36氪首發 | 基於AI做消化內鏡輔助診斷,「Wision A.I.」獲數千萬元...

核心提示：

1.為什麼要做消化內鏡影像的輔助診斷？商業化的空間有多大？

2.技術難點何在？

3.如何驗證技術的臨床價值？

36氪獲悉，專注於內窺鏡影像輔助診斷的AI企業Wision A.I. 已獲得數千萬元A輪投資，資方為北極光創投。本輪融資將主要用於人才引進和開展更多臨床試驗。

Wision A.I.成立於2016年底，專注於通過AI為消化內鏡醫師提供實時輔助診斷，減少腸道息肉漏診率，其在測產品主要用於結直腸早癌篩查。

結直腸癌發病率的持續增長VS居高不下的漏診率

結直腸癌是世界上最常見的惡性腫瘤之一，目前在我國各癌症中發病率排第3位，其發病過程較其它癌種受環境因素影響更高。隨著我國經濟高速增長，人們生活方式日趨多樣化，結直腸癌發病率也以年均4%-5%的速度增加。

據了解，結直腸癌的轉歸、預後與病變的分期密切相關：多數早期結腸癌可治癒，5年生存率可達90%，局部進展期為70%，而晚期不足10%。這也充分說明早期診斷對生存有很大的影響。結直腸癌多數由結腸息肉演變而來，腸癌早篩的主要任務是發現息肉。

作為消化道病變篩查和診斷的金標準，臨床上一般採用消化內鏡來查看息肉，再通過取活檢分析病理的方式確定其惡性程度來進行癌症篩查。

但其中會涉及到幾個明顯痛點：其一，由於腸道環境複雜、早期癌變或息肉又小又平、檢查前洗腸不乾淨等因素，多數醫生很難做到精準化判斷，臨床漏診率很高（美國是6%~27%，日本約為20%，中國更不容樂觀）；其二，消化內鏡要通過自然腔道進入人體，檢查過程中醫生要花太多時間操作設備，會給患者帶來強烈不適感；其三，由於醫生資源匹配等原因，消化道疾病尤其是惡性病變的早診早治在基層並不普及。

用前瞻性臨床試驗確認AI的技術價值

Wision A.I.創始人兼CEO劉敬家表示，消化內鏡人工智慧技術能在很大程度上解決上述問題：通過輔助檢測系統提高檢查效率和早癌檢出率，讓醫生高效完成診斷；未來這種技術的普及也能將結直腸腫瘤篩查能力向基層下沉。

據介紹，現階段Wision A.I.能實現如下服務場景：醫生利用Wision A.I.的系統進行輔助診斷時，患者消化道的視頻影像在屏幕上不斷變化，與視頻畫面相對應的各種病變提示也實時發生著變化。即在醫生還沒有進行判別之前，機器就已自動對圖像進行了專業判斷。

Wision A.I.的產品

劉敬家透露，目前Wision A.I.它已在國內某三甲醫院進行了大規模的前瞻性、隨機化技術驗證，測試樣本是訓練樣本的44倍，規避算法過擬合。結果顯示，敏感度>94%、特異度>96%，AUC=0.991。該研究獲得了2017年世界消化大會（WCOG）唯一的國際獎，團隊受邀在大會首場環節進行報告。

需要指出的是，前瞻性研究（prospective study）是以現在為起點追蹤到將來的研究方法，處於醫療人工智慧試驗的第三階段。第一階段是要確定有前景的模型；第二階段是通過大規模患者陣列確定模型的價值的回顧性研究。以Wision A.I.為例，通過前瞻性研究在現有數據模型基礎上，追蹤AI工具介入過程中醫生診斷效果的的改變情況，更具臨床價值。

劉敬家表示，醫療AI技術開發現在還處於早期階段，前瞻性研究要求的控制變量又相對複雜，目前我們能看到的多數精尖研究成果都未經過前瞻性研究的驗證，包括谷歌發布在JAMA上的糖尿病視網膜病變定級，斯坦福發布在Nature上的皮膚病變診斷成果等。

渠道方面，Wision A.I.在成立之初就面向美國，通過與哈佛醫學院及旗下醫院合作，對其50個全長度的腸鏡檢查算法進行驗證，有效提示了息肉並超越了醫生日常的診斷水準；另外，它還和紐約某頂尖醫院建立了合作。

區別於其它將系統裝到儘量多的醫院進行訓練的AI公司，Wision A.I.創始人劉敬家表示，做醫療AI要遵循循證醫學的邏輯，每個渠道都要為其產品帶來更好的臨床證據才行，因此並不急於將系統部署到更多醫院。他透露，待與現有渠道建立穩固合作關係後，下一步會擴展到美國中部、東南部和西海岸幾個州的標杆性醫療機構。

商業變現空間與技術壁壘

至於產品後續的商業化，還要考慮到消化內鏡的應用場景。首先，消化內鏡能特殊光源、放大鏡、甚至顯微鏡的觀察方式，為疾病病理研究提供了更豐富的手段；其次，它在腫瘤早篩之餘還能深入到治療環節（微創或無創手術），包括肺、膽囊等器官的臨近區域腫瘤的切除和治療。

而隨著相關疾病發病率的逐年上漲以及微創、無創手術的進一步普及，AI+消化內鏡影像也能有更廣闊的商業空間。相應的，相比於對放射影像、超聲影像、病理切片、眼底等醫學影像的輔助篩查，消化內鏡的AI輔助診斷工具也更具備作為獨立醫療器械產品的臨床價值和商業變現能力。

當然，也有不少機構開始盯住這塊蛋糕：投入到消化內鏡人工智慧開發領域。公開資料顯示，去年5月，日本奧林巴斯和富士公司宣布合作開發適合胃和腸道的AI輔助診斷產品；去年7月，日本癌症中心和NEC公司也在宣布開發出在結腸內窺鏡中自動診斷息肉的人工智慧；8月，華西-希氏醫學人工智慧中心發布了人工智慧消化內鏡產品，並宣稱它能在胃鏡下對息肉、腫瘤和靜脈曲張進行準確識別。今年7月，騰訊覓影也發布了結直腸腫瘤篩查AI系統。等等。

提及到技術壁壘，劉敬家表示，消化內鏡的病兆形態特徵複雜——正常隆起、皺壁、脂肪顆粒等會對識別目標（息肉腺瘤等）造成幹擾，無明顯統計規律，常規深度學習方法並不適用於這類病變的識別 。對此，Wision A.I.採用了泛函分析算子理論的方法，即構造各種深度學習神經網絡函數的不變子空間，並據此構造以深度學習神經網絡為基函數的泛函識別函數 ，它擺脫了常規深度學習方法對圖像形態的限制，模型構造難度更大。

而且，消化內鏡圖像是在整個動態過程中所截取的圖像，圖片質量受限於醫生的操作手法或設備水平，藉助AI識別要比其他的圖像要更困難，對AI模型訓練技術要求也很高。另外，做消化內鏡時臨床上每秒鐘會有上百幀的內鏡下視頻流，要做到高速識別，不「丟幀」、不卡頓、不能有感覺上的延時，這對配套的硬體技術的要求也會很高。

團隊方面，主要成員來自布朗、哥倫比亞、斯坦福、復旦、中科大等名校，團隊成員曾供職於谷歌、高盛、亞馬遜等公司，目前共有11人，其中技術團隊是由曾在高盛做量化交易的模型師領銜。