融资1100万，他设计出人工智能与影像诊断相结合的医生界阿尔法狗

          “阿尔法狗就这么下出个碾压式的3:0，开发者们也很震惊。”在芝加哥大学就读经济金融双博士的陈宽，早在2011年便在经济领域接触人工智能和深度学习。 

          “它使原本大家觉得还要几十年才能成熟的技术，成为了现实。”他感叹道，“深度学习效率的提升就像自行车变成了汽车。” 
          搭着深度学习这列快车，2015年初，陈宽成立推想科技，正式进军医疗行业创业，利用影像识别算法模型，为医生提供辅助诊断方案。 
          其原理为一部分影像数据作为测试数据，而模型学习剩余部分数据（训练数据），诊断测试数据，生成初级诊断报告，后与医生正确的诊断报告做对比，得出诊断的准确率。 
          去年9月，在肺部X光的诊断环境中，后生成诊断报告与医生的诊断报告匹配率在90%以上。“换一个测试环境，换一家医院的数据，结果可能又不一样。” 
          目前，推想科技已有的诊断模型数据源涵盖与心肺相关的超10种X光影像，如心影增大、肺部积液、肺炎等。

          注： 陈宽已确认文中数据真实无误，铅笔道愿与他一起为内容真实性背书。 
          脚踏两只船 
          陈宽刚参加完硅谷的一个创业比赛，台下坐着Reid Hoffman（li[x]nkedIn创始人）等科技圈大拿。第二天，他匆忙飞回芝加哥大学上课，听诺贝尔奖教授James Heckman 讲授计量经济学里的Bias Correction…… 
          彼时，正在芝加哥大学就读经济金融双博士的陈宽，经常徘徊在创业与学术之间，“觉得两个世界差得非常远”。 
          在做学术之余，他尝试寻找创业机会。“我从高中起，就陆续做过项目，赚过一些小钱。” 
          2011年，陈宽在经济领域接触到人工智能和深度学习，他感觉这些技术的应用场景可以更加广泛。“人工智能早应用在金融行业，到2013年，美国超过70%的二级市场交易都是由计算机自动完成的。” 
          他打算在美国试水。2012年，他和朋友根据Twitter上网民发布的状态数据，建立模型来预测奥巴马和罗姆尼的大选结果。“人工智能和深度学习能大程度把特定场景中的数据关联性挖掘出来。” 
          期间，美国很多媒体企业找上门来，愿意花钱购买他们的成果，把数据可视化展现在媒体平台上。 
          陈宽有些吃惊，“随便做的一个模型，没想到还能赚钱”。他决定继续在里面挖掘机会。此后，一有时间他便参加美国和国内的创业活动。 
          他常常一个人，一只包，一台MacAir，逮住机会就和别人去聊，展示模型Demo。“我觉得技术背景的人创业，大的瓶颈是不接地气。陷在小圈子里闭门造车，自己觉得产品很炫酷，推出后可能离市场十万八千里。”
深入了解后，他更倾向于国内市场。“每次放假都跑回来了解形势，觉得国内市场还没那么饱和，机会更多。”
2014年暑假结尾，在深圳的一次闭门会议上，陈宽打开电脑展示一系列算法模型，包括深度学习、人脸识别等。在场的一位放射科医生表示很感兴趣，并提议“这些技术能否做成医疗影像的辅助诊断产品？” 
          当时，陈宽没太在意。“接触的行业太多了，金融、政府、农业、安保等，一时拿不定主意要应用于哪个行业。” 
          12月底，他返回美国修完一学期的课程后，再次回国摸索方向。巧合的是，某医院负责信息部门的高层再次提出同样的需求。“两个渠道认识的人，诉求一模一样，这可能是真实存在的需求。” 
          当时，陈宽距离博士毕业还差一篇论文。回美国完成学业还是立马创业？他曾摇摆不定。 
          终，他留了下来。“把深度学习用于医疗影像诊断，既贴近市场需求，又可以持续做研究。”他笑道，“很幸运找到这样的契合点，相当于脚踏两只船。” 
          2015年年初，陈宽在深圳成立推想科技。 
          替代医生的重复劳动 
          影像诊断涉及多种病种，陈宽打算通过调研确定从何处切入。 
          和医生们打起交道，他觉得国内的放射科医生很苦，早上8点上班，忙到晚上10点还在写诊断报告。“中午和医生聊天，他们一边吃盒饭，一边看片子。” 
          一个放射科医生可能每天要写300~400份诊断报告。“如果是CT，照一次就200多张影像，要换角度来回看。” 
          医院基本依靠医生人工诊断，医生要对诊断报告签字负责。他可能到下午疲劳，注意力不集中，片子上的症状看漏了，容易产生误诊。“患者再过几个月来复查，可能就是患症晚期了。” 
          此外，医生们还要承受科研、资质考试等压力。 
          放眼整个行业，大多数医院的放射科医生资源稀缺。“深圳一家较大型社区医院，放射科医生不到十位，每天可能面对几百个病人。” 
          陈宽发现，医生们每天诊断的病症80%以上为常规病，而这些病症相通性高，诊断对于人的依赖性较弱。“其余的疑难杂症，需要医生根据经验联想来诊断。这种非正常状态的东西，再好的机器学习模型也很难模拟出来。” 
          他决定先从肺炎、肺积液等X光诊断常见病切入，用算法模型来代替医生的重复劳动。“先帮他们解决小问题，让他们有时间解决更难的问题。” 
          首先，他需要与医院合作，利用医院的影像数据验证技术的可行性。“光有模型不行，还要用海量数据去验证准确率，需要医院有较大的门诊量和足够高的诊断水平。” 
          但出师不利，他经常被医生扫地出门。“有些医院没听说过这些技术，还有医院采购了国外的辅助诊断设备，但因为准确率低，闲置一旁不使用。” 
          陈补充道，“包括IBM、R2 Technology均曾高调进入中国市场，但都不成功，很大原因是他们的数据源是基于美国人的，和中国人相差挺多的。” 
          于是，他一遍一遍给医生灌输技术理念。此外，陈宽找到其它临床科室的医生，各个击破。“医院里使用影像技术的不只放射科，相关部门我都去尝试说服。”
过          程中，偶尔碰到反馈较好的医院，陈宽就在附近找个宾馆直接住下，一大早跑去接着聊。
如此，他还是一个人，一只包，奔波半年，跑了近40家医院，终与几家医院达成合作。因双方签有保密协议，合作医院名字暂不透露。 
          90%诊断准确率 
          与医院谈判的同时，陈宽和美国的朋友不断在优化算法模型。“算法从12年起便在优化，但还需要花几个月时间针对医疗行业特点做调整和改变。”

          陈宽（右）与联合创始人兼 COO 王少康 
          7月，陈宽组建起小型团队，将他们开发出的一组算法模型拿到合作医院做测试。“还没有所谓的界面，只是技术人员能使用的一个程序。” 
          他把所需的肺部X光影像留一部分作为测试数据，相当于让模型学习剩余部分的影像数据（训练数据），然后诊断测试数据，后与医生正确的诊断报告做对比。 
          个月，影像数据放进去，却未跑出结果。其中大的挑战是图像识别的准确率。 
          陈宽的模型中部分使用的是开源的图像数据库“ImageNet”，其模型是基于低分辨率数据源优化的，识别的准确率能达到97%，而X光影像数据量大且非常高清。 
          一边是模型，一边是数据，他要在其中寻找平衡点。“一个模型识别的参数超过一亿，如颜色反差、边角、形态等，要在尽量不损耗画质的情况下处理图像。” 
          除优化算法调整模型外，陈宽还加强了数据清洗、整理功能。 
          在已有模型的基础上，根据医疗行业的特点，他们需把结果转化为文字报告。 
          大约两个月后，在肺部X光的诊断环境中，后生成诊断报告与医生的诊断报告匹配率在90%以上。“换一个测试环境，换一家医院的数据，结果可能又不一样。”
陈宽对结果感到吃惊。“一个月前的诊断基本还是乱猜。” 
          随后，他带着算法模型去更多医院做测试。“吃喝拉撒睡都在医院，跟医生们打成一片。” 
          期间，模型会遇到各种问题干扰。比如一部分训练数据跑到测试数据里面，导致结果不准确。“相当于这个病人来了两次医院，这样的模型诊断的不是病变，而是两次的病症相似度。” 
          针对此情况，陈宽带着团队在测试前先去除相同数据，然后让模型重新学习。 
          更多时候，团队的精力花费在完善模型上。例如，医生诊断肺炎患者有没有肺部积液，还要考虑其有无家族肺癌病史等其它因素。“不同病症之间的关联性需要不断挖掘，模型随之升级。” 
          终，陈宽希望算法模型可转化为产品，帮助医生生成初级诊断报告。“医生如果不满意，可在此基础上做修改；如果满意可直接使用。” 
          今年2月，陈宽接触到英诺天使基金。过去两年，英诺一直在布局人工智能领域，恰好医疗行业也有所涉猎。基于此，双方很快达成融资意向，推想科技获得英诺天使基金1100万天使轮融资，此外还有部分个人投资者跟进。 
          目前，推想科技已有的诊断模型涉及数据源涵盖与心肺相关的超10种X光影像，如心影增大、肺部积液、肺炎等。