临床需求决定研发方向，一波三折的AI技术路径

对于白血病等致命性复杂病症的临床诊断，长期以来面临“两头难”的局面：基层医生首诊误诊率高，而经验丰富的老专家过于忙碌，分配给每个患者的时间有限，也容易因疲劳等出现错误。

这是当前中国临床诊治的一个缩影，复杂程度越高、越难诊断的疾病，越是需要医疗产品的辅助，尤其是基层。

“形态学的痛点是非常确定的，我们走访了全世界两百多家医疗机构，很多都面临类似的问题，”叶燚和他的团队想要改变这样的情况，“我们知道行业有这个痛点，它没有解决就是我们的机会，我们下定决心把这个产品做到国际一流。”

在当时，从技术上来说有两条路可选。一种是从设备上下功夫，提高仪器的成像质量，或者改变检测原理，又或者从检测试剂方面想办法，凡此种种，都是为了方便肉眼更好地捕捉细胞的形态细节。另一种是从软件上做创新，利用机器智能，主要是视觉AI技术，辅助人眼观察细胞成像并得出提示。然而，在最开始选定技术方案的时候，叶燚和他的团队并没有考虑人工智能技术应用，尽管当时他们已经注意到了神经网络在医疗领域的应用研究。

“2013年的时候，我们就一直在探索。那时我们虽然知道人工智能将带来很大的变化，但对人工智能能达到多高的水平没有信心，开始的时候也不觉得人工智能能如此颠覆我们的生活和医疗领域。”祁欢说。

时间来到2016年，谷歌的AlphaGo击败围棋界一众世界级高手，在全世界掀起了一股AI热，人们开始寻找人工智能在现实世界的真实应用场景。这次，务实的叶燚看到了把AI用在白血病诊断中的可行性。

事实上，正是从2016年开始，大批的资本、人才和算力流向了深度学习领域。由于深度学习在图像识别领域相对成熟，AI进入医疗场景的第一站，就是应用于医疗影像方向，特别是肺结节、糖网（糖尿病性视网膜病变）的筛查场景中。比如，卷积神经网络主要是用于处理二维图像，可对图片进行全方位的数学处理，相比复杂的心脑血管病变，AI对肺结节等的识别会更有把握。

但如同所有刚诞生的赛道一样，庄稼总是与野草共同生长。严格来讲，当时的医疗AI做的只是单一病种的技术革新，甚至不能叫作辅助诊断，只能是早期筛查。也就是说，万里长征刚起步，那些为追赶风口而上马的花大价钱做出来的AI产品，一度被从业者质疑是“精致的玩具”，离“临床工具”都还有相当远的距离。

因此，2016年之后的两年时间里，叶燚和他的团队与很多宣称有这方面能力的团队接触，也与其中一些展开过探索试验，但效果始终不尽如人意。如何突破？叶燚和他的团队陷入了新的瓶颈。

同样在寻找突破点的，还有腾讯AI Lab，这个团队的主要工作就是探索AI在不同领域的应用可能，医疗是其中一个重点关注的领域。

从时间线上看，自2017年起，腾讯的AI技术已在肺炎、眼底多病种、结直肠息肉和宫颈癌等疾病的诊疗中得到了应用。2018年，越来越多的AI企业开始瞄准上述疾病，“医疗影像版人机大战”流行起来。

比如，2018年6月，安德医智公司和中国卒中学会等机构举办了一场“判读颅内肿瘤”的比赛，这成为轰动一时的事件。赛前半年，安德医智学习了北京天坛医院近10年接诊的神经系统疾病病例的影像，公开资料称有“数万余病例”。

比赛分为两队，医生一队，AI一队，分两轮进行：第一轮判读颅内肿瘤的CT（计算机断层扫描）、MRI（磁共振成像）影像，第二轮判读脑血管疾病的CT、MRI影像。结果是：安德医智（AI队）以分别87%、83%的准确率，领先医生队66%、63%的准确率。

因而，站在2018年的节点，腾讯AI Lab想做点不一样的。但这个团队里都是人工智能专家而非医学专家，他们并不知道还有哪些疾病急需AI的帮助。机缘巧合之下，叶燚遇到了腾讯AI Lab，在多次会晤和磋商之后达成合作，拉开了AI阅片机快速开发的序幕。