<mark id="oztn4"></mark>
0
近期，雷鋒網醫健AI掘金志邀請百度智慧醫療許言午，做客雷鋒網公開課，以“百度智慧醫療AI抗疫實錄”為題，對百度的抗疫過程與百度智慧醫療的積淀進行全方面復盤。
后續將有更多課程上線，添加微信公眾號 醫健AI掘金志 報名聽課，或收看本節課程視頻回放
在過去兩個月，百度利用自身的AI能力，為行業和用戶提供了智能外呼、抗疫機器人、遷移大數據、AI口罩檢測、AI快速測溫等多個人工智能解決方案。
除了抗擊疫情，許言午還從AI賦能基層的角度，介紹了百度智慧醫療的技術方案和布局思路，包括CDSS、眼底產品以及醫療AI的產學研用生態建設。
他表示，賦能最符合百度的身份定位，干好自己擅長的事情，才能形成一個良好的合作生態，尤其在基層，通過智慧醫療技術中臺的解決方案，賦能醫院、健康管理運營商等醫療行業合作伙伴，把三甲醫院的能力傳遞下去，提升基層診療水平。
以下為許言午演講全文內容，雷鋒網做了不改變原意的編輯。
今天是4月8號，也是百度智慧醫療事業部成立兩周年。我很榮幸代表部門介紹百度智慧醫療的一些工作以及這次抗疫中的實踐。
分享環節里主要講兩塊，首先是AI在抗疫中的貢獻，后面是常規AI醫療業務。
在百度抗疫這一部分，也主要分為兩部分：疫情中早期排查和防護；疫情后的助力復產復工技術。
人工智能產業反戰聯盟今日正式發布了一個《人工智能助力新冠疫情防控調研報告》，其中收集500多個人工智能抗疫案例。報告中指出，智能服務機器人、大數據分析和智能識別，測溫產品數量位列排名前三。
計算機視覺和智能語音這兩類技術也相對成熟，使用場景比較豐富。
很多公司主要都是圍繞已有儲備的業務，去研發相關的產品。但是，不管是什么樣的產品都要抓住需求，解決痛點。
隨著疫情的發展，不同階段、不同地區和不同的角色，都有著不同的需求。所以，抗疫產品的研發需要抓住主要對象和重要對象的核心需求。
這個產品主要針對疫情中早期，支持政府防控大量排查需求而研發，主要針對三類人群——密切接觸者、流動人口以及社區居民。要解決的也是人力不足效率問題。
AI有兩塊常規作用，一塊就是提高效率，另外一塊提高重復操作的準確度。
人工排查效率非常低，一個人能打的電話次數比較少，同一時間內也不能保持高并（多）發任務同時處理，正式工作前的準備又比較多，運營成本比較重，信息錄入費時。
但是自動化外呼的并發量可以達到1秒鐘可以呼出1500通電話。高頻率下，平臺也不容易出錯。通過語音技術收集結果，形成報表呈現給政府，最后用于決策。
我們統計了一些數字。
智能外呼平臺一共上線20多個地區，截止到2020年3月31日，一共有300萬以上的外呼次數，并獲得各類用戶的良好反饋。
機器人是AI和自動化技術的集大成者，百度機器人的最大特點是AI相關的語音、對話、視覺智能，以及智能駕駛相關的自動導航和避障能力。
總結一下跟東軟合作的4個類型服務機器人：防疫服務機器人、醫院專用醫護助理機器人、無接觸配送機器人和安防機器人的升級版——防御巡檢機器人。
防御機器人
主要功能包括基礎部分測溫、口罩識別、防疫相關知識口號宣傳。另一方面，它還可以通過人臉識別進行非接觸式的考勤。
既減少人力的成本，操作起來比較簡單，有比較高的性價比和市場前景。加之部署比較簡易，可以得到大規模的應用。
醫療醫護助理機器人
核心思想是通過無接觸式服務，避免人和人的直接或間接接觸。在醫院里，它的主要功能還體現在特有的導診服務，以及信息的查詢。
另外，還有類似于患者問題或掛號解答的相關服務，還可以提供床旁服務。在具備這些功能的同時，它也可以完成普通機器人可以做的疫情宣傳工作。
配送機器人
這類機器人充分體現了百度的AI集成能力，集成度也是非常高，包括人臉識別、語音識別功能、自主導航和避障功能，加上長期積累的技術優勢，在行業內會走在前沿。
這里我們比較突出的特點，就是像類似于VSLAM和激光SLAM相結合，做到更好的導航效果。
防疫巡檢機器人
這是安防機器人在疫情期的升級版，除了常規安防巡邏功能、異常情況報警，還可以移動測體溫，并可將移動檢測數據傳輸至后臺進行后臺管理和遠程對話。另外，還可以作為消毒機器人。
我們跟東軟醫療合作的機器人產品，一共落地30多家三甲醫院，實現“無接觸式”醫護助理服務，機器人抗疫解決方案也被國家人工智能標準總體組納入為推薦方案。
中國是第一個度過疫情高峰期的國家，處在疫情逐漸變弱乃至逐漸消除的過程中。如何恢復經濟生產是國家、企業和個人都高度關注的問題。
這一階段，助力復產復工的AI技術就有迫切需求，百度圍繞自身主要業務進行拓展基礎，大家貢獻了優質高效的解決方案。
從地圖產品來看，早期的疫情通報都會在百度地圖上展示，比如發熱門診地圖、小區疫情地圖。過了高峰期之后的復工過程，我們用百度地圖遷徙大數據平臺展示，幫助進行出行規劃。
具體問題體現在：什么時候可以復工？出行該走哪條線路？如何避免一些不合理的路徑？沿途過程中可能會出現什么問題？遷徙大數據平臺都可以體現。
封閉管理可能會對我們的出行造成不便，比如百度軟件園，整個園區只有開辟一個入口和一個出口。找不到合適的路徑，自然浪費很多時間。隨著復工的時間進程推進，這個功能就越來越會發揮顯著作用。
平時人流量實時變動，城市的人流量熱力圖也是大家復產復工過程中所必須的。我們應用AI技術對人流進行評估，粗略知道人流量，最重要的是避免擁擠。飯店或酒店是否開放，是否需要等待等信息，基于以上的地圖信息結合其他大數據能力，都可以進行呈現。
智能外呼，也有很多其他方面的應用。例如疫情結束之后，都在找理發的Tony老師，如果你沒有熟識的那就挺麻煩的，可能要一家家問，比較浪費時間。
在較大范圍內找早期復工的相關商戶，你可能就需要用到這樣一個復工地圖，通過智能外呼去聯系這些商戶，然后把這些復產情況在百度地圖上相應顯示。
以上都是大數據分析的能力，也能顯示城市復工指數，以及行業復工指數。
在疫情期間，人臉檢測遇到一個前所未有的挑戰。因為口罩遮擋的范圍也比較大，遮擋部位比較固定。
2月13日，百度宣布在飛槳深度學習平臺中免費開源了業內首個“口罩人臉檢測及分類模型”，助力各行業疫情防控。
模型開源后，中石油旗下中油瑞飛、北京地鐵集團等紛紛部署。北京地鐵項目中，飛槳團隊連夜計劃部署方案，并在3天內完成第一版快速部署，7天內進行了兩次模型升級、三次現場部署調試、多次策略優化，最終部署上線，實現了在地鐵站實時視頻流中，準確地對未戴口罩以及錯誤佩戴口罩的情況進行檢測。
這基本上可以滿足通用場景的需求，同時在此基礎上，還開放了一個定制化開發的模型。通過這個模型，可以利用現有私有環境下的數據，進行二次訓練，從而做到符合各個應用場景。
除了戴口罩和不戴口罩的分類檢測，戴口罩后的人臉識別問題百度也解決了。
前段時間，大家經常開的一個玩笑是蘋果手機引以為傲的人臉識別功能，在這次疫情中似乎表現不理想。而且蘋果好像沒有更新相關的功能，因為它也不是純視覺，它是通過結構光的原理。
現在百度大廈辦公區，戴口罩人臉識別也已落地使用，大家可以正常戴口罩通過閘機。其實，百度內部在疫情發生之前就已經養成通過刷臉進閘機的習慣。
除了前面講的人臉識別，其實我們說的復工有“三劍客”：
1、安全碼，綠碼相關產品國家聯合三大運營商已經完成。
2、要戴口罩，口罩的檢測問題我們也解決了。
3、快速測溫，進入小區、商場時需要測體溫。
測體溫有一個很直接的問題——效率。例如百度復產復工的時候，地鐵站口、百度大廈、百度科技園附近都會涉及這個問題。
尤其在上班高峰期很多人要入場。如果用傳統的手持測溫儀肯定不行。所以，我們就選用紅外探頭，結合視覺的人臉檢測技術，與人臉檢測定位圖兼顧，進行快速測溫，大幅提高效率。
效率可想而知。利用AI圖像識別，我們一分鐘單通道下可以測200個人，同時AI測溫操作起來也會相對容易。
有了安全碼、有了口罩人臉檢測，又有了智能測體溫。那么，面向一個企業的、完整可行的AI批量復工解決方案就已經完成了。
這個解決方案我們也開放出來，助力其他企業復產復工。
大家都知道信息披露及時披露公開透明是非常重要的。所以各家也都第一時間上線了相關的產品。百度也做了這樣一個平臺，把疫情的相關信息和防護指南以及防疫信息都發布在了這個平臺上，通過搜百度APP進行發布。
在疫情信息中，我們專門開辟了一個疫情相關的辟謠專欄，對信息進行把關。
線上問診也是疫情時期上線的一項應用，為解決短時間內突然增加的問診需求問題。
這是第一次由于疫情原因產生的大量問診情況，同時被迫將線下轉到線上，與此前推廣的在線問診功能不太一樣，有一個主動與被動之間的差異。醫生其實更加積極地歡迎這部分技術。
我聽說在美國疫情爆發初期，在線問診量一周內增加了10倍。國內也是類似情況。
目前，百度后臺統計截止2020年3月19日有接近3000萬的咨詢量，其中單日的咨詢量達85萬。
我們對比一下中國最大的三甲醫院——鄭州大學第一附屬醫院，最近一年的年門診量線下大約是770萬，而現在每天的線上咨詢量就可以達到85萬。
當然，問診的問題也不單單是肺炎，也有許多日常的疾病。
除了生理上，還會有心理上的問題，比如心理焦慮，尤其是疫情核心地區的人。所以我們第一時間也上線了疫情的心理干預、心理重建問診平臺，同時做了一些公開課，去傳播一些必要的心理防護信息。
同時，我們也開通了海外版，惠及海外華人。
雖然線上問診需求強烈，我們7×24小時的免費服務的模式很好，但是這里的平均響應時間還是要5分鐘，同時還要在10萬以上的醫生全面配合的情況下，才能達到這樣的響應時間。那么我們進一步思考，這個時間是不是可以進一步縮短，給大家的體驗更優呢？操作瓶頸在哪里？
這個時候我們可以考慮利用分級診療和預分診的模式，引入AI技術去解決線上咨詢量激增導致的醫生人力不足問題，以提高問診效率，結果是顯而易見的。后期我們引入了線上問診的AI輔助功能。
線上問診界面
我們分為兩塊：
第一方面，就是自己去查，查你感興趣的信息，比如你可能想了解疫情相關的疾病，或者是想了解在這個情況下，自己的慢病需不需要干預？需不需要醫生介入？這時候，你可能直接通過一些關鍵詞查到自己想要的信息。
如果只是這些需求，那么連機器人那一關都不用過就可以解決了。
第二方面，當自查不能解決你的問題時，就需要通過一個自查機器人，根據自身情況提供一個切實可行的建議。比如建議你轉人工問診，或者你自己認為機器人不靠譜，還是想選擇進入人工模式。那么這個時候再介入人工，
這個就是分級診療的思路，合理地對有限的人力資源進行再分配，以提高整體的效率和效果。
這個功能模塊我們在外部只落地了7家，包括天津醫科大學第二醫院、深圳龍崗人民醫院、沈陽第四醫院等。在內部，我們通過百度的很多流量入口，把相關的一些問詢轉到這邊來。
根截止3月底，問答機器人的整體調用次數超過100萬。預問診、病人自測這一部分共有116萬次調用，FAQ自查的調用超過4萬次。上面是我們一家合作醫院的截圖。
第一部分關于新冠CT的影像分析。我們第一時間就做了開源。但這一塊的同質化還是比較高的，后期可能有接近30家做了這類工作。
新冠肺炎的科研成果也引起了很大的關注，這里我列了一篇綜述總結了相關的一些文章。大家更關注的可能是數據，我列了兩個典型的數據給大家參考。
第一部門是號稱現在最大的CT數據集，大家好像對這個數據集不是很滿意，因為圖片不是原始圖片，是從已發表的論文里摳出來的。但對于某些分割任務來說，可能還是有用的。第二部分是新冠肺炎的一個網站，這個網站上面有10個完整的CT序列。
接下來，我們還要用到一些技術、算法去進行相應的藥物和疫苗研究，其中一個關鍵就是RNA二級結構的預測。2019年7月份，我們在美國的研究院發布了LinearFold算法。相比于傳統算法，我們有120倍的提速。1月底，我們將這個算法開源。
新冠肺炎病毒是目前單體RNA病毒里面序列最長的，有3萬多個堿基。所以，傳統的測序時間通常要55分鐘，而我們現在可以做到27秒，節省兩個數量等級的等待。
第三部分，百度翻譯。在NLP方面，我們的翻譯也面向生物醫療領域，進行了定向的優化和免費的開源服務，將多語種疫情詞典免費開放。
第一部分，我主要說的是百度的抗疫工作，包括智能外呼、抗疫機器人的研發及使用、遷徙大數據平臺、AI口罩檢測及測溫功能、疫情信息披露辟謠的處理和線上問診、算法開源等。
百度智慧醫療到底是干什么的？
我介紹一下百度的技術方案和布局思路，包括CDSS、眼底產品以及醫療AI的產學研用生態建設。
在我看來，中國目前的醫療問題還是醫療資源的結構性失衡，換句話說，就是供給不足，供需矛盾嚴重。
中國萬人醫生擁有量17.9名，這個數據在全球范圍內看來，其實還是不錯的。所謂的失衡，其實不僅是指醫生不夠，而是患者都想去最高級別的醫院，也就是我們常說的三甲醫院。
而一級醫院占總體量數量的66%，負責診療的人次才17%。怎么去彌補三甲醫院供求關系之間的“鴻溝”？最直接的就是增加醫生培養的量，培養醫生至少8-10年，醫生培養出來還有水平區分。
第二個，健康中國2030綱要指出，以后的醫療方向是以治病為中心，轉向健康為中心，也就是醫療體系系統的中心轉移。以前是以醫院為中心，現在轉成以患者為中心的新局面。
轉變過程中，肯定要發生供需變化、技術變化。
轉變里面，信息化和AI都是關鍵詞，給AI帶來很多機會。診療體系劃分成診前、診中、診后三個主要環節，主要涉及信息化服務、智能服務、還有云服務三方面技術，AI是貫穿始末的。線上診斷、篩查、診斷、治療、健康管理5個模塊都有AI的體現。
上面兩點都有，包括AI可以作用的這兩點：
一、系統性失衡，結構失衡就要需要增加供給。
二、中心轉移，自然會引入智能化和信息化技術。
我們把它拆到診療和健康管理的各個環節，以及各個相關方。
我們認為，外界的環境機遇已經來到。我們很早發現從政府、醫院、患者、技術成熟度四大方面，人工智能醫療會有加速爆發的發展。
第一、人工智能相關政策已經列入國家戰略，各大垂直領域的應用都得到國家支持和鼓勵，包括分級診療、互聯網醫院，疫情爆發以后，更加得到政府的大力支持。
第二、醫院本身對收入增加和成本降低的需求。AI如果在這個過程中解決了提高效率的難題，可以增加營收和降低成本。
第三、患者。隨著自身經濟水平的提升，收入增加，群眾的健康意識越來越強，投入也會增加，會更愿意享受優質醫療服務。這里也有兩部分，一部分就是預防，AI分診、篩查都屬于預防類。還有治療，一旦得病，需要更高水平的診療。醫院如果能提供更高效或性能更好的輔診方案，會被大家所逐漸采用和接納。
所以AI的作用，不完全是低價勞動力的等價物，對于尖端服務和特種服務，同樣可以起到輔助作用。
但是，如果技術并不能滿足使用者需求，甚至后期還會存在一堆詬病，會導致付費的意愿降低。所以核心技術就是人工智能、大數據以及信息化，包括互聯網，這些技術隨著10年、20年的積累，已經可以比較好地解決一些特定問題。
百度是一家更側重技術、技術驅動的科技企業。百度的AI布局已10年之久，大規模機器學習平臺等都走在前面，現在更是進入了AI變現的階段。
百度大腦是百度人工智能技術的集大成。最底下一層是基礎層：算法、數據、算力。上面是感知層、認知層，在往上是平臺層，還有貫穿全流程的AI安全能力。
有了AI技術儲備之后，再去面向場景實現具體應用。在百度的AI布局生態里面，醫療是其中的一支，我們一直在進行嘗試和探索，也已有落地的成果。
前面我們提到三個要素：需求、機遇，充分的技術積淀。
今天我選的題目是百度循證AI賦能基層醫療，這是我們的核心愿景。我用循證的思想去賦能基層醫療。“循證AI”、“賦能”、“基層醫療”是百度智慧醫療思路，也是優勢，更是特點。
產品的應用場景和用戶就在基層。主要是有兩個原因：
第一、一級醫院代表基層，體量高達66%，占了2/3。
第二、基層醫院診療次數少，是因為基層醫生和大醫院醫生水平有差距。小病不愿意去看醫生，重病又總是想要一個確定性的診療方案，所以患者都集中在二級和三級醫院。
基層醫生由于自身能力欠缺，又得不到足夠鍛煉，診療水平就受到進一步限制。
所以，基層需求的體量客觀存在，醫生能力需提升的痛點問題又非常直接，這些基層醫生水平不可能一夜之間就有所提高。
如何處理？我們需要把高水平的東西帶到基層醫院，通過AI技術把三甲醫院醫生的專業能力和知識，積淀下沉到基層醫院，在信息傳遞過程中發揮重要作用。
同時，我們要保證傳遞的內容是正確的。所以，我們利用AI技術可以從診療信息輸入得到結論輸出，再整合診療推理路徑、相關病征和病例做印證，就稱之為循證。
其次是賦能，為什么我們不自己完成、非要賦能呢？
百度是一家技術公司，賦能最符合我們的身份定位，干好自己擅長的事情，才能形成一個良好的合作生態，尤其在基層，通過智慧醫療技術中臺的解決方案，賦能醫院、健康管理運營商等醫療行業合作伙伴，把三甲醫院的能力傳遞下去，提升基層診療水平。
我列了一些以百度技術平臺為中間橋梁，在此基礎上向外進行延伸的醫療組織機構。
在中間為靈醫智慧中臺服務商，在外面是基層的醫院、家庭、康復養老機構、體檢機構等等，組成這樣的生態圖。這個是我們的業務合作生態圖，我后面會講到產業生態圖。
百度業務合作生態圖
從健康場景開始，大體分為院內和院外，有不同的功能需求和模塊。把它們全部拆開，再組合，就可以做同類項合并及整理。需求提煉之后，我們總結到一個“智慧中臺”，中臺具有輔助科研、輔助臨床、輔助健康服務及質量管理的能力。
首先，由上至下提供需求，下面要提供技術支持解決對應問題，中間進行合攏，再進行同質化的抽取。
技術層面，我們把中臺解決方案分成五類，包括數據治理、決策系統、健康管理方案、交互方案和影像篩查方案。再去最底層的智能引擎，找可以用的工具組裝這些方案，完成合攏，最后形成智能中臺的解決方案和相應能力。
在技術棧，主要分為幾點。
第一、對于醫院的大數據進行治理，最主要的就是結構化，通過質控把不合適的數據丟掉，將異構數據結構化，使得數據能被算法所應用。這些數據輸出后，對于科研、院內信息盤點都有幫助。
第二、CDSS輔助臨床決策系統，是比較重要的部分，需要通過AI技術處理提供輔助診斷、治療方案推薦、相似病例推薦、醫囑質控及醫學知識查詢等臨床決策支持服務。
所以，對于一個病人相關信息的輸入，要通過AI系統給出一個輸出，這些輸出是跟診療的一些路徑相關聯的。在診療過程中，我們后面也會分為五大模塊介紹。
在人力和資源有限的情況下，我們要集中滿足最迫切和最大的需求，即滿足基層醫院的需要。我們打造適合它的產品，基層CDSS就是重中之重。同時，它是覆蓋了全流程，診前、診中、診后，我剛才提到多場景支持，院內院外的場景也都是支持的。
第一個是輔助問診，既給病人也給醫生，幫助醫生在線詢問患者問題，其次是幫助病人做一些自我判斷。
第二個是輔助診斷，有了一些初步信息后，如果是常見病，我們要給出相關診斷建議。
比如我們的基層版CDSS里面，共收錄了300多種常見病。我們會輸出患病風險比較高的病種，供醫生參考。
如果得不出結論，需要進一步檢查，輔助檢查也會根據現在狀況，推薦進一步檢查方案，最后去開處方。之后我們進行兩個控制：第一、醫囑（質量）控制，第二、治療方案推薦。
基層臨床輔助決策系統具有深、全、易的特點，全流程輔助診斷、全病種覆蓋，同時操作學習成本低。
輔助診斷中要提高診斷水平，降低漏診誤診率，核心方面包括
一、全面——覆蓋廣，基層涉及的300多種常見病，我們都要能覆蓋到。
二、準確——減少誤診，現在我們top3準確率已經達到95%。
三、有邏輯——可解釋，得出的結論是怎么回事？不止診斷結論，還要給病人和醫生個說法，結論怎樣得出的。涉及邏輯推理過程，可以從知識圖譜里得到。
治療方案的推薦。我們根據病人的基本信息、主訴、現病史等病歷信息推薦合理的檢查檢驗、用藥及手術治療等方案。這些都可以基于知識圖譜的推理得到，從歷史數據和專門文獻學習相關知識進行推薦。
里面提到的能力，要通過實踐進行驗證，也是產品迭代、打磨的過程。目前我們已經落地實施15個省市自治區，服務數萬名醫生，落地了1000多家機構。
在北京平谷地區就有CDSS產品的落地，就診基本實現全流程質控，科學治療方案推薦并提示風險，降低醫生工作強度、同時提供全面專業的知識查詢功能，這個案例也入選了 MIT Tech Review亞洲醫療AI報告的重點案例。
醫療體系的中心從治病轉到了管理。智慧健康管理平臺以患者為中心，使患者及健康人群在家可以享受周期病情監控。
近年，中國引入了與國外比較相似的家庭醫生角色。家庭醫生的痛點問題在于工作量、患者依從性差，提升家庭醫生服務質量的同時還要進行高效管理。同時也是側重解決慢病患者的疾病管理問題，打通醫生和患者之間的橋梁。百度獨有的“小度在家”的C端智能終端產品，可以建立家庭健康服務的互聯互通閉環。
小度在家是一個帶屏的智能音箱，特別適合慢病患者，尤其是語音交互功能，讓操作非常簡單，更加適合行動不便者和老人。
它會對慢病病人進行用藥、鍛煉、飲食的提醒和指導。它的另一核心功能就是病人問診，通過智能分導診助手進行接診，可以直接聯系家庭醫生，并通過視頻進行通訊。同時，它還包括血壓、血糖的管控和用藥管理服務。小度的另外一端就是IOT設備（藍牙和附件），幫助患者監測體征。
醫生也可以通過這個平臺把自己的管理手段下沉，使醫患之間形成雙向互動。
我在眼底這塊投入的精力比較多。目前，我們可以做到多病種覆蓋，提高基層醫生篩查能力，因為是三類醫療器械，所以審批流程比較長。
靈醫智惠d的眼底AI已經覆蓋了70%以上的眼底常見疾病，具備比較的好自動篩查能力，敏感性和特異性都是達到了94%。用于訓練測試的數據量比較大，可以達到10萬量級數據。
我們還做了一個差異化的東西，現在已經可以在設備端閱片。這樣排除對于網絡的需求，我們是在端上進行運算，模型是固化的，可以10秒左右在端上快速出閱片結果。
此外，我們不停地跟各個廠商進行打磨，希望可以進行聯合配置，這樣使得現在的機型適配能力比較強，適配比較主流的國內外產品。
我想用右上角這個圖解釋了一下什么叫循證。我們是根據醫生確定疾病的診療路徑去設計架構。以深度算法為支撐的子模塊是黑盒，我們整體的判斷邏輯是白盒的，但是每一個具體的模塊里面可能是白盒，也可能是黑盒。這樣的算法再做進行二次對齊，最后來給出一個置信度更高的解決方案。
我們的一些應用案例包括糖尿病視網膜病變、青光眼、黃斑區病變及高風險病理性近視等。
做醫學影像很“麻煩”，核心部分就是數據，這直接關系到質量，保證數據質量高就要標注好。醫生水平參差不齊，來自各個地方，流派也不一樣，需要統一的標準。因此，我們自己就制定《面向人工智能的眼底彩照標注與質量控制》標準。
為什么說3.5個病種？其實這個病理性近視，我們是合到了黃斑病變里。因為病理性近視主要體現在后極部，跟黃斑區疾病有高度重合，所以我們把它放在黃斑病里面。由于病理性近視放在黃斑區病變里，所以我們說是3.5類疾病。
在和中山眼科張秀蘭老師團隊合作下，做了多次討論和打磨后，試標了上萬張數據，并測試了我們自己生產的一些數據。當然，這個標準只是自己用很浪費，我們希望這個標準可以用來處理行業的問題，也在積極的對外進行推廣。
我們把企業標準升級成團體標準，依托中國質量協會進行發布。同時我們還對方案進行輸出，形成SG16-Q28國際標準提案，目前還在完善中。
因為醫療相關行業比較特殊，不光是某個企業單方面發力就能解決問題，還需要多元化生態存在。技術不光體現在應用方面，還有前沿東西需要研究。我們攜手中山眼科舉辦了iChallenge系列眼底AI挑戰賽項目，目前為止我們在辦第五屆。
美國時間4月3號的ADAM比賽，我們的相關的決賽信息也發布了。REFUGE2是我們下一個比賽，在2020年10月份，不過考慮到疫情影響，可能存在變成線上的風險。
我們積極為學者打造共享數據庫的平臺，也提供給大家比拼的平臺。之前的ADAM比賽里，前兩名都是企業，第1名是韓國、第2名是印度，中國企業并不是不行，主要原因是這次抗疫中大家都比較忙，學生也沒有時間參賽。
比賽的總結論文，第1個比賽REFUGE已發在MIA上，MIA是醫學影像領域的頂刊。
后面幾個比賽，一些參賽隊的文章還在我手里審稿過，我認為質量都是挺好的。這次ADAM比賽之后，韓國、法國已經有興趣參與貢獻數據，眼科影像研究會更加生態化，已經初步被推動起來。
再例如OMIA會議，今年已經第7屆。從最早時候二三十人參會到現在受到上百人關注，我認為會議質量還是很不錯的。
在生態建設方面，我們一直積極推動，數據也分享給大家。
我們也編輯了相關領域工具書及專題論文集。去年，這本《COMPUTATIONAL RETINAL IMAGE ANALYSIS》就發表了，百度代表產業界進行獨立章節的貢獻。
除了在產學研方面的貢獻，我們的產品也在逐漸落地。在這個過程中，我們也贏得了認可和榮譽。
主要是CDSS落地案例入選MIT科技評論，AI眼底篩查系統也幫助百度入選52家改變世界的公司，同時還攜手中國信通院參與發布白皮書等。我們的眼底篩查系統也向泰國公主做過體驗展示，并且亮相了央視展臺。
最后列出大家感興趣的信息，提供了一頁的take-home message鏈接。感謝大家的聆聽，也非常感謝雷鋒網提供了這樣的一個好機會。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
