013和2015年IEEE信号处理学会最佳论文奖，是国际上唯一的两次以第一作者身份获得该奖的学者；2015年受邀担任图像处理顶级期刊IEEE TIP副主编，2020年受邀担任医学图像分析顶级期刊Medical Image Analysis编委。

彭汉川

彭汉川博士/教授 是东大-艾伦联合研究中心主任（Director, SEU-ALLEN）,脑科学与智能技术研究院（BrainTell， Institute for Brain and Intelligence）院长,曾任美国艾伦研究所前沿计算总监（Director for Advanced Computing），HHMI Janelia Research Campus 独立研究组长/实验室主任 （Lab Head），研究工作主要集中在 脑科学和医疗应用中的脑大数据采集、管理、可视化、分析、知识挖掘、结构功能模型、人工智能应用等前沿研究。

彭博士担任多个国际学术杂志编辑，国际生物图像信息学年会的发起人和现任指导委员会主席，兼任国际脑信息学年会的指导委员会共同主席等。彭博士获得美国科学院2013年度最佳论文奖Cozzarelli Prize 等多个奖项。

他在高性能计算软件硬件系统、智能算法、大脑三维地图和脑重建研究等方面上 的工作多次在国际一流杂志，如Nature, Nature Biotechnology, Nature Methods, Nature Communications, Nature Protocols, Cell, Neuron, PNAS, IEEE TPAMI, 等上发表并被广为引用，在多个媒体上如自然新闻、科学新闻、科学杂志、美国公共广播电台、中国科技日报等被报道。彭教授是AIMBE 和IEEE Fellow。

郑冶枫

郑冶枫，腾讯天衍实验室主任 清华电子工程本硕毕业，博士毕业于美国马里兰大学。2006年至2017年在西门子医疗美国研究院工作。2018年1月加入腾讯。他一直从事智能医学影像分析，发明的投影空间学习法于2011年获美国马斯.爱迪生专利奖，相关的研究成果于2014年结集出版《医学影像处理的投影空间学习法：器官的快速检测与分割》。他是AIMBE /IEEE Fellow，IEEE医学影像杂志副编。

冯前进

教授，博士生导师，南方医科大学生物医学工程学院院长、广东省医学成像重点实验室主任；长江学者特聘教授，珠江学者特聘教授，百千万人才国家级人选；教育部生物医学工程教学指导委员会委员，广东省生物医学工程教学指导委员会主任委员。

从事医学图像分析医学信息分析的教学与研究工作。第一作者（通讯作者）发表中科院小类分区1区论文23篇；获得过国家技术发明二等奖一项。

参会详情

主办方：雷锋网 & 医健AI掘金志

会议时间：2021年12月11日

会议地点：深圳中洲万豪酒店

进入大会主页（ https://gair.leiphone.com/gair/gair2021/ticket），查看更多大会详情

“AAPHelp”在英国利兹大学问世

当时，英国的很多学者和医生都亲眼见证了这个靠程序语言输入、在大型计算机上运行，执行结果只能输出0与1的机器怪物。

4年之后，受此启发，斯坦福的 Bruce G.Buchanan教授也将这种展示人类专业决策和知识应用的技术，从实验室搬到了医学领域，和获得斯坦福医学和计算机科学双博士学位的Edward Shortliffe合作开发了后来许多医疗AI系统的鼻祖：

针对细菌感染的诊断系统“MYCIN”。

当时，因为资助机构对人工智能资助的消减，他们甚至不敢说研究经费被用来做医学相关的研究。

直到后来，他们拿到美国国立卫生研究院（NIH）和美国国家医学图书馆（NLM）的资助，情况才有所好转。

MYCIN系统首次采用知识库、推理机系统结构，引入“可信度”概念，进行非确定性推理，对用户咨询提问进行解释回答，并给出答案的可信度估计，纳入500种规则，输出处方的准确率达到了69%，超过了非本专业医生的水平。

这是机器，第一次与人类医生同台PK的时代。

自从以后，这种将“专家智慧”与“机器智能”结合的思路，在五十年的岁月长河中历久不衰。

从首次将AI技术引入医学领域，到如今扫描图像识别恶性肿瘤、预测蛋白质结构，虽历经磨砺，但从没阻止人们持续用技术改变医疗难题上的探索。

去年年底到今年8月，Alphafold2先后沸腾了整个学术圈，困扰生物界50年的蛋白质折叠难题被破解了，生物制药或将成为AI最新的疆域。

对自家的“王者级成果”，DeepMind联合创始人、首席执行官德米斯·哈萨比斯（Demis Hassabis）也自豪表示：“这是迄今为止AI在推动科学进步方面做出的最大贡献，我觉得这么说一点儿也不夸张。”

正如本文一开始的那张封面图，出自《当幸福来敲门》。

片中的威尔史密斯不停地对孩子和妻子说，我们一定会好起来，我们一定能够好起来的。在打篮球的时候，他还说，孩子，你一定要保护自己的梦想。

医学影像、制药，是这个时代里，医疗AI人的一次远大征程，也是我们的一种等待与梦想。

医疗AI需要风向标

一种创业氛围的形成，总需要一些风向标，一群带头人和一群传播者，这样的创业群体才会显得更有力量。

事实上，如今的医学与人工智能的融合恰恰也需要一些风向标。

我们堆积了各种领先的算法，高精服务器，却无法将诊断能力做到满意，疾病诊断种类无法走向纵深。

我们在科研上大量探索，积累出大量的论文，却不易于进行成果落地，更无法为临床所用。

我们立志打通医疗AI最后的桎梏，在耗费大量时间和财力之后，却还是始终无法找出一种真正可持续的商业模式。

事实上，面临同样迷茫和混乱的不仅仅是企业之间，于投资机构，于医院或监管机构的甲方角度更是如此。

如何了解医疗AI的成熟程度和真正价值，既赶上应用趋势，保持诊疗手段的前瞻性，又能发挥出正确效用，寻求最佳的治疗效益和社会效益，同样也是医院、药企或监管机构的决策者正在面对的难题之一。

就像东非马拉中的牛羚和斑马，一定需要年长、有经验的长辈将大规模迁徙的传授给年轻世代一样。

经验总结和风向标，对于医疗AI的重要性其实也已不言而喻。

遗憾的是，由于这个行业太年轻，目前尚未积淀出具有通用性的科学理论和行之有效的方法论。

但医学人工智能前进过程中，从来都不缺乏勇于尝试的探险家，他们以自己的身体力行，勇于走向行业的未知领域，通过自己的试错和经验总结，去寻找可以生存的道路。

或许，从他们身上的故事和伤痕可以给我们带来启迪。

作为这一行业的见证者，从2016年开始，雷锋网《医健AI掘金志》一直在记录这些行业中每一个闪烁的风向标。成为一名坚定的行业“陪跑者”，是我们长久以来的目标。

【年底最强的产学研医疗科技高峰论坛即将启幕】

2021年12月9-11日，由雷锋网主办的2021全球人工智能与机器人大会（GAIR 2021）将在深圳启幕。医疗科技高峰论坛将同步召开。

「医疗科技高峰论坛」，已成为GAIR最受学者们关注的专场之一，往届嘉宾有三院院士Demetri Terzopoulos、IEEE Fellow田捷、沈定刚、张元亭，斯坦福大学医学物理系主任邢磊、瑞士苏黎世理工学院机器人所长Brad Nelson、香港大学新兴技术研究所所长席宁等知名学者出席。

同时，微软亚洲研究院副院长张益肇、飞利浦大中华区CTO姚智清、科大讯飞智慧医疗事业部总经理陶晓东等企业代表出席。

今年的医疗科技高峰论坛，延续往年的高标准、话题性与产学研融合的特色，已成为最前沿和最具影响力的医疗行业高端论坛之一。

本届论坛将分为两个重要专场：「AI新药研发」和「AI医学影像」，一面聚焦冉冉升起的创业风口，一面畅谈成熟赛道的未来走向。

我们邀请到了多位学术领军专家、赛道标杆企业代表、顶尖投资人，共话AI与医疗的道与术。

已确认嘉宾阵容

「AI新药研发」专场

潘毅，深圳理工大学计算机科学与控制工程院院长

宋乐，百图生科首席AI科学家、ICML2022大会主席    

任峰，英矽智能首席科学官

郭天南，西湖大学生命科学学院特聘研究员、西湖欧米创始人  

圆桌论坛：AI新药研发，一条正在崛起的黄金赛道

秦祯，阿里健康投资部执行董事；杨昆，高榕资本医疗合伙人；周伊，深创投执行总经理、健康产业基金投资部总经理；刘明宇，邦勤资本总经理&创始合伙人

「AI医学影像」专场

萧毅，中华医学会放射学分会委员、上海长征医院影像科副主任  

张笑春，广州妇女儿童中心医学影像部负责人 

袁进，中山大学中山眼科中心副主任  

李育威，科亚医疗首席科学家

黄峰，东软医疗AI首席科学家  

IEEE Fellow线上圆桌：

周少华，中科院计算所研究员；蒋田仔，中科院自动化所研究员；李纯明，电子科技大学信息与通信工程学院教授；彭汉川，东南大学脑科学与智能技术研究院创院院长；郑冶枫，腾讯天衍实验室主任  

进入大会主页，可购买399元限时早鸟票和业内代表限量免费票 雷峰网

11月27日，由首都医科大学附属北京朝阳医院(简称北京朝阳医院)、北京怀柔医院和慧影医疗科技（北京）有限公司三方共同建设的“远程急诊智能影像诊断北京市工程研究中心”启动仪式在北京朝阳医院举行。

北京朝阳医院院长徐建立、北京市怀柔区发展和改革委员会副主任孙世明、北京朝阳医院副院长郭树彬、北京怀柔医院院长孙倩美、汇医慧影联合创始人&COO郭娜、北京朝阳医院科研处处长王京、北京怀柔医院院长助理兼急诊科主任殷文朋出席本次启动仪式，共同见证急诊医学数字化转型、智能化发展的新篇章、启动影像AI赋能诊断新征程！

北京市工程研究中心建设是经北京市发改委审批成立，旨在加快国际科技创新中心建设，增强创新策源能力，促进关键核心技术突破和研究成果转化应用。

在发改委发布的《关于开展2021年北京市工程研究中心申报工作通知》要求中提到，2021北京市工程研究中心聚焦三大领域方向：新一代信息技术、医药健康、绿色低碳。

此次远程急诊智能影像诊断北京市工程研究中心正是用新一代人工智能技术开展医药健康创新，布局AI辅助诊断、健康医疗大数据应用。

聚焦急诊医学，打造区域智能影像中心标杆

工程中心副主任殷文朋在启动仪式上介绍道“北京朝阳医院和怀柔医院都是首都医科大学教学医院，北京怀柔医院为北京朝阳医院托管医院，急诊医学科在国内处于领先地位，接诊大量各类急危重症患者。

此次两家医院携手汇医慧影共同建设远程急诊智能影像诊断北京市工程研究中心，一方面借助北京朝阳医院和北京怀柔医院急诊医学专业优势，以工程中心为纽带，以远程急症智能影像诊断关键技术问题和临床需求为导向，有效整合和链接医产相关优势力量，聚焦急性心肌梗塞、创伤、脑卒中、急腹症、病毒性肺炎等高度依赖影像诊断的急诊医学病种，加快突破一批远程急症智能影像诊断关键技术瓶颈。

另一方面，汇医慧影发挥影像人工智能技术优势，打造影像数据形成汇聚、标准化采集、清洗、治理、标注、人工智能计算以及模型临床应用的完整闭环，承担合作技术攻关、平台建设、产品开发和转化等任务“。

殷文朋主任表示了对远程急诊智能影像诊断北京市工程研究中心的期待，希望合作三方在政府和学校的指导下，将工程中心打造成为多学科跨领域协同创新引领者、区域远程急症智能诊断新标杆、复合型人才梯队培养新高地。 

北京朝阳医院急诊科是全国最大的急诊科之一，连续3年中国医院科技量值（STEM）排行榜位列第二名。

以北京朝阳医院为中心的急诊医学联盟已包含65余家全国名医学院校，百余家全国知名医院，纳入全国各地急诊学科专家200余人。

北京怀柔医院急诊医学科作为重点建设的“区域急诊医学中心”承担着全怀柔地区的急危重症救治任务，年收治患者13万人次，抢救患者近7000人次，抢救成功率97%。

由于急诊医学常见危重症具备疾病谱广泛、起病急骤、变化迅速、疾病特点多种多样等复杂局面，相比专科医生而言，急诊医学科医生往往需要处理多种专科疾病，叠加多数急诊病患合并多种基础疾病状态的情况，需要分秒必争，稍有延误就会影响患者的治疗甚至危及生命。

以上情况均对急诊医学科医生的诊断能力、诊断速度和精准度等均提出了极高的要求和极大的挑战。

首个远程急诊智能影像诊断北京市工程研究中心的建设一方面可通过技术攻关，不断完善智能影像产品的开发和应用，有助于提高读片速度、降低漏诊误诊风险，提高急诊诊断的效率和质量，从而在黄金时间内提供针对性、最有效的治疗方案，进而有效降低死亡率、缩短救治周期、减少医疗费用支出；

另一方面，发挥人工智能等技术优势，助力重大疾病的预警预测和早防早治，降低患者的医疗支出，可为国家减少每年因不必要和无效治疗而造成的上千亿元浪费。

资源整合，政、医、企三方联合推动医疗创新

在场嘉宾对工程中心成立寄予厚望。北京市朝阳医院院长徐建立表示，远程急诊智能影像诊断北京市工程研究中心的成立对于全国急诊学科具有创新、科技、示范意义，立足首都面向全国，期待工程中心未来作出更多成绩。

北京朝阳医院副院长、急诊医学临床研究中心主任郭树彬同时担任工程中心主任。

他表示，工程中心成立是北京朝阳医院数字化转型、智能化发展的重要举措，借助远程急诊智能影像诊断北京市工程研究中心的临床科研和技术创新力量，为首都乃至全国打造智慧急诊的示范标杆。

中心选址在北京市怀柔医院，北京市怀柔区发展和改革委员会副主任孙世明提出对工程中心的要求，希望中心率先推进远程急症智能影像诊断产品的共同开发和率先应用，通过人工智能技术加速怀柔医院急诊能力提升，支撑怀柔科学城补齐医疗卫生服务短板。

北京市怀柔医院院长孙倩美表示，工程中心未来成长离不开各方的支持，期待大家携手创新，加速实现人工智能+医疗大数据+临床协同创新发展的“并跑”。

远程急诊智能影像诊断北京市工程研究中心建设地点所在地示意图

远程急症智能影像诊断研发与应用平台的未来将会成为医疗AI人才培养基地，通过改变临床医学工作者的学习和工作模式，提升相关领域工作者的专业技能与综合素质，培育健康医疗大数据前沿交叉和应用发展的跨界领军人才，打造数字急诊转型战略新智库，加速实现与发达国家的人工智能+医疗大数据+临床协同创新发展的“并跑”。 

多病种AI攻关，建立急诊AI全流程样本

慧影医疗科技（北京）有限公司联合创始人&COO郭娜作在致辞表示，“远程急诊智能影像诊断北京市工程研究中心”的获批和启动，是北京市发改委对于医疗人工智能产业政策的有力推动，将数字医疗向智能医疗的产业化又推向了一个崭新高度。

慧影医疗科技（北京）有限公司在AI算法、产品创新方面有较强的研发能力，其研发的DR骨折智能诊断系统获得国内首张NMPA三类认证，病毒性肺炎辅助诊断产品部署在全球50+国家。

汇医慧影有幸能与北京朝阳医院、北京怀柔医院一同建设工程中心，是慧影医疗科技（北京）有限公司深入医疗临床场景，携手顶级医院和医生的创新转化的新篇章。

研究中心聚焦急性心肌梗塞、创伤、脑卒中、急腹症、病毒性肺炎等急诊诊疗体验和诊疗效果，搭建一体化急诊职能诊断平台和大数据人工智能科研平台。

通过病证的结构化表达、医学本体知识库的构建，把多模态存储的急诊医学影像转换成可挖掘的“大数据”，实现数据创新与增值，解决急诊诊疗均质化、一体化、科学化，提供无区域差别的、规范的、同质的、高效的急诊影像诊断服务。

远程急诊智能影像诊断北京市工程研究中心的正式启动建设将推动智能影像在急诊医疗行业赋能的初创尝新，促进大数据与人工智能技术和产业化融合的发展。

通过平台技术和服务的溢出效应，逐步拓展至京津冀区域乃至全国范围，进一步促进远程急症智能影像诊断产品的推广应用，有效带动形成急诊医学AI辅助诊断产业新生态。

在远程急诊智能影像诊断北京市工程研究中心启动之后，让我们一同期待这个占地面积5000平米的急诊AI中心，如何赋能京津冀乃至全国的医疗系统建设。雷峰网

目前，许多皮肤炎症类疾病仍然缺少安全高效而使用方便的治疗。多肽类药物的大小介于小分子与蛋白质药物之间，具备高特异性、低免疫原性和较好的皮肤穿透能力，针对一些难以使用传统小分子药物进行靶向的皮肤疾病靶点，创新的多肽药物可以拓展研发途径，在活性、成药性、安全性上具有独到的优势，能以不同的分子形式带来给药途径、临床效果的差异性，更好地满足临床需求。

此次晶泰科技与 B.A.I. 的合作，将运用晶泰在外用药物开发中的成功经验与其AI平台的生物药发现能力，结合B.A.I在皮肤类药物开发与递送上的技术优势，针对特定的皮肤炎症靶点从头设计具有创新性的多肽分子，为皮肤病患者带来更好的治疗。

合作中，晶泰科技将利用其AI多肽药物发现自主算法，为特定皮肤炎症靶点找到具有高活性、高特异性的多肽分子，并针对外用药物的特点设计和优化其结构和序列，以获得更好的皮肤穿透力、结构稳定性和更长的半衰期，从而大大提高其成药性。

晶泰科技对合成的多肽分子进行初步的活性试验与优化改造后，B.A.I.将通过皮肤模型与皮肤实验进行进一步的活性筛选，其实验数据将反馈给晶泰科技的AI算法模型进行迭代，直到获得各项药物性质理想、具有临床潜力的候选多肽分子。

晶泰科技已建立起一套AI生物药研发工具与平台，预测算法、湿实验数据和专家经验，可用于多肽、重组蛋白、小蛋白、抗体等生物药发现领域，已与多家药企及科研机构达成生物药发现的相关合作。

晶泰科技联合创始人赖力鹏博士表示：“晶泰科技一直专注于以AI赋能药物源头创新和研发底层创新。希望通过与B.A.I.生物医药团队深度合作，，将AI药物研发应用于更广泛的治疗领域与研究挑战。”

B.A.I. 创始人兼 CEO 白雪霏谈到：“皮肤是人体最大的器官，我们需要以科学的，医学的角度去保护及治疗皮肤相关问题和疾病。全球儿童和成人相关的一些皮肤炎症很多都没有非常有效的治疗方法。而成人的接触性皮炎很多和滥用化妆品有关。” 

晶泰科技多肽和蛋白药物研发负责人王天元博士说：“相比于小分子和抗体药物，多肽可以带来给药途径、临床效果的差异性。希望晶泰可以成为生物药企业创新道路上有力的研发伙伴，以自研的多肽从头设计算法与高通量实验方法加速项目的临床转化，更好地满足患者多样的临床需求。”

B.A.I. 产品总监，麻省理工学院材料工程师 Lilian Guevara 表示：“我们希望以全新的方式让人们去认识和保护皮肤，运用我们的专利技术让广大患者和消费者达到最健康的皮肤状态。”

据了解，B.A.I.是一家位于美国波士顿的皮肤医疗生物科技公司，于近期宣布超额完成400万美元的种子轮融资。本轮投资由美国著名说唱歌手Jay-Z的基金Marcy Venture Partners领投，跟投方包括全球最大美容医疗巨头艾尔建(Allergan)前董事会主席兼CEO Brenton Saunders,  由哈佛教授联合成立管理的GSF2基金, Yael Capital等。

随着人工智能、物联网等新科技的快速渗透，机器人行业受到极大鼓舞，发展迅速，如今医疗正在与机器人全面融合，引领外科技术大变革。国内“医疗+人工智能”的迅速发展，医疗机器人有望实现真正的“中国制造”。

2021年11月27日，上海，由中国医疗机器人产业创新大会组委会、智慧产业网、科雷会展主办的“2021中国医疗机器人产业创新大会”即将在上海召开。

届时百余位重磅嘉宾，将围绕医疗机器人临床应用场景、剖析关键技术壁垒、分析相关产业格局、盘点典型成功案例、畅想未来发展趋势”等关键词展开分享，聚焦大变局下全球医疗机器人产业的变化与趋势，一起抓住风口，与此同时还有数十家顶尖的医疗机器人企业，出现在大会现场，展现出各家产品的道与术。

受邀企业简介

上海微创医疗机器人

 微创机器人集团自2014年启动研发项目至今，已覆盖腔镜、骨科、泛血管、经自然腔道、经皮穿刺五大“黄金赛道”。集团致力于面向微创伤手术最前沿发展需求，运用机器人、智能控制、传感与信息领域的前沿研究和产业集成，创新性提供能够延长和重塑生命的机器人智能手术全解方案，引领机器人手术的成熟与发展，塑造超智能手术时代。

伽奈维医疗

伽奈维医疗，一家致力于肿瘤微创领域高端医疗器械的研发、生产、销售和服务为一体的国家级高新技术企业。业务管线丰富，覆盖肿瘤微创、外周介入、精细外科和智能医疗四大领域，自主创新研发国际领先的高品质医疗器械产品，打造全球医生和患者信赖的品牌。

公司拥有万级和十万级净化车间，具备完善的研发、生产及检测设备，符合医疗行业法规的质量管理体系要求。主营产品包括实体肿瘤活检系列、肿瘤射频消融系统、纳米刀消融系统等高端设备和耗材，以及CT穿刺导航机器人等技术难度和壁垒较高的高端智能医疗产品。目前，多款产品已获得NMPA、CE、FDA认证，产品及服务已进入国内二十多省份及国际美欧亚澳等三十多个国家和地区，获得客户广泛认同。

此次大会上，伽奈维医疗还将隆重推出，牵星CT穿刺导航机器人智能化解决方案，为介入手术的发展普及提供了新途径。牵星®GNV-F1，重新定义CT引导下经皮穿刺微创介入手术的智能化新标准。

Franka Emika 机器人

Franka Emika 机器人成立于2016年，总部位于德国慕尼黑。创始人Sami Haddadin博士是全球机器人技术领域的权威专家之一。Franka Emika开始通过制造用户友好且经济实惠的力控机器人来颠覆这个行业。推出两年后Franka Emika协作机器人成为登上德国《时代》杂志封面的50个创新之一，并且获得了德国未来奖和创新奖。

大会组织机构

主办单位：

中国医疗机器人产业创新大会组委会

智慧产业网

 科雷会展

协办单位：

雷锋网

医健AI掘金志

医盟网信息化联盟

中国医疗器械采购公共服务平台

药械网

会议时间

2021年11月27日

会议时间安排

11月26日：会议报到注册、展商布展

11月27日：开幕式、主、分论坛、展览参观

会议内容安排

主论坛：

中国医疗机器人产业创新大会

分论坛：

医疗机器人智能制造技术分论坛

手术机器人分论坛

康复机器人分论坛

医疗服务机器人分论坛

医疗机器人投融资分论坛

参会人员

1、各级卫生健康行政部门负责人、相关管理人员。

2、各类医疗卫生机构负责人、主管领导、专业技术人员，以及医院临床 教学、科研、运营、财务等专业技术人员。

3、高等院校、科研机构医疗专业技术人员。

4、医疗产业相关行业学会、协会领导。

5、全国各级公立医院院长、全国各省市民营医院院长、全国各级妇幼保健院院长、全国各级康复医院院长、全国各省市养老服务机构领导、全国各级医院分管设备、采购、护理、康复、信息化、后勤、总务、药剂、质管、基建等负责人。 

6、从事医疗机器人技术研发、产品生产、经营、服务的企业管理人员和技术人员。

7、全国各省市医疗行业代理商、渠道商、经销商等。

8、全国各省市投融资机构。

9、媒体：大众媒体、行业媒体、新兴平台型媒体。

大会出席和拟邀嘉宾（排名不分先后）

张钹   中国科学院院士、清华大学人工智能研究院院长

田伟   中国工程院院士、中国生物医学工程学会医用机器人工程与临床应用分会主任委员

陈建平  上海市医院协会会长

何  萍  上海申康医院发展中心医联工程与信息化部主任、上海市医院协会医学人工智能管理专业委员会主任委员

朱伟民  上海市人工智能技术协会秘书长

戴  柳  上海市机器人行业协会会长

高  文  上海康复医学会会长

余  勤  甘肃省医院协会会长

杨广中  上海交通大学医疗机器人研究院院长

蔡秀军 浙江大学医学院附属邵逸夫医院院长

吴皓   上海交通大学医学院附属第九人民医院院长、手术机器人临床研究中心主任

沈柏用  上海交通大学医学院附属瑞金医院副院长、上海交通大学转化医学研究院执行院长

赵强   上海交通大学医学院附属瑞金医院副院长、心脏外科主任

郑元义 上海第六人民医院副院长、上海超声医学研究所理事长

靳令经 同济大学附属养志康复医院院长

曹其新 上海交通大学生物医学制造与生命质量工程研究所所长

舒  强  浙江大学医学院附属儿童医院党委书记

吕泽平  国家康复辅具研究中心附属康复医院院长

徐万海  哈医大四院院长

费  健  上海瑞金康复医院院长

王浩宇  宁波市康复医院党委书记、院长

梁朝朝  安徽医科大学副校长、安徽医科大学第一附属医院院长

吴新宝  北京积水潭医院副院长

颜  璟  四川攀枝花中心医院副院长

张大宏  浙江省人民医院副院长、泌尿外科学科带头人

薛  蔚  上海交通大学医学院附属仁济医院副院长、泌尿科主任

林征宇  福建医科大学附属第一医院介入科主任、教授 博士 主任医师 硕士研究生导师

郑民华  上海交通大学医学院附属瑞金医院普外科主任 

李鹤成  上海交通大学医学院附属瑞金医院胸外科主任 

夏丹    浙江大学医学院附属第一医院泌尿外科机器人中心主任

仉建国  北京协和医院骨科主任

沈洪兴 上海交通大学医学院附属仁济医院脊柱外科主任

郑龙坡 上海市第十人民医院骨科创伤中心主任

周慧芳 上海交通大学医学院附属第九人民医院眼科副主

付强   上海市第一人民医院脊柱外科主任及微创中心主任

吴毅    上海华山医院康复医学科主任

郑洁皎 复旦大学附属华东医院康复医学科主任

唐亮   上海市儿童医院康复医学科主任

叶祥明 浙江省人民医院康复医学科主任

朱世强  浙江大学机器人研究院院长

王东    四川省人民医院机器人微创中心党支部书记、中心主任

罗清泉 上海市胸科医院肿瘤科常务副主任

杨云霞  红杉资本中国基金董事总经理

张建斌  IDG资本合伙人

王晖    弘晖资本管理合伙人

王俊峰  君联资本联席首席投资官、董事总经理

梁颕宇  启明创投主管合伙人

董叶顺  火山石投资创始合伙人

高颖    远翼投资医疗基金合伙人

杨振军  浩悦资本合伙人

杨志文  元禾原点合伙人

许宾    天堂硅谷合伙人

更多大会嘉宾持续更新中.............

联系人：李老师 微信 allen-9900雷峰网

在新增名单中共有265位学者入选，其中华人学者有83位（占总人数的31.3%左右）。

此外，AI领域学者有19位（占总人数的7.2%左右），包括：汪玉、郑冶枫、李飞飞、山世光、申恒涛、童行行、王海峰、谢幸、杨睿刚、王井东、赵国英、韩军伟、Shih-chii Liu、Guojun Qi、田永鸿、李青、曹明、王冬梅、冯俊兰等。

生物及医学影像AI领域的学者有9位，其中华人学者2位，郑冶枫、王冬梅。（此为内部统计结果，不代表官方结论）

在正式名单公布之前，各位学者已收到了IEEE组织的邮件。

11月23日，郑冶枫博士在朋友圈公布了当选消息：“非常感谢好友周少华老师提名，张正友老师、乔友林老师、吕乐老师、以及我博士期间的两位导师帮忙写推荐信。我可能是公司7万多员工中的第三位IEEE Fellow，非常感谢过去4年公司提供了一个快速发展的平台。”

近年来，华人医学影像学者在学术舞台上的影响力越来越大，加入世界顶级协会的人也会越来越多。

2019年，中国科学院自化研究所脑网络组研究中心主任蒋田仔教授、中科院计算所研究员周少华教授当选IEEE Fellow。

而2020年是医学影像分析学术史上，IEEE Fellow当选华人数最多的一年。

电子科技大学信息与通信工程学院李纯明教授、阿里巴巴医疗人工智能实验室负责人吕乐博士、东南大学脑科学与智能技术研究院创院院长彭汉川教授当选IEEE Fellow。

2021年12月9-11日（星期六），由雷锋网主办的2021全球人工智能与机器人大会（GAIR 2021）将在深圳启幕。

其中，医疗科技高峰论坛将同步召开，并将在医学影像AI专场设置「医学影像AI新晋IEEE Fellow」圆桌对话环节。

我们已邀请以上学者（多位已确认出席），共同分享他们与IEEE的故事及治学经验，扫描文章底部海报二维码，查看大会详细信息。

希望有更多的生物及医学影像AI领域的学者，在国际顶级学术研究组织中发挥重要影响力和贡献。

两位生物医学领域华人学者

郑冶枫

郑冶枫，腾讯天衍实验室主任、美国医学和生物工程学会的会士（AIMBE Fellow）。1998年，郑冶枫教授毕业于清华大学电子工程系并保送本系研究生，之后在美国马里兰大学电子与计算机工程系攻读博士学位。

2006年、2017年在西门子医疗美国研究院工作，专注于智能医学影像分析。任职期间，郑冶枫博士发明了投影空间学习法，用于医学影像中器官的快速检测与分割，并于2011年获得美国专利授权，当年即获托马斯.爱迪生专利奖。

相关的研究成果于2014年结集出版《医学影像处理的投影空间学习法：器官的快速检测与分割》。共发表论文150余篇，撰写专著2部，参编专著1部，拥有美国发明专利70多项，论文被引用8600多次，h-index指数48。曾于2003年获中国国家科技进步二等奖。

入选理由：对医学成像机器学习作出贡献。

王冬梅

王冬梅，佐治亚理工学院和埃默里大学生物医学工程系教授。研究领域包括：用于 pHealth 的集成生物医学大数据分析和人工智能（个性化、预测、精确和参与式健康）；分子通路、细胞、全身生理系统和医疗保健系统的动态系统建模；用于急性、慢性和遗传学临床决策支持的综合生物医学和健康信息学（例如转化生物信息学、显微成像信息学、移动健康信息学）；生物纳米信息学；远程医疗。

入选理由：为生物医学信息学和人工智能做出贡献。

Todd Coleman

Todd P. Coleman ，斯坦福大学生物工程系和电气工程系的副教授。获得密歇根大学电气工程学士学位和计算机工程学士学位，以及麻省理工学院电气工程和计算机科学学位，并在麻省理工学院和麻省总医院从事定量神经科学的博士后研究。研究领域包括应用概率、生理学和生物电子学。

入选理由：在生物医学信号处理方面的贡献以及在神经工程方面的领导地位。

Amin Abbosh

Amin Abbosh，现为昆士兰大学信息技术与电气工程学院电磁创新团队 (EMAGIN) 的教授兼负责人，研究兴趣为医学电磁成像系统，包括硬件（微波设备和天线）、应用电磁、计算电磁、信号处理和人工智能；宽带性能微波设备的设计和分析；天线和无线电波传播。

入选理由：为医学电磁成像做出贡献。

Daniel Van Der Weide

Daniel Van Der Weide，是使用集成电路产生和检测太赫兹的先驱，目前在威斯康星大学麦迪逊分校，研究领域涉及微细加工、微波测量、太赫兹产生和检测、微波医学、扫描探针显微镜等方面。长期从事于发现、探索和传播将高频（100 MHz 至 1 THz 及以上）用于光谱、传感、计算、通信和生物医学应用的新方法。目前团队为高频探头和传感器设计、构建和使用微制造电路和结构，着眼于跨学科应用。

入选理由：为超快太赫兹电子学和微波技术的生物医学应用做出贡献。

Pietro Valdastri

Pietro Valdastri，现为利兹大学机器人与自主系统教授，研究集中在“医疗胶囊机器人”。在 STORM 实验室，团队正在研究有可能改变内窥镜检查和手术的技术。这些技术包括胶囊机器人的磁操纵、喷水推进、实时姿态跟踪、磁力测量、微型机电设计、小型电子电路和开源设计环境。

目前工作重点是基于磁性软栓胶囊机器人的无痛结肠镜检查解决方案，以及在中美洲基于水射流推进的超低成本胃癌筛查平台。

入选理由：为医疗胶囊机器人做出贡献。

Mathews Jacob

Mathews Jacob ，目前为爱荷华大学计算生物医学成像小组 (CBIG)的 负责人。研究兴趣包括磁共振成像背景下的图像重建、图像分析和量化。2003年至2006年，他在伊利诺伊大学厄巴纳香槟分校(University of Illinois at Urbana Champaign)担任贝克曼博士后研究员，并获得2009年国家科学基金会职业奖和2011年美国癌症协会研究学者奖。目前为IEEE医学成像汇刊和IEEE计算成像汇刊的副主编。

入选理由：对计算生物医学成像的贡献。

Paul Dayton

Paul Dayton，北卡罗来纳州立大学 UNC Chapel Hill 生物医学工程教授，研究涉及开发使用超声波和微泡造影剂对血流、微血管系统和分子标记进行成像的新技术，以及超声介导的微米和纳米粒子治疗。最近对该领域的一些贡献涉及通过优化造影剂尺寸分布来提高超声成像的灵敏度和一致性的技术、高分辨率、高 SNR 超宽带成像的演示以及实时分子检测技术。

入选理由：在医学超声中对散斑跟踪和声辐射力脉冲成像的贡献。

Gregg Trahey

Gregg Trahey，目前为杜克大学医学工程学院教授，并推出开发和评估新的超声成像方法。研究领域涉及乳房的高分辨率成像以及软和硬血管斑块的成像和乳房病变的机械成像，并进行体模、动物、离体和体内试验。

入选理由：在医学超声中对散斑跟踪和声辐射力脉冲成像的贡献。

【年底最强的产学研医疗科技高峰论坛即将启幕】

2021年12月9-11日（星期六），由雷锋网主办的2021全球人工智能与机器人大会（GAIR 2021）将在深圳启幕。其中，医疗科技高峰论坛将同步召开。 

今年的医疗科技高峰论坛，延续往年的高标准、话题性与产学研融合的特色，已成为最前沿和最具影响力的医疗行业高端论坛之一。 

本届论坛将分为两个重要专场：「AI新药研发」和「AI医学影像」，一面聚焦冉冉升起的创业风口，一面畅谈成熟赛道的未来走向。

我们邀请到了多位学术领军专家、赛道标杆企业代表、顶尖投资人，共话AI与医疗的道与术，扫描以下二维码，查看专场最新议程。

雷峰网雷峰网

现在，在武汉市民口中，流传着四次保卫大武汉的说法。

第一次是抗日战争的武汉保卫战，第二次是1954年抗击洪水（为此，市政府对面修建了防洪纪念碑），第三次是1998年特大洪水，第四次就是新冠疫情。 

不同的是，前三次的保卫战是一场人力、资源调度的“肉搏战”，而新冠疫情则是一次与时间赛跑的“数字化之战”。 

2021腾讯数字生态大会，也选在了这座英雄之城。腾讯高级执行副总裁、云与智慧产业事业群 CEO 汤道生就说到，“站在这座英雄之城，放眼数字化未来。没有谁比这座城市更加理解，什么是真正的挑战、勇气，以及探索未来的智慧。” 

近期，雷锋网走访了武汉市公共卫生应急指挥中心、武汉市卫健委、武汉大学中南医院、武汉市第一医院等多家机构，专访了武汉市卫生应急指挥中心技术小组组长左秀然、武汉大学中南医院医学影像科主任徐海波，武汉市卫生健康委员会规信处处长王家刚、武汉市卫健委信息中心副主任邢福工、武汉市第一医院信息科主任王巍、勾勒出了数字化与武汉这座江城休戚与共的“情感联结”。 

7个月、20多个机关，一个速建的疫情预防系统 

《金银潭实拍80天》 纪录片中，有一个很感人的场景：

一个临危受命的年轻记者，因为坚持外出参访报道，父亲没有反对，而要求自己作为司机一同前往，结果一家人都被感染，父亲不幸离世。 

悲痛之余，母亲很小心地向儿子提出捐献遗体的想法，这对儿子而言很艰难，最终，在无法见到父亲最后一面的情况下，他们为了给更多的人赢取希望而选择了捐献。

解除隔离后，儿子独自来到医院，找到父亲离开前的病房，做最后的告别和祭奠，面对空落落的房间和床位，默默哭泣。对于普通的武汉市民，还是对于医务工作者来说，那段回忆都将是不可承受的“生命中重”。

根据武汉金银潭医院副院长黄朝林，中日友好医院曹彬主任在《柳叶刀》发布的论文显示，武汉最早一例确诊患者出现在2019年12月1日。

在此之后，更多的感染病例就开始出现，首先是首例感染者的妻子，此后是曾经一起工作过同事，再之后就是为之治病的医务人员。到2019年12月30日，武汉的早期感染者就达到104人。 

回忆起当时的情景，武汉市公共卫生应急指挥系统建设项目技术组长左秀然向雷锋网《医健AI掘金志》表示：从今天的抗疫经验来看，当时的每一个感染者背后都可能有上万个没有任何预防和控制措施的密切接触者和次密接，这也是疫情容易扩大传播的最重要诱因。

而在这样回顾性总结和复盘中，唯一缺失的便是手段和经验，对于当时的武汉疾控人来说，实时有效的追踪实践工具还处于空白。

所以，在武汉封城、实行疫情防控全闭环管理之后，市政府便牵头二十几个委办局组建了新冠肺炎疫情防控大数据系统。在武汉第二轮疫情出现之后，该系统又正式升级为武汉公共卫生应急指挥系统。

这个系统之下，通过大数据，武汉疾控部门可以实时监测和连接各类商超、农贸市场、交通站点等建立了一共有60类、一万多个自动监测点，部署5G智能发热监测系统，建立症候群监测，以及全市913家在汉医疗机构的电子病历和检验检查结果实时数据。

左秀然主任举了一个案例：

以单一风险源指标为例，如果我们看过发热门诊，系统就会自动触发一次预警，相当于一次备案。与此同时，系统还会自动归纳多指标类的趋势类信息，例如学校病假缺课的学生数量，超过一定多少阈值，便会自动触发一次预警，自动梳理出最近的其它学校的病假情况，供风控人员核查。

这套系统的背后，囊括了武汉在公卫领域的很多开创性工作，例如对全市涉疫数据的打通和世界首创的疫情防控预警规则。

左秀然：“这种城市级、多点触发的预警监测机制，包括武汉在内，过去大家不是没有想过，但其中有着巨大的困难。” 

因为一座城市内的医疗、交通、教育、海关等各个系统的数字化建设，过去几乎都是独立发展，一座城市的不同体系里面，可能存在上千个不同的系统和数据格式，如果没有特别大的协调力量，彼此之间很难实现打通和互联。

此次，武汉市公共卫生应急指挥系统的建设，得到了市政府的强力支持，由卫健委牵头，与国家、省、市共47个系统实现数据互通，在七个月的建设时间里，背后是大量时间做系统打通，数据同口径采集治理工作，才最终形成覆盖武汉的同城同管机制。

左秀然表示，“这个系统是属于武汉市的系统，卫健委只是其中的运营单位，在系统数据运行的背后，每天都有疫情防控的领导、各个委办局单位，以及各个区的街道和社区网格点等等很多人，通过数字化的方式，做疫情防控常态化管理。”

武汉的疫情防控预警规则主要分为四类：蓝、橙、黄、红。

其中蓝色预警：代表风险点汇报，例如列举的发热和缺课信息，一旦被检测就会汇总研判。

黄色预警：则代表更高一级的风险，例如重点工作场所的从业人员出现发热，或者其它高风险地区来到武汉，这类预警通常每一个都需要专门复核。

橙色预警：危险气息会更浓一些，代表武汉当地出现确诊患者，此时就需要启动防控预案，迅速锁定密接、次密接，统一调配救护车、防疫物资等医疗资源。

红色预警：代表着整个系统里最高警戒，确诊病例已经查过阈值，或者出现甲类或乙类传染病，开始出现大范围传播，此时启动最高级别预案，例如取消所以医务人员休假，封闭相关交通设施，向整个社会发布疫情防控警报。

提前预知的影像科 

对于所有武汉的医疗人来说，距离最近的一次红色警报无疑是武汉封城期间。而对于武汉大学中南医院来说，真正的考验早在2019年12月底就来临，并很快迎来了高潮。 

武汉中南医院影像科主任徐海波教授表示：“疫情开始之后，医院很快就迎来最大的诊断工作量。当晚住院部就全部住满病人，而在CT影像诊断中，这些病人新冠肺炎确诊率几乎达到了100%。一个晚上就检查了300多个人，当时CT都做垮了一台。”

他还坦言，事后很多纪录片还原那个时刻非常紧急，甚至生死攸关。但现实不是拍电影，当时根本想不到这些。就像《芳华》里，“文工团长给萧穗子一顶钢盔，上战场的命令来了，根本想不起来心理建设和告别，拿着钢盔就出发。” 

“当时发现了这种未知型肺炎之后，大家还都比较茫然，不清楚为什么来的这么迅速，一部分没有经历非典的年轻医生和技师还没有感受到其中的危险，后来才意识到问题的严重性。”  

在确诊率100%情况下，中南医院影像科也进入了紧急状态：寒冬里，为了空气流通，护士每天都要开窗，用电风扇吹风，又要阻止患者和家属说话，患者的火气都不小。

而在这些现实问题中，怎样快速确认，缩短病人的等待和暴露时间，快速区分出感染者，以及危重程度变得尤为重要，特别是当时的核酸检测手段还没有成熟。

“最早因为要进行测序，要提取病原学、制备试剂，咽试子是从1月20号才开始使用，数量很有限，每个医院只查1000个，诊断的准确性只有28%到50%。所以，几乎所有医院都在使用CT进行快速确诊，技师三班倒做检查，这就积攒出大量CT影像，如何快速处理这些影像又成为了新的问题。所以就希望有一个工具来提升诊断的效率，新冠AI辅助诊断产品的出现，帮了我们大忙。” 

提出这个需求时，徐海波的办公室里站满了AI公司的人。这其中就包括腾讯觅影，武汉封城之际，腾讯觅影的AI团队直接驻扎在了武汉中南医院。 

徐海波教授表示：“当时和国外医生沟通新冠经验的时候，他们是比较羡慕我们的，因为他们并没有这种辅助工具，在这一点上我们的AI企业确实走在了前列。”

但当时开发这种AI辅助工具其实并不容易，据徐海波教授介绍，当时疫情感染风险还非常大，居住的环境也很差，虽然是宾馆，但在零下的天气里每天都开窗通风，饮食也供应不上，很多AI公司员工都是和医生一样吃泡面。

而在腾讯的记忆中，腾讯觅影总经理钱天翼表示：“团队就驻扎在距离病房楼不到300米的封闭环境进行开发，白天影像科医生要在一线诊断新冠患者，晚上还要帮我们标注数据、传授诊断经验。”

据事后统计，经过这样共同的努力，从武汉封城到4月15日雷神山医院关闭的82天时间里，武汉中南医院影像科先后完成了中南医院、雷神山医院、和最大的东湖方舱医院数千人的新冠肺炎诊断工作，协助完成了10多个新冠AI产品的开发。 

根据国际著名科研数据服务机构“数字科学”（Digital Science）发布报告统计：到2020年6月1日，中南医院在国际期刊上发表关于新冠肺炎科研论文排名达到了全球第二，仅次于美国麻省总医院。 

当然，如何总结防疫工作，扩大新冠肺炎筛查的范围，也成为徐海波教授在新冠之后思考的重要问题。

他表示：“我们不能24小时地支援每一个地方，唯一可以做的就是把经验固化下来，将CT和卡车、5G、新冠AI产品集成为车载CT，让数字化的手段来帮助我们。” 

后来，在此构想下打造的车载CT成为一种疫情防治手段的范例，在全国各地奔跑。

今年四月，河北南宫发生疫情，车载CT载着两名司机和一名技术开到了河北邢台的每一个社区，以“移动CT+中南医院”远程阅片的形式，实现了社区的移动式筛查——从家门到筛查点不超过2公里，从完成检查到出结果和报告不超过15分钟。

医院之外的“局内人” 

对于2020年1月的武汉来说，医疗抗疫主战场不仅仅是医院。除了确诊的几万人以外，如何保证1200万人的有效隔离、调控就诊需求，无疑是武汉面对的另一个重要问题。 

从封城那天起，武汉人就经历了公交停运、地铁停开、小区封闭。

武汉市卫健委信息中心副主任邢福工表示：“大家都知道的是，武汉当时进行封闭管理，但封闭不是一刀切，在近两个月的时间里，大家还要生活，还需要各种医疗、吃住行服务。如何把病毒阻隔在院外，控制住传播就变得尤为重要。” 

这里列一个数字：从2020年1月23号封城到4月8日解封，武汉的确诊人数停留在了8万人，这背后是全国300多个支援医疗队，近4万人医务工作者支撑。如果感染者在武汉1200万人群中进一步扩大会怎样？如果这个数字翻一倍呢？ 

就像今天所有人凭借健康码一路通行，凭借互联网医院就能在家就医一样，武汉卫健委和医疗工作者在院外的抗疫工作也是从这两方面开始着手。

为减少线下医院人员密集和交叉感染，在健康码诞生之前，早于疫情出现前的武汉电子健康卡，就成为了武汉健康身份识别的一个重要工具，提供核酸查询、互联网医院挂号等服务。

武汉市卫生健康委员会规信处处长王家刚，给出了电子健康卡的定位：用户的健康身份证。 

邢福工表示，电子健康卡的应用贯穿了居民的全生命周期，“新生儿一出生，就给他发电子健康卡”；其次是覆盖全人群，无论是本地居民，还是持护照的外国人，无论有没有医保，都能确保其接受基本医疗服务的权利； 

例如在疫情期间，所有以上这些人群，无论是没有身份证的婴幼儿，还是没有医保的人员，都可以通过电子健康卡来登记核酸和查询，在卫健委的“健康武汉”公众号在线查询报告，此外，很多在线的医疗服务，如健康咨询、慢病管理等，也在通过电子健康卡挂号和身份识别。 

如果说电子健康卡是所有武汉市民最重要的健康身份证，那互联网诊疗可能就是其中最重要的流量工具。

在疫情的紧迫下，千万武汉人的就诊方式迅速由线下转至线上。

据雷锋网了解，先后有武汉市第一医院，武汉协和医院，武汉中南医院等多个医院都发出了号召“提倡各位非抗疫一线，以及在家隔离的医生。在各个医院的APP和公众号平台提供线上问诊工作，且不做严格的科室划分，每个医生都发挥全科医生的职能。” 

而这也成为这些医生的抗击疫情主战场。据武汉协和医生表示，当时每天在晚上可以接待约70名患者，已达到了过去在医院线下的门诊量。而在武汉第一医院，每名医生平均接诊更是达到了120人次。 

武汉市第一医院信息科主任王巍表示：“在2020年初武汉疫情期间，我们医院基本是全市首批开通新冠肺炎线上问诊通道的单位，当时找了腾讯、楚天云等几家单位给我们做视频和线上问诊支持，最后服务的患者不仅是武汉本地，还有全国的其它省份，甚至马来西亚、新加坡的病例，仅药品配送范围就覆盖全国31个省、直辖市、自治区。” 

如今，无论电子健康卡，还是互联网医院都已经成为所有武汉市民最重要的医疗工具和抓手。

据武汉卫健委披露的数字显示，目前武汉市电子健康卡发卡量就已经达到1600万，远远超过本地常住人口数量，达到了全国城市的首位，使用次数将近4000万人次。

武汉第一医院的互联网医院运营也更趋向于常态化和丰富化，到2021年8月，该互联网医院的线上接诊人数更首次超过线下，成为互联网+医院建设中值得纪念的里程碑。

健康武汉下的数字铁骨 

11月17日，2021全球智慧城市领域的最高奖项——世界智慧城市大奖在巴塞罗那揭晓，经过层层评选，武汉从世界46个国家421座城市1123份申报材料中脱颖而出，荣获了“2021世界智慧城市复苏创新大奖”全球冠军。

经过几天的走访，如今的武汉公卫体系当中，类似于新冠AI、卫生应急指挥系统等多个新的疫情防治手段都在陆陆续续建设当中。 

这些手段不仅仅是医务工作者对于疫情防控手段的总结，其实也在蕴涵着数字化企业背后的支持缩影。

以武汉中南医院的车载CT为例，一台15米长、4米高的厢式货车里面，囊括了腾讯觅影（影像AI辅助诊断）、明峰医疗（CT）、网络运营商（5G远程诊断），隔室遥控操作机器人等众多医疗和互联网企业的支持。

同样，武汉电子健康卡在串联所有市属医院和完成1400多家医疗机构受理环境的改造背后，也离不开腾讯等互联网企业，对这些医院不同且混乱的HIS，RIS数据接口的逐一打通。 

对于互联网企业的支持作用，武汉市卫生健康委员会规信处王家刚还列举了一个特别案例。

“在负责火神山信息化建设的时候，当时武汉发热就诊特别困难，突然就想到，能不能用数字化手段，在地图上做武汉发热门诊分布，让大家很容易知道哪里有发热门诊，能够看多少病人，方便就诊。随即就微信和一家互联网企业沟通了想法，但没想到在沟通的除夕当天，这家企业就召集出了一个团队，表示可以做支持。” 

据笔者了解，如今，在这些互联网企业的配合下，武汉在加大公卫信息系统建设的同时，还在引入更多云、AI、大数据、5G技术对原有系统加大升级。 

以近期腾讯在2021数字生态大会发布的微信电子健康卡开放平台3.0为例，其中新集成的实名验证、人脸识别、OCR等技术，都有望在武汉电子健康卡的一站式就医战略中逐渐落地。

公卫体系下的这些新数字化和信息系统，又将成为未来武汉阻断病毒传播的一个个新的数字铁骨。 

结语 

在腾讯数字生态大会上，武汉市卫健委与腾讯公司签署了战略合作框架协议，将在探索区块链医疗创新应用、推动区域医疗影像云中心建设、完善公共卫生应急指挥决策和调度体系建设等方面展开合作；

同时，通过新兴技术在医疗健康的应用，促进武汉市智慧医疗健康服务体系建设，强化行业监管和安全保障, 全面提升当地医疗服务质量和水平，为全国医疗信息化高质量发展打造武汉样板。

会上，汤道生表示，腾讯在武汉会持续投入建设，腾讯数字产业总部现已落地在武汉，除此之外还会聚焦云、智慧产业的基础产品、行业产品的研发，未来会在武汉及湖北投入更多精力。腾讯作为“数字化助手”，希望能够为武汉的企业、单位提供更多数字化转型的支持。 

武汉这样一座英雄之城，值得更多的关注。它也在数字化的手段下，历经、渡过艰难岁月，也将因此重获新生。雷峰网雷峰网

在疫情的前后过程中，腾讯健康作为智慧医疗的创新者，涌现出诸多亮眼案例。在2021腾讯数字生态大会上，腾讯健康分享了众多医疗数字化的实践案例和建设经验。

为此，《医健AI掘金志》与腾讯健康合作，整理出包括腾讯公司高级执行副总裁汤道生及腾讯健康多条业务线高管的系列公开课视频，一窥数字化抗疫及智慧医疗建设全景，扫描下方二维码可直接观看。

本轮融资主要用于手术机器人的产品研发、临床试验、上市推广、新产品布局和行业前沿技术平台的搭建，使中国及全球范围内的患者可以更快地享受到高端医疗服务。 

康诺思腾成立于2019年9月，创始团队为全球顶级医疗手术机器人专家，深耕行业数十年。公司致力于创新型手术机器人的开发，已完成软组织手术机器人和其他重大专科手术机器人的多管线布局。

目前，康诺思腾已完成多孔腹腔镜手术机器人产品开发，将快速进入临床试验阶段。康诺思腾的多孔腹腔镜手术机器人产品得到了国内外众多顶尖临床专家的一致好评，操作流畅、控制精准、视野逼真、性能出色，占据国内技术高地。

经过2年的快速发展，康诺思腾已在中国深圳、中国香港和美国全球三地建立了研发中心，组建了数百人的专业团队，完成了底层技术平台和产业化平台的搭建，完全掌握并实现机械架构、电气架构、软件架构、复杂算法和视觉影像系统等核心技术的自主研发。

未来，康诺思腾将持续关注和不断满足临床对于手术机器人安全有效可靠的核心需求，积极推进优质产品在中国及全球范围内的报证上市，服务全球医患。

康诺思腾的愿景是打造安全高效手术机器人平台，不断攀登医学高峰，让更多医患受益于高端医疗器械，提升中国及全球范围内高端医疗服务的普及率。

美团CEO王兴表示：“美团相信科技将使人们的生活更加美好。我们希望携手行业领军企业，助力高品质医疗产品的临床普及与国产替代，推动医疗科技进步，给更广大的患者带来更美好的生活。这也与美团的使命高度契合。”

同时，礼来亚洲基金合伙人黎佳欣祝贺道：“基于手术机器人平台的智能外科技术是创新医疗器械领域中的一股大势，其国内外未被满足的临床需求巨大，又极具技术壁垒和创新空间。礼来亚洲基金坚定地看好手术机器人的发展，深耕布局，致力于支持国内及国际领先的企业加速前行。我们很认可康诺思腾团队在短短2年所达成的快速发展及体现的创业精神。”

康诺思腾创始人欧国威博士表示：“感谢新老股东对康诺思腾的高度认可与坚定支持！感谢全体康诺思腾人对企业愿景的不懈坚守和执着追求！自成立以来，康诺思腾一直秉承打造安全高效手术机器人的初心，坚持自主研发核心技术，构建完整系统平台，始终以满足实际临床需求为首要目标，不断创新，解决行业核心痛点。经过2年的快速发展，公司完成了全球三地的业务布局、在产品性能上得到了国内外顶尖临床专家的充分肯定。”

同时其在美国进行的针对干性年龄相关性黄斑变性（Dry AMD）的First-in-Class眼科新药QA102已经顺利完成了I期临床试验的全部受试者给药。 

清华大学药学院教授、因明生物董事廖学斌教授谈到，HPK1是肿瘤免疫中的一个重要靶点。靶向HPK1可以有效调控几类重要的免疫细胞，激活其协同抗肿瘤效应。

因明生物在HPK1的靶点机理上有坚实的科学基础。PRJ1-3024是因明生物完全自主研发的产品，处于全球第一梯队，具有选择性更好等一系列的优点。

PRJ1-3024通过美国临床申报程序，标志着因明生物正式加入肿瘤免疫创新药物这个千亿美元赛道的竞争。我们将加快临床研究，以期更快造福全球肿瘤患者。

因明生物CEO张岩表示，QA102针对目前全球范围内无药可治的致盲眼病——干性年龄相关性黄斑变性，临床需求和市场前景都极为巨大。QA102在美国开展的I期临床试验成功收官，即将正式进入II期临床试验阶段。

关于因明生物

因明生物成立于2019年11月，拥有由多名顶级科学家、专家组成的研发团队和具有全球影响力科学家组成的科学委员会。在眼科药物、新型医美药物、小分子免疫药物及细胞治疗等领域在研产品十余种，绝大部分均为具有竞争力的突破性First-in-Class创新药物，且主要产品均已完成前期研发或已经实现了产品化。

近日，北京和睦家医院在北京召开“和睦智能影像论坛”，本次大会由中国非公立医疗机构协会、和睦家医疗主办，雷锋网作为首席战略合作媒体进行报道。二十多位国内顶级的临床专家、教授以及国际知名的医学AI应用研发团队，共同聚焦、探讨人工智能影像的临床应用及科研进展，分享工作经验与研究心得。

大会致辞

新风医疗首席执行官、和睦家医疗创始人Roberta Lipson用一段中文进行了致辞。她表示，AI技术发展很快，也有越来越多的人在使用和受益于AI技术。希望通过这次论坛，可以让各位学者汇聚一堂，一起讨论AI在临床治疗全过程的应用经验，以及如何为人类健康更好地服务。

中国非公立医疗机构协会放射专业委员会主任委员郭启勇表示，从Basic语言到c++、Java的变化，从单机、云计算到元宇宙，计算机促进了人类和社会的发展。在信息化领域，计算机也深刻影响了影像学的发展，CT、磁共振等数字影像集聚着数字的魅力，从CAD到AI，无一不在影响和推动医学影像的进步。我相信，通过这次论坛，可以促进民营乃至公立医疗机构的智能影像技术的发展。

和睦家医疗事务副总裁马沛恩表示，我对AI在医疗领域的应用特别感兴趣，无论是支持用于管理的临床诊断，还是其他前沿的应用案例。作为一种工具，AI只会继续以我们从未见过的方式支持医疗服务。我非常期待听到来自所有专家的应用分享。我希望，今天的大会对所有参与者都是富有成效的，成为我们所有人学习、结识新老朋友的平台。

和睦家首席医疗官孙芾在致辞中说到，非常高兴大家能够参加北京和睦家医院与中国非公立医疗机构协会共同举办的论坛。在今天的论坛中，共有二十多位专家，包含了影像基础研究、临床诊断、内外科系统等多个领域进行学术交流，干货满满。感谢各位专家的大力支持，预祝大会圆满成功。

大会特邀报告

中国非公立医疗机构协会放射专委会主任委员 郭启勇

作为本次大会的开场报告嘉宾，郭启勇教授是中华医学会放射学分会第十二届主任委员、中国医师协会放射医师分会前任会长、原中国医科大学副校长、盛京医院院长。他的演讲题目是《医学影像AI的现状与未来》。

郭启勇教授在演讲中表示，AI在医学影像领域已有76款产品获得FDA批准，中国AI企业也在国际崭露头角。而AI的研究在逐步从单一应用走向疾病的全流程的管理。“从CAD走到AI，本质上是图像的特征提取、学习，没有关注临床的需求。所以真正的AI，未来一定是从单一的应用走向疾病的全流程管理。”

因此，未来医学影像AI要关注几个方面，首先，要注重技术与产品诊断的准确性，要进行端到端的研究，打破从科研到临床应用的壁垒；其次，要覆盖放射科工作全流程，从覆盖疾病诊疗全流程的角度来形成AI产品，最大限度减少或者消除非高技术类的劳动。

而医学影像AI也面临诸多挑战，例如：

动摇人道德主体地位风险及是否符合人类道德标准的问题（研发和使用标准化）；

大众公平受益问题（AI助益远程医疗）；

医疗安全风险问题（数据管理和使用标准化）；

医疗安全责任划分及认定问题（责任认定标准化）；

监管和政策法规问题（加强准入与监管，物价及医保）

郭启勇教授表示，解决这些问题，最根本的是依靠监管和政策法规的不断完善，进而实现完整的准入和使用制定，这样医学影像AI的明天才会越来越美好。

美国芝加哥大学放射学系（基础科学研究）副主席  Maryellen L.Giger

作为特邀报告的第二位嘉宾，Maryellen L.Giger教授是美国芝加哥大学放射学系（基础科学研究）副主席。同时，她也是医疗AI公司Quantitative Insights公司联合创始人，公司QuantX产品为美国FDA批准的首个机器学习驱动的癌症诊断辅助系统（CADx），2019年被《时代》杂志评为年度发明之一。

Maryellen L.Giger教授以AI在临床三维乳腺MRI及新冠肺炎方面的应用为例，进行了分享。

她表示，为了有更强大的人工智能，要跨过所有阻碍道德和值得信赖的AI人工智能的陷阱，特别是在数据和人工智能算法的训练/测试方面。“我们需要大量多样的数据，需要避免‘弗兰肯斯坦’式的数据库，避免拿到过于乐观的结果。”

因此，Maryellen L.Giger教授团队正在开展一个数据集项目——MIDRC，包括放射科医生，医疗企业，成像科学家都参与其中。该项目于2020年8月开始并建立的，为期2年。Maryellen L.Giger表示，所有的人工智能研究人员都可以访问，有了这样的数据集，我们将通过对算法性能进行真实世界验证，加快向公众的推广。

北京肿瘤医院医学影像科主任 孙应实

第三位讲者是北京肿瘤医院医学影像科主任孙应实，他的演讲题目是《人工智能在结直肠癌诊疗中的应用》。

他以广东省人民医院刘再毅教授发表在《Journal of Clinical Oncology》杂志上的研究成果、北京肿瘤医院与中科院自动化所田捷教授团队关于结直肠癌疗效评价的研究等多个案例进行分享。

孙应实教授在对直肠癌影像组学的文章进行总结时表示，未来有两个方向值得探索，一个是自动分割与分类，包括术后病理的预测、长期预后的预期以及基因型的预测；第二个方面，进行多中心研究，增加训练数据的规模，提高模型在不同环境中的泛化能力，从而有望将人工智能从研究真正推到应用。

麻省总医院&哈佛医学院教授 Gregory Sorenson

第四位讲者Gregory Sorensen教授是DeepHealth创始人、麻省总医院&哈佛医学院教授。他的演讲主题是《AI of Medical Imaging in Oncology》。

他表示，Al有巨大的前景，局限性正在得到解决，而医学成像的发展特别适合机器学习的进步。”30多年前在研究生院的时候，我就将研究计算机视觉作为一个副业，到了今天，计算机视觉的发展远超想象。但与此同时，AI也和人一样存在偏见，同时还有不可解释性。”

他以机器学习在乳房X光检查中的应用为例，分析了AI在一些实际医学问题中的价值与缺陷。

Gregory Sorensen表示，“我们开始理解这些偏见，并且正在克服。这反过来使我们能够建立一个真正有用的人工智能。如果我们能将深度学习应用于癌症成像、病理切片、结肠镜检查图像，当所有的专业知识都被浓缩到软件中，就可以把世界上最好的医生带到每一个病人身边。”

阿里巴巴医疗人工智能实验室负责人吕乐

吕乐博士是阿里巴巴医疗人工智能实验室负责人、阿里巴巴达摩院美国研究员，IEEE Fellow、MICCAI委员会成员，曾任西门子、NIH、英伟达、PAII资深科学家、资深研究经理和执行院长。

他发表了主题为《Facing the global health challenges in population health and oncology via scalable AI tools》的演讲，主要分享在公共卫生及肿瘤方面的AI应用成果。

吕乐博士表示，医疗AI要思考的最重要问题是对临床的作用，要学会做“有意义”的事情。

他以南加州大学发表在《Nature Communication》的一篇论文为例，研究人员可以基于最普通的病理染色图片，利用AI的方法可以判断胰腺癌病人的受体是阴性还是阳性，从而帮助医院优化了成本（免疫染色的方法更贵，也便利了病人）。“人工智能做到了人能猜，但是做不好的事情，临床意义很大。”

接下来，吕乐教授分享了与台湾长庚医院合作利用X光图像计算骨质疏松的风险度、与肝脏内科医生合作的脂肪肝定量分析、以及在肿瘤领域（胰腺癌、肝癌）早期诊断的多个案例，其中包括了与北京和睦家医院放射科合作的胸部病灶筛查模型的验证研究。

吕乐博士表示，医疗AI的技术要遵循中庸之道，既要有追求创新的精神，也要思考技术的临床价值。科学家和临床医生一定要肩并肩工作，像一个真正的团队一样紧密合作。

北京和睦家医院骨科主任路继科

北京和睦家医院骨科主任路继科主任发表了主题为《智能影像指导骨科机器人手术》的演讲。

他表示，传统的髋关节置换有不少缺点：术中骨折、术后脱位、肢体长短、边缘负荷增加导致骨溶解，而髋关节置换后容易双腿长短不一，还容易引发诉讼。因此，正确的假体大小和精确的位置安放是关键，而机器人就可以解决这个问题。

他以和睦家医院引入的MAKO机器人为例，分享了MAKO机器人辅助髋关节置换的原理和操作，其目的是减少关节组建放置的边缘失误，增加关节置换的精确性和准确性，显著减少并发症的发生。

但是，MAKO关节置换机器人也存在一些局限性，例如价格和效率比，需要技术支持，在手术时间和失血方面没有改进。当然，随着机器的更新换代，MAKO4.0版本对于复杂髋臼发育不良和腰骨盆矢状位不平衡的髋关节置换有明显优势。

中日友好医院放射科主任 谢晟

中日友好医院放射科主任谢晟发表了主题为《成人四肢骨折人工智能检测的优化研究》的演讲。

谢晟主任基于CT金标准的成人四肢骨折AI优化评价研究，试验内容是基于CT金标准对现有的深睿四肢骨折AI进行优化，评价优化前后的AI对于成人四肢骨折的诊断效能，与原始医师评价记录进行诊断效能的比较。

谢晟主任表示，这项研究的算法创新之处在于旋转数据增强，包裹框再生成消除特征图歧义，纯阴性图训练降低假阳性、多层特征输出，加强小目标识别。而在训练集和测试集的规模上，总样本量为666例，其中训练集395例，验证集99例，去除图像质量不合格之后的测试集为191例。而经过优化之后的AI，对于撕脱骨折、非撕脱骨折及其他部位骨折检出率都实现了大幅度的提升。

谢晟主任也补充到，部分关节的诊断还需要进一步提高，假阴性、假阳性有望通过针对性训练更加改善。

电子科科大学信息与通信工程学院教授 李纯明

李纯明教授是电子科技大学信息与通信工程学院教授 ，IEEE Fellow，中国体视学学会智能成像分会副主任委员。他发表了《基于知识和典型特征点的医学影像分割方法》的主题演讲。

李纯明教授表示，医学图像的噪音、对比度低、磁共振图像的明暗度不均匀、CT图像的金属伪影等，都给分割算法带来很大的挑战。而深度学习本身的不可解释性、依靠大样本训练、泛化性差等缺点，也进一步促进研究人员寻求更多的创新点。

他以近年来在左/右心室图像分割工作为例，试图将解剖学知识融入图像分割算法里。李纯明教授表示，很多解剖学结构是凸出的形状，而这个“凸性”可以用数学上曲线的曲率来描述，研究人员就可以用算法自动算出曲线曲率，进而引导曲线的运动、实现图像分割的效果。这样的方法，也可以用在三维图像中。

此外，他还分享了基于前向和后向扩散的图像去噪和图像分割的工作方法和成果。

李纯明教授表示，基于典型特征点的图像分割方法，可以简化传统的交互式分割的人工操作（从前景背景划线到取典型特征点），简化机器学习的方法的手工标注，降低了手工勾画边界的难度。

北京协和医院放射科 冯逢

冯逢教授是北京协和医院放射科副主任，主任医师，她以《人工智能在癫痫影像中的应用》为题，做了报告。

冯逢表示，癫痫属于反复发作为特征的神经元异常放电的突发性疾病，导致中枢神经系统出现短暂障碍的慢性疾病，影响所有年龄层次。它存在两个发病高峰，一个是儿童青少年群体，一个是中老年群体。目前，图像诊断和脑电图诊断结的联合诊断是确诊和识别癫痫的重要手段，但目前至少还有50%的癫痫疾病无法确定病灶。

冯逢谈到，由于个体大脑先天或后天发育的不同，以及大脑皮层本身的不规则型结构，目前二维成像和脑电波在诊断时耗时、费力，精准度低。

她表示，以往的人工智能方法是通过机器学习图像和脑电图数据来做预测和诊断，但近年来大家关注到癫痫是一个长期慢性的、综合性的疾病，通过增加小脑数据、年龄数据、心情数据等多元数据，选取不同特征学习成为临床新手段。但难点在于这些病例都没有很大的样本，难以做标准化的大样本分析。

最后，冯逢提到，目前人工智能的研究方法在癫痫临床应用中有很大优势，并有以下几个特征：一是目标癫痫的综合征不同；二是影像设备、序列不同；三是提取的特征不同；四是机器学习的策略不同。因此不同的机器学习方法对应不同的临床问题，很难比较得出哪种机器学习的模型更好。

中国科学院自动化研究所研究员 何晖光

何晖光教授是中国科学院自动化研究所研究员，中国科学院大学人工智能学院脑认知与智能医学教研室主任、岗位教授。他以《人工智能在神经精神疾病研究中的应用》为题，进行了主题分享。

他表示，在神经精神疾病领域，人工智能的研究框架包含病理学研究和计算机辅助两部分。其中前者涉及大脑结构可塑性、大脑功能的改变、与临床表现关系、潜在生物标记；后者涉及智能辅助诊断、发病风险预测、个体诊疗方案、脑机交互与协同。

因此必须要采集多中心、多病种、多手段（如磁共振、脑电，眼动）的数据，从脑结构、脑功能、脑网络、脑动态特性、脑可控特性等对比正常人和病人的大脑变化。得到这些数据后再对临床和行为数据做相关性判断，从而推进精神疾病的病理发病机制。

何晖光谈到，这部分的工作属于前端数据标记，接下来要训练一个学习模型，并逐步构建一个全脑通计算模型，更进一步，还要研究脑机交互和协同机制，形成一个智能诊疗的系统平台。

最后，何晖光在展望人工智能在神经精神疾病研究时谈到，希望这样的研究能够结合医生的专业知识，对特定脑区建模，将数据和理论相结合，增加模型的可解释性，从而对神经疾病精准调控。

中国医学科学院报编辑部 李洁

会议还邀请到了中国医学科学院报编辑部副编审李洁，她以《从医学顶刊发文看高水平医学AI研究论文内容组织》为题，介绍了自己在组织医学人工智能专题的过程中，观察到的医学AI论文趋势。

李洁总结到，近年来，医学AI领域发表的学术论文有五个特点：基于AI的医学研究整体发文量在近5年数量增长达5倍，成为热点邻域；文献综述、观点、评论性文章数量增长显著，而临床试验研究发表的论文数量增长缓慢，说明AI临床研究较为薄弱；系统综述和Meta-分析文章数量较少，说明AI临床效用研究开展不足，研究报告的内容缺乏质量标准；目前尚未有基于Al医学应用的临床实践指南或共识出现，多中心临床研究论文逐年增长是一特点。

其中，顶刊评论文章中AI在医疗卫生领域的重要关注有几点：在现有疾病诊治临床路径中价值；患者获益vs潜在风险；人工智能vs医生诊疗；临床有效性需要谨慎评价；强调应用研究的可重复性；研究方法的透明性；伦理、法律、规范；AI医学研究报告指南。

李洁表示，临床试验研究发表的论文数量增长缓慢，说明临床专家普遍对人工智能技术临床应用的有效性持谨慎态度，同时，也说明研究论文的设计不完整。目前，已经出台了近 300 个临床试验报告指南，目前发表在新英格兰医学杂志上的一篇题为《人工智能检测视网膜眼底照相的视乳头水肿》论著，是一篇不错学习范文。

最后，李洁希望未来医学和工学以及出版方的能够更好地合作，提供更好的人工智能临床评价的有效的证据，让人工智能真正为患者的预后，患者疾病的诊疗结局服务。

北京肿瘤医院放射科副主任 唐磊

唐磊教授是北京肿瘤医院放射科副主任，他以《胃癌影像组学研究现状及展望》为题，做了线上分享。

唐磊谈到，胃癌影像组学面临的两大瓶颈是：分期和疗效评价。目前胃癌影像学分期的准确率还不尽人意，达不到临床精准化治疗的需求。

他表示，在疗效评价方面，胃作为空腔脏器，缺乏RECIST标准认可的靶病灶，所以胃腔厚度变化是因为肿瘤本身还是自身充盈度，很难去做出客观判断。并且影像学变化后知后觉，形态改变往往迟于组织成分变化，所以临床治疗较为被动。

传统的CT观察很难从外观上客观评价，目前人工智能使医学影像从黑白图像回归到数据本源。影像组学关键技术为纹理分析(像素)、人工智能可解释性。

唐磊表示，从 17 年到 20 年，已有较多涉及到胃癌的诊断、分期、生物学行为评估到疗效评价等多个领域的文章，大部分文章来自中国。从去年开始，胃癌影像组学或者人工智能领域的研究突飞猛进。目前广东南方医科大学的李国新教授已经通过构建影像组学标签来评价胃癌的免疫微环境，进而预测胃癌辅助化疗的疗效。

同样，唐磊团队研究了胃癌隐匿性腹膜转移的影像学评估，对传统CT漏诊的腹膜转移问题做了校正，通过在MDT模式下与腹腔镜探查的点对点对照研究，进一步提高了胃癌治愈评估的准确性，降低了后续治疗的偏差。后续，唐磊团队还制定了隐匿性腹膜转移的风险度分级对照表，将其分为 4 级，为后期临床阶段提供了支持。

唐磊谈到，现在已经建立了影像组学的特征模型和深度学习的特征模型，并搭建了一个软件系统，将组学+人工智能用于疗效评价和疾病预测中。

阿里巴巴达摩学院医疗AI实验室高级算法专家 闫轲

闫轲是阿里巴巴达摩学院医疗AI实验室高级算法专家，《深度病灶：在CT中大规模的病灶分析》为题，做了分享。

闫轲谈到，目前已经搭建好基于人机交互的病灶挖掘方法，用于病灶的检测、分割以及跟踪等，从而提高检测效率，减少疾病漏诊、规避假阳性诊断等。

他表示，目前这种算法具有较好的扩展性，即能够基于已有的标注的2D信息扩展到相邻的3D层面，挖掘出没有标注的病灶；迁移性，即在一个数据集上训练的模型可以运行到另一个数据集中，挖掘出来一些潜在的漏标病灶。

北京和睦家医院超声科主任 田江克

田江克主任是北京和睦家医院的超声科主任，以《人工智能辅助诊断在超声诊断中的应用》为题，做了分享。

他表示，AI能在三方面给予临床诊断数据型支持：图像优化和高清成像、自动检测和测量、分析和诊断。目前多应用在宫颈癌、甲状腺、乳腺癌、甲状腺癌等多模态诊断中。

田江克提到，目前AI依靠智能中心式学习，并形成云数据存储，可以在多个中心同时操作的基础上，同时推动多个AI系统的学习和进步。

他表示， AI在超声当中的优势到底是什么？一是解决了年轻医生对于图像解读一致性较低的问题，减少观察者之间的差异，二是诊断准确度与高年资医生相似，三是便于基层标准化推广和教学。

谈到现实影响时，田江克谈到，人工智能最大的帮助就是解放了医生的一只手，在医患缩短检查的同时，让医疗回归初心，让医生和患者之间的互动更加和谐。

北京和睦家医院放射科 陆菁菁

陆菁菁为北京和睦家医院放射科主任，以《医学影像人工智能应用与研发汇报--隐形的翅膀》为题进行现场分享。

陆菁菁表示，人工智能主要在两个方面影响医学领域：一嵌入影像临床工作流，二推动医生和科学家联手开拓新领域。目前，AI已经用于CT肺小结节筛查、CT-冠脉血流储备分数测定、可视化三维重建、手术导航、乳腺影像智能评估、骨龄生长发育检测中。

随后，陆菁菁提到，目前，AI在疾病诊断和智能预测上成熟度较高，解决了过去过度依赖解剖学和图像检测的问题。并且，越来越多的医生与AI技术研究员协作，不仅能为算法提供反馈建设，还能够真正参与到系统调试中，改变了过去做研究就是发论文的状态。此外，AI还会吸引更多的人关注到临床研究，让智能科技赋能精准医疗。

安贞医院老年心血管病中心主任 赵迎新

赵迎新为安贞医院老年心血管病中心主任，VIP科第一负责人。她以《基于造影的冠状动脉无导丝系统FFR：从临床研究到临床实践》为题，做了分享。

她讲到，传统诊断路径是医生目测患者是否为血管狭窄或推断是否为心脏缺血，误诊率高达1/3。目前通过 QFR 的应用，在造影后直接计算FF 值，成为目前比较客观的评价血管狭窄或心脏缺血的高效证据。

赵主任表示， AI 已经帮助让临床工作变得更精准，更简单，还能给予医生诊断支持，做出更加精确的决策。尤其是 Q-Learning 范式指导临床实践，全过程指导术前虚拟讨论、术中实践和术后恢复。

北京医院心内科副主任 孙福成

孙福成教授为北京医院心内科副主任，北京大学医学部教授，在心血管临床、保健、冠脉介入诊断及治疗方面具有丰富经验。他以《冠脉介入治疗：腔内影像技术还是功能学指标指导？》为题做了线上分享。

孙福成表示，冠脉介入治疗的优势是降低死亡率、改善生活质量；不良后果是再狭窄、血栓。因此，腔内影像技术成为辅助识别与诊断冠脉夹层的重要手段。

腔内影像学能够实时精确评估血管管腔及病变斑块情况，比如IVUS与OCT作为冠状动脉腔内影像学技术，在指导和优化大多数PCI流程中具有优越性。IVUS 与OCT指导PCI能够降低MACE与心源性死亡发生率。对于支架内再狭窄， IVUS和OCT能够明确ISR的发生机制，指导病变预处理、优化介入治疗策略，并且现已制定IVUS，OCT指导“介入无植入”PCI策略。

他总结到，腔内影像技术与生理学技术在结合时有四点特征：不同技术的目标各异；两种技术互补，不存在相互替代；两种技术的融合是将来的趋势；无创性技术的应用是一大前景。

北京和睦家医院心脏中心主任 王德昭

王德昭是北京和睦家医院心脏中心主任，首都医科大学心脏病学系副教授。他以《DEEPVESSEL FFR：基于人工智能的冠状动脉FFR值分析软件》为题做了分享。

他表示，不管CTA还是冠脉造影仍有一些误差，不能单纯作为治疗决策。目前脉影——CT-FFR技术 （基于CT的冠状动脉血流储备分数测定）技术提供了一个非侵入性的狭窄的检测方法。

随着图像处理技术和计算流体动力学的发展，无需有创手术，仅仅通过CT造影模型重构、血动力模拟计算FFR值已经成为现实。FFR技术融合了图像处理、计算流体力学、解剖学等多学科技术，基于CT数据进行模拟计算从而获得FFR数值，形成指导临床的报告。

王德昭表示，过去的临床策略是目测病人症状，并结合心电图、CTA或者冠脉造影等辅助检查，最终决策药物治疗还是手术治疗。现阶段 CTA FFR 能够直接跨过造影步骤，降低 70% 的不必要的冠脉造影，准确度达到90%，提高24%的治疗质量，降低 33% 的医疗花费。但在中国，FFR使用率非常低，不到1%，欧美国家在 10%左右，还有很大的普及空间。

北京和睦家医院副医疗总监、外科及泌尿外科主任 朱刚

朱刚为北京和睦家医院副医疗总监、外科及泌尿外科主任。他以《三维影像在泌尿外科机器人手术当中的应用》为题，做了线上分享。

他表示，目前的三维影像重建技术，能够挖掘更深的数据，比如静脉信息，集合系统的信息，更好地显示器官的结构和空间关系。

朱刚提到，对于外科医生来讲，这项技术便于术前规划，可视化展示血管分支的分布和变化，目前多用于一些复杂肾脏肿瘤切除手术和静脉癌栓手术中。这种手术的难度一是部分切除，锁边缝合，二是恶性肿瘤的完整切除，防止肿瘤或癌栓在切除过程中破裂扩散，解决过去盲性切除难题。

朱刚表示，未来还要把三维影像图像和机器手术图像进行重叠，识别重要的血管位置和关系。

最后，朱刚总结到，三维成像技术对于复杂的外科手术规划具有可行性和实用性，可以帮助外科医生查看内窥镜图像后面的结构，并且三维成像导航可优化肿瘤控制和功能恢复。

北京大学第三医院海淀院区胸外科执行主任 黄宇清

黄宇清是北京大学第三医院海淀院区胸外科执行主任，科技部国家重点专项及北京市科委科技项目评审专家。她以《3D 数字成像在肺癌手术中的应用与展望》为题，做了分享。

黄宇清表示，肺癌在不分性别的情况下，是全球癌症发病率和死亡率最高的恶性肿瘤。低剂量 CT 在肺癌早期筛查中具有非常大的优势，但在多发性（良性和恶性共存）结节中的诊断、术前规划和术中操作中，需要应用AI成像技术。

首先，AI辅助筛查及诊断，进一步提升早期肺癌检出率，比如位置、长径、体积、类型、密度、良恶性、倍增等。其次，黄宇清重点提到肺结节自动三维可视化定位在手术规划的优势：1、肺结节的精准、直观定位；2、切缘球辅助判断，轻松实现手术范围、有效切缘的评估；3、阐明解剖特点，预判变异，有助于路径制定；4、突出靶段解剖关系，降低难度，缩短学习时间。最后，为一些非专业的人员提供一个标准化参考，有助于医生向患者讲述医疗方案，对整个手术的规划和操作提供更加的精准的支持。

北京和睦家医院骨科门诊主任 任伟

任伟是北京和睦家医院骨科门诊主任，香港大学创伤骨科临床Fellow，香港大学医学院3D打印建模助理研究员，在3D打印、精准医疗、机器人导航等方面具有丰富的经验。他以《3D打印的临床应用》为题，做了分享。

他提到，目前3D打印技术在国内多运用在心肺外科、肝胆外科、神经外科、泌尿外科、骨科、牙科/辅助器具等方面。其中，3D打印在骨科的应用主要分为两个部分，一是辅助手术，通过打印模型来制定术前计划、通过制作术中定位导板实现精准定位、通过定制内置物实现个性化治疗。二是辅助康复器具，量身定制固定支具和个性化定制义肢。

任伟表示，未来3D打印将出现两大发展趋势，一是3D打印技术与机器人技术结合实现关节置换如Monogram机器人。二是3D打印技术与细胞治疗技术结合用于组织再生、器官移植等，比如关节软骨、膝关节半月板、肌肉组织、血管等。

大会在当天下午五时圆满结束，与会者和直播平台的观众都表示这是一场高水平的学术盛宴。大会有效促进了理工医同道在医学影像人工智能领域的观点分享和碰撞，并且会议内容重复彰显了精准智能影像在服务各个临床科室业务中所起到的重要作用---“精准医疗，影像先行”。

雷峰网雷峰网

作为前者的首轮投资人，鹰瞳11月5号上市之后，预计王啸将获得百倍投资收益，成为医疗AI乃至大AI圈里少有的一个大赢家。

王啸是谁？

作为百度早期创始团队的七剑客之一，王啸曾一手写过百度搜索引擎的早期代码。与其他几位创始人以及后续加入百度的王湛生、梁东、俞军等“明星”高管不同， 在关于百度的各种报道和传记书中，王啸总是被隐藏在背后。

而这也跟他的选择有关——百度十年历尽铅华，功成身退之际，他又独自从百度出走，从头开始做投资人。

2010年11月，王啸正式从百度离职，并在个人微博上宣告“2000年进互联网，2010年进移动互联网，在恰当的时间进入恰当的地方”。

在这十年里（2011-2021年）里，他一手从零将自己的九合创投发展为一个一线早期VC，最早发掘出36氪、青云科技、鹰瞳科技等多个明星项目。

互联网生涯20年的蓦然回首，雷锋网《医健AI掘金志》与王啸展开了一次对话，复盘这二十年来他做出多次选择，以及他所笃信的科技投资方法论。

一个最艰难的人生决定

早上9点半，九合创投的员工在会议室告诉我们，“啸哥正在骑自行车到公司的路上。”

这样的方式可能不像一个互联网大佬的作风，但在中关村这片6.23平方千米的土地上，这是王啸坚持20年的一个习惯——“如果是在北京，每周都有几天要骑自行车上下班。”

而他的20年中关村往事，则是从一篇招聘帖开始。

2000年，即将从北京邮电大学研究生毕业的王啸，在高校的BBS论坛上看到一篇招聘帖“会Linux下的C语言编程”，备注是一家并不知名的公司，发帖的是刚刚决定回国创业的李彦宏。

这样阴差阳错的机会让他加入了百度，参与了百度在北大资源宾馆的那段创业时光。后来，很多人都觉得当时王啸的选择多少带有一些幸运色彩，这并不绝对。

王啸表示，“在近乎同时代，1999年，中国电信移动集团刚刚从邮电分家，到2000年，中国移动也才刚刚成立，如果当时选择了这类企业，可能就是不一样的人生了”。

谈起百度刚创业的时光，王啸的神情也变得很洋溢。

“那时候，团队编程简直到了很嗨的忘我境地，我经常一抬头发现天已经黑了，再一抬头，就到了清晨，真的忘却了时间。由于情绪亢奋、精神集中，忘记吃饭和喝水也是常事。甚至凌晨12点回到住处，电梯都关了，我们还觉得到家挺早的。”

他也开玩笑说：“那时候的中关村，也没有现在那么卷。”

随后几年，王啸始终都奋战在百度的一线，建立了百度的后台服务器系统架构，在那个百度崛起的时代，参与了多个中国第一代互联网产品的全生命周期，见证了这些产品的诞生、火爆、平稳、乃至停服。

回望百度十年里面，2005年可能是王啸一个重要的时间节点。那一年，百度在纳斯达克成功上市，股价比发行价增长了85倍，这意味着当时不到30岁的王啸已经实现了财务自由。

现在回想起那一刻“面对着公司办公室里上市直播的大屏，当时的心情真的挺激动的。”

所以，王啸也觉得离开百度曾是他人生中一个最艰难的决定。上市之后，百度和王啸的职业生涯都发生了巨大变化。

2005到2011这五年时间里，在业务上，百度无疑实现了腾飞，先后开发了超过21个产品线，其中过亿用户量的产品就有7、8个。

用圈里的观点认为，那个时候的互联网是属于百度的时代，百度每出一款产品就爆火一个。

与此同时，王啸也逐渐开始负责百度的系统运营、产品管理等工作，引导了百度工具栏、千千静听、百度Hi等一系列产品线的开发，完成了从团队里创业者，到熟谙全业务流程管理者的角色转变。

“百度十多年，我换过6、7个部门，销售也管过，业务也做过，创业者最关键的那些环节我基本都干了一圈。”

当一场演出即将展现出所有高潮的时候，背后一场新的变革也在酝酿。

在百度这段最高光的时刻，下一代移动互联网也在开始萌芽和生长。在这段时间里，百度原CTO刘建国、原首席架构师周利民等元老都纷纷加入了这轮移动互联网的创业大潮。

而在百度的众多元老中，王啸也已然成为百度内部留任时间最久的那一个，离开百度，彷佛成为他人生下一阶段的必然选择。

2010年11月，王啸正式从百度离职，并在个人微博上宣告“2000年进互联网，2010年进移动互联网，在恰当的时间进入恰当的地方。”

到了三十不惑的人生段，他拿着从百度变现的资本，跨界去做了天使投资人。

用王啸自己的话来说，做投资本来就是他早就计划好的人生方向。“最开始跟着别人做，然后自己去创业，创业成功后去再去做投资人。只是在百度干了十年，某种程度上跨过了创业那一步。”

只是他没想到，做投资同样那么难。

“在九合成立的前几年，团队规模非常小，第一期资金都是和朋友凑起来的。也没什么品牌影响力，也没有成熟的方法论。”

这段时间，王啸就和团队背着包，每天一个咖啡馆一个咖啡馆的跑。每个人手里都拿着“天使投资人”的Title见项目。

几年时间，他们光聊过的项目就超过了5000个。这些项目中，不乏刚萌芽时代的滴滴和字节跳动。

“我很早就判断今日头条这家公司很有价值，当时就跟别人说值得投，但当时自己的基金还很小，不到一个亿，挣点钱就不错了，预期要合理。所以，这些公司或多或少都有接触，但客观上没有机会出手。”

在合理预期目标下，这几年时间，王啸的九合创投第一手发掘出了36氪、青云QingCloud、下厨房、新片场等成功项目。

在这些项目中，一个最典型案例便是36氪，王啸最早接触创始人刘成城和他的团队的时候，对方还是一群刚毕业的大学生，虽然满怀激情，但既缺乏经验，也缺乏资本市场的认可。

当和对方聊过一轮之后，王啸就感觉：“他们很有想法，但他们自己也没有下定决心，我当时感觉创投媒体的机遇可期，他们站在了入口，这件事绝对有机会。”

作为北邮的师兄，王啸在2011年初给了第一笔100万元人民币种子轮融资，第一个支持这群刚毕业的大学生去创业。

而最终的回报也是值得的，2019年11月，36氪上市之后，依托这一个项目，王啸就收获超百倍的回报，甚至超过了当期基金规模，而对方也真的成为了服务创业者的重要入口，帮助了4000多家创业公司完成下一轮融资。

在九合最早的五年，正是依托一个个这样自己跑出来的案例，王啸和他的九合创投将第一期基金就从7000万做到了十几倍的账面回报。

这也意味着，他们在创投圈从此站稳了脚跟。在这一年，王啸也与沈南鹏、朱啸虎、徐小平等VC，一同出现在了2016《中国企业家》Top10的天使榜单。

做早期投资，更像是开盲盒

今年上半年，九合创投刚刚完成第四期最大一轮的人民币基金，以及自己的第一期美元基金募资。

算下来，九合管理规模已超过30亿元人民币，这相比十年前翻了30倍。

从最开始做投资，到现在的十年时间里，王啸一直都把九合的主要精力和资源放在了早期。但迄今为止，他都没有感觉到投早期项目有丝毫的轻松感。

王啸表示，自己投的绝大多数早期项目，都是还只有两三个人，这个时候既没有数据，也很难估算出项目的商业价值，而且早期投资的失败率也非常高，投1000个项目，能走出几个IPO就很不错了，真的无异于一次大海捞针。

这也是很多投资人坚持认为“考察早期项目就是考察人”的主要原因。

在九合创投的早期，王啸最愿意和创业者八卦的就是，对方是哪里人、在哪上学、专业是什么、毕业后的前两份工作都做了什么？

在他看来：“就像第一份工作，对每个人的影响会非常重要，每个人的背景，会决定他对这件事的理解方式，每个人想法和决策，都和过去的经历和过往有关系，从这些零碎的信息里，能够考察出对方的认知和执行能力，可以得到创业背后的初心和动力是什么。”

以登陆港股的医疗AI企业鹰瞳Airdoc为例。

王啸发现，CEO张大磊本身就是医疗背景（曾在第二军医大学学医），对医疗行业认知高于其他创业者，对于怎么拿证，医疗行业可发掘的价值点是什么，什么可以做，做哪些事更有价值都很了解。

而且，在交流过程中，他还发现张大磊“特别能吸取别人意见”，总把姿态放得相对比较低，不像有些创始人很刚愎自用，而这在科技企业格外受用。

“医学影像AI说到底，还是一家科技企业，而科技创业最重要资源就是人，靠的是工程师，靠的是算法，创始人如果不能和这些高智商的人平等交流，去服务他们，他们会很难愿意跟你共事。”

虽然这套衡量人的理论，被王啸用于很多次早期投资，但他认为还有一些更隐含的因素无法察觉，例如投资人往往也不知道，对方是真想做这件事，还是想骗钱跑路。

所以，如今的早期投资，王啸更愿意相信投资逻辑和方法论。

例如他愿意考量项目的社会价值和商业价值，甚至用长达几个小时的时间和创始人讨论项目背后的社会价值是什么？

他认为：“项目本身能解决一个比较有价值的社会问题，公司才会有商业价值。例如让10亿人中十分之一的糖尿病患者，被更早发现，加大发现的可能性，肯定是有社会价值的事情。而这种社会价值一旦被证实，其商业价值就会被奖赏，即使现在不，将来也一定会。 ”

“科技肯定对社会有推动作用，而且要把推动作用转换成合理的商业价值。” 

但商业价值与社会价值也并非完全是1:1匹配，例如迄今为止，在某些上百亿美金的行业，王啸觉得他还没有找到社会价值，所以这种项目他一直没有投。

一位曾与王啸在百度共事的经纬中国投资人表示，“在VC圈，王啸一直都是一个极其讲逻辑的‘技术派’投资人。”

王啸自己也认可了这个说法：“我投资的项目绝大多数都是科技类，因为科技发展非常有规律性，没有任何是凭空而出，所有都是基于以前的技术再发展，现在移动互联网起来了，下一波产业互联网一定是利用移动互联网积累的大数据，云计算，数据分析等能力，去解决产业里面原来不能解决的问题，例如自动驾驶，Airdoc的糖网AI筛查，依托这样的趋势，用一些看人，看业务、看方向的方法论做支撑，就应该大概率会赢，后面只是赢大赢小的问题。” 

因此，王啸在考察项目时，总是和创业者一同讨论产品每个阶段的目标是什么，未来一年的KPI是什么，甚至可以帮助创业者算出一个团队开发一个ios，两个安卓、两个后段是产品多少钱、运营+一年推广需要花费多少等具体费用。 

据美食达人创始人沈海槐回忆，第一次见王啸留下的印象是，这哥们儿是圈里人，跟他以往所接触的一些“把商业模式、经营数据、团队背景都问个底朝天”的投资人不同，很多想法不用多说，就能彼此心知肚明。 

他自己表示：“这部分经验应该就来自于自己的娘家——百度，虽然离开百度之后，自己没有去创业，但像这样的沙盘，他做投资十年，几乎对每个项目都要自己去演习一遍。”

写在最后

在一次媒体专访中，王啸曾表示过：“选择做投资其实是‘偷懒’了。”而其他曾与王啸共事的前百度高管也表示过：“啸哥，其实是一个比较佛的人。”

但事实证明，过去二十年来，他彷佛每一次都在为自己的选择拼劲全力，并收获那个最好的结果；也许这份王啸的这份佛系，更多应该是理工思维和不急躁。

当身边的人都在急匆匆去抓住移动互联网创业风口的时候，他选择了最后一个离开百度； 

当进入人生壮年，同龄人都在为了事业来回奔波的时候，他总能抽出时间，去陪团队一起踢球、K歌和打王者，同时还能带来远高于业内的早期回报。 

“原来的很多事就是玩，现在已经成为了一种依托，就像打高尔夫，我觉得精神依托不能只在于玩，而是还要干正经事。但如果把大量精力投入无效、内卷的东西上，其实没有意义，不如想想什么事情更有价值，花更多时间做类似的事情，面向未来去创造价值，不是更有意义么。”雷峰网雷峰网

正如鹰瞳科技在招股书中的愿景中写道，希望成为最大的人工智能辅助慢性病管理解决方案提供商，让每个人都能获得负担得起的高质量医疗健康服务。

鹰瞳科技创始人张大磊在上市仪式上表示，“上市是我们新征程的起点。我们所做的事情，是让所有人都有权利知道自己的健康状况。我们这一代人生活在‘只有别人告诉我们’的时代。我相信，这个时代会在这一代人的努力下终结，我们的后代可以在任何时候、任何地点实现健康管理的目标。”

鹰瞳科技是第一家以18A上市的医学影像AI独角兽，在市场上极具稀缺性。鹰瞳科技在本次IPO中总计发行2226.72万股，其中香港公开发售部分获约6.18倍超额认购，国际发售部分获约2.9倍超额认购，足见市场对鹰瞳科技的重视程度。

2020年度，鹰瞳科技的收入4767.2万元，同比去年增幅高达56.7%。而今年上半年，鹰瞳科技的收入已超去年全年营收。

一个人可以走得很快，一群人则可以走得很远。六年之期，张大磊和他的团队，终为“医疗AI”正名。

带领鹰瞳科技走过来的人

对于张大磊来说，选择医学影像AI，不是一条最为通畅的路，反而是一条最为难走的路。

张大磊是甘肃人，中学时开始写程序，大学读的是医科学校。毕业后他听从了内心的声音，选择从事软件方面的工作。不愿随波逐流，这点在张大磊的职业生涯里也可见一斑。

毕业之后，他先是和朋友一起创业，后来去了微软。在微软，张大磊进入了远程桌面连接和Excel的产品组，参与两个项目的研发并担任产品负责人。2010年离开微软之后，张大磊还曾创办了一个云计算中间件PaaS的公司，不久之后被收购。

在视频公司PPTV任职副总裁期间，张大磊就开始从事软件开发的工作。不安分的他在那时就开始尝试用人工智能来进行“审片”，通过算法识别用户上传的暴力、色情等敏感视频。

PPTV被苏宁收购之后到新浪任职副总裁，张大磊的工作更是一肩挑，产品、设计、硬件销售、客服等工作都要做。这些经历让张大磊成为了一个不只会敲代码的“程序猿”，同时也具备了商业思维的创业者。

张大磊创办鹰瞳Airdoc的出发点是因为家人被误诊了。在中国医疗资源分配不均的客观条件下，患者漏诊、误诊的现象在所难免，只是他没有想到这件事情也会发生在自己身上。

从那个时候开始，张大磊就在思考：也许很多人这辈子都没有机会接触非常顶级的医生，有没有什么办法可以让患者清楚的知道自己的健康状况，而且得到比较好的治疗方案？

2015年，张大磊创办了Airdoc。在创办公司之前，软件出身的张大磊问了自己三个问题：

第一，能不能用算法把病人和好的医生连接起来；

第二，能不能用算法去模拟一些医生判断的路径，从病历中去看出来好的医生是如何思考的；

第三，能不能用算法降低疾病诊断的门槛，让医生得到更准确的判断。

张大磊说到，之所以把公司英文名字取作Airdoc，也是希望好的医疗服务像空气一样，让每个人都能拥有。同时，也希望自己的产品成为一个人生活中必备的部分。

从自己的初心出发，鹰瞳科技选择的糖网病变赛道属于当年的热门赛道。

从需求来看，中国有1.144亿糖尿病患者，其中21.4%-27.29%的患者在工作年龄期间便发生糖网。所以，糖网病变筛查具有体量大、优先级高两个特点。

然而，从技术门槛来说，眼底影像获取难度低、模型构建相对容易的特征，使得医疗AI企业能够轻易构建起基础模型，制造一个“看得过去”的人工智能辅助软件，过低的门槛加剧了医疗人工智能初期的竞争。这也是为什么说，医疗AI这条路难走的原因。

2018年被称为“医疗AI”落地之年，全国上千家三甲医院引入了AI产品。但同质化、烧钱严重且尚未找到合理的营收模式，成为这个新兴行业的发展之痛。在这股创业大潮中，诸多认知不足、商业变现难让AI企业黯然落幕。

是什么让鹰瞳科技赢了下来？

所幸，在数年乱战的医疗AI江湖中，张大磊和他的团队用“正确的方法”坚持了下来。

从数据积累的角度看，鹰瞳科技自建了一个庞大优质的视网膜影像数据库，包含了真实世界用户视网膜影像和相对应的约370万多模态数据。有了这个数据库，鹰瞳科技可以持续开发和优化深度学习算法，从而精确识别慢性病相关症状。

从技术创新的角度看，针对视网膜影像的特殊性，鹰瞳科技做了大量的深度定制和创新，设计并实现了基于病变分类、病灶检测分割和体征检测和分割的混合模型。

目前，鹰瞳科技的算法模型可以做到55种健康风险的识别，平均AUC达到0.968，达到人类专家水平；在病灶检测分割问题上，可以实现60多种病灶的高精度分割，算法准确率大于90%，接近人类专家水平；健康风险模型性能也达到了学术界领先水平。

而且，针对不同型号相机的成像特征，通过领域自适应方法，鹰瞳科技解决了算法模型在不同相机上的泛化问题，适配市面上几乎所有主流相机。

以上种种，是鹰瞳科技能够与其他玩家拉开身位的重要原因。

据招股书显示，2019年度和2020年度，鹰瞳科技的收入分别为3041.5万元和4767.2万元，增幅高达56.7%，而销售成本的增幅为29.9%。相对应的是，鹰瞳科技的销售毛利也在不断增长，2019年及2020年的毛利率分別为53.0%及61.0%，年内亏损则是在进一步收窄。

招股书显示，截止2019年12月31日及2020年12月31日止年度，鹰瞳科技来自前几大客户的总收入为2560万元人民币和4080万元人民币，分别占收入的84.1和85.5%。同期，来自最大客户的收入为1320万元人民币和2080万人民币，均占收入的43.5%。

目前，鹰瞳科技已经进入包括平安保险、中国大平洋保险、中国人寿、太平人寿保险、新华保险等领先的商业保险公司，还有爱康国宾集团、星创视界（宝岛眼镜）、高济医疗等头部企业。

除此之外，鹰瞳科技还计划完成更多场景的商业化验证，加快开拓包括药企、药店、养老和政府筛查体系的规模化落地。针对每个渠道增强、扩大其专业的BD及销售团队，发展自己的代理商体系，满足各个渠道的商业化拓展需求。

而在C端用户上，鹰瞳科技还会进一步布局消费端，建立服务闭环，打造普惠化综合慢病管理平台。同时，鹰瞳科技计划推出针对不同大健康场景（包括养老院和企业诊所）的定制健康风险评估解决方案的开发，以提高精准医疗。

一份技术普惠的长期事业

2020年，《中国2型糖尿病防治指南（2020版）》将人工智能糖尿病视网膜病变筛查软件列为协助糖尿病视网膜病变诊断的有效解决方案，并推荐使用获国家药监局批准的人工智能医疗器械用于早期检测及辅助诊断。

官方文件将进一步推动人工智能糖尿病视网膜病变筛查放量，这将有利于以鹰瞳科技为代表的医疗AI发展。

另一个好消息是，全国已有五省地方政府机关发布有关大量人群眼底影像分析的定价指引。在清晰的定价指引之下，引入视网膜影像AI软件的招投标流程的效率将大幅提升，商业化之路进一步清晰。

19世纪末20世纪初，意大利经济学家帕累托提出了“二八定律”，也被称之为关键少数法则，医疗AI行业同样适用于这个法则。医疗AI头部企业的未来思路，将很大程度地影响行业的走向。

作为第一波AI公司在医疗领域落地的探索者，鹰瞳科技通过多年的技术积累和产品打磨，开发出了无创易用、精确快速且高性价比的健康筛查产品，大大提升了慢病筛查的效率，得到广大医生和终端用户的认可，真正做到了技术普惠大众。

2021年，对于即将迈入40不惑的张大磊来说，事业将再上一个台阶，也寻找到了人生的价值。他曾在采访中说过，“我希望它（鹰瞳科技）能成为每个人生活中不可缺少的一部分，这是我们做这家公司的唯一意义。”雷锋网雷锋网

作为《巨头的医疗软肋·五问》的系列选题之四，沃森肿瘤（Watson for Oncology）是该系列中光环最大、运营时间最长，同时也是争议最多的巨头产物。从诞生以来，围绕沃森肿瘤的话题就从未停止。（最后一篇《BAT为什么卖不动医疗云》正在策划中，详情可咨询策划人李雨晨，微信18861330296)

今年2月，沃森健康（Watson Health）被传出售。

对于这一传闻，沃森健康一位前员工康明（化名）证实道：沃森没有被出售，原来的同事还在正常上班。但他也表示，“沃森被IBM单独拆分、成立公司上市的可能性是有的。”

而据雷锋网了解到的最新消息，沃森健康最知名的“代表作”——沃森肿瘤在中国大陆已经停止销售，原先的客户也无法继续使用沃森肿瘤产品。但是，沃森的临床试验（IBM Clinical Develop）以及药品知识库产品（Micromedex）还继续在中国市场推广。

这意味着，IBM内部为期十年的“登月计划”正式搁浅。

沃森肿瘤为何会败走中国？复盘沃森健康的过程中，我们与沃森的前员工、知情人士、合作方以及多位美国的医疗AI学者进行了探讨，发现了很多意外的信息，如沃森在舆论上的被动、空降领导的失败、利益牵扯下的落地难题等。

同时，在该系列选题上，我们为巨头的挫败寻找到了一些共性：战略失策、文化冲突以及企业的固有基因。这些共性的背后，核心要素是“个人”与“群体”的思维及利益冲突。我们相信，事在人为，沃森肿瘤的挫败不是一次群体智慧的失败，而是一首人因的悲歌。

我们误解沃森了吗？

在一众媒体的报道中，沃森是一个精于营销、喜欢夸大的形象。

但是，在与康明对话时，我们得到了一个截然相反的结论：IBM从来没有主动为沃森做过品牌营销。

康明强调，这也是自己发声的原因。他表示，目前能看到的所有宣传和营销，IBM都没有背后支持。美国总部对沃森的定位是增强智能，而不是人工智能，尽管翻译过来都是AI，但是差别巨大。

2018年是沃森的多事之秋，多个案例直指沃森的建议疗法“不安全、不正确”。最“著名”的一个病例，是沃森为一位有出血倾向的结肠癌患者，推荐使用联合安维汀方案的化疗，而安维汀是血管生成抑制剂，容易引起出血。

康明强调，这一情况是在内部的测试环境中出现，却被别有用心的工程师泄露出去。而测试与正式版本上线之间，仍然有很多的内部测试工作去修正，这个案例显然不能成为众人指责的依据。

恶意传播，让沃森肿瘤内部的同事非常窝火，希望公司站出来澄清。而出乎所有人的意料，总部定下的策略是“不回应，任舆论自身自灭”。（高管的唯一一次对外发声，是全球高级副总裁John Kelly在《华尔街日报》刊登文章，对媒体提出的唱衰Watson的问题逐一反驳）

在绝大数局外人看来，不回应就是某种意义上的默认，这种策略在很大程度上反噬了沃森的品牌形象。

不能进行舆论救火，IBM Watson健康中国市场部非常被动，大部分工作只能做一些展会支持，这让员工有些挫败。甚至有一次，沃森肿瘤的代理商百洋智能还找上门，希望自己能代为发声，得到的回应仍然是“不”。

《浪潮之巅》中写到，从IBM的客户基因来说，不管是在老沃森执掌的机械时代，还是在小沃森接管的电子时代，IBM的客户群基本上是政府部门、军方、银行、大企业和科研院所。

康明向雷锋网表示，“自从卖掉PC等C端产品后，在总部的眼中，做to B生意更注重与专业客户的沟通。在消费者端或者自媒体端的PR，总部没有太多经验，也不看重关系的维护。”

或许IBM领导层认为，自己只要对董事会和公司营收负责，对每一个不实消息都进行回应，是自降身份。

沃森肿瘤另一个出名的“败笔”是2017年2月，运营M.D.安德森中心的德克萨斯大学宣布关闭与IBM的合作项目，为合同上最初价值240万美元的项目向IBM支付高达3900万美元的赔款。

德克萨斯大学的一项审计报告指出，与IBM合作的这个项目已经花费了M.D.安德森超过6200万美元的成本，但仍然没能实现既定目标。

实际上，6200万美元的金额，已经远不是部署一个沃森系统那么简单。

康明表示，沃森在研发初期有两套思路：一种是Saas服务（与纪念斯隆凯特琳癌症中心合作，目前全球推广的产品），一种是私有化定制开发，也就是与M.D.安德森合作。而这项合作之所以成本这么高，是低估了医院院内系统改造和医疗数据的复杂性。

在很多人的印象中，美国已经是一个医疗IT基础设施非常好的国家，合作双方也是这么想的：医生只要录入患者的信息，沃森肿瘤即可给出标准方案，在HIS统内直接生成。

但是，当IBM的工程师到M.D.安德森现场调研后，发现这一与HIS系统深度整合的构想基本不可能实现，很多院内数据完全不可用，互联互通更是不可实现。

最后的结论是：要整合沃森肿瘤的能力，需要帮助医院重新做一套全新的HIS系统。

那么，这一套“推倒重来”的系统需要多少钱？一个参考数据是，目前国内南方省份某顶级医院新建医院院区的信息化项目包已达数亿的金额。所以，M.D.安德森最初合同的240万美元，根本无法支持这一计划。

另一方面，与M.D.安德森合作的项目之所以停止，还因为当时主推该项目的院长被弹劾（据消息显示是院长的夫人触及了审计问题）。

领导人下台，项目自然难以继续推行。但是，在一些媒体的报道中，将项目失败的原因全部归于沃森肿瘤，这也是康明认为被严重误解的一件事情。

在市场传播及对外合作中，沃森似乎是一个“被动者”的形象。但与其他几位专家沟通时，雷锋网得到了不一样的反馈。

一位身处美国的医疗AI学者少刚质疑道：“如果IBM在答应做这个事情之前，对美国医院的通用信息系统不了解到这个程度，也是从这个角度说明其专业程度不高的。他们跟做项目难道不理解医院里的基本IT系统？难道M.D.安德森的医生还需要告诉他们临床指南是什么吗？”

对于AI产品的安全性和使用风险，他也提出质疑：“这样的产品如果在美国销售，绝对是要向FDA申请c认证，至少510K批准。但是，目前为止，似乎没有听到这个消息，这是匪夷所思的。推荐医疗治疗方案的产品的安全性和有效性要求程度，应该比做医疗诊断的产品功能要求更高的。FDA怎可能袖手旁观？当然，沃森在美国应该没有直接商业化。”

一名与沃森有过合作的药企员工徐楠，与少刚的观点类似：“合作的责任不能都推给M.D.安德森和MSK。沃森的肿瘤系统本来是一个研究项目，就不应该作为成熟产品去卖。当然，这也能看出双方的沟通问题——部署以后发现那么多问题，为什么之前和M.D.安德森没有交流清楚？”

入华的蜜月期与多事之秋

暂且抛开那些缠身的负面舆论，沃森在中国是有“蜜月期”的。

2016年，沃森健康正式入华，首批合作的中国医院达到21家。在中关村软件园的IBM中国客户中心，时任IBM大中华区副总裁、战略部总经理郭继军"风光地"宣布了这一消息。

在员工们看来，沃森入华，是看到中国整体的肿瘤治疗“非常不规范”。沃森曾委托咨询公司进行了调研：在东北的一些区域，医生给肿瘤患者的治疗方案与标准指南比，只有30%的一致性。

换句话说，只有30%的人是接受了指南规范化的治疗。

为了在中国更好地开展业务，沃森健康接连牵手杭州认知、青岛百洋两位合作伙伴。2018年，沃森肿瘤已经在中国22个省、43个城市的近80家医院落地。康明表示，当时大中华区基本占了沃森健康一个季度一半的营收，工作受到重视，大家都很兴奋。

但是，政策的不确定性成为了一块“多米诺骨牌”——大国博弈影响了沃森进驻医院的进程。

明显的变化出现在2018年：上半年情况尚可，到了下半年和2019年，媒体的负面报道和不断变化的中美关系，让医院对引入沃森心存顾虑，毕竟沃森产品线的服务器在国外。

肿瘤产品是沃森第一批引入中国的产品，受制于政策，后续的影像类等产品线无法引入。这在无形之中，进一步加大落地的进度和难度。

在本土化问题上，其实还有一个没有想到的“拦路虎”，那就是沃森肿瘤的老师——MSKCC（纪念斯隆凯特琳癌症中心）。

在康明的眼中，这个世界上最古老和最顶级的癌症中心有着十足的强势心理。在沃森的本土化过程中，一些中国医生希望在版本中加入一些需求和模块，但是MSKCC却明确表示拒绝：“我们有自己的原则，如果沃森肿瘤要加入一些本地化治疗方案，就不要再以我们来冠名系统。”

康明理解MSKCC坚持的理由，因为要顾及口碑。“有些中国医生提出加上中医的模块，MSKCC不懂中医，又要搭上自己的品牌，他们肯定不愿意。”

但是，MSKCC的强势地位，给产品开发和推广带来掣肘。有一位用户表示，当沃森给出的治疗方案与临床指南和用户认知不相符时，沃森团队会与MSKCC沟通。但得到的回复是“这是我们的最佳临床实践，是优于NCCN（美国国家综合癌症网络）的”。

MSKCC的执拗甚至是傲慢，让用户有些恼火。实际上，在肿瘤治疗最前沿的领域，例如免疫治疗，MSKCC态度依然如此：“我们中心进行着全球最先进的新药临床试验，等结果发布，用户就能明白我们使用这些方案的理由。”

尽管MSKCC会牵头癌症治疗方案指南的编写，它一些方案事后也被理解和认同。但是在此之前，沃森肿瘤想要说服“讲究证据”的医生相信系统的结果，就会很难。

说服不了客户、摆平不了合作伙伴，沃森健康的员工夹在中间，两头都不容易讨好。

一位医疗AI人士就说到，“你想想，如果医疗AI公司能与中国的协和合作，敢说‘不’字吗？抱医院的大腿还来不及。”

所以，在一系列因素的影响下，沃森肿瘤的落地和商业化并不顺利。有媒体报道，沃森健康传出大幅度裁员消息，随后，部门负责人Deborah DiSanzo宣布离职。

但知情人士表示，“很多自媒体报道沃森健康大裁员，纯属无稽之谈，其实是收购后的部门进行了裁员，被裁员工吐槽裁了70%，自媒体演绎成了沃森健康裁员70%，这是不负责任的。”

康明说到，"是DiSanzo这位老板没有把业务带起来，《华尔街日报》刊文质疑沃森盈利前景，逼得John Kelly亲自出面回应，这是导致DiSanzo下台的重要原因。但这也没什么稀奇，一个“跛脚”的领导，从传统的器械公司飞利浦跳槽后，领导一个新兴的业务，没有完成好商业目标，仅此而已。"

新领导遇上新项目

Deborah DiSanzo是何人？她做了3年多的沃森健康全球总经理。

2014年，她卸任飞利浦医疗保健部门副总裁和CEO。2015年9月走马上任后，在40个月的IBM生涯中，她一手操盘了沃森的研发、外部并购等重大事宜。

Deborah DiSanzo

据报道，当时IBM花费约40亿美元收购了4家医疗领域数据驱动型公司。2016年，成立仅两年的沃森健康，员工规模达到了7000人左右。

跟随Deborah DiSanzo的，有一批飞利浦的旧部，来到IBM后大多负责售前的市场工作。

相比于现东家，这些飞利浦系员工的思维相对激进，营收和市场推广策略的制定相对激进，而IBM本土的人则相对保守，喜欢思后而动。

康明表示，"DiSanzo被人诟病的一点，是让沃森健康变得不像IBM的部门，非常浮夸。而她本人也善于鼓舞人心，在很多员工大会上只会分享好消息。"

这也能从一定程度解释，为何IBM总部一直有意限制沃森的宣传，而客户或者合作伙伴还会认为“沃森善于营销”。

更为关键的一点是，飞利浦是一家医疗设备公司，更加擅长医疗成像技术，而沃森健康应用的是认知科学AI，核心是自然语言处理、大数据挖掘、计算机视觉等技术。所以，两者之间就存在天然的界限，DiSanzo和手下在组建团队自然也会受到知识背景的影响。

雷锋网了解到的一个旧闻是，2017年，时任IBM副总裁、沃森健康影像部门总经理的Anne Le Grand 在SPIE Medical Imaging（医学影像）的会议上做报告。有人提问，系统使用时出现医疗纠纷如何应对，她的回答是“IBM有很好的律师团队”。

当时参会的一名专家极为震惊：“即便她没有理解这个问题是讨论IBM或者系统使用方的责任归属。但也不能在这个问题上，显露一种大公司的强权姿态，没有对病人生命的尊重。”

2015年11月，IBM任命Kyu Rhee为沃森健康新的首席医疗官。在加入沃森之前，Rhee在卫生资源和服务管理局以及美国国立卫生研究院担任高级职位。

这距离沃森健康独立仅仅过去半年多时间，可以说是沃森研发的关键期。Rhee确实是一名医学博士，但是职业生涯侧重行政管理。对于沃森肿瘤产品，能真正给出专业的指导意见吗？

诚如康明所言，新领导的来临，没有为沃森带来好的结果，也没有为这位总经理延续一段成功的职业生涯。

沃森背后的人性与利益纠葛

除了政策的不确定性、领导团队的激进，沃森在中国推广不顺的原因，实际上还有很多人性和利益的因素。

雷锋网获悉一位代理商的亲身经历：一家医院的院长想引入沃森，进一步规范医院的肿瘤诊疗行为，但是却遭到了科室主任们的反对。

这让代理商想到了十年前的HIS系统：“当时，HIS系统进医院最大的挑战来自药房，因为它规范了药品进出库的流程，提升了药品流程的透明程度和可追溯性。沃森的情况和HIS系统很像，触及到某些利益问题。要知道，原先肿瘤药的回扣不小。”

康明也表示，对肿瘤治疗的“随意性”，让一些医生没有使用沃森的动力。

“只要治疗方案没有对患者造成严重后果，医生就很难被挑战治疗的合理性。一些医生和药企有利益关联，形成一套指南之外的治疗理念后，很难被推翻。”

第二点、如上文所说，沃森肿瘤入华的重要原因是肿瘤治疗不规范。但是，国内医生的心态往往分为三种：接纳、观望和鄙视。

康明认为，中国的医疗体系中，存在一些“山头”，例如，肿瘤专科医院的顶级医生在学术研究和临床实践上，放眼国际也拥有很强的话语权。这些专家会“屈尊”接受AI的指导？

另一个极端，一些能力较弱的医生则是一种“害怕被替代”的心理，转化在行动上，就是“逢沃森的负面必转发”。

有意思的一点是，不知是否受到了沃森的启发，中国临床肿瘤协会（CSCO）在专家的主导下推出了本地化版本的针对乳腺癌的AI产品......

第三点，沃森提供的是SaaS服务。有媒体提到，沃森与医院的电子病历系统无法深度整合。国外的电子病历只有Epic Systems和Cerner两家，国内供应商则是数百家，整合难度更大。

而且，沃森肿瘤在实际使用中需要医生手工录入数据，而临床医生实在太忙，不愿意挤出几分钟的时间去录入，这就导致沃森肿瘤很难嵌入医生真正的工作流程中。

最后，在一些医生看来，沃森肿瘤只是更快地给出标准的治疗建议。美国多家癌症中心的医生抱怨，结果并不总是准确；但当结果准确时，系统也只是会提供肿瘤学家已经知道的信息。

所以，一两位行业人士向雷锋网表示，在行业会议或者权威专业临床期刊上发表文章，是使用AI产品最优先的驱动力。至于临床的帮助，至少经过同行审议peer-reviewed的结果再说。

实际上，沃森商业化的困境在于寻找到合适的付费方。

美国医院在乎自身的治疗口碑，所以会付费。而在中国，患者更愿意为手术和药品买单，认为出方案应该是免费的，中国的医院也更在意收入和患者数量，这就导致医院不太愿意为提升治疗规范性的沃森肿瘤掏钱。

种种医生和患者的"人性问题"和"思维惯性"，为沃森的入华之路增设了更多阻碍。

沃森是否是一种"工程师文化"？

站在康明的角度来看，尽管他是沃森健康的前员工、认为沃森遭受了很多误解。但是，他也认为，沃森健康的失败，是策略和研发上的失误。

他认为，IBM是一个"工程师文化"为主的公司。这种文化体现在沃森的开发过程中：先做出产品，再进行推广，与如今"用锤子找钉子"的一些AI公司有些类似。

据康明表示，沃森的产品从2014年开始做，产品开发早期并没有非常多专业医疗人士加入公司内部。3年后，产品定型时再引入医学背景的人已为时已晚。

"这种工程师文化，应为后面沃森健康产品的商业化推广受挫负责，整个思路有点像大型机的研发策略。"

据雷锋网查验，沃森医疗影像部门副总裁兼总经理Alok Gupta是在2017年2月入职。在与药企员工徐楠（化名）的沟通过程中，他表示，"沃森以前做医学影像方面的人非常少。做产品的经验比较有限。应该是Alok Gupta入职以后才组建这方面的团队。”

但是，医疗AI学者少刚对Alok Gupta的评价却不高：“他是被西门子淘汰掉的，他主导收购了以色列一家研究乳腺癌的技术公司。这家公司后来两次没有拿到FDA的认证，但是，又签了对西门子很不利的协议。结果业务黄了，钱还打了水漂。”

徐楠是美国一家药企的员工，多年前和沃森有过一些合作。他对IBM的评价不高：IBM的心思不在于帮药厂解决问题，而是做自己觉得有意思的事情。

多年前，徐楠参观过沃森研究所的一些和医学影像相关的工作。他表示，IBM做的展示非常漂亮，但是在模型验证方面做的有限。这些成果可以发文章、可以做报告，但很难有实际运用。

徐楠说到，在现今的研究环境下，很多人会"言必及深度学习"。如果出发点是人工智能，而不是解决问题，经常会出现大炮打蚊子的问题。 比如用眼底图像预测体重血压，可能是个很有意思的研究问题，在具体应用中就没有实际意义。因为，传统的方法可以做得既快又准还便宜。

在他看来，IBM不缺有能力的人，但是这些人不一定有话语权、有资源做事情。

"不同背景领导看问题的侧重点不一样，汇报的必须是上级感兴趣的东西。所以，不只是IBM，其他科技公司做医疗也是同样的问题。如果解决方案里没有AI，就没法宣传、发文章。所以，侧重点经常是AI，而不是解决问题，很多公司更是把AI做嘘头。往往把AI喊得响的公司，可能越没有底气。"

但是，对于“工程师文化”的观点，一位知情人士提出了异议。

知情人士表示，“沃森不是工程师文化下的产物，一定是产品部门与MSKCC合作。而MSKCC是一个强势方，产品开发过程中，不是沃森的工程师不愿意干，而是MSKCC不愿意干，跟IBM是否是‘工程师文化’没有关系。”

知情人士认为，所有公司面临的一个问题是，技术部门和医疗部门如何配合。软件工程有一套体系，IBM在遵循这套体系时，会对需求进行反复比较，不会无休止地满足客户需求，因为客户的需求不一定是对的。

"互联网公司的打法非常快，但是版本控制非常糟糕，1000家医院有1000个版本。所以，你可以说沃森的效率低，但这是软件开发必走的完整流程。"

沃森被诟病的两大观点之争

从"保守对待负面舆论"、"对项目合作难度的低估"、"触及医生的利益或尊严"，在人因上，沃森遇到了不少挫折。

当然，并不是说沃森本身没有问题，沃森被曝出的诸多医疗问题折射的是它"原生性"的短板——认知科学不成熟。

具体而言，沃森的问题集中在了两点：癌症治疗方案的"个性化"和"标准化"之争、以及自然语言处理技术与临床应用价值之争。

人类对肿瘤漫长的认知过程中，逐渐意识到，肿瘤不是一种疾病，而是一类疾病。对应到每一位病患，相同部位的肿瘤病理特征却完全不同。

做出正确的诊断和提供合适的治疗方案，需要以病理学为标准，以影像组学、蛋白组学、微生物组学、基因组学等为辅助，这是一种多中心联动的、综合海量数据的决策。

此前，《第一财经》的一份报道中写到，在癌症治疗领域，不同病人之间有十分微妙的差异，医生们需要有更好的方法了解和区分这些差异，因为这些小差异带来的影响，有时候可能是致命的。

无法准确知道这些差异的结果，就使医生无法针对每个人不同的病情确定最佳治疗方法。“化疗是常见的一种治疗方法，”MSKCC的一位临床肿瘤医师Kris解释道，“但是你怎么在数十种不同的化疗选项中进行挑选呢？你又如何确定剂量？怎样的化疗频率才是最佳的呢？”

所以，少刚认为，癌症的治疗一定是“个性化”的。

他认为，“医生非常擅长做复杂的抽象推理判断，这是目前机器学习无法做到的。据我了解，沃森仅仅从MSKCC那里拿到了600例数据，所以，它提供的只是很浅显的统计信息，而癌症需要极其个性化的方案，需要综合患者的多维度信息，例如影像学上的参考——与周围血管的关系、肿瘤位置、大小、性质，有没有淋巴扩散，有没有远端转移，单靠统计信息没有太多意义。”

“肿瘤是按照TNM分区，但是很多细节需要个性化治疗，并不是说所有T3的病人治疗方案是一样的。IBM的员工连这个都不懂，就在强力推销标准化，这个就是草菅人命。”

在少刚看来，CDSS的产品本就不好做。全科医生要从病人的症状去推病因，这个过程不是一对一的映射，存在多病同像、一病异像的情况。CDSS是通过自然语言处理还有其他技术来做知识图谱，但是知识图谱会有错误、歧义和不确定性。中国医生的一线诊断错误率比较高，但不是一个CDSS就能搞定的。

而问题的根源就在于，沃森的员工不懂医学，把医学问题想的太容易。这个工具不是临床上的痛点，是IBM自认为是的临床上痛点。

但是，对于“个性化”的问题，知情人士提出了不同的看法。

他认为，肿瘤一定是分级和分期的，在同一范围内，不同病人给出的治疗方案是一样的。中国肿瘤最大的问题，首先是标准化、规范化的问题，其次再谈个性化。尽管每一个体都有自身的特点，但是医生不会给1000个患者制定1000种方案。

而沃森肿瘤的主要工作之一，是通过搜索医学文献和历史数据，快速为某一患者找到情况相似的其他患者。这一过程可以帮助医生在相似案例间获得更多的有用信息，在信息更充分的条件下做出更有说服力的判断。

一直以来，这也是沃森肿瘤最具备争议的地方之一。

图灵奖得主Yoshua Bengio就曾表示，在医学文本文件中，人工智能系统无法理解其模糊性，也无法了解人类医生注意到的微妙线索。

国内一位研究NLP多年的学者向雷锋网表示，“沃森的问题，是自然语言处理行业固有的问题——没有结构。结构是两个事物之间的联系，是关于知识表述的问题。没结构就没有推理，没推理就没有智能，解决不了这个问题很麻烦。BERT模型也没有结构，它只能说见过很多数据，它能猜。至于沃森推荐的方案，也是基于计算和概率，而这种概率的结果，对于临床没有意义。”

癌症治疗方案的"个性化"和"标准化"、自然语言处理技术与临床应用价值，即便是在沃森肿瘤关停之后，这样的话题也会一直被讨论下去。

保守主义与创新精神并存

吴军在《浪潮之巅》中曾有一段论述：IBM能成为科技界的常青树，要归功于它的二字秘诀——保守。保守和谨慎，对于这家百年老店至关重要。

从技术上讲，IBM是一家富有创新精神的公司。从计算机硬盘到DRAM，从智慧地球（现如今智慧城市的前身）、条形码到电子商务，IBM提出了很多先进的理念。所以，即便离开了沃森，但是在前员工们看来，沃森仍然是一个划时代的产品，甚至是超前于时代。

但是，相比于谷歌等科技新贵，IBM的技术“存在感”正在慢慢减弱。

想要实现多元化发展从来不是一件易事，对于IBM乃至其他巨头来说正是如此。当一家大型企业只是想在某个行业里试水，那么对待风险的韧劲是不够的，遇到失败就要后撤，因为试水的业务不是主营业务，不做不会伤及根本。

因此，IBM在很多事情上往往起了大早、赶了晚集。

和此前《依图医疗被变卖》所提到的“裁员事件”类似，IBM新任的印度总裁克里希纳上任，其一大策略就是全球大裁员，将与主营业务不相关的部门剥离出去，让股价更好看。

在这样明显的整体转云策略下，曾经风光的沃森肿瘤走到今天这一步，既是意料之外，也是情理之中。

正如雷锋网此前所写，沃森肿瘤会像它的外号“登月计划”一样，成为历史的注脚。它的黯然退走，也不会是蓝色巨人在医疗领域的最后一舞。

本轮融资将主要用于多个现有及新增产品线的研发、临床试验及生产扩张投入。

心衰市场是继冠脉支架（2000-2010年）和介入瓣膜（2010-2020年）后的下一个千亿级蓝海市场。据ReportLinker的数据，全球心力衰竭治疗器械市场预计将于2025年达到140亿美元。

现在美国为心衰领域的主要市场，目前未有任何进口产品进入中国市场，我国心衰市场是一片蓝海，国内企业将迎来巨大机遇。

心衰是各种心脏疾病的严重和终末阶段，也是21世纪最重要的疾病之一。心衰具有患病率高、病死率高、再住院率高等特点，已经成为严重影响我国居民健康的重要公共卫生问题。

2019年全球心衰患者达2970万，预计2030年将达到3870万人。我国心衰流行病学调查的最新结果显示，心衰患者约1370万，与2000年调查比较患病人数增加了近500万。

这些患者入院的主要原因是慢性心衰急性发作，当心衰病程进展后药物开始无效，国内现有针对急重症器官衰竭的治疗均无法达到较好临床疗效，患者死亡率大于60%，此时只能应用机械辅助循环（人工心脏）来辅助患者的血液循环灌注与全身脏器的正常功能。

人工心脏依照部署手段可以分为体外型、介入型与体内植入型。体外型以及介入型人工心脏用于进展期的急性心力衰竭患者的过渡治疗，使患者度过急性危险期，帮助患者康复后可撤除。

也可用于高风险心脏手术的循环保护，提升手术成功率、病人存活率。体内植入型人工心脏用于终末期患者获得移植供心困难的患者，长期替代其心脏功能。

临床需求迫切、市场容量广大之外，心衰的复杂临床场景还包括：不同的流量需求、不同的创伤接受度、不同的支持时间、可能引发的其他器官衰竭等等，都对以人工心脏为代表的心衰治疗器械研发与制造技术提出了极高的要求与挑战。

心擎医疗于2017年5月在苏州高新区成立，并在北上广深以及武汉多地设立分子公司及办事处。心擎医疗以心衰领域为起点，致力于构建多器官衰竭生命支持平台。

心擎医疗由海內外顶尖人工器官技术专家以及国内一流临床机构组成。创始人暨首席执行官徐博翎博士有近16年人工心脏研发经验，是国家重大人才项目青年专家、苏州大学特聘教授，同时是有近30年历史的人工心脏权威组织——国际机械循环辅助协会（ISMCS）的首位华人委员（Board Member）。

技术专家团队包括德国亚琛工业大学心血管工程研究所领头人、磁悬浮全人工心脏BiVACOR设计者、英国剑桥大学电力电子与电机设计专家等，全方位掌握了包括磁悬浮、计算流体力学、机电一体化等系统性技术。

仅用3年左右，心擎医疗便从零开始完成首个三类高技术壁垒有源产品并推向临床，在刚刚结束不久的国际机械循环辅助协会（ISMCS）上发布了其优异的数据，获得国际专家肯定。

目前体外人工心脏已进入临床在多例患者获得成功应用。介入式人工心脏、体外膜肺氧合（ECMO）处于临床前阶段。

临床实践中，心衰循环支持领域不存在单一产品满足病人所有需求。根据患者的循环流量、支持时间的不同，临床中会针对每个患者的综合病情、临床需求来选择不同类型的人工心脏来进行治疗，包括介入型、体外型、植入型人工心脏等在内的综合解决方案。

当患者合并其他脏器衰竭时候，还需要同时应用其他体外生命支持设备，如体外膜肺（ECMO）、人工肾等。 

目前心擎医疗已有4款重磅产品线正式对外披露：

- 介入式人工心脏：针对高危PCI等术中短期循环衰竭风险的预防与治疗。极小的介入尺寸造就低创伤性、更低的出血风险以及更佳的术后创口恢复。无需外科切口，可在导管室快速部署完成，实现对病人循环支持。

- 体外人工心脏：针对心衰患者短中期的循环支持需求，拥有低血液损伤、高流量、可与其他器官支持系统连接等特性。无需开胸，仅靠插管即可实现与人体循环的并联辅助，为患者争取时间，过渡至康复、移植或其他治疗手段。

- 新一代便携式ECMO：为了合并呼吸衰竭或急救转运需求的患者，开发了高便携性、利于一线救治场景以及转运的ECMO系统。

- 离体心脏温血转运平台：为供心脏移植使用的离体心脏建立符合人体内的转运条件。相较于传统使用冰块的冷血转运，为供心的冠脉系统提供血流灌注、氧合的支持，提升供心质量、延伸供心的转运距离。

未来，为覆盖急重症患者的不同需求，心擎医疗将持续开发多器官支持的产品，提供临床工作者“一个工具箱处理患者各类大小事”的平台型解决方案。

心擎医疗CEO徐博翎博士表示：“心衰赛道正在被投资领域关注，心擎作为一家年轻的创新企业，获得优秀投资机构的认可倍感荣幸。同时，本轮融资同时离不开老股东们的全力支持。心擎秉持着打造一支精英部队的理念，依靠丰富的行业积累，和国内外顶尖专家团队紧密协作，共同致力于挽救更多不该逝去的生命，迫切地拼搏，力求将产品尽早带向市场为临床服务。”

作为本轮领投方，红杉资本中国基金合伙人杨云霞表示：“心力衰竭是严重危害生命的疾病，迄今为止还没有特别有效的治疗方法。心擎的初心是为心衰患者提供最有效的生命支持系统，尽可能延长患者的生命并提高生命的质量。”

鼎晖VGC合伙人高洁亮表示：“心衰是各种心脏疾病的严重和终末期表现，患者数量大，临床未满足需求迫切。心擎的人工心脏产品能够有效辅助循环灌注改善全身器官功能，患者临床获益明显，具有巨大的社会价值和市场价值。”

千骥资本合伙人吴海表示：“千骥资本长期致力于寻找国内外领先的创新型技术，关注基于不同场景下未被满足的临床需求。心擎医疗打造的急重症场景下的中短期体外生命支持平台，可广泛应用于围手术期重症患者的治疗。”

过去，认证曾是这个市场发展的最大阻碍之一，给众多厂商的业务和布局都踩下了刹车键；

而今，曾经全力攻关审评审批的几家人工智能企业，三类证也已经成为他们商业化发展，乃至上市背后最坚实的基石和后盾。

拿证过程中，他们都曾经历怎样碰壁摸索和努力？

近期，雷锋网《医健AI掘金志》邀请到科亚医疗、Airdoc、联影智能、汇医慧影、致远慧图等医疗AI企业，一同分享三类证背后的审批经验、创业多年的战略得失，以及各自的未来商业化探索。

致远慧图CTO丁大勇，以《基于临床应用的糖网AI研发与拿证》为题，进行了演讲。

丁大勇表示：医疗AI产品的认证，固然有很多艰辛和曲折，但体会最深的主要有三个方面：首先功能设计针对临床问题；其次，数据采集要反映临床实际；最后，模型性能需要接受临床检验，也就是专家和教授常谈的“医工结合”。

以产品功能设计为例，从技术角度出发，当AI给出 “转诊”与“不转诊”建议时，糖网筛查功能开发就已经完成80%。

但在实际临床中，转诊建议是有紧迫与不紧迫的区分：但临床对患者转诊建议是有紧迫与不紧迫的区分：轻度不需要转诊；中度需要在一个月或者两个月之内转诊，具体由眼科医生来确认；重度要两周之内就要完成转诊，否则它的进展对视力的损伤风险会比较大；

如果是第四期就要立即转诊，英国筛查要求中就要求48个小时之内去看眼科大夫，并且确定后续的处置方案。

在产品功能设计的时候，就需要把这一点考虑进来。同时，因为需要收集标注数据，医生阅片就必须提前考虑疾病严重程度，这种思考使得后续转诊还是不转诊更加一致。

第二，产品功能是阅片关注区域的提示，现在诊断必须由医生来完成，不能只用辅助诊断。

医生只是判断是否采纳辅助诊断建议，我们就要给出充足的建议理由。眼科医生看眼底片是非常细致的，我们不提示，他会花更多时间细节，一定找到新生血管或增殖膜位置。

如果产品能够一下指出来，就可以节省医生搜索图像寻找病灶区域的时间。

临床试验数据分析表明，产品提示区域中的病灶，对金标准诊断结果的解释水平超过90%。

这样在临床和认证质量安全角度，就需要将这一点考虑进来，首先在收集标注数据阶段，就要提前明确出疾病严重程度，并准确标注出来，之后在认证过程中也必须有明确证明过程，使得说明和功能更加一致。

以下是演讲的全部内容，《医健AI掘金志》做了不改变原意的整理和编辑：

各位朋友，大家晚上好。我是致远慧图 CTO丁大勇，非常高兴跟大家交流我们在人工智能医疗器械方面的研发与注册经历。

我将报告我们糖网AI（糖尿病视网膜病变的辅助诊断）的研发和注册过程，给大家带来素材和思考，同时也希望各位专家前辈同仁能够提供一些指导，把人工智能医疗领域做好。

首先介绍一下公司，致远慧图成立于2016年，拥有医疗影像人工智能实验室，在计算机视觉处理、人工智能、图像标注和大数据计算等领域有深厚的积累和行业经验，最初的创始人有孙宇辉，我和李锡荣等。

目前，致远慧图的糖尿病视网膜病变眼底图像辅助诊断软件（EyeWisdom®DSS）与多病种眼底影像辅助诊断软件（EyeWisdom®MCS）已先后获得欧盟CE认证。糖尿病视网膜病变眼底图像辅助诊断软件已经获批国家药监局医疗器械三类证。多病种眼底影像辅助诊断软件是全国首个获国家药监局第三类《创新医疗器械特别审查程序》审批的同类产品。

我是清华大学计算机系博士毕业，师从国内人工智能领域第一位中国科学院院士张钹教授，毕业后在人工智能和计算机视觉领域工作近10年。其中，2007年到2013年任英特尔中国研究中心资深研究员，从事机器学习，计算机视觉相关的研究工作，参与多媒体检索、人脸识别、AR导航、以及手势交互等多个项目的研发。

宇辉跟我以前是Intel的同事，在sales marketing group（业务暨营销事业群）工作过十多年。

在出来创业前几年，他曾领导一个涉及医学影像的全球创新项目，涉及超声设备小型化，当时Intel非常关注这种移动计算、嵌入式计算的应用。

宇辉也看到医疗设备小型化趋势，小型化医疗设备可以在救护车等场景使用，但急救现场的医护或急救员有能力操作，但不一定能读懂影像，这就是AI体现价值的地方。

而李锡荣教授曾与我在清华智能技术与系统国家重点实验室跟随张钹院士一起学习人工智能技术。

我博士毕业之后就加入了Intel，锡荣老师则是到荷兰阿姆斯特丹大学继续深造，后来回国。

当我和宇辉打算创业时，拜访了锡荣，他也非常支持，并加入了我们，现在致远慧图已经有七十多人的算法和硬件工程师团队。

核心技术领域包括计算机视觉、人工智能、图像处理、大数据计算等等，提供疾病筛查诊断治疗方面的人工智能和智能硬件集合的解决方案。

糖网AI产品的研发和认证历程

首先我来介绍一下糖网AI的背景。糖网主要是做糖尿病视网膜病变的筛查。糖尿病视网膜病变是工作年龄人群的首要致盲因素，我国糖尿病患者现在已经接近1.3亿或者1.4亿了。糖尿病视网膜病变在我国糖尿病患者中的发生率接近三分之一，在欧美略低一点，大概是在20%~25%。对糖尿病视网膜病变筛查做得最好的是英国。

糖尿病视网膜病变随严重程度分为四个等级，按照诊疗标准，二级及以上都需要转诊到眼科进一步检查和处理。

我们现在看到的4张病例图都眼底照片，用一种专用的相机、通过人的瞳孔拍摄眼球底部，也就是视网膜上面的情况。

视网膜底部亮亮的圆盘叫视盘，视盘中间生长延伸出血管，一起延伸出来的这种白色的很薄的一层是神经纤维。所以，视盘是这给视网膜提供营养的一个关键结构，同时也是将光信号转换成了神经冲动之后沿神经纤维传出眼球进入大脑的一个关键结构。

糖尿病患者在长时间内环境紊乱的条件下，全身的微血管（直径50μm以下的）会产生一些病变，病变会对需氧量高的那些组织首先产生危害，那么人全身需氧量最高的组织单位是哪个？

大家可能以为是大脑皮层，实际上不是，是视网膜。微血管异常的时候，首先会在视网膜上引起缺氧反应，刺激组织的代偿性变化，最终产生新生血管，就是最右边那那一例的情况，糖尿病视网膜病变达到第4期，视网膜长出一些异常的血管。

异常血管非常脆弱，破裂的时候会有很多不好的影响，浅层次看就是玻璃体混浊，从更深层的机理看，出血造成血液中的一些物质会侵入并毒害视网膜组织。脑血屏障保证了血液当中的一些有害的物质，不会进入脑组织，那么视网膜和血液之间也有屏障，当新生血管破裂的话，血液当中的有害有毒的物质会对视网膜产生不良影响，使人视力急剧损失且不可逆。

大家可以看到从左到右，四种严重程度逐步增加。但是对于糖尿病患者来讲，他感受的症状不是一个线性增长的过程。在前三期如果没有出现这种黄斑水肿的话，前三期患者主观是感受不到视力上的变化的。当患者感受到自己视力已经下降，一般就已经进展到了第四期。到这时，视力上已经损失的部分是无法恢复的，治疗只能延缓病情的进一步恶化。

这就是为什么糖尿病视网膜病变一定要进行筛查，而且要通过早期的筛查观察它的进展，来采用眼部乃至全身的一些控制方法来延缓它的进展。

（二）糖网AI筛查的临床场景

我们的临床场景主要是体检、内分泌科（糖尿病科），还有基层眼科。所以我们产品主要考虑三个关键功能：

第一，按照国际分级严重程度判断；

第二，根据影像提示医生要关注哪些地方进行核对检验；

第三，图像质量的自动评估。

左边是产品界面，在2021年6月获得药监局审批。

（三）产品注册过程

我不是这方面专家，只是经历讲讲自己的理解。注册审批最核心逻辑是要用各种方式证明产品具有安全性和有效性。

第一，产品要定型，也就是研发完成，要完全确定产品“用于什么场景，解决什么问题，能达到什么效果。”

第二，创新申报。药监局对新品类医疗器械设置了“创新医疗器械”的绿色审查通道。

进入审查通道也需要申请和审查，一般是被认定技术上有创新性，同时又有比较重要临床意义产品，才有资格进入创新审查通道。

通过创新通道，药监局给予我们生产厂商更多交流机会，也会在审查注册过程中给一些优先权，以促进技术创新。

第三，注册检验，按照产品说明书检验产品是不是做到说明书中所说的要点。

第四，临床试验环节，注册的确认环节，确认和验证的区别在于，验证是 Whether we do the thing right，是检验设计结果是否被正确实现；

而确认是whether we are doing the right thing，是用户是否认为这个产品解决了问题。

所以，临床试验是非常重要的环节，临床试验设计的最核心目标，是在安全性、有效性两方面提供最严格证据。

以上内容都完成之后就可以提交注册材料，进入申报过程。 

医疗器械注册申报流程是有比较详细的法规和规定的，建议大家在细节上注意每一个环节的要求、周期等，提升效率，减少等待时间，也降低风险。

下面报告产品注册时间线，大家可能觉得这是一个漫长时间，特别是对于初创公司来看，其他行业都认为这件事情是难以想象的。

我们也是经历之后才知道，注册过程有很多法规规范，现在也非常理解药监部门，是让技术能够安全给全社会带来福利，这都是非常必要的。

认证经验复盘

后面讲一下拿证环节中遇到的一些情况，分享一些心路历程，主要从三个方面讲讲感触：

第一，见证了人工智能医疗器械审查制度从无到有的建立过程，这可能说的不太准确；

第二，从生产者角度出发，在设计产品、规划注册过程中紧扣临床，能够取得更好效果；

第三，在法规约束下，我们来做创新，需要兢兢业业态度。 

我们的产品送检非常早，2017年年底就已经讨论规划注册过程。

2018年1月，中检院尝试构建了眼底图像数据库，探讨在检验环节中测试产品性能。其中中检院对图像质量，格式、标注等作出了明确要求。 

我们规划注册时，产品在全球都没有先例，甚至全球监管制度也在探索，后面，国内监管制度发展就进入快车道。

《深度学习辅助决策医疗器械软件的审评要点》正式文档在2019年7月份发布。

同时，药监局信息中心也征集了相关医院和厂商共建人工智能医疗器械创新合作平台；这个平台公共评测服务技术方案基本是按照咨询意见来实施。

到2020年9月，药监局发布了《人工智能医疗器械质量要求与评价》相关的征求意见稿。

我们研发团队认真提供了反馈，中检院老师也对反馈给予了肯定，最终在2021年6月，《人工智能医疗器械注册审查指导原则》征求意见稿出来，同期三类注册证也到手。

这个过程中有很多艰辛和曲折，我从三个方面有所体会，第一，功能设计要针对临床问题；第二，数据采集要反映临床实际；第三，模型性能要接受临床检验，下面再说得细致一点。

第一，功能设计针对临床问题，当AI给出 “转诊”与“不转诊”建议时，糖网筛查需要功能就已经完成80%。

但临床对患者转诊建议是有紧迫与不紧迫的区分：轻度不需要转诊；中度需要在一个月或者两个月之内转诊，具体由眼科医生来确认；重度要两周之内就要完成转诊，否则它的进展对视力的损伤风险会比较大；

第四期需要立即转诊，英国筛查要求中要求48个小时之内去看眼科大夫，并且确定后续的处置方案。

在产品功能设计的时候，就需要把这一点考虑进来。同时，因为需要收集标注数据，医生阅片就必须提前考虑疾病严重程度，这种思考使得后续转诊还是不转诊更加一致。

第二，产品功能是阅片关注区域的提示，现在诊断必须由医生来完成，不能只用辅助诊断。

医生只是判断是否采纳辅助诊断建议，我们就要给出充足的建议理由。眼科医生看眼底片是非常细致的，我们不提示，他会花更多时间细节，一定找到新生血管或增殖膜位置。

如果产品能够一下指出来，就可以节省医生搜索图像寻找病灶区域的时间。

临床试验数据分析表明，产品提示区域中的病灶，对金标准诊断结果的解释水平超过90%。

还有图像质量的自动检测，在实际筛查场景中，眼底照片有可能质量不足，例如受白内障等因素影响。

这时，因为图像质量偏离了临床诊断标准的要求，基于低质量图像的AI的建议，会增加医生误判的风险，我们产品应当提示没拍好，并告知造成质量不足的可能原因。

例如患者白内障比较严重，或瞳孔比较小；就可以现场提示重拍。

第三，数据采集要反映临床实际，在训练模型把样本病例交给模型做示范，尤其是病症比较轻、不典型情况；在盲态阅片临床试验中，灵敏度特异度都在93%左右。 

安全和有效是医疗器械的生命线，我们所有法规，所有内部管理质控都是为了安全有效。

为此，我介绍一下致远慧图保证产品质量安全的一些经验和感触。

第一，研发团队上，研发团队都是学人工智能图像处理的，他们也要认真学习法规，只有研发团队熟悉法规、研发过程和结果合规才有基础；

法规团队、注册团队也必须深入理解产品所用的技术，这样才会在注册过程中提前规划产品注册策略，注册效率才能提高。

第二，临床试验设计的严谨，只有在产品定位准确、功能明确，才能设计出高质量临床试验回答安全性和有效性问题。

在临床试验方案确定之前，往往需要预试验确定入组标准、样本量等环节。

第三，认真对待专家会发布意见，专家会是技术中心药监局向专家咨询关于这个产品的意见。

作为生产厂商，为了咨询会能够顺利进行，对于专家会上的问题，进行认真准备，从技术和法规两个层面推敲它。

如果我们有机会系统报告和阐述产品情况，一定会多次演练并模拟问答；

有时候同事之间甚至会被问很尖锐的模拟问题引起非常激烈交锋，但这样一个过程之后，对法规产品的各方面与法规适配情况，与审评或专家的沟通就会顺畅很多。

以上关于研发注册过程的体会，我把它归纳成三个方面。

一，研发和注册以产品为本，具体就是医工结合，紧密联系临床，着眼临床需求，严肃医疗，医疗行业问题都是非常严谨非常专业的。

现在公司办公室里最多的书不是深度学习，而眼科专业书籍，我们希望每一个产品经理都成为产品所在眼科领域的小小专家；

二，法规为纲，所有内容都要依法依规，基于法规要求，对产品的临床定位、所解决的临床问题、可能产生的临床风险，与相关法规要求，理解上都会持续不断地明确，持续不断深入，并最终体现在产品安全有效性提升上；

三，管理为魂，内部规范流程要逐步建立起来，形成执行习惯，注册和研发两个团队要互相勉励，互相促进。

法规框架约束下进行创新是一件有挑战的事情，需要技术团队给自身划定界限，也需要法规团队理解产品技术创新的初心和目标。

作为场上队长，必须以身作则，从自己做起带头学法规，带头严谨地去做这个事情，不能为了方便就怎么样。

问答环节

雷锋网：临床试验过程中，是否遇到设备差异导致的AI结果差异问题？后面是怎样解决的？

丁大勇：三中心盲阅片临床试验涉及到三家北京三甲医院，三家医院所用设备都不一样。

三家医院的数据上，产品表现没有统计显著性差异。

雷锋网：研发过程中标数据标注时间一般会花费多少？占比是多少？

丁大勇：糖尿病视网膜病变的标注如果带着病灶的话，可能一张片子要5分钟以上。

后来我们对标注工具进行了优化，也做了一些快速标记设定，后面就可以在2分钟左右完成。

标注分级与病灶耗时的占比没有具体统计，因为有时候分级很好判断，例如看到新生血管，直接就标出分级。

但如果想把病灶都圈出来，还得逐一去做，所以占比没有统计，可以想象一般情况下至少是1:3~1:4以上。

雷锋网：部门合规建设也有可以参考的体系文件吗？

丁大勇：合规建设没有可以参考的体系文件，体系文件都是按照原始法规条文从零开始建立体系，没有可以参考的文件。

人工智能医疗器械与传统医疗器械不一样，对数据要求；我们使用的研发工具也是自己研发的，没有体系可参考，很多现行基本上都是在研读法规中摸索构建出来的。

雷锋网：训练数据集需要按地域分布采集东南西北中多家中心的吗？

丁大勇：训练数据集是来自多家中心的，也可以坦言地点上的分布也没法顾及到东南西北；特别是偏远整个医疗水平恐怕也有问题。

但是大城市医院的片子，患者都来自四面八方，所以地域代表性还是足够的。

雷锋网：做临床试验时，如果多个医生标注的金标准不一样怎么办？

丁大勇：临床试验方案中是有明确规定的，各位金标准专家独立阅片之后，对于存在差异病例大家会坐在一起讨论决定。

如果专家达不成一致，就由临床试验的PI来做决定。

雷锋网：有的临床设计是人+AIvs人，有些是AIvs金标准,主要是和软件功能形态有关吗？

丁大勇：后者是单目标值法，应用中有很大风险和局限，特别在没有成熟可参考产品品类上，设置单目标值依据就会有问题。

例第二款产品——多病种的辅助诊断，就采用这个“人+AI”与“人”的优效性对照。

选择何种临床试验的类型，既与产品功能形态辅助诊断有关系，也与试验实施时的历史条件有关——整个领域对如何设计试验，理解都在不断地加深。

雷锋网：请问注册需要哪些关于数据方面的记录？

丁大勇：很多，没有办法去一一列举，可以说审批要点的每个字都要去落实。

雷锋网：训练模型需要多大数据集？这是来自临床，还是经过一定筛选？

丁大勇：训练集数量跟我们要解决的问题复杂程度有关系，这不能一概而论。

数据集是直接来自临床场景，按照一定规范分解成测试数据集、训练数据集、和验证数据集。

收集数据过程需要有筛选，筛选之后，数据集应仍然能保留我们要解决的临床问题主要特征。

就像刚才提到的，筛选是把拍摄质量差、无法做出可靠诊断的图像剔除；对于拍摄质量合格，而仅因为病症轻微或病症不典型造成医生之间判断不一致的病例就不应当筛出去。

我们是由医生专家们开阅片会，决定那些数据诊断金标准，最终这样做出来的效果还是不错的。

雷锋网：功能是二分类还是五分类，临床方案对这两种功能（的设计）会不同吗？

丁大勇：会不同，临床实验逻辑是要证明产品的安全有效，什么叫有效？我们自己声称的功能有效就叫有效。

如果我们的产品的主要功能是提供关于“转诊与非转诊”的建议，那么它就是二分类；如果主要功能是要做疾病进展程度的判断，按照国际标准的0到4级，那就是五分类。

雷锋网：公司是否有进军海外市场的计划？海外是否有对标产品？

丁大勇：我们已经出海，产品在欧洲已经在试用落地；此外，在美国我们的临床试验也在推进过程当中。

在海外是有对标产品的，目前包括IDx-DR和EyeArt。

雷锋网：研发到什么情况下才能称之为产品定型？

丁大勇：产品定型问题是很专业，这得联合法规方面的同事回答。

纯粹技术角度来讲，实现了设计目标，并通过多种内部测试能稳定达到目标，就可以认为基本定型。

雷锋网：指定的相机型号有哪些？一定要临床验证的型号才可以吗？未来新的型号怎么办？

丁大勇：所有注册证上允许使用的型号或推荐型号都必须有明确证明过程。

这个证明通过综合研发过程中所有相关证据完成，包括临床试验当中的证据，也包括测试数据，还包括补充的验证数据。

从目前的实践上来看，药监局要求所有证据总量加起来要超过一定值。注册完成之后，如果想增加推荐相机型号，就需要走变更流程，需要提交增加的相机型号适用性证据。

自2015年创办至今，世界机器人大会已成功举办五届。大会以“共享新成果，共注新动能”为主题，展示全球各个领域的先进技术和科研成果，旨在促进国内外的学术交流，深挖合作潜力，推动机器人技术、产品与市场的发展。

本次大会上，清华大学医学院生物医学工程系高小榕教授，重点关注了BCI脑控机器人大赛。

高小榕教授常年专注于脑机接口技术（BCI）、神经信号检测和处理的理论和方法，并基于此技术研究生物神经系统信息相关的脑功能分析方法，是中国脑机接口领域的领军学者。

左边为高小榕教授，右边为陈小刚研究员

BCI技术是神经科学、神经工程、药学和康复学研究的热点课题。同时，也是人工智能领域近几年最前沿的发展方向。目前，我们正处于人机时代，从最简单的人机交互、人机协作到人机共融共存共生，脑机接口的前沿研究成为机器人智能化的关键节点。

但谈到脑机接口的市场应用时，高教授依旧持谨慎态度。他表示，教育和工业还不是脑机接口的刚需，真正的刚需在于医疗行业。

与此同时，高小榕教授也补充到，我们必须平衡脑机接口研究的目标、实际能力和手段，不能让它发展过快。大家一窝蜂投入研究后，会忽视伦理问题的重要性。与此同时，脑机接口的发展是一项综合性的工程，涉及到各个学科的协同发展，没有其它学科的进步也是局限的。

本次世界机器人大会上，雷锋网参与高小榕教授和陈小刚研究员的群访，以下为对话实录。

Q：首先，请您谈一谈脑机接口是什么，它的发展历程以及主要的应用？

高小榕：脑机接口（Brain-Computer Interface， BCI）是现在比较热的一个词，它是从大脑直接提取信号控制外部设备，也是人机接口的一种。传统的人机接口比如鼠标、键盘都需要手部肌肉控制，现在的语音输入也是调用五官，但脑机接口就把这些都跳过去了，不用外周神经参与，直接由大脑信号控制外设。

伴随着上世纪七十年代微型计算机出现，一位教授提出了脑机接口技术，“能不能通过脑电控制电脑”。从第一次命名Brain Computer Interface以来，脑机接口并没有做出什么成果，直到2000年左右又被其他的科学家再次发明出来。

实际上，本世纪初第一次召开脑机接口国际会议。当时世界各国提了很多个词来命名，像“心想事成”这类的词有十七八个，最后统一公认BCI这个词，直到现在，所有用脑神经和外设打交道的研究都叫做BCI。

BCI刚出现的时候，首先是医疗驱动力。

我们要帮助像霍金这样有运动障碍的人控制外设。清华大学也是从1997年开始做脑机接口，当时个人计算机已经普及，我们就想如果一个人不会用键盘鼠标的话，怎么用计算机？我们想到了脑机接口技术，此后便开始了这项研究。

五年前流行起AI热，出现了第二驱动力，也就是AI的驱动力。

其中最核心的鼓吹手就是马斯克、扎克伯格这些人，他们认为AI大规模发展后会出现一个多智能体社会。原来的智能体只是人，现在AI能够比人还聪明，我们怎么跟计算机进行交流？如果我们跟计算机用键盘鼠标交流太慢了，即使是用语言去交流也太慢了，我们是不是直接从大脑提取信号--“心想事成”？

马斯克做的最有影响力的案例是小猪，最近猴子也能够用脑机接口玩游戏。中国也有几个比较代表性的案例：浙江大学把脑机接口直接植入人体，一个像霍金这样的残疾人能控制机械臂，还能够打麻将；天津大学把脑机接口放到太空站，航天员也能够做脑机接口。 但从研究的角度来说，脑机接口还是一个基础的东西。

从技术角度来看，它涉及到脑机接口芯片，从大脑提取神经信号的芯片；还有一个是整套分析软件。

十几年前，软件研究做得比较多，清华做的就是软件。但从前一两年，特别是美国进行脑机接口出口管制之后，中国很多企业开始做芯片。这次大会上展出了两款脑机接口芯片，而且都是和国外的水平相当，性能完全一样，可以替代国外芯片。

除了芯片之外就是系统，国内的大概有几家：博瑞康、江苏集萃，分别是医疗和消费领域。

有了系统之后就需要市场应用，大概分为三大块：

第一块是医疗。怎么解决病人的问题，不能用鼠标键盘也不能说话的人群应该怎么应用。

我们原来的医用主要是存在障碍的人群，比如运动受限以及事故损伤、老龄化带来的各种运动障碍。我们的方式是外周控制，通过大脑直接控制一些外设，比如轮椅不需要自己手动遥控，直接通过大脑的指令发送，可以控制轮椅能够直接行动，同时也可以控制一些外骨骼进行行走，进而融入社会。

情感脑机接口方面，我们也是在尽量解码大脑的情绪。通过脑机接口的手段，我们可以在人心情不好的时候播放相应的音乐，对病人的精神状况进行调控，形成一个环路。目前我们更多的还是辅助运动控制方面做得比较多，未来的话应该是进一步在精神环节也有相应的应用。

我们临床应用的时候也会发现，实际上很多病人的行动和语言表达都会受限，需要清楚这个人的认知状态是不是受影响。但是原先的测量方式对很多病人来说很难适用，比如很多量表都是通过看人的反应，单位时间内能够写对多少字，根据正确率作判断。

因为传统的很多量表都是基于健康人群，通过大量样本得到数据，运动障碍的人群手颤抖到根本无法书写，所以我们通过脑部绕过外周神经直接进行评估。目前临床上可以用脑机接口手段评估病人的认知状态，认知状态具体达到什么程度，然后做状态的调节。

第二块是教育。小孩在学习的时候注意力和认知功能有缺陷的话，可以用脑机接口弥补。根据小孩上课的注意力做一个反馈，或者从家属的反馈中知道孩子是因为不听讲没学会，还是因为不理解没学会。这是两个很大的问题，如果不理解没学会就是逻辑的问题，如果是不听讲没学会就是另外一个问题。

第三块跟工业相关，就是工业4.0等等，实际上涉及到的核心问题是安全。最容易理解的例子就是自动驾驶，你的车可以有自动驾驶，也可以人来驾驶，什么时候人驾驶、什么时候自动驾驶，出现一个协调的问题。

如果有了脑机接口就可以很容易地做出来，比如注意力不集中、困倦、喝酒等等，车辆检测不适合人驾驶，那么就车辆自动驾驶，或者自动停在路边也可以防止出事。比如打电话的时候，车辆发现不能继续驾驶就可以停下来；人突然心脏不好了，车辆也可以自动切换。

当然，教育和工业还不是刚需，真正的刚需是医疗。

Q：目前脑机接口研究的方向是什么？都有哪些需要解决的技术难题？

高小榕：脑机接口研究的途径包括几种：一种是有创，就是要把电极搁到大脑里，还有一种是无创，就是把电极放在头皮上。

有创的方法信息更大，但人不一定能够接收，好好地往大脑里插一根电极，人很难接受。那么就用无创的办法，头皮上植入电极。就像把麦克风放到屋内和屋外的差距，搁到屋外，信号就弱得多，在屋外能够听到里面大声说话，或者有人大笑，但在屋内能够知道在笑什么。

马斯克的研究都是有创的方法，把电极放入脑神经其实是很难的，因为脑组织是人类最软的组织，除了体液就是脑组织。我们监测的硅这些东西反而是最硬的，一个最软的东西和一个最硬的东西放在一起，工作环境一定会有问题。而且人还要活动，跳一下蹦一下，心脏血液会有波动，所以软的和硬的损失有多大？难度还是很大的，这是物理上的难度。

第二个难度就是生物上的难度，放进去的东西即使是软的，但对人体是有毒性的。

第三个难度是信息。人脑有一千亿个神经元，每个神经元都在工作，按照通讯速率的比特率来说，这是按照每秒1TB的速度。如果把我的语言采样，一百比特就可以把我的语言传递到你那里，你耳朵里听到一百比特又会重新解读成1TB，所以这个就是基于语言的压缩能力。但是一百比特和计算机相比还是显得不够，所以这是非常难的东西。

为什么这么难的东西我们还要研究？为什么干脆不做了，等着AI去做？实际上，AI只能解决事实问题，就是这个东西是什么，但不解决价值问题，我是指广义的社会价值。

比如这是一瓶水，AI可以马上识别出来，但这瓶水的价值AI是不知道的，因为价值跟环境有关系。现在水在这里是一个价值，而在沙漠里是另一个价值，如果人类缺水，整个水资源枯竭的时候又是一个价值。

所有的这些价值问题只有人才能判断，机器是判断出来的，我们也强加不了；同样的一个东西，不同的人看待的价值观也是不一样的。比如鲁迅说人血馒头的故事，杀人肯定是有问题的，但其它人觉得是有价值的。

我们假设AI无限发展，发展得越来越大，怎么维护人类的尊严？一个对话框弹出来让你选择Yes和No，如果对话框什么时候都在弹，人整天点击Yes 和 No的话就会出现失误，而且也烦了，这么简单的事还问我干嘛？但AI替你干的话你可能就不干了。

我们要维护人类的尊严，一定要让机器懂得我们的价值，就是干我们不想干的事情。脑机接口最主要的就是一个人机交互工具，我们绝对不会容忍AI把人替代的事情出现。人对AI要求是共存发展，而且我们要占主导。

Q：接下来几年脑机接口的目标有没有规划？主要想取得怎样的应用效率？

高小榕：现在能够落地的首先是医疗，医疗是能够说得清楚的。过程当中可能会沿途下蛋，把医疗技术发展起来，可以做一些认知和决策的东西，这些都需要一步一步来。

除了教育和安全方面，其它的应用都有伦理限制，比如有一个脑机接口的东西提升了治理水平，没用脑机接口的这些人怎么办？但医疗不存在伦理的关系。

任何发展都一定会受到伦理的限制，但这个技术是未来不可或缺的技术，未来一定有脑机接口实现人和机的双重优势。

脑机接口是一个跨度很广的领域，涉及到物理，脑神经认知科学和信息科学，这些学科的人都需要去交流。等到我们把所有的这些困难克服了，包括物理的问题、生物的问题、信息的问题，逐步就会找到应用的渠道。

我们现在主要面向的交流对象是医学界的人员，和天坛医院、宣武门医院、长征医院、协和医院都有合作和研究。

Q：马斯克说的脑机接口还是比较超前的，谈到以后可能将脑机接口接入正常人，进入一个“超人的时代”，之前您说对待记忆写入、记忆增强持有比较谨慎的态度，现在还是这样吗？

高小榕：是的，现在我还是持有这种观点，因为脑机接口确实是影响面非常广的东西。它的危害在于，芯片进入人脑的时候你并不知道可能得到什么东西，但你知道失去了什么东西。设想脑组织的运动就像海浪，你拿一个尖的东西晃几次，对不同的人有没有伤害，或者这个伤害是人能够接受吗。

所以，脑机接入一定要伦理先行。马斯克研究出来之后也要先做医疗的应用，不可能说为了让人玩游戏，脑子里放一个接口。

Q：随着中国进入一个长寿时代，您的研究方向和研究模式会不会改变？

高小榕：脑机接口很关注老年人的问题。比如视觉障碍的话就可以用脑机接口帮助提示一些东西，所以老年也是一个医疗问题。

Q：您是第几次参加世界机器人大会，感觉怎么样，大会对您从事的领域有没有推进作用？

高小榕：机器人大会刚刚开始的时候我们就有合作。中国脑机接口的发展是从1997年开始，到了2010年已经开始被科学界认可了。那个时候大家都发表了科学论文，以论文为主，基金委就给我们提了一个问题：我们收到很多很多的基金申请，但脑机接口是一个很新的领域，我们也不知道谁好谁不好，你们能不能从应用的角度评估？

我们是在2010年做了第一届中国脑机接口比赛。基金委把所有基金委的课题都申请了，我们对所有的申请人发邀请。我们有打字任务、有小车控制任务等等。第一届脑机接口的是黑马是李远清教授，他刚回国就听说了这个故事，穿着短袖来到北京，都不知道中国的温度差这么大。

当时是2015年，我们做了第一届、第二届脑机接口比赛，在比赛过程中，我们也能够通过比赛看出谁是第一名谁是第二名，最终很多资料都给了基金委，有利于他们选择课题。

到了2017年世界机器人大会上就有了脑机接口项目，我们就在世界机器人大会的平台上做了技能赛，也想回答到底有多少人适合做脑机接口，有多少人适合用脑机接口。当时做脑机接口的都是我们的学生，都是年轻人，到底有多少人能用，这个事情谁也不知道。就像我们造出汽车，有多少人会开车，我们是不是要办一个驾校。我们做了一个技能赛，相当于脑机接口的奥林匹克，大家随便报名，想来就可以来。

在2018年世界机器人大会上，这时我们得到了世界范围最大的样板人群，原来就是几十人，现在是几百人甚至上千人。

到了2019年就把技术赛和技能赛合二为一，技术赛造出最好的车，技能赛找出最好的赛车手。所以那年出现了脑机接口世界纪录，看一看最优秀的人能够用脑机接口跑得多快，那个人用脑机接口打字比用键盘打字还快。2020年因为疫情，我们只做了技术赛，今年又有技术赛和技能赛，算是第五届中国脑机接口比赛。

我们在2017-2018年做了成人比赛，2019年就有了青少年比赛，要看小孩到底能不能用脑机接口，今年又做了100个六十岁以上的老人的比赛，不能说搞了一个新技术只能年轻人用，而且找一两个老人也不能说明问题。其中年纪最大的是八十一岁。

今年，我们（高老师创意及设计，北邮团队开发实现）在大会上推出了世界上第一份群体脑机接口系统，我们叫做“神聊系统”，最多支持二十个人实时进行脑电交流。二十个人的群聊环境相当于一个班的教室，大家不用说话就可以把知识交流出来，或者能够知道谁听课了谁没听课。

我们的脑机接口从2017年开始由中国电子学会和世界机器人大会支持，实际上芯片比赛是按照赛制直播的，这个比赛非常公平--同样的问题，不同的人去做，结果马上就可以出来。脑机接口就是这个特点，结果是实时的。所以基金委说以前的比赛都有一大堆投诉，你们做的比赛没有人投诉，因为大屏幕就在前面，我们在看，别人也在看，结果是实时的。

Q：最近两年，你们的研究组有哪些比较大的成果？

高小榕：中国在脑机接口领域分量，我们大概占到三分之一，包括论文数和对世界的贡献都是三分之一，但和美国相比，我国拿到的脑机接口经费投入十分之一都不到。

脑机接口总共提出了十几个范式，现在剩下公认的只有三大范式：

SSVEP是一种，想像运动是一种，P300定位是一种，而且在这三种范式最快的脑机接口就是SSVEP。今年我们发了一个很重要的文章，就是总结脑机接口发展路径，提出I3模型。

BCI的I其实是三个I：第一个I是Interface接口，这个接口是单向的；第二个I是Interaction交互，就是双向的东西；第三个I是Intelligence智能。

脑机接口最后要按照这三个模型演化，最后能够达到脑机智能的水平，就是脑的智能和机器的智能合二为一。这是清华大学前任脑机接口研究主任高上凯教授提出来的，他是我的老师。

最近还有一个贡献，原来我们做脑机接口控制最早是6个目标，后来到了12个目标，然后又到了40个目标，今年已经出现了160个目标。我们现在是群体多人脑机接口，也是在这方面做了贡献。今年有一个青年论文竞赛会展示这个结果。

Q：刚才您提到的技术目前应用情况如何？

高小榕：我们在天坛医院控制机械手这类应用都有，“挑战不可能”有一个渐冻症的中国病人，我们做临床的时候发现这个病人可以用脑机接口打字，后来还参加了董卿的“挑战不可能”节目，和董卿一块朗诵了一首诗。这个人已经说不出话了，呼吸机插着管呢，但脑子好使。

Q：从全球范围来看，脑科学和认知学科都有哪些突破口？

高小榕：脑机接口和认知科学实际上是并行发展的，脑机接口相当于打开了脑的一个窗户，可以帮助神经科学的发展，神经科学新的研究结果又反过来促进了脑机接口的应用，二者不是一前一后，而是并行发展，并不是脑神经发展了什么，我们再发展脑机接口。情绪脑机接口的话，情绪到底怎么回事我们不知道，我们检测出情绪好坏就可以调整。

Q：我们谈到脑机接口存在一些挑战，对于科研人员和技术人员来讲，如何应对现实中的一些问题？

高小榕：我们必须平衡我们的目标、实际能力和手段，不能让它过快，看到好大家就一窝蜂地去研究，把伦理限制都去掉了，万一出什么事也很麻烦。这个一定是综合的，涉及到各个学科协同发展，没有其它学科的进步也是局限的。

雷锋网雷锋网锋网

中华医学会放射学分会是中国医学影像学界规模最大、影响力最高、最具活力的专业学术组织，由以刘玉清院士，金征宇教授和刘士远教授等众多国内外著名教授、专家为核心的学科带头人团队和在全国各级医疗机构临床一线专门从事放射诊断和介入诊疗工作的会员团队组成。

本次大会上，海军军医大学第二附属医院（上海长征医院）的刘士远教授当选为中华医学会放射学分会第十六届委员会主任委员，北京医院放射科陈敏教授当选为候任主任委员，副主任委员四位、常务委员十五位。

第十六届委员会主任委员 刘士远教授

近年来，刘士远教授承担国家自然科学基金重点项目2项，面上项目4项，国家科技部重点研发重大国际合作项目1项，国家卫健委重点项目1项，上海市科委、卫健委重大科技专项5项，上海及军队重点及面上项目等近40项5000余万元资助。

发表学术论文350余篇，SCI论文70余篇，其中单篇最高影响因子53.276。主译专著4部，主编专著、教材11部，副主编6部，主审专著4部，参编专著11部。获得上海市科技进步一等奖以及省部级二等以上医疗成果及科技进步奖7项，国家发明专利授权6项。

先后担任亚洲胸部放射学会主席，中华医学会放射学分会侯任主任委员、中国医师协会放射学分会副会长，中国医学影像AI产学研用创新联盟理事长，国家卫生健康委能力建设和继续教育中心“放射影像数据库”专委会主任委员、中华医学会放射学分会心胸学组组长、上海市医学会放射学分会主任委员等学术任职。

推荐阅读：

《长征医院刘士远：未来的放射科，要构建统一的AI生态系统丨鲸犀峰会》

《对话长征医院刘士远教授：数据库建设与医学影像AI的未来》

前任主任委员 金征宇教授

金征宇教授是北京协和医院放射科主任、博士研究生导师，北京协和医学院影像医学与核医学系主任。

他是中华医学会放射学会前任主任委员，中国医师协会放射医师分会会长，中国医学装备协会副理事长，中国医学装备协会中国医学影像发展联盟理事长，中国医疗保健国际交流促进会放射学分会主任委员，北京医师协会放射分会会长，国家放射影像专业质控中心主任，

此外，他还担任《中华放射学杂志》总编辑、《Chinese Journal of Academic Radiology》杂志主编，国家卫生健康委“突出贡献专家”，吴杨奖获得者，北美放射学会荣誉会员，欧洲放射学会名誉会员，日本放射学会荣誉会员，法国放射学会荣誉会员，德国放射学会荣誉会员，美国伦琴放射学会荣誉会员。

候任主任委员 陈敏教授

陈敏，北京医院放射科主任，第十三届全国政协委员；现任北京医院党委委员，放射科（北京大学第五临床医学院）主任兼医学影像中心主任。

现任中华医学会放射学分会候任主任委员、北京放射学分会候任主任委员、中国医学装备协会磁共振应用专业委员副主任委员；《中华放射学杂志》编委；国家自然科学基金委员会评审专家；中华医学杂志（英文版）审稿专家等。于国际及国内刊物发表论文200余篇，其中在SCI收录杂志上作为第一作者及通讯作者发表论文50余篇。

作为课题负责人主持国家重点基础研究发展计划（973计划）子课题、国家自然科学基金、北京市自然科学基金、国家重点实验室开放课题等项目。凭借项目“磁共振新技术在老年神经系统疾病中的应用”获2017年度北京医学科技奖三等奖（排名第一）。较早在国内开展脑功能磁共振成像研究，与中国科学院生物物理研究所脑认知实验室合作，2003年在世界著名杂志"SCIENCE"发表论文一篇（主要参加者）。

             副主任委员：洪楠、王培军、宋彬、张惠茅

北大人民医院放射科主任 洪楠

洪楠，教授、主任医师，现任北京大学人民医院院长助理、放射科主任，兼任北京医学会放射学分会候任主任委员、中华医学会放射学分会委员兼秘书长、中国医学装备协会磁共振应用专业委员会副主任委员、北京医师协会放射学分会副会长。

从事放射学工作三十年来，在磁共振波谱研究、精神疾患脑部形态和功能学MR研究、影像组学及人工智能临床应用领域取得了一系列成就。

曾获得教育部新世纪优秀人才支持计划、北京科技进步二等奖、北京大学医学部优秀青年学者、北京大学医学部SCI引用奖等，承担国家科技支撑计划重点项目、科技部科技攻关项目、国家自然科学基金、北京市自然科学基金、北京市科技计划项目等多项重要课题。主编《影像诊断征象分析》、《多层螺旋CT心脏成像与冠状动脉造影》等十余部著作，在国内外核心期刊发表学术专著百余篇。

同济大学附属同济医院医学影像科主任 王培军

王培军教授从事医学影像学临床、教学、科研工作30余年，主攻研究方向“神经系统影像学新技术的临床应用和基础研究”、“肿瘤的功能分子影像学临床应用和相关基础研究”。

现任中华医学会放射学分会常务委员，质量控制与安全工作委员会主任委员，上海市放射学会主任委员，中国医学影像AI产学研用创新联盟副理事长，中国研究型医院学会医学影像与人工智能专业委员会副主任委员，中国研究型医院学会放射学专业委员会副主任委员等职，《Journal of Interventional Medicine》杂志主编，中国医学影像技术杂志副主编，中华医学杂志等11个专业杂志编委。

以项目负责人获国家科技部重点研发项目数字诊疗装备研发重点专项1项，国家自然科学基金重点项目1项，国家自然科学基金面上项目7项，国家863项目2项，上海市重点研究项目6项、上海申康医院发展中心重大临床研究项目1项、上海市经济和信息化委员会信息化发展专项资金1项等省部级及以上研究课题共21项。以第一作者或通讯作者发表科技论文427篇，其中SCI论文72篇。主编著作4部、副主编著作25部。培养了国内外硕、博士生70余名及其他高级医学人才近140名。

四川大学华西医院放射科主任 宋彬

宋彬，现任四川大学华西医院放射科主任、医学影像中心主任。

担任中国医师协会放射医师分会副会长兼总干事长，卫生部大型医疗设备专家组成员，中华医学会放射学分会青年委员，中华医学会放射学分会肌骨关节学组委员，中华医学会生物医学工程分会数字化医学影像工程与技术学组委员，四川省放射学会委员、常委兼秘书等职。

作为课题主研人和骨干参加了7项国家级、部级及省级科研课题；作为课题负责人，先后申报和独力承担了卫生部科研课题等6项科研课题；先后发表学术论文80余篇，其中SCI论文7篇。

吉大一院放射科主任 张惠茅

张惠茅，吉林大学第一医院放射科主任、教授、主任医师、博士导师。中华医学会放射学分会副主任委员，中国医师协会放射医师分会常务委员，吉林省医学会放射学分会主任委员。先后担任中华医学会放射学分会医学影像大数据与人工智能工作委员会主任委员，中华医学会放射学分会腹部学组副组长，中国医师协会放射医师分会泌尿生殖专委会主任委员。 

2003-2004年获得卫生部世川医学奖学金访问学者资格赴日本国立癌中心访问交流；2012年赴美国斯坦福大学分子成像研究中心访问交流。2010年吉林省卫生系统拔尖创新人才，2012年获吉林省第三批拔尖创新人才 ，2017年入选“中国15位知名放射学专家爱思唯尔数据库”，2020年获第四届国之名医。

张惠茅教授团队长期致力于肿瘤影像诊断和医学影像大数据人工智能研究。参与组织开展《影像AI产业现状和发展趋势调研》，此次调研是中国围绕医学影像AI的首次公益性普查活动。作为副主编组织发布2019年《中国医学影像AI白皮书》和《中国医学影像人工智能发展报告2020》。近年来，主持科技部国际合作、国家卫计委、国家自然科学基金等课题26项，发表学术论文50余篇，国家发明专利6项。编写相关教材和论著、视听教材共7部，其中主编、副主编3部。荣获“吉林省结直肠癌影像医学研究创新团队”称号，并获得吉林省自然科学一等奖以及吉林省科技进步奖等4项。

十五位常务委员

解放军总医院第一医学中心放射诊断科主任 马林

马林，解放军总医院第一医学中心放射诊断科主任，主任医师、教授，博士生导师，享受国务院特殊津贴。擅长神经系统疾病的影像诊断及相关研究，包括神经系统先天性病变、白质病变、变性病变、血管病变及肿瘤性病变等。

担任中华放射学会常务委员兼神经学组主任委员、中国医学影像技术研究会副会长等职。承担国家重点研发计划1项，国家自然科学基金面上课题4项，军队专项课题2项。获国家科学技术进步奖一等奖、中国电子学会科技进步一等奖、军队医疗成果一等奖、北京市科学技术三等奖等。发表论文195余篇，其中SCI 88篇，主编专著5部。

首都医科大学附属北京同仁医院影像中心主任 鲜军舫

鲜军舫，院党委委员，教授。首都医科大学附属北京同仁医院医学影像中心主任、放射科主任。

中华医学会放射学分会常务委员、中华放射学会头颈学组组长、中国医疗保健国际交流促进会放射学分会副主任委员兼秘书长、白求恩公益基金会影像诊断专业委员会副主任委员、北京医学会放射专业委员会副主任委员。

发表SCI论文46篇，中文核心期刊226篇，主编专著5部，主译专著3部。获国家科技进步二等奖1项，省部级科技进步成果奖一等奖2项、二等奖2项、三等奖1项。作为负责人获国家高科技支撑计划和国家自然科学基金等课题资助16项。

北京大学第三医院放射科主任 袁慧书

袁慧书现任北京大学第三医院放射科主任、疼痛科副主任。

担任中华医学会放射学分会第十四届十五届委员会常务委员、骨关节学组组长；北京医学会放射学分会第十二届委员会副主任委员、对比剂与护理学组组长；中国医学装备协会普通放射装备专业委员会第一届副主任委员；中国医学影像技术研究会第七届理事会理事；中国医学影像技术研究会放射学分会第五届委员会常务委员；中国医学影像技术研究会咨询工作委员会第三届委员会委员等职。

在国内外著名学术期刊发表学术论著百余篇，主编参编多部著作。两次获得教育部科技进步二等奖，承担科技部国家级863项目、科技部国家级985项目、科技部重点研发计划项目、国家自然科学基金项目、北京市首都医学发展科研基金等多项科研课题。

中国医学科学院肿瘤医院影像诊断科主任 赵心明

赵心明，担任中国医学科学院肿瘤医院影像诊断科主任，博士生导师。1988年毕业于同济医科大学，对肝胆胰肿瘤的影像诊断有较深入的研究。发表学术论文30余篇，并有数万字学术专著出版。参加多项国家级及院所科研项目。

现任中华医学会放射学分会常委兼腹部学组组长，中国医师协会放射医师分会常委兼乳腺影像专业委员会主任委员，中国研究型医院学会肿瘤影像诊断学专业委员会主任委员，中国抗癌协会肿瘤影像专业委员会副主任委员，中国装备协会普通放射装备专业委员会副主任委员兼秘书长等职。

天津医科大学总医院医学影像科学术带头人 于春水

天津医科大学副校长、医学影像学院院长、医学技术学院院长、医学影像研究所所长、天津医科大学总医院医学影像科学术带头人、天津市功能影像重点实验室主任，教授、主任医师，博士研究生导师。兼任中华医学会放射学分会常务委员、天津市医学会放射学分会主任委员、教育部医学技术教学指导委员会副主任委员。

于春水教授长期从事医学影像学临床、教学与科研工作，在磁共振脑功能成像研究领域取得了突出成绩。主持包括国家杰出青年科学基金、国家自然科学基金重点项目、科技部重大研发计划等重大课题。长期致力于神经精神疾病的磁共振脑功能成像研究，牵头完成国际上规模最大的汉族人神经影像遗传学多中心项目。

在Brain等期刊发表SCI收录论文280余篇，获得国家杰出青年科学基金、国家百千万人才工程、国家有突出贡献中青年专家、国务院特贴专家、教育部新世纪优秀人才、天津市“131”第一层次及天津市学科领军人才、天津市教学名师等荣誉称号。

山西医科大学副校长 张辉

张辉，山西医科大学副校长，山西医科大学医学影像学系主任，山西医科大学第一医院影像科主任。山西省医学学科带头人，山西省高校131领军人才工程优秀中青年拔尖创新人才，享受国务院特殊津贴专家。

担任中华医学会放射学分会常务委员，中华放射学会磁共振学组委员，山西省放射学专业委员会主任委员，山西省放射质控部主任，山西省女医师协会副会长、山西省女医师协会影像专业委员会主任委员，山西省磁共振学组组长。

主持参与过多项科研工作，现已完成科研课题3项，主持并完成了省级公关课题“幕上星形胶质细胞瘤磁共振表现与分子生物学相关性研究。荣获山西省科技进步二等奖：目前主持参与各项科研课题6项，承担省级科研课题两项，发表专业论文二十余篇，指导硕士研究生九名。

大连医科大学医学影像学院副院长 刘爱连

现任大连医科大学医学影像学院副院长（主持工作），大连医科大学医学影像研究所所长，大连医科大学附属第一医院放射教研室及放射科主任。从事普放、CT及MRI诊断工作36年。

近年来积极参与医学影像人工智能。近5年，主持各级科研课题14项，先后获省、市科技进步奖4项。以第一作者和通讯作者身份在核心杂志发表学术论文230篇，SCI收录30篇，参编专家共识及指南8篇，国际及全国学术会议交流论文300余篇，副主编及参编各类教材6部、医学专著10部。近3年发表医学影像AI相关论文23篇，其中SCI收录4篇，申请AI相关专利5项。

现兼任中华医学会放射学分会委员会全国委员/腹部学组委员/质控及对比剂安全组委员/继续教育工作委员会委员、中国医师协会放射医师分会全国委员/泌尿生殖影像专业委员会委员、辽宁省医学会放射学分会委员会副主任委员等职。

上海瑞金医院放射科主任 严福华

严福华教授现任上海瑞金医院放射科主任，上海交通大学医学院医学影像系主任。

中华放射学会质量管理与安全管理委员会副主任委员；中华放射学会腹部放射专业委员会委员；中国医师协会放射医师分会副会长；上海医学会放射学分会副主任委员；科技部重点研发计划首席科学家，国家自然科学基金同行评议专家。

特长为腹部影像诊断，科研方向为肝脏影像学，CT和MR新技术的临床应用研究。2003年获得上海市科技进步一等奖，中华医学科技二等奖（第二完成人）。2005年获得国家科技进步二等奖（第三完成人）。发表论著180余篇，第一作者和通讯作者80余篇，其中SCI收录50余篇，包括在放射学领域最权威的杂志,《Radiology》上发表两篇论著。

东南大学附属中大医院放射科主任 居胜红

居胜红现任东南大学附属中大医院放射科主任、东南大学医学院副院长。她还是中国放射医师协会常委、江苏省放射学会常委及其腹部专业委员会主委，亚洲腹部影像学会执委。

居胜红是国家杰出青年科学基金获得者，国家“万人计划”科技创新领军人才，国自然创新群体骨干。东南大学二级教授、首席教授，主任医师、博导，东南大学医学院副院长、附属中大医院放射科主任。

长期从事临床影像诊断工作并开展科学研究，获科技部重点领域创新团队、国家自然科学基金创新团队、第十五批“六大人才高峰”创新团队等荣誉称号。获国家科技进步二等奖、教育部科技进步一等奖、中华医学科技三等奖、江苏省科技进步二等奖等。获江苏省“333工程”第二层次人才、“科教兴卫工程”医学重点人才并荣获杰出人才奖、江苏省“六大人才高峰”、中华放射学会年度金奖等荣誉。

福建医学大学附属第一医院影像科行政主任 曹代荣

曹代荣现任现任福建医学大学附属第一医院影像科行政主任，福建医学大学附属第一医院医学影像学教研室主任，兼任福建医科大学医学影像学系副主任，福建省医学影像与核医学专业医师培训基地负责人。

此外，担任中国医学影像技术研究会理事，中国医学影像技术研究会放射学分会委员，福建省医学会放射学分会侯任主任委员，福建省口腔医学会常务理事，福建省口腔医学会口腔颌面放射专业委员会主任委员，福建省抗癌协会肿瘤影像专业委员会副主任委员。

从事影像诊断工作27年，擅长中枢神经系统疑难病例的影像诊断，共发表了30多篇第一作者或通讯作者的医学论著，2007年和2011年度被评为福建医科大学优秀教师。主持福建省自然基金课题2项、福建省卫生厅医学创新基金1项、福建医科大学教授发展基金1项。

河南省人民医院影像科主任 王梅云

王梅云现任河南省人民医院影像科主任，河南省医学影像中心主任。

作为首批入选爱思唯尔国际影像数据库中国知名放射学专家，王梅云担任国际医学磁共振学会(ISMRM)的中国区副主席、程序委员会（AMPC）委员、MR Value Initiative委员会委员、Chapter委员会委员、女子委员会委员等。同时，担任北美放射学会委员、国际神经血管疾病学会委员河南省放射学会副主任委员等，国际权威SCI期刊Scientific Reports杂志编委、Radiology等多家杂志审稿专家。

主持国家自然科学基金重点国际合作项目1项、国家重点研发计划政府间合作重点专项1项，均为河南省零的突破，主持其他国家自然科学基金项目3项、省杰出人才、省杰出青年等省部级项目6项；发表论文60余篇，其中SCI论文40余篇，被引用900余次，且论文入选全球TOP 1% ESI高被引论文；获省科技进步奖4项；主编《医学影像专业英语教程》1部，参编专著8部。

华中科技大学同济医学院附属同济医院副院长 朱文珍

朱文珍现任华中科技大学同济医学院附属同济医院朱文珍副院长，中华医学会放射学分会神经学组副组长，《Radiology》审稿专家，《临床放射学杂志》《放射学实践》副主编，《中华核医学与分子影像学杂志》编委。

她曾长期从事MRI、CT影像诊断工作，对神经头颈五官疾病具有丰富的临床经验，在脑血管病、肿瘤、脑白质病、脊柱脊髓、儿科神经等领域研究较深。曾在德国从事博士后研究。牵头主持科技部“十二五”支撑计划1项、主持国家自然科学基金重点项目1项，面上项目5项、973及 863子课题各1项。在《Radiology》《Journal of Magnetic Resonance Imaging》等发表SCI论文40余篇。主编《功能性磁共振诊断》，副主编教材3部，曾获华中科技大学三育人奖。

今年六月，朱文珍教授的《集成磁共振结构与功能成像在脑发育和衰老相关疾病的应用创新》正式获得湖北省科技进步奖一等奖。

广东省人民医院放射科主任 刘再毅

刘再毅现任广东省人民医院放射科主任，国家自然科学基金杰出青年科学基金获得者，广东省杰出青年医学人才。

他一直致力于医学图像大数据挖掘、影像人工智能研究。近5年来，以第一或通讯 （含共同） 作者发表SCI论文50余篇。

申请影像和数字病理图像人工智能分析发明专利13项，其中授权8项；软件著作权登记7项。先后主持国家杰出青年科学基金、科技部重点研发计划课题、国家自然科学基金面上项目、广东省2020-2021人工智能重大专项等多项基金，累计获资助金额近2000万元。2018年获中华放射学会“杰出青年奖”；2020年以“肿瘤影像组学创新技术及应用”的成果获得广东省科技进步一等奖（第一完成人）。

2021年9月，在被选举为中放常务委员之前，刘再毅被正式当选为广东省医学会放射医学分会新一届候任主任委员。

推荐阅读：《影像科刘再毅教授自述：为什么我是AI医疗的「旁观者」？》

空军军医大学第一附属医院（西京医院）放射科主任 郑敏文

郑敏文现任空军军医大学第一附属医院（西京医院）放射科主任，医学影像学教研室主任。

先后发表中文论文200余篇、SCI论文36篇；参与撰写心血管影像中国指南/专家共识6个；先后承担国家及省级以上课题8项，经费累计260余万元；荣获陕西省科学技术二等奖2项（均为第一完成人）、陕西省高等教育教学成果一等奖1项；副主编或参编国家级教材8部，其中2部为全国高等学校放射诊断与治疗学专业研究生规划教材。

此外，郑敏文还在担任中华医学会放射学分会心胸专委会委员、中国医师协会放射医师分会心血管影像专委会委员、中国医学装备协会CT技术专委会常委、陕西省医师协会放射医师分会副主委、陕西省抗癌协会影像专委会常委、陕西省医师协会放射医师分会副会长、西安市放射学会副主委等职。

兰州大学第二医院放射影像科主任 周俊林

周俊林现任兰州大学第二医院远程医疗会诊中心放射影像科主任，甘肃省医学会放射专委会主任委员，甘肃省放射医学质量控制中心主任，中国医师协会放射医师分会常务委员，中华医学会放射学会神经学组副组长，中国医师协会放射医师分会神经影像专委会副主任委员等职。雷锋网雷锋网

他曾先后发表CSCD、SCI等论文120多篇，完成科研20多项，科研获奖17项，主编5部著作，担任多部杂志编委。近日，周俊林主持的“能谱CT的临床应用及技术创新”获得了2021年度甘肃医学科技奖一等奖。

谁能成为医学影像AI行业的上市第一股？从目前的进度来看，结果已经非常明显。

雷锋网消息，北京鹰瞳科技发展股份有限公司（Airdoc）(以下简称：鹰瞳科技）日前已通过港交所聆讯，并于9月22日晚间在港交所官网披露通过聆讯后的资料集，择日将正式启动招股并主板挂牌上市，瑞银集团和中信证券担任联席保荐人。

港股IPO流程一般包含递表、聆讯、路演、招股、公布配售结果和挂牌上市这几个阶段，需要3-6个月完成。6月21日，鹰瞳科技递交了招股书，按照这个周期来算，鹰瞳科技是实现了最快速度的获批。

而在通过港交所聆讯后，企业的上市进程将会进一步提速：参考去年京东健康从通过聆讯到最终上市，花了23天，医渡科技则是33天。

六年创业路，一朝梦终成。在医疗AI市场愈发成熟和稳定的今天，我们要思考一个很重要的问题：为什么会是鹰瞳科技率先上市？它做对了哪些事情？

好的定位对一家公司的重要性

对于一家创业公司来说，市场定位和策略选择非常重要。

鹰瞳Airdoc创始人张大磊曾表示，我们对自己的定位是做每个人的人工智能，而不是只有大专家才能用得着的人工智能。

“之所以把公司名字取作Airdoc，也是希望好的医疗服务像空气一样，让每个人都能拥有。同时，也希望鹰瞳Airdoc的产品成为一个人生活中必备的部分。”

成立于2015年的鹰瞳科技，是中国首批提供人工智能视网膜影像识别的早期检测、辅助诊断与健康风险评估解决方案的公司之一。

所以，这也就决定了，鹰瞳科技与其他面向三甲医院放射科的医学影像AI公司的不同——除了面向院内眼科、体检科、内分泌科、心血管科、神经科等场景，还有更广大的院外大健康场景。

根据弗若斯特沙利文数据，人工智能视网膜医学影像市场规模预计自2020年的7600万元增至2030年的340亿元，2020年至2030年的年复合增长率超80%。

而大健康场景中，人工智能视网膜医学影像尚有大量需求未被满足，预期2020年至2030年将以90.7%的年复合增长率，较医疗健康场景更快速地增长。

大健康场景包含了哪些？

除了医院，社区诊所及体检中心，保险公司、视光中心及药房等均包含在内。另外，疗养院、企业诊所等也会是未来的预期场景。

数年前起，不少医疗AI厂商曾表示，希望将产品从院内拓展到院外的基层和大健康场景中。

但是，从定位（主要基于CT等开发AI产品）来看，他们的产品天然倚重于院内影像科、心内科等科室。而在广大的基层地区，低端的CT、X光、超声等设备是主流，想要在基层地区扎根，技术难度不小。

相反，在乡村卫生院、社区诊所、药房甚至是企业诊所等机构里，有一台十多万的眼底照相机并不难。

针对不同型号相机的成像特征，鹰瞳科技解决了算法模型在不同相机上的泛化问题，适配市面上几乎所有主流相机。这点对于产品的推广和覆盖来说，至关重要。

其次，在眼科界有这样一句话，“眼底一张照，慢病早知道”。通过一张眼底照片，不仅能及时发现眼底疾病的改变，也有利于提前发现一些全身疾病。

这就决定了聚焦视网膜AI领域的鹰瞳科技，其产品不单是单一疾病的筛查，还能实现对各种疾病和病变的综合辅助诊断，评估全身性的健康风险，因而具有更深刻的应用价值和更广阔的应用场景。

这其中，最具有代表性的疾病就是糖尿病视网膜病变（以下简称糖网），糖网AI产品也是鹰瞳科技率先获批的三类证产品。

从需求来看，中国有1.144亿糖尿病患者，其中21.4%-27.29%的患者在工作年龄期间便发生糖网。所以，糖网病变筛查具有体量大、优先级高两个特点。

而AI眼底医学影像的优势在于，它既不需要跨越三五年甚至更长时间的病历资料积累，也不需要抽血化验及大型仪器的全身扫描，仅需单次拍摄，就能反映患者大部分的病情状况。

所以，从一开始，鹰瞳科技就避免了同质化竞争，在一个前景广阔的多层次市场里扎根了下来。

好的产品和态度，才能构建护城河

有了好的市场定位，下一步就是要有好的产品来支撑。

根据招股书显示，鹰瞳科技的产品线包括三大部分：用于检测及辅助诊断的人工智能医疗器械软件（SaMD，Software as Medical Device）、健康风险评估解决方案和独有硬件设备。

鹰瞳科技的核心产品为Airdoc-AIFUNDUS，属于第一部分。

Airdoc-AIFUNDUS (1.0)就是鹰瞳科技的主打产品，用于辅助诊断糖尿病视网膜病变，是同类产品中首个获得国家药监局三类证的SaMD。

鹰瞳科技为什么能够率先取得三类证？

首先，鹰瞳科技自建了一个庞大优质的视网膜影像数据库，包含了真实世界用户视网膜影像和相对应的约370万多模态数据。有了这个数据库，鹰瞳科技可以持续开发和优化深度学习算法，从而精确识别慢性病相关症状。

从反馈结果来看，在招募1000名患者的多中心临床试验中，Airdoc-AIFUNDUS (1.0)显示出91.75%的敏感性和93.1%的特异性。

目前，只有IDx-DR和EyeArt是仅有的两款获得FDA批准的同类产品。而医疗AI市场同样会遵循“二八市场”的规则，在行业发展初期就占据一席之地，那么未来就更有可能实现滚雪球效应。

Airdoc- AIFUNDUS (2.0)则旨在辅助诊断高血压性视网膜病变、视网膜静脉阻塞与年龄相关性黄斑变性，计划于2021年10月开始多中心临床试验，并于2022年第二季度申请国家药监局的新适应症注册批准；

Airdoc-AIFUNDUS (3.0)则旨在辅助诊断病理性近视和视网膜脱离。

在技术实力的储备上，鹰瞳科技在中国拥有148项专利及专利申请，包括35项获授专利及113项专利申请，以及6项已发布专利合作条约（PCT）申请，其中22项专利及专利申请以及两项已发布PCT申请与核心产品有关。

根据招股书，公司在《柳叶刀》系列，《英国眼科学杂志》及《英国皮肤病学杂志》等权威同行评审科学期刊，及在一些颇具影响力的人工智能学术会议（例如MICCAI）上发表了超过20篇论文。

这些学术成果，印证了鹰瞳科技的研发实力和对行业知识的深度理解，大大提升了医生对AI产品的认同与参与开发程度。

在SaMD之外，健康风险评估解决方案和独有硬件设备，是鹰瞳科技的另外两条产品线。

健康风险评估解决方案旨在为用户提供基本的健康评估，有助于检测风险指标。目前，该解决方案已服务于包括体检中心、社区诊所、保险公司、视光中心及药房在内的多元化健康场景，并已产生十分可观的收入。

便携硬件设备则主要包括三款自主研发的眼底相机，这些设备与辅助诊断SaMD和健康风险评估解决方案兼容，使得公司能够提供无缝结合硬件和软件的综合医疗健康解决方案。

今年前3个月，销售硬件设备这部分业务，就有了202.2万元的收入。

在国内，绝大多数的医疗AI公司只专注于软件和算法的开发，像鹰瞳科技提供软硬件一体化解决方案的公司屈指可数。这样做的好处，是可以实现规模经济，进一步降低成本。

雷锋网了解到，去年鹰瞳Airdoc产品共检测了200多万人次，这其中临床科室和体检等医疗机构的贡献最大。

此前接受采访时，张大磊也坦言，“今年，我们的目标是1000万人次，这个目标对硬件铺设形成了挑战。”但随着后续硬设备的产能提高，筛查成本以及筛查的人数都将有更明显的变化。

鹰瞳科技还正在开发用于病理性近视及视网膜脱离的Airdoc-AIFUNDUS (3.0)，以解决中国日益增多的近视及视力问题（尤其是年轻一代），并计划于2022年10月开始多中心临床试验并于2024年上半年申请国家药监局的新适应症注册批准。

可以看到，围绕眼科疾病，鹰瞳科技进行了非常多的管线布局。

这也是它有别于行业的一大特点——做“专”和做“精”，类似于练武，少林72绝技都会一点的人，不一定能胜过一种武功练20年的人。

丰富的玩法，才能走的更远

有了定位和产品，最后是找到一套好的商业模式。

如今这波AI热潮，其实就像团购兴起的那个时候。医疗AI行业也应该如此。谁能最快进行商业化，而且是有利润、高质量、可复制的商业化，谁就能活下去。

正如上文所说，多数的医疗AI公司对院内影像科室的依赖明显。如果要面向基层场景，是拥有几百、上千万元CT的机构多，还是拥有十多万元甚至更便宜的眼底相机的多？

另一方面，糖网筛查已在医院收费目录之中，AI企业能够从医院分成。

据券商中国2018年的一份数据显示，重庆单眼检查价格为33元，广州单眼检测价格为40元，单日的检查总量可达5000例，其中企业分成比例约为50%。也有的地区体检项目中增加了糖网筛查，糖网AI企业能分到10元左右。

相比之下，CT检查的基础价位在200元到300元左右，如果在此基础上探索“CT+AI”产品进入收费目录，落在患者身上的成本更大。

当然，眼科检查和影像科检查本不具有太多的可比性，但是从消费心理来说，患者更愿意在300元还是40元的基础上，为AI产品付费？

从整个AI赋能医疗影像的生态看，患者是核心，医院、社区、体检等机构则是服务端口的上游，而下游还有药品、其他服务机构、支付方、保险等。

在院外场景中，鹰瞳科技的一条商业线是和保险挂钩。例如，鹰瞳科技与平安保险、中国太平洋保险、中国人寿、太平人寿保险和新华保险等商业保险公司合作，健康风险评估解决方案已应用于28个省份的保险公司分支机构，并覆盖超850家视光中心和超100万人次。

通过与健康险公司合作，将更多的疾病筛查服务包含在企业提供给员工福利的体检服务里等，可以帮助保险公司控费，从而让医疗AI公司在其中得到分成收入。

截至招股书披露日，平安医疗科技持716.97万股公司股份，持股比例达8.82%。复星国际通过亚东北辰持1027.25万股公司股份，持股比例达12.64%。

此外，搜狗、中信证券、礼来亚洲、清池资本及OrbiMed此前均参与投资鹰瞳科技。

平安、复星国际这些股东，不仅可以从资金层面给予支持，更可以从商业合作的角度帮助鹰瞳科技成长。

自2018年起，鹰瞳科技开始与体检机构爱康国宾合作，截至最后实际可行日期已在超140家爱康国宾体检中心推行人工智能解决方案。

2019年，鹰瞳科技联合眼镜业的星创视界（旗下宝岛眼镜）、以色列视光高科技厂商Visionix、顶尖医疗器械厂商台湾明达医学和苏州帮桥，宣布开展五方战略合作，将AI筛查从眼底照相机延展至自动多功能综合检眼仪、数码裂隙灯，并在星创视界旗下宝岛眼镜率先引进600台AI赋能眼底照相机、100台AI赋能数码裂隙灯、100多台AI赋能综合检眼仪。

从医院到体检中心，从保险公司与视光企业，鹰瞳科技的“玩法”显然更加丰富。

2019年度和2020年度，鹰瞳科技的收入分别为3041.5万元和4767.2万元，增幅高达56.7%。毛利率从2019年的53%上升至2021年前三个月止的66.6%。随着公司市场份额进一步扩大，毛利率仍有进一步提升的空间。

营收稳步增长，毛利率改善明显后，鹰瞳科技的客户数量也从46位增长至85位，近乎翻倍，一切都在正确的道路上，不断加速。

结语

自创业大潮掀起以来，医疗AI行业承载了太多的期望，也承受了太多的质疑与非议。在商业化问题上，似乎人人皆可言及一二。

实际上，纵观已经递交招股书的四家医疗AI企业，实现数亿级别收入已经不是一个遥远的梦想。

对于这些心怀梦想的创业者来说，上市从来不是一家企业的终点，而是会带来更多的机遇、面向下一个更高的目标。作为医疗AI行业的领跑者，期待鹰瞳科技在资本市场登陆后，在新产品的注册审批、市场客户的扩展等方面进一步发展。

从数十家企业的“集体智慧”和“群策群力”，到如今的四大“准上市企业”，医疗AI走到今天已经殊为不易。

在目前没有太多参考样本的情况下，鹰瞳科技的招股书似乎值得人们多读几遍。毕竟，创业大潮逐渐褪去后，鹰瞳科技将是第一个站在浪头上的人。雷锋网

据外网报道，GSK公司将有10名人工智能专家和10名肿瘤学专家一起在他们的实验室进行讨论，来提高临床决策和改善治疗及结果。

据雷锋网了解，该癌症治疗方法是在治疗过程中密切观察患者，了解某个细胞多久会对治疗产生耐药性或治疗后复发的时间，将得到的数据传输给制药商，开展个性化治疗模块。截至目前，每5名患者中有1名患者对新药有反应，新药可以增强机体对癌细胞的免疫反应。

国王学院的副总裁Richard Trembath教授表示：“这是个令人振奋的合作，将产业界和学术界的专业知识结合在一起，提高改善癌症的潜力。” 

此次合作将将侧重于研究实体癌症，并使用GSK生产的药物来观察它们对细胞的功效。在人工智能的帮助下，研究人员将能够监测某些生物标记或其他迹象，能够更准确地预测癌细胞的下一步移动，这将使患者受益，因为可以避免癌症复发。 

同时，国王学院综合癌症中心负责人Tony Ng教授补充说，癌症治愈后的复发率非常高，医生会为这些患者制作“数字化双胞胎”，测试不同的治疗方法以获得更好的成功。

“数字化双胞胎”是指以数字化方式拷贝一个物理对象，模拟对象在现实环境中的行为，对产品、制造过程整个进行虚拟仿真，从而提高产品研发生产效率。 

癌症中心团队正在将患者与双胞胎结合起来观察，并把得到的信息反馈给临床试验或临床管理算法，“数字化双胞胎”不仅会告诉我们哪个患者有高风险，还会告诉肿瘤学家应该怎么做。 

据雷锋网了解，由于大量的数据可以通过人工智能准确的计算出来，该AI算法可以帮助肿瘤学家了解癌症，是否有可能扩散到身体的其他部位，以及确定细胞是否正在抑制免疫系统，团队将尝试开发一种“多模式监控工具”来确定这些疑问。

没有三类证的医疗AI公司，犹如怀有一身教学绝技，但没有在校内教学资格的老师。纵使本事不小，也上不了台面，更赚不了钱。

数据显示：截至今年，陆续有15款AI产品通过了NMPA（国家药品监督管理局）的审批。

科亚医疗、Airdoc、联影智能、汇医慧影、致远慧图等主流医疗AI企业，纷纷拿到了属于自己的那张三类证“入场券”。

从产品最初立项研发，到收到NPMA的审批公告，各个医疗AI企业都经历了哪些难关和挫折；他们又是如何在一片空白的前提下，从零完成质量体系搭建、反复优化通过临床试验？

每一张不同类型、不同赛道的AI三类证，又将创造出多大的商业价值？

从9月13号开始，雷锋网《医健AI掘金志》邀请到科亚医疗、Airdoc、联影智能、汇医慧影、致远慧图等医疗人工智能三类证获批企业，分享获批产品背后的审批经验、得失及未来商业化探索。

作为此次云峰会的演讲嘉宾，科亚医疗研发VP曹坤琳，以《AI医疗三类证首证的获批经验分享及一年变化》为题，进行了演讲。

曹坤琳表示：因为医疗AI是数据驱动的工程技术，所以数据收集和数据库的建设，在资格认证和产品开发中都尤为重要。

其中深脉分数在2017年前瞻性试验过程中，就曾遇到被药监局要求收集更多的数据，进行更大规模临床试验来证实算法有效性的情况。

所以即使产品已经完成研发，科亚医疗在认证过程中，也一直都把数据集构建，列为了其中的一个重心，围绕数据采集，预处理，数据标注，数据集划分这四个药监局规定的步骤来改变软件开发的质量。

以下是演讲的全部内容，雷锋网《医健AI掘金志》做了不改变原意的整理和编辑：

大家好，我是科亚医疗曹坤林。非常感谢各位今天抽时间来参加今天的分享。

下面，由我来介绍一下科亚医疗在AI医疗产品研发、合规性建设上的一些工作成果及体会。

首先，我将简单介绍一下科亚医疗和首个AI三类证的产品———深脉分数；

然后结合这个产品，谈一下我们在合规性，尤其是对AI产品开发至关重要的数据集建设方面的工作；

最后，我将介绍一下科亚医疗目前的产品发展和未来规划。

科亚医疗致力于用AI技术赋能医疗数据，为患者、医疗机构、研究机构提供精准医疗服务。

我们的AI辅助医疗决策系统，主要提供临床所需定量指标，助力实现对疾病的早期筛查、精确诊断、以及为患者制定个性化的治疗方案。

心血管精准医疗的AI策略

很多心血管疾病，例如冠心病，主要是由动脉粥样硬化引起血管狭窄，进而导致供血不足所引发。目前，临床上也越来越重视结合解剖学狭窄和功能学缺血两方面的信息来进行综合评估。

解剖学狭窄评估的金标准是冠脉造影，功能学缺血评估的金标准则是血流储备分数———FFR。

具体介绍之前，我们先来分享一个什么是FFR？

FFR即病变狭窄远端与主动脉的平均血流压力比，这个比值是一个介于0~1之间的值，缺血越严重，比值就越小。

《中国经皮冠状动脉介入治疗指南（ 2016 ）》提出，当病变直径狭窄小于90%时，就建议对FFR小于等于0.8的病变进行干预。

这就是一个结合结构学、功能学两方面信息的精准诊疗策略。但无论冠脉造影，还是FFR导丝测量都是在导管室完成、是有创过程，这样就不适合对患者进行早期筛查和多次复查。

目前，对冠心病的筛查和复查是临床上采取的主要手段之一，医生以冠脉CT检查狭窄大于50%作为梗阻性的狭窄标准，并以此确定该患者是否需要进一步导管室检查。

冠脉CT是无创的检查手段，费用相对较低，敏感性也高，但它存在一个主要问题：检查结果只有结构学的评价，没有功能学评价，特异性较低。

临床研究发现，很多病人CTA狭窄大于50%，进到导管室后却发现FFR大于0.8，没有显著功能性缺血，故而没有必要进行后续介入治疗。

所以，单纯以CTA显示狭窄程度作为参考标准，可能会造成很多不必要冠脉造影，带来不必要手术风险、医疗花销。

在这种背景下，无创CT-FFR技术应运而生，为冠脉CTA赋予新能力，让它能够提供功能学评估。CT-FFR的主要应用场景是在冠脉造影术前确定，是否从介入治疗当中获益、而只需要采用药物治疗的病人，从而帮助他们避免不必要的冠脉造影术，避免不必要的风险和花费。

目前， CT-FFR有几种不同实现路径，总体来说分为两大步：第一步，从冠脉CT当中提取血管树结构，进行3D建模；

第二步，从影像学到功能学，用不同技术手段实现CT-FFR，计算得到全数FFR值，CT-FFR在临床中主要应用于狭窄在30~90%之间的稳定冠心病患者上，来帮助医生在进行介入治疗或其他治疗方案上决策提供功能学指导。

临床研究表明，采用CT-FFR技术可以避免大于60%的不必要有创冠脉造影，降低大于30%的医疗费用。

另外，从长期的随访来看，CT-FFR还可以帮助改善治疗效果。所以这项技术在世界范围内的很多国家和地区都得到了推荐，写入指南，进入医保。 

科亚医疗研发的“深脉分数”产品，就是一款基于人工智能的CTFFR评估软件。通过冠脉CTA进行无创快速的FFR分析，大幅提高基于CTA影像诊断冠心病路径的特异性。

深脉分数既可以适用于普通人群的体检、高风险人群的筛查，也可以在患者的复查等不同场景发挥作用。并且，由于深脉分数采用的是AI技术，所以它可以帮助我们提升CT-FFR计算的分析速度和计算精度。

深脉分数运用自主研发的深度神经网络，在不同分辨率的图像上对血管结构进行筛选优化提取，自动重建出冠脉结构模型。

临床实验结果显示，深脉分数的准确度与“金标准”导丝测量的FFR结果是高度一致的，并且优于采用CTA、ICA这类仅靠结构学狭窄进行病变严重程度评估的诊断手段的性能。

作为唯一一款基于深度神经网络的CT-FFR产品，我们的深脉分数，它的关键临床指标如准确性、敏感性、特异性等，都优于以“HeartFlow”为代表的世界一流水平。基于AI深脉分数，可以用于评估血管树上任何一点的FFR值。同时，它不需要额外药物成像或是有创手段，因此具有智能、全面、安全的特点；另外，深脉分数准确度高、处理速度快（计算时间小于10分钟），可以应用在早期筛查和多次复查中，帮助避免不必要造影术及FFR导丝开销，这样的AI无创技术可以带来显著的社会经济效益。

因此，深脉分数获得了国内外的认可，于2018年获得了CE认证，在2020年1月获得了国家药监局的审批，是国内首款获得NMPA和CE认证的人工智能三类医疗器械产品。在这里需要强调的一点是，深脉分数不仅仅能够提升现有医疗水平、医疗手段的效率，更是为临床提供了一个全新的诊疗方案：无需造影检查、无需压力导丝。

深脉分数的合规认证策略

深脉分数，在AI医疗领域这么多的AI医疗软件的注册过程中，能够一马当先地率先进入到创新通道，并且成功获得人工智能医疗器械三类证，除了证明技术创新优势之外，更是产品的合规性建设工作密切相关。

在产品研发的初期，科亚首先进行需求分析，深挖行业现状与痛点，结合临床指南，明确以提高CTA诊断冠心病特异性为切入点，运用AI技术开发一款无创、精准、高效的CT-FFR产品，提供创新型的血管功能检测手段。

根据明确的应用目标、适用范围制定了产品性能评价方法和指标，尤其关注准确性、稳定性等方面的表现，并对开发数据集多样性、充分性提出要求。

这些需求分析为我们接下来的数据收集、算法设计、产品验证工作提供了明确的指导方向。在产品的研发过程中，科亚医疗还持续建设质量管理体系，按照国家药监局颁布的《深度学习辅助决策医疗器械软件审评要点》的要求，严格规定每一个步骤使用什么样的工具和输入材料，在怎么样的流程规范和质量控制下，产出什么样内容。

深度学习因为是数据驱动的工程技术，因此数据收集工作在深度学习医疗产品的开发中尤为重要。下面我们就数据集建设工作，结合产品进行详细分享。

深脉分数数据集建设经验

第一，数据次采集和入组，目前临床操作规范，提出了关于冠脉CT和FFR数据的采集要求与入组协议。

同时，明确数据质量评估标准，以保证数据质量都能满足后续预处理步骤要求；之后，采集的所有数据都在医院内完成脱敏，这样就形成我们原始数据库。

第二，原始数据库清洗、逐个检查，把重复、不合格的数据剔除掉；而合格数据进行编号，形成基础数据集。
在这个过程中，逐个检查，剔除重复或不合格数据；对合格的数据进行编号，以形成基础数据集。同时我们对样本来源机构、采集设备、扫描参数、人口基线、病变分布等等信息进行统计，保证数据集多样性和充分性。

第三步，数据标注，这一步非常关键，直接影响模型训练的质量。

在这个过程中，我们首先要制定标注和医生选拔培训考核标准，明确标注使用软件和流程、医生审查标注结果需要注意的规范；

同时，保证记录每一个数据标注、过程和人员做到可追溯，在这样严格规范和质控下，我们就构建出了高质量标注数据库，保证后续算法开发有效性。

第四，提出数据集划分方法和划分比例，将数据标注数据库划分为训练集、调优集和独立测试集。需要注意的是，划分后训练集要保证它的样本分布尽可能地均衡，而调优集和测试集则需要重点保证它的样本分布，尽可能地符合临床实际情况。

这样就完成从原始医疗数据，到构建AI算法开发所需的各个数据子集的建设工作，在这个数据收集过程中，我们对各项风险的分析贯穿始终。

逐项分析参与人员、使用工具、处理流程对我们输入的原始数据和输出的各个数据子集可能带来的影响，从而及时采取风控措施，来保证构建数据集的完全安全和可靠性。

数据集建设会直接影响到我们算法的性能和软件的使用风险，所以需要高度的重视。同时，我们需要把基于风险全生命周期管理体系合理应用在整个开发流程当中。

基于合理的数据集，我们研发了专有的CT-FFR技术，在保证产品有效性的同时，筑建自身技术壁垒，为产品在海内外的运用推广提供保障。

任何的 AI医疗产品，它最后的价值都会落实在临床使用上。那么深脉分数作为一款创新型AI医疗服务产品，一来可以帮助患者减少不必要的手术；二来对于医院来说，可以提高手术资源的使用效率，使进到导管室的患者基本都是阳性患者，所以深脉分数得到了国家药监局的认可，也首个获得了AI三类证。

由于深脉分数是一款创新型AI医疗服务产品，所以我们率先并积极地推进它的物价审批工作。目前，我们已经获得了北京、河北、安徽、山东、江苏、浙江、云南7个省市的物价收费编码，实现了AI医疗服务面向患者收费的通路。

此外，还有10余个省份的物价收费编码的工作即将完成审核。希望真正让AI技术落地，在临床上带来它增效提速的效用。 除了CT影像外，科亚医疗也凭借强大的研发能力，针对心血管诊疗的问题，布局了从筛查、诊断、治疗到随访的全流程产品服务体系。

 这里面包括影像结构分析、影像功能分析，涵盖了软件、硬件以及耗材领域。我们把它们有机融合起来，为临床各个环节的需求提供解决方案，助力实现AI医疗产业链健全。

从冠脉产品管线开发出发，我们也在积极地布局其他管线，像在脑血管影像科等多个临床科室一级科室，也在拓展覆盖从筛查、诊断、治疗到随访的全过程的产品。

除了智慧心，还有智慧脑、智慧影像、智慧肺等等，对这些产品线我们都强调针对单病种、全流程进行服务。

问答环节

雷锋网：金标准数据集有多大规模？

曹坤琳：刚刚也有提到，算法开发分为两个部分，一个是结构分析模块，另一个是功能分析模块，每个模块所使用数据是不同的。

例如，结构分析模块主要基于冠脉CT进行分割，这个数据集规模就比较大。第二部分是功能分析模块，这部分要求有金标准FFR数据，大家也知道FFR数据收集起来并不那么容易，但我们也收集了大量含FFR的数据。

雷锋网：深脉分数与其他产品的差异点在哪？其技术难点又有哪些？

曹坤琳：与市场上很多基于影像结构的分析产品不同，深脉分数主要提供功能学的检测手段，也是我们跟很多其他产品可能不同的点，这是一种全新检测手段，所以技术门槛也比较高。

技术难点上主要是分为两个环节，一是如何精准地重建冠脉，二是如何实现从影像学到功能学的计算模块。

这两个部分我们都是基于深度神经网络来进行开发的，对冠脉精准重建，我们使用 End to end深度卷积神经网络进行多分辨率，从粗到细血管重建，我们重建的血管直径最小可以达到一毫米左右。

功能学上的计算我们所采用的是树形生成的双向长期递归神经网络，这也是获得了专利授权的。

通过结合影像学、结构学、生理的特征来对深度神经网络进行训练，从而得到结构学和有创冠脉功能学之间FFR关系模型。

这个模型既考虑了我们局部的影像学和结构学的特征，同时也通过树形的网络结构来捕捉了上下游之间的血流关系，从而能够保证精准的计算。

刚刚也提到，其实包括HeartFlow以及国内一些其他厂家他们研发的CT-FFR产品所采用的方法跟我们是不太一样的。我们是现在唯一完全采用Deep Learning进行开发的CT-FFR产品，而像HeartFlow之类的其他产品，则采取的是传统CFD技术，也就是计算流体力学。

这之中就有一些区别，像基于深度学习的深脉分数扩展性非常强，并且在训练的时候可以结合很多不同模态的多元数据来进行模型的优化。

比如说我们可以结合冠脉造影的金标准来进行模型的优化训练，同时可以学习很多不同的案例。而传统力学CFD方法，不需要很多案例就可以开始做，因为它主要是一种公式的计算，它是在扩展性以及对个体差异性衡量上做的不那么好。

深脉分数是基于AI开发的，所以它的强处在于通过足够的数据进行训练之后，能够捕捉到个体的差异性，同时适应不同病例自身的差异化。

随着数据量的不断增加，深脉分数的最终性能、效果以及准确度都能够得到进一步的提升，而基于传统方法所开发的产品就会受到一定的局限，数据增多对其产品性能的提升影响不大。

当然我们刚刚提到整个训练过程中还需要大量的数据，但这是在线下进行的，训练好之后，它在线上的应用就非常得快，新病例来了之后能够非常快地得到结果，像我们的FFR计算基本上是秒级的，所以是非常高效的。

总结来说，深脉分数区别于其他产品的关键点在于它是完全基于AI的智能技术来进行开发的，所以它具有扩展性强、高效、精准的优势。

那么，我们也围绕着核心技术申报了超过100项的国内外专利，以形成我们自身的专利技术壁垒，这也是对我们独特、创新的技术开发工作的一种体现和肯定。

雷锋网：除了深脉分数，还有哪些AI产品正在认证过程中，他们有什么技术上的差异？

曹坤琳：除了深脉分数，我们实际上已经开发完成了一条完整的心脑血管疾病的产品线，覆盖了筛查、诊断、治疗到随访的全流程。

除了CT-FFR已经获得认证之外，正处于认证过程中的，还有深脉灵析的智能辅助诊断系统、基于DSA的 FRR分析的深脉造影分数、深脉智能的血管介入手术方案规划及导航，以及深脉血管介入机器人，这是应用在手术导管室里的，还有深脉震波球囊等10多款产品帮助我们形成一个临床的诊疗闭环，充分增加临床诊疗对AI技术产品的使用年限。

以上产品的应用领域不同，有的是用于检测，有的用于做分割，有的做tracking，有做手术planning，所以使用的技术肯定是有差异的，但我们产品都是基于AI技术研发。

雷锋网：作为首个获得认证的产品如何与药监局评审专家进行沟通？

曹坤琳：除了是首证，也是首个进入创新通道的医疗器械软件产品，所以也是非常感谢药监局的工作人员和专家的指导与支持。

我们大概历时三年来研发了这么一个产品，因为起步较早，起初深度学习软件的审评要点还没有发布，也没有同类产品来作为参考，因此走了一些弯路，但通过创新渠道，我们得到了主管部门的悉心指导和支持。

在多次审评小组的沟通会上，审评小组指出了我们的产品所存在的问题，为我们召开了专家会，专家们对我们的产品临床应用方案提出了非常重要的建议。

这些意见和建议对我们产品的申报以及最终通过审批起到了非常大的指导和帮助作用。创新通道增加了很多我们跟药监局交流的机会，药监局帮助我们多次组织专家审评会，由各行各业的专家一起为这个产品提建议。

雷锋网：数据集的构建工作上有哪些可以分享的技术经验？

曹坤琳：数据集构建四个步骤，其实也是药监局提出的四个步骤，每一步都会直接影响到软件最后的开发质量。

第一，数据采集。我们主要需要制定采集要求和入驻协议，决定最后产品适用范围。

第二步，预处理。需要注意对亚组分析来进行统计，像人口基线、病变分布、采集设备等信息要在这个步骤完成统计，从而保证我们开发数据的充分性和多样性。

第三步，数据标注。关键在于制定好技师和审查医生之间考核标准、培训标准，保证不同人标注之间的一致性，这样才能保证后续算法开发的准确性和稳定性。

第四步，数据集划分。测试集样本分布是否符合临床实际情况，训练集可能会有较多的unbalanced数据，我们需要通过测试集来把控训练出来的结果。

风险分析也十分重要，哪一个操作可能会带来什么风险，我们通过什么样方法来解决，技术手段上如何防止过拟合等，通过什么技术手段来控制这些风险，这些都要进行分析。

雷锋网：数据集是试验前采集的还是试验中采集的？

曹坤琳：我们一共完成两个临床试验，2017年我们首先完成了一个前瞻性的试验。在与药监局沟通的过程中，对方希望我们能够做一个更大规模的临床试验，以收集更多的数据来证实我们算法的有效性。

2019年我们又完成了一个回溯性临床试验，有更大规模数据量，因此我们的临床试验既有前瞻的又有回溯的。

雷锋网：产品研发逻辑和布局是怎样？

曹坤琳：在筛查诊断方面，我们刚刚提到结构学和功能学两方面进行综合评价，在两个方面上都提供产品。像深脉灵析作为结构学上的分析产品，能够分析狭窄、斑块，尤其是斑块，因为冠脉的病变其实主要是由斑块引起的，主要强调结构学上的分析。

而深脉分数强调在功能学上的分析，这两者结合起来就是一个非常完备的无创基于CTA诊断冠心病的分析。深脉造影分数是导管式的基于DSA进行FFR计算，就无需导丝测量，分钟级即可获得结果。 

在治疗方面帮助医生介入手术方案的规划，包括虚拟支架以及术中的导航等，我们也进行了介入手术机器人的开发，帮助医生进行规范化操作，尽可能减少医生接触的辐射量。

深脉震波球囊主要应用在钙化斑块消除治疗，这是一种高质的耗材，可以帮助进行精准的处理。不单单是在冠脉的钙化病变，其他血管部位也可以使用。

最后在患者的多次随访上，基于CTA方面，我们采取结合结构学与功能学进行随访。所以整个服务过程涵盖了从疾病的防治，到筛查、诊断，从治疗到随访，这一整个流程。

雷锋网：回溯数据是否来源于真实世界？

曹坤琳：所有数据都采集于医院。

雷锋网：应用在筛查、诊断、治疗、随访等不同方面的产品都需要过三类证吗？

曹坤琳：不同产品有不同适用范围，因此要求也不一样。像耗材、介入机器人涉及到治疗的产品，要求会更高。