独家 | 唇枪舌战,7位顶级专家激辩“AI + 医疗”(下)-阿里云开发者社区

开发者社区> 雷锋网> 正文

独家 | 唇枪舌战,7位顶级专家激辩“AI + 医疗”(下)

简介: 在近两年掀起的这股医疗AI浪潮中,产、学、研、医密切合作已经成了行业共识。但从目前的发展来看,大家显然还没有找到最舒适的合作和创新模式,AI科研成果的产业转化并不顺畅。

在近两年掀起的这股医疗AI浪潮中,产、学、研、医密切合作已经成了行业共识。但从目前的发展来看,大家显然还没有找到最舒适的合作和创新模式,AI科研成果的产业转化并不顺畅。

AI技术在医疗领域的应用前景究竟如何?什么样的产学研医合作模式才能最大限度地推动AI技术在医疗领域落地?

为了促进产学研医的深入交流与合作,日前国际数字医学会、中华医学会数字医学分会、中华医学会病理学分会、电子科技大学电子工程学院联合举办了图像计算与数字医学国际研讨会(ISICDM2017)。在大会的圆桌讨论环节,多名分别来自学术界、产业界和临床一线的嘉宾就这些话题展开了深入交流。整个圆桌讨论长达3小时。

在圆桌讨论的前半部分,美国北卡大学沈定刚教授,四川省肿瘤医院周鹏博士,中华医学会病理学分会主任委员、原四川大学副校长步宏教授,视见医疗创始人陈浩博士,微软亚洲研究院副院长张益肇博士,江苏省人民医院放射科主任医师唐立钧博士,科大讯飞医疗CEO陶晓东博士(嘉宾名单按座位顺序从左往右进行排序),围绕“AI在医疗领域的应用”“AI与医生的关系”“深度学习是否是‘万金油’”“深度学习在医疗中的不可解释性”,以及“医生和AI专家的合作方式”等话题展开了思想交锋(独家 | 唇枪舌战,7位顶级专家激辩“AI + 医疗”(上))。

紧接着,微软亚洲研究院副院长张益肇博士,美国印第安纳大学黄昆教授,美国硅谷企业创新者组织合伙人、IEEE Fellow、前西门子美国硅谷创新中心总经理徐晨阳博士,湖南大学刘国才教授,德国Surpath Medical公司创始人谢卫国博士,青岛美迪康数字医疗有限公司研发部赖永航经理,科大讯飞医疗CEO陶晓东博士,浙江大学孔德兴教授(嘉宾名单按座位顺序从左往右进行排序),又就“产学研医的合作创新之路”这一议题展开了热烈讨论。观点犀利之余不失幽默。

独家 | 唇枪舌战,7位顶级专家激辩AI + 医疗(下)

以下是圆桌讨论内容(下篇),雷锋网做了不改变原意的编辑:

哪种产学研医的合作模式最理想?

主持人:我们接下来讨论的主题是“产学研医合作的创新之路”,请几位嘉宾结合自己的经历谈谈,您认为哪种产学研医的合作模式最好,或者现有合作模式有哪些不足。

张益肇:我觉得产学研医合作要做好两点:一、大家沟通的时候要清楚彼此的期待,知道合作中各自想要的是什么;二、每个人专注于自己的专长。极有天分的人毕竟是少数,对大多数人而言,做好一件事情相对容易,同时做好两件甚至三件事情非常难。只有大家各自专注自己擅长的事情,才能更好地发挥产学研医合作的效果。

黄昆:我来自印第安纳大学。我本科学的生物,博士读的电子,但过去十三年一直在医学院工作。我看过很多合作形态,但迄今为止还没有看到很好的模式。我想强调一点,过去我看到的很多合作之所以进展得不好,很重要的一个原因在于,学理工、医学和生物的人之间存在文化差异。学理工的人主要追求模式和方法的创新,学医生或生物的则以结果为导向,更看重结果和解决实际问题。我们合作时必须充分考虑到这一点,才能平衡各方的意见。

另外,大家还应该建立长期的合作关系。这个愿景很美好,但实现起来不容易。我以前有个朋友说,找人合作就像相亲。你可以跟很多人相亲,但最后只和一个人走向婚姻。我认为我们应该像经营婚姻一样经营彼此间的合作。

徐晨阳:我在西门子工作了十七年,最开始负责医疗影像,后来在硅谷创业中心担任总经理。我最近离开了西门子,在硅谷的企业创新者联合会负责创新中心的投创工作。我们经常会举行长期研讨会,分析先进技术的应用前景,加速其商业化落地。

上半场讨论中出现最多的一个词汇是“碰撞”,我认为“碰撞”十分重要。产学研医合作最大的障碍就是,各个学科之前存在一堵“墙”。假如我们能多创造一些机会,比如举办今天这样的会议和论坛,把这堵“墙”去掉,让大家相互碰撞,就能增加许多相互间的理解。比如通过今天的会议我们就了解到,医生平时都非常忙,企业找医生是真心想合作的,并不只是来要数据。

我希望今天这个会议明年可以继续举办,为大家创造持续碰撞的机会;同时我也希望大家回到各自的岗位之后,能够继续交流碰撞。

刘国才:我大概从2004年开始从事医学影像方面的研究;2007年又前往美国加州大学戴维斯分校研究PET/CT。回国后我一直在思考,如何将PET提供的肿瘤生物信息应用到化学治疗当中。我从2010年开始跟医院合作,尝试解决放射治疗领域的三大难题:一、精准定位,即找到肿瘤的边界,要求误差在2mm以内,我们目前的精度还远远不够;二、精确计划,计算出治疗的剂量;三、准确实施。这是一个非常复杂的过程。

我认为,在产学研医的合作中,医生的主要工作是提需求,把问题定义清楚。然后由工科学者提供解决方法,产业界再把方法做成产品,最后回到临床来验证,解决临床中的实际问题。为了把我团队将近八年的努力产业化,我最近成立了一家公司。

谢卫国:我是瑞士伯尔尼大学的生物工程学博士,同时也是德国Surpath Medical公司的创始人。我曾经就职于中国和德国西门子医疗,以及德国海德堡大学医学院附属骨科医院。

如果我们把产学研医的合作想象成一个钟表,产、学、研、医分别按照12、3、6、9点钟方向排列。目前国内比较常见的是“逆时针循环”的模式:临床触发需求—研究界推动—学术界跟进—产业界配合。乍听起来似乎没什么问题。但这个循环中最关心临床问题是否得到解决的是谁呢?当然是医生,其次是产业界。

为什么产业界会排在研究界前面?我读博士期间,我的博士生导师曾经跟我说,如果一个课题已经有了算法,不能发表论文,那就不要去做了。也就是说,研究界追求的是“新”;工业界做的往往不是最新的东西,但却是最实用的。因此,我认为正确的循环模式应该是顺时针的:临床触发需求—产业界推动—学术界跟进—研究界配合。只有这样才能真正推动临床问题的解决。

据科技部公开数据,虽然这两年有很多的项目,但真正通过CFDA,落实到临床的只有一个。所以我认为,接下来我们应该转变思维模式。

另外,我也同意张院长的观点,循环中的各个环节要各司其职。我经常碰到学术界的人想要做产业,但我认为学术、科研和工业是有区别的。学术成果进展到一定程度后,一定要让产业界来接手,才能真正把它做好。学术界和产业界的驱动力不同,如果既做学术又做产业,很难将二者划分清楚。假如我是医生,那么我就只提供标记好的数据,由合作的企业来做临床解决方案,而不是我自己跨界来做。

赖永航:我是青岛美迪康数字医疗有限公司的研发部经理赖永航。我想简单介绍一下我们公司在产学研医当中所处的位置。

我们公司是做为唐主任等影像科医生日常工作服务的医学影像管理系统的,是决定数据质量的重要因素。对于AI来说,数据的质量非常重要。就像陶博士说的,如果输入的数据是垃圾,那么输出的结果必然也是垃圾。为什么现在很少见到用AI做文字处理的公司?原因就在于文字和语音的数据质量远低于影像和病理图片。

另外,最新研究成果在影像科的应用也必须借助我们的平台。比如让机器人看片子,首先要通过我们的系统把片子传给它。

陶晓东:我认为产学研医的合作,要根据不同的情况来选择合适的合作模式。

这里我主要谈谈产学研医合作的挑战。我认为产学研医合作最大的挑战在于,如何兼顾这四个领域不同的激励机制。以学术界为例,对学术界来说可能需要失败1000次才能收获一个有用的成果。只有成功的结果才能发表论文,帮助研究者评职称。但对工业界而言,知道1000次失败的原因也很有价值。我们需要找到一种平衡各方利益的合作模式。

另外,前面提到科技部有很多项目,但只有一个通过了CFDA。我们究竟该用什么标准衡量产学研医的合作是否成功?是以学者发表了多少论文,企业赚了多少钱,还是有多少技术真正服务到了病人?我这里没有答案,只有问题。

孔德兴:我是学数学出身的,是浙江大学数学学院的老师。我们团队认为,在中国特殊的大环境下,“产学研医”的完整提法应该是“政产学研医用”。所谓“政”是指,要考虑政府的态度,征求国家卫计委和各个相关部门的意见;同时做的研究要符合中国国情,帮助解决“看病难、看病贵”的难题。“用”是指,学术界、医生、技术人员,以及其他方面的力量,必须联合起来推动技术的落地,实实在在地解决临床问题。

2015年,我们在浙江成立了浙江数理医学学会,当时学会只有100多位成员。经过一年多的发展,截止去年12月,我们已经发展到了900多位成员,其中400多人是主任级以上的医生,其余是数学、计算机、物理学等领域的专家。我们这个学会希望能围绕医生提出的问题做一些研究,并最终应用到临床当中。

如何进行数据的标准化和开放?

主持人:美国NIH建立了很多疾病的公开数据库。他们花了很大的功夫做数据清理,请了多达四位数——甚至五位数的医生来做数据标记。我想请教黄教授,美国是怎么做数据标准化和数据开放工作的?

黄昆:我们印第安纳大学正在建立一个data comments,期待未来能生成很多数据,并把它开放出来。但开放数据涉及到很多问题,比如怎么开放,哪些数据是可以开放的,如何建立相应的开发平台和工具。

刚才大家都提到了数据的质量问题。的确,医疗数据经常不太干净。比如我拿到的数据,9000个病人里面有300个体重超过3000公斤,大家都知道这是不可能的。后来才知道,原来是数据传输时弄错了单位,正确地单位应该是盎司。

另外一个问题是,数据到底能在多大范围内共享。一般来说,通过一定的流程让数据在校园内共享是没问题的,但如果要把它放到公用数据当中,就涉及法律和制度的制定了。其中很重要的一点就是病人知情同意机制的设计,如果设计不当,某个病人去世后,研究者很可能就无法继续使用他的数据了。

另外,这套机制是否能回馈病人也值得深思。病人无私地贡献了自己的数据,到底能得到什么呢?美国有一份协议,病人签署以后,制药公司看到他的数据之后就能邀请他参加临床试验。这对病人——尤其是晚期癌症病人是非常有利的。

另外还有隐私和伦理问题。判断某个数据是否涉及隐私,很重要的一个标准就是,该数据放出来以后,是否能让别人猜到他是谁?比如根据病理片子,我们不可能猜到病人的身份;但如果有基因组数据我们就能推断出他是谁了。因此,即使病人非常无私,愿意开放自己的基因组数据,但这是否合法仍然值得商榷。隐私、伦理的问题我们无法解决,但必须考虑在内。

主持人:黄老师有一点说的非常好,我们向病人要数据的同时也要想着如何回馈病人。只不过黄老师说的是美国的模式,在中国不一定能推广。中国现在也在建立自己的大数据平台,其中最大的障碍在哪?孔老师在做甲状腺方面的研究,需要大量数据。我想问问孔老师,你从医院拿到数据之后是如何建立数据库的?有没有碰到过黄老师提到的道德伦理问题?

孔德兴:国家正在启动一个国家医学数据库的项目,由国家卫计委牵头。我们已经开过两次会了,将在今年十月底或十一月初启动一个大项目,首先从超声数据开始。

我们做甲状腺方面的研究比较早,需要的数据量比较大。我们通过多中心合作的方式获取数据,比如和北京301医院和浙大一院合作,由每家医院提供数据。有些数据我们会付费,但我们不追求数据的所有权,只要有使用权就够了。

中国到目前为止还没有明确的法规,如何从医院获取数据用于科研或者商业化。从某种程度来说,数据就像土地一样,是属于国家的。我们目前只想通过合作的方式获得数据的使用权。

主持人:孔老师是学术界的人,可以通过一些国家科研项目和医院合作。我想问问陶博士,讯飞作为一家企业是如何和医院合作的。

陶晓东:相较于前几次AI大发展,这次AI浪潮的兴起更多是建立在数据的基础之上。尤其是深度学习,建立在大量数据的基础之上。

中国和美国对数据所有权的定义有所不同。在美国,数据的所有权毫无疑问属于病人;但中国对数据的所有权尚没有明确规定。孔老师刚才说数据的所有权属于国家,我认为一定程度上是对的,但也有些医院认为数据的所有权归他们。

除了孔老师刚刚提到的国家医学数据库项目之外,卫计委还有另外一个项目——健康医疗大数据中心。这个大数据中心去年已经在江苏和福建省进行了试点,今年会逐步在全国推广。这个项目将通过连接过去建设的区域卫生平台,将所有数据集中到一个国家级的健康数据平台上。在这个平台上有各种级别的运营方式,比如科研、商业化等。未来中国的玩家可以非常灵活地接入平台,利用数据开发自己的应用,最终服务于临床。

当然,这也涉及到安全问题。一方面是病人的隐私安全,必须对数据进行脱敏处理。刚才黄教授提到,不能开放基因组数据。但其实通过头部CT的三维重建也能大致得出病人的样貌,这算不算隐私数据?该如何处理?要真正做到脱敏,还有很多技术问题需要解决。另一方面是数据的安全性问题,如何防止数据被盗。

总之,未来这个大规模集中数据平台需要做到三点:一、保证数据有用;二、方便接入;三、保证数据安全。

赖永航:今年国家医疗信息管理部门发起了一个项目,是关于数据脱敏的。今年我们输出的数据要求去标识化,也就是去除能定位到病人的信息,比如姓名、手机号、身份证号等。目前国家正在制定相关的标准。

主持人:有了数据和算法之后,还要将算法产品化才能在医院中应用。那么企业将算法产品化时,面临的最大挑战是什么?

谢卫国:我很羡慕中国的同行,有国家层面的重视,建设集中的数据平台。在德国,数据是严格属于病人的。我们从德国的医院拿数据一定要病人签知情同意书,而且要对数据进行脱敏处理,十分费劲。德国没有国家级的大型医疗数据管理机构,数据基本由各地的医院自行管理。这意味着,如果我们需要大量数据,就必须一家一家医院去谈合作,甚至还要和专门的科室。我认为我在做企业的过程中,遇到的最大挑战还是数据。

其实我们并不认为自己是一家AI公司,我们对自己的定位是德国的一家传统医疗设备研发和生产企业。只不过我们在部分产品中用到了AI技术来提高其局部性能。我们在推进AI算法和用数据训练模型的时候发现,数据非常短缺。虽然我们在中国和德国都有公司,但在数据的使用上必须严格按照地域划分,即在中国拿的数据决不能在德国使用,反之亦然。

大概是今年6月份,国务院发表一项声明称医疗数据是国家的战略性资产,随后才成立了孔老师说的国家医学数据库,负责各个领域医疗数据的存储、管理和运营。我认为未来AI公司是有福的,但从我们过去的经验来说,数据的确是发展的一大瓶颈。

我们是严格按照临床需求来制定企业战略规划的。现在AI很火,但我们并没有跟风去做最新潮的东西。因为我们在做企业的过程中,时时刻刻在和医生沟通。现阶段AI究竟能解决什么问题,医生也不清楚。所以,我们始终着眼于解决某个科室的某种疾病的诊断和治疗问题。

主持人:我们再来听听微软是怎么处理这个问题的。

张益肇:微软做新产品往往会考虑三个维度——BXT:

T代表technology。微软作为一家科技公司,做新产品前首先要验证技术的可行性。比如讯飞做语音识别,首先要知道语音识别的准确率有多高。

X代表user experience。也就是说,技术做成产品之后,用户到底会不会用,或者好不好用。其实很多企业对于产品投入市场后究竟是怎么使用的并没有清晰的认知。

B代表business,即商业模式。假如你开发出了一款很好的产品,但成本需要十万美元,没有几家医院愿意拿出十万美元购买这个设备,那么你的商业模式是不成立的。即使前面的X和T都做的很好,产业也无法推向市场。

这个世界上有很多人得了相对罕见的疾病,医药公司对这些人的兴趣是不大的。因为为了一小部分人专门开发一款新药,代价过于高昂,也很少有人用得起这种药。虽然这很残忍,但从商业模式来讲是正确的。

如何看待医疗AI创业热潮?

主持人:张院长提到了罕见病的问题。对于罕见病,即使企业投入很多,最终得到的回报依然很少,从商业模式上来说是行不通的,毕竟企业需要赚钱。说到赚钱,现在涌现出了很多AI创业公司,我想问问各位企业家是如何看待这些创业公司的。

徐晨阳:我们五年前开始做大数据,现在又做AI。西门子创新中心和投资者中心合作了很多案例。期间我们观察了很多行业,从中总结出一些心得,可以反过来用到医学领域。

现在AI无论在中国还是美国都很火。在这种全民发热的情况下,我有一些担心。创立公司的门槛低其实是件好事情,但如果资本对创业公司的质量把关不够,就很容易出问题。创业公司的成功是概率事件,每一轮融资都要筛去很多公司。现在很多医疗AI创业公司在处在种子轮——融资快一点的到了A轮,到B轮融资的时候很可能一半公司已经不在了,到C轮融资的时候又要筛去一半。如果起初资本对创业公司的质量把关不够,导致后面淘汰过快,就容易引起资本的恐慌,很多资金会撤走。

虽然现在大家都能从医院拿到数据,似乎创业的门槛很低。但实际上医疗行业创业的门槛是非常高的,因为我们最终的目的不是发论文、做产品,而是拯救病人的生命,让人类过上更好的生活。在医疗行业,99.9%的准确率仍然是不够的,因为哪怕只有1000万人使用这个产品,还是有很多人会被误诊。我们必须努力追求100%的准确率。我希望在座各位能秉着负责任的态度,在别人都发热的情况下保持冷静,想清楚自己擅长什么,不擅长什么。我认为,由比较冷静的人来设计AI,AI才能走得更加长远。

主持人:徐博士站在投资人的角度,讲得非常透彻。虽然现在人工智能很热,连学生都开始创业了,但最终能够生存下去的真的不多。刘教授既是教授也是创业公司的老板,我想听听他是怎么看待这个问题的。

刘国才:我的公司成立才几个月时间,公司成员主要是原来大学里的团队。我不把自己的公司看成一家AI公司,因为我要解决的问题不是光靠AI就能解决的。

创业最大的困难在于最终要实现盈利,因为投资人一轮轮投下来是要求有回报的。对于医疗公司来说,最难的是把产品做出来。产品做出来后如果要推向市场,还要经过CFDA认证和一期、二期、三期的临床实验。即使通过了认证和临床实验产品也不一定卖的出去。产品有没有市场?市场有多大?能不能满足投资人的回报期望?这些都要仔细分析。如果没有经过分析就盲目上马,最终很有可能会失败。

我说过,我不把自己的公司定位为一家AI公司。目前的医疗AI公司,尤其是做医学影像分析的AI公司,其目的主要是帮助医生做诊断。对于计算机来说,诊断是相对容易的,因为输入的结果只有两种——是和否,是良性肿瘤还是恶性肿瘤。治疗则复杂得多,不单单是回答是和否。很多问题从影像找不到答案,需要专业的临床和肿瘤学知识,而这些是AI公司和理工科学者所不具备的。

对于任何一家医疗创业公司来说,必须帮助医生解决临床问题才有价值,而不是看你的技术有多新。刚刚谢总也说了,真正解决临床问题的不一定是最新的技术。

此外,赢得医生的信任也很重要。我给大家分享一个小故事:大约六年前,一位肿瘤医院的医生跟我说,理论上PET影像的SUV值大于2.5即可诊断为肺癌,但是没有任何一个系统能告诉他SUV值到底是多少。于是我告诉他,你只要给我数据我就能帮你算出来。以此为切入点,我和他建立起了相互信任的关系。如果没有信任,医生不会跟你合作,更不要说提供数据了。

我成立公司之前和很多企业合作过,尝试解决产业化的问题。我认为,高校的老师和学生是做不成产品化的东西的,最多只能做做项目。学生创业之前必须想清楚,如何把成果变成产品,产品再变成商品,并最终盈利。想清楚了这些问题就可以创业了。

谢卫国:做创业公司不易,做医疗设备领域的创业公司更不容易。医疗设备领域有一个天然的门槛。现在所有的AI辅助诊断产品在国家药品监督管理局的医疗产品分类目录上,都归类为计算机辅助诊断产品,属于三类医疗器械,是不能免临床实验的。临床实验至少需要两年,因此AI医疗创业公司能否活下来主要取决了两个时间点——三年和五年。

假如你现在开始创业并在一年内拿出产品,顺利的话可以申报CFDA,注册认证后做临床实验,整个过程需要三年时间。三年后如果不能通过CFDA认证和临床实验,直接就出局了。当然,现在这么多人创业,肯定有公司可以通过第一关,但这仅仅只是个开始。产品上市后,医生到底买不买单还不好说。再者,企业需要有连续的产品输出,假如在第一款产品上市前一年开始蓄力,到第二款通过CFDA认证和临床实验整好需要五年。如果过不了这道门槛,同样很难生存。我三年前开始做企业时就跟我们大股东说过,别指望在五年内盈利。

此外,AI医疗创业公司还要面对GPS(雷锋网注:GE、Philips、Siemens)等医疗器械巨头的跨界竞争,因为它们是最容易获取医疗数据的。假如AI技术未来发展得很成熟,西门子的CT机只要嵌入一块AI芯片就能进行跨界竞争,AI创业公司根本无力抵抗。

市场的产业政策也是一大障碍。我曾经听卫计委的老师说,IBM Watson进入中国之前找到国家卫计委。卫计委的领导问Watson的误诊率是多少?对方回答10%。卫计委的领导立马摇头,“不行啊,去年中国全年有79.3亿人次的门诊量,按10%的误诊率计算,得出多少医疗事故。”我认为,如果没有产业界、学术界和科研界联合起来,花两三年时间去推动,根本不可能扭转产业政策制定者的思维。

我发现很多同行公司不大,但网站做得很漂亮,这是典型的互联网思维。虽然可以在一定程度上炒热产业,但用互联网思维做企业在医疗行业是行不通的。我希望各位一定要谨慎。

主持人:谢总身处行业之中,所以看得非常透彻。孔老师是研究超声机器人的,而且做的甲状腺超声机器人还上了央视。我想问问孔老师,您有没有想过把它产业化呢?

孔德兴:我们的甲状腺超声机器人正在申请国家的三类医疗器械证书,走路色通道。

我同意徐老师的观点,创业的门槛很高。现在很多年轻人头脑发热,认为成立一家公司就是创业,其实不是这样的。从拿到数据,做出产品,到申请CFDA,需要克服一系列的困难。

首先,数据是否合法。其次,系统的安全性如何。AI医疗系统不像汽车,出了问题还是会继续运行,我们该如何鉴别?第三,系统的合法性和责任分配。如果系统出现了诊断错误责任归谁,研发人员还是医生?迄今为止,国家还没有针对这些问题出台相应的法律法规。我认为AI+医疗产业应该以政府为导向,真正做到产学研医用。

我也想把自己的研究成果产业化,也想挣钱。希望能做出一款让医生接受,让广大患者受益的产品,让老百姓不出家门或者在离家很近的地方就能享受到优质的医疗资源,但这条路很艰辛。我们团队仍然持谨慎和冷静的态度。

主持人:孔老师非常诚恳,作为一名数学家也非常的谨慎和冷静。自从陶晓东博士回国后,科大讯飞的医疗业务就发展十分迅速。我想请教陶博士,科大讯飞是如何看待创业这件事的。

陶晓东:我同意前面几位嘉宾的观点,创业跟注册公司是两回事。注册公司很容易,但创业很难,需要有长期吃苦的准备,还要有各种机遇巧合才能最终成功。

这里我主要谈谈对创新的看法。作为一名医疗领域的技术人员,我认为创新分四个层面:

一、因为我能做所以做,不管技术本身是否有用,是否能解决实际问题。这是比较低层次的创新。

二、为了帮助医生解决问题,这是目前几乎所有医疗公司的创新模式。

三、为了减轻病人的痛苦,让他更方便地享受医疗资源。这很有意义,但由于病人的需求比较难搜集,做这类创新的企业很少。

四、为了促进社会的发展,比如通过技术降低医疗成本,减少医疗支出。这个过程中不可能照顾所有人,也许会让人很无助。假如你身患一种极为罕见的疾病,自然希望社会不惜一切代价救治你,但这对整个社会来说是不是最好的选择呢?

我曾经在GE和飞利浦工作过,大公司所有项目立项前都需要考虑这几个层面:技术的可行性、商业价值有多大、产品团队是否成熟。创业公司通常没有大公司那么丰富的经验,创业时不一定能考虑得很周全。但是你创业之前必须要知道可能会遇到的问题,而不是头脑一热就去注册一家公司。

主持人:我们再来听听张院长的看法。

张益肇:我认为专业很重要,就像硅谷的创投,针对每一个细分领域都有很专业的投资人。如果你越专业,对行业的认识就越清楚。

跟大家分享一个故事。我以前有两个同事很喜欢攀岩,有一次他们吃午饭的时候讨论起攀岩的事情。其中一个问另一个:“你试过不系安全绳攀岩吗?”对方想到家里孩子还小,默不作声。于是他又说,“如果没有尝试过不系安全绳攀岩,你就没有真正体会到攀岩的味道。”

我讲这个故事就是想说明专业的重要性。如果你足够专业,就知道不系安全绳攀岩可能遇到的风险和结果。创业同样如此,如果你已经清楚了创业可能遇到的风险和后果,仍然选择创业。那么,你有你的自由意志,这无可厚非。但如果你不够专业,只是带着玩票的心理来创业,那么无论对你个人还是社会来讲都是一种浪费。不管做任何事情,有了专业的判断,才能走得更远。

产、学、研、医各自扮演怎样的角色?

主持人:谢谢张院长。前面几位嘉宾谈到了对创新创业的看法。医疗是一个比较特殊的创新创业环境,需要企业、医院、学术界等多方合作才能将研究成果转化成商品。我想请教几位专家,您认为未来怎样的产学研医合作模式是最理想的?其中医生、学者、企业家分别应该扮演怎样的角色,以及承担哪些责任?

黄昆:我们在产学研医的合作过程中要弄清楚自己的位置,因为产、学、研、医中的任何一方都不可能解决所有问题。假如我是高校的科研人员,那么我的主要任务就是创新。做产品和企业虽然不一定需要创新,但这部分工作也需要专门的人来做。我们必须清楚自己在产业链条中所处的位置。

主持人:谢谢黄教授。刘教授现在既是教授又是企业家,处于跨界的状态,对于这个问题您是怎么看的?

刘国才:我前面已经提到了,研发人员和科学家主要是负责方法上的创新;企业负责把方法做成产品,并商业化;医生则负责提出临床需求,并应用企业的产品解决问题。我们必须牢记这一点。

像孔老师讲的,我们要解决的不仅仅是产学研医合作的问题,还要考虑“政”和“用”。也就是说要考虑行业的大趋势,考虑你做的产品是不是国家和行业所需要的。

另外,创业过程中还需要思考一个重要问题——钱从哪里来。我认为“政产学研医商”才是成功的模式,要考虑和具备各个方面相应的资源。

我在美国待过一段时间,感触很深。他们很多东西都是从零开始做的,最后推出一款产品。他们的模式通常是这样的:学校研究方法,然后以专利的形式卖个GPS等大公司,由他们去做产业化,最终由医院来使用。美国的大学医院——尤其是研究型的医院,有很好的研究基础,也有很高的研究热情。这和中国的环境有所不同。他们的团队里既有工程师也有医生,这比中国要好。中国的医生太忙了,忙着给病人看病,没有多少时间做研究。

谢卫国:介绍一下我们的经验。企业的生死线在于利润,融资只是企业发展的一种手段,不是目的。因此医疗企业必然要关注临床需求,因为只有满足了需求才能盈利。我不同意唐主任的观点,我们去医院并不只是去卖设备,还会谈技术和需求。

我们的模式是这样的:首先了解需求,然后看自己有没有相关的技术储备。如果没有技术储备我们肯定不会做,也不会评估它的商业价值。对于有技术储备但目前还做不到或者摸不透的潜在需求,我们会以项目合作的方式投资给高校,由教授带着学生花半年或一年时间验证技术的可行性。不管最终结果是行还是不行,对我们都很有价值。我们公司成立以来,有30%的研究经费用于高校预研性质的项目。

只要将责权率划分清楚,这种模式是很容易实施的。我们跟高校合作通常会签很厚的协议,把责权率划分清楚。比如企业对论文不感兴趣,那么根据研究成果发表的论文就全部归学校,专利则归企业所有。协议中还会包含什么时间点出怎样的成果,如何对成果进行检验和论证等信息。我认为只要大家各司其职各取所需就一定能把事情做好。

当然,我说的是产品创新,不是基础研究。很多基础研究是企业界和产业界无法承担的。希望我的经验能对大家有所启发。

主持人:前面几位嘉宾提到,各司其职很重要。徐博士,作为投资人您是怎么看的?

徐晨阳:说到赚钱,又回到了问题定义和商业模式上。找到正确的问题远比其他事情重要。不管是我在西门子开发新产品,还是现在调研初创项目,第一件事就是看解决的问题是否值得,以及商业模式是怎样。这需要花费很长的时间,但是非常必要。企业赚钱只是结果,原因在于找到了正确的问题,并在合适的时间解决了这个问题,Google、Facebook的成功都是如此。

关于创新我再补充一个例子:大约5年前,人工智能界的大牛Michael Jordan就意识到,机器、算法和人将在未来的计算中扮演十分重要的角色。但当时政府提供的研究资金远远不够。于是他联合UC伯克利的几位教授成立了AnpLab,依托UC伯克利大学在大数据和机器学习方面的技术优势向企业融资。他们最后融了很多钱,Apple、华为等很多知名公司都参投了。借助这笔资金AnpLab得以进行深入的研究,并在三年时间里培养出了很多人才。不仅使UC伯克利继续保持在大数据和机器学习浪潮的最前端,也极大地推动了美国大数据和人工智能技术的发展。

这是个美国的例子,在中国不一定适用,因为大环境不同,但希望能对在座各位有所启发。AI创新的道路上有很多障碍,希望大家能通过模式创新解决一些过去看起来无法解决的问题。

主持人:谢谢徐博士,徐博士为我们提供了一个非常好的思路。遗憾的是我们的讨论到此要暂告一段落了。下面是提问环节。

独家 | 唇枪舌战,7位顶级专家激辩AI + 医疗(下)

高校教授该何去何从?

施俊教授:沈老师星期五晚上跟我一起吃饭的时候说过这样一句话:“你在高校里能做得过工业界吗?Deep learning把门槛拉得很低,你能做的AI影像方面的研究,任何一家企业都能做。人家钱比你多,投资速度比你快,你做出成果的时候,人家早已经产品化了。”既然在高校做研究没有出路,那么我就想能不能去创业。但刘教授刚刚又说创业很艰难,不要轻易创业。所以我很迷茫,在产学研医里面,“研”到底可以做些什么?

刘国才:施教授的这个问题很尖锐。我并不认为在高校当老师就没有价值,也不认为AI时代一定属于Google、Facebook这些大公司。实际上很多新技术的应用都来自于创新一线的高校和研究所。比如Deep Learning就不是从企业开始推动的。沈老师做了很多工作来推动Deep Learning在医学影像分析领域的应用,才有了今天的红火。

我刚才虽然说创业不易,但我想告诉大家,假如你想创业而且想清楚了,现在正是天时地利人和。这也正是我从高校出来创立公司的原因。

李纯明教授:你完全走出高校了吗?

刘国才:完全走出高校是必然的。

谢卫国:我认为学术创新一定是高校先行,工业界是看到了可用的学术成果之后才推动产品化的。比如西门子有一个很庞大的团队,专门负责收集专业的期刊。如果一项创新已经在论文上发表了,学术界千万不要在追赶潮流,因为肯定会被企业碾压。企业和学术界的驱动力是不一样的。在高校做研究,发不了论文大不了过几年评教授,企业如果盈不了利则关乎生死存亡,所以它一定会快速碾压你。此外还有来自同行的竞争。一项新技术出来,你不做自然有竞争对手来做,所以企业必须追求最快的速度。

说到创业,我觉得人人创业并不合适,还不如找准自己的位置。希望风险小一点就去科大讯飞这种大公司;希望风险大一点、受益高一点就来我们公司。我认为不存在什么走投无路,所谓走投无路只是人懒于做选择。

陶晓东:企业研发人员要做的是带企业走向光明,同时看到科研的影子,他不能走得很远。但学术界可以走得很远。

学术界的主要工作是证明技术可用,接下来的产业化并不是学术界所擅长的。如果不是像刘教授一样决定出来创业,学术界的人做产业化实际是在浪费学术圈的时间。因为做产品跟做学术研究存在非常大的区别。

像刚刚张院长讲的,大家要各司其职。把产学研医看作一个团队,每个人发挥自己的特长。千万不要用自己的短处去PK别人的长处。




本文作者:刘伟
本文转自雷锋网禁止二次转载,原文链接

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
+ 订阅

秉承“关注智能与未来”的宗旨,持续对全球前沿技术趋势与产品动态进行深入调研与解读。

官网链接