这是深思考CEO兼AI算法科学家杨志明博士在2018中关村智能医疗论坛上对智慧医疗未来的展望。

9月15日，“2018中关村智能医疗论坛”在北京国际会议中心圆满落幕，此次会议由中关村海淀园管委会、海淀区卫计委、北京市医师协会、北京医院协会、北京神经内科协会联合海淀医院、中关村创业大街等合作机构共同举办，旨在推动海淀医疗健康事业发展，促进北京市人工智能行业在医疗领域示范应用，加深医院与科技企业的交流合作，深化“智慧海淀”建设进程。深思考人工智能受邀参会，杨志明博士作为受邀嘉宾在会上参与圆桌讨论。

“人工智能落地难，关键还是对AI这块的一个定位和期望，我认为现阶段还是人机协同是比较好的。”

杨志明博士在同各位医疗及AI专家进行讨论时讲道，当前社会对AI这块的一个定位和期望有两个误区，这便会导致两个极端。一个极端是只要发现一点点瑕疵，就会觉得这个东西（AI）无用。另一个极端认为人工智能是无所不能的，业界某些厂商大肆宣扬人机大战，夸大AI的行业发展，借此噱头宣传自家产品，从而引起大众的对AI的误解。所以，现在社会上需要对AI有正确的认识观。 

AI有AI的擅长，人有人的擅长，杨博士认为现阶段在智慧医疗大健康领域一些重复性的规律性的工作可以交给AI来处理，人来做最终决策及创新性工作，这样人机协同效率会更高，并且效果也会更好。

“对于AI创业者来讲，既要往前沿技术发展，又要把产品打磨好。”

作为一个在人工智能领域摸爬滚打了10余年的老兵，杨志明博士分享了他在连续创业中的三点经验：

第一，从产品角度出发，降维打击。“无论做什么产品，一定要超出用户期望，如果自身的AI技术达不到用户期望，那就要选择降维打击的方式。”杨博士讲到，人工智能输出的模式是一个概率，之所以选择宫颈癌的筛查而不是诊断，是因为如果在诊断中标注的阳性过多，则会给医生增加负担，如果标注过少，那便是漏诊，这个问题就会变得严肃起来。所以深思考选择“降维打击”的方式，只做筛查排阴。基于筛查大部分是正常的样本，借助AI筛查将其中的70-80%确保是阴性的（正常的），从而辅助医生的阅片筛查工作，大大减轻医生工作量。

第二，保证数据的质量与数量。杨博士同大家分享道，自己在AI技术的探索中，发现了深度学习的一个重要的缺点，那便是一切都要基于大数据。如果数据是错的，那学习出来的模型也是错误的，另外，数据量过小也是无法将模型做好的。所以，数据的质量与数量尤为关键。

第三，单纯的识别是无法将AI大幅度推进的。AI辅助诊疗应是全系统的，拿皮肤科的疾病为例，单纯从一个部位的病变识别是无法判定确诊的，还应通过系统的全面分析才能得出结论，这便要推进到语义理解的层面。

 “识别已是AI之前的一个步骤，现在AI已经进入深度语义理解的发展阶段”

杨志明以深思考的“多模态深度语义理解”技术为例讲到：宫颈癌筛查中有一种异常叫腺细胞异常，就单个腺细胞来讲识别是正常的，但通常腺细胞是“团伙作案”，一种排列组合不对的就会异常，这个的识别便是理解的问题。”就像一只小狗在葡萄架下，通常会识别为“葡萄下有只小狗”，但“多模态深度语义理解”识别的是小狗在葡萄架下乘凉，外面是炎炎夏日。所以，人工智能只有从感知走向理解，才能促进AI医疗辅助诊断产品的进一步发展。

众所周知，人类极为擅长迁移学习，深思考也早已在迁移学习方面做了布局。基于现在所完善的AI宫颈细胞筛查技术，未来的病理细胞疾病筛查也将很快做到迁移。

“要针对实际情况，除了将技术和产品做好，还要探索一套适合的商业模式。”杨博士讲到，目前深思考在宫颈细胞筛查主要有 “云”和“端”两种形态的商业模式。“云”模式即当病理扫描仪接入医疗大健康C6云后,AI就会批量帮助医生进行筛片;“端”模式则是基于深思考的“算法+芯片”整体解决方案——医疗影像专用AI芯片M-DPU，相比于昂贵的GPU大服务器,M-DPU具有尺寸小、低功耗、性能高等优势，可大大降低应用成本。当M-DPU嵌入到病理扫描设备中时,便可进行宫颈癌的筛查，实现基层医疗筛查的大规模落地。

据反馈，深思考的“多模态深度语义理解”技术对实现宫颈癌筛查市场效果十分显著。目前，深思考已与多家知名三甲医院进行合作，高质量的病理样本大数据超过百万份，覆盖70%以上的第三方检验机构。