从实验室走向落地诊断,「依未科技」发力AI眼底检查

简介: 向眼科医生提供可量化的眼底检查检查报告。

云栖号资讯:【点击查看更多行业资讯
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!

编辑:顿雨婷

眼底影像检查对于大多数人来说都会比较陌生,但其实目前眼底检查可以检查出超过60种疾病。诸如血糖、血压偏高的患者会出现全身毛细血管出现变化,毛细血管和神经的微小病变。眼底包含人类少有的直接暴露在外的神经与血管,通过光学的模式可以直接观察眼底情况,从而进行诊断。眼底影像检查的无创、直接以及高效使这种方式长期成为辅助医生进行诊断的工具。

36氪近期接触到的「依未科技」就是一家通过人工智能技术进行眼底检查的公司。依未科技通过大量病例的医学积累,进行长期的机器学习构建AI数据库以及检测标准模型,推出了AI影像专家,可以根据眼底照片直接给出具体的不正常现象以及病灶信息,辅助医生进行判断。

v2_8606fee2c51e430fb288e2daa6b81386_img_png

眼底图像

较之于传统的人工阅片,依未科技AI眼底检查在检查的准确性、病种多元性以及效率上有较大的提升。

眼底照片的检查较之于CT等影像检查需要更加细致的观察,人工阅片难免会出现遗漏,因为往往病症就体现在一个微小的出血点或是渗出点上。依未科技的AI眼底检查准确率可以达到90%。

一个医生全天阅片量在几十张左右,而依未科技的AI可以做到10秒完成一张眼底照片的分析判断。

传统眼底检查阅片多为眼科医生,跨科知识背景也较为贫瘠,容易造成误诊、漏诊的情况。AI影像专家可以根据医学积累学习提供跨学科的诊断建议。

v2_86fddd290ae043c9a8182e222e819257_img_png

依未科技量化的眼底AI分析报告

依未科技AI眼底检查通过图像数据标注告诉医生具体的患者眼底出血点、渗出点以及其他阻塞异常情况,并结合出血点面积、位置以及常见的对应病症给出病灶推断。相较于传统的阅片过程,医生手中拿到的是经过处理的量化报告及诊断建议,将会减少医生的阅片成本以及提高诊断效率。面对极其紧缺医生资源,医院怕迫切的需要诸如此类手段减负。

2012年依未科技CEO柯鑫团队针对眼底检查开始研发,2015年柯鑫团队率先在国内完成糖网病自动筛查系统并与医院进行合作。依未科技的AI团队具有微软亚洲研究院、中科院、清华等研究平台背景,医学团队专家来自协和医院、同仁医院、北京视觉研究所等机构。

依未科技创始人CEO柯鑫告诉36氪:“我在2015年与同仁医院合作开发系统的时候,AI影像诊断准确率已经超过90%了。但是我们也发现基层眼底照片拍照等能力很差,因此我们也开发了相应的照片质量检测系统,可以当场确认照片的质量,这也是依未科技技术得以落地的原因之一。”

国内AI眼底检查赛道内已经有不少创业公司,Airdoc、体素科技、致远慧图、上工医信等。业内针对于眼底检查的手段以及方法类似,如何使AI眼底检查技术更好的落地是诸多竞品的差异体现之处,已有部分企业尝试从医院、保险公司、制药企业、健康管理企业进行产业协同,大范围复制已经成功的应用场景和商业模式。

国外AI影像赛道内也有独角兽级别的玩家,谷歌等公司曾在这一领域发力不浅,但是从实验室走向落地诊断的企业很少。今年4月份谷歌曾自曝利用机器学习来筛查糖尿病性视网膜病变临床结果不佳(查看更多资讯请点这里)。

依未科技目前为上海240个社区医院提供眼底影像的照片质量检查支持,本月初依未科技在云南昆明与当地眼科医院、保险公司及设备厂商开展了超过3万人的眼底筛查,并希望逐渐复制这种检查模式,推动眼底检查的落地。对于创业型AI眼底检查企业而言,B端较之于C端对于眼底检查的认知更清晰,如何通过诸如保险公司等B端用户变现将是发展的重点之一。

柯鑫表示,依未科技并不会只落地在大城市,而会逐步拓展到中国的一些二三四线城市。因为那些地区的眼科检测能力、医疗资源更加匮乏,人工智能要做的就是去赋能基层实现AI价值。

依未科技2019年下半年已经与中国数十家医院确定了合作关系,也有了百万级别的业务收入。其目前主要通过B端获取利润,客群集中在医院、大型企业和体检中心中,后续会逐步拓宽客群。柯鑫表示,依未科技希望通过与B端用户建立合作,让B端用户去教育消费者,依未科技仍然将专注于于技术服务商的身份。

配图来源:Pexels

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/zhibo

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-05-29
本文作者: 熊纯漪
本文来自:“36kr”,了解相关信息可以关注“36kr

相关文章
|
19天前
|
机器学习/深度学习 传感器 人工智能
AI与未来医疗:重塑健康管理新格局随着人工智能(AI)技术的飞速发展,医疗行业正迎来一场前所未有的变革。AI不仅在数据分析、诊断支持方面展现出巨大潜力,还在个性化治疗、远程医疗等多个领域实现了突破性进展。本文将探讨AI技术在医疗领域的具体应用及其对未来健康管理的影响。
人工智能(AI)正在彻底改变医疗行业的面貌。通过深度学习算法和大数据分析,AI能够迅速分析海量的医疗数据,提供精准的诊断和治疗建议。此外,AI在远程医疗、药物研发以及患者管理等方面也展现出了巨大的潜力。本文将详细探讨这些技术的应用实例,并展望其对健康管理的深远影响。
|
2天前
|
机器学习/深度学习 人工智能 搜索推荐
AI在医疗诊断中的应用
【9月更文挑战第35天】本文将探讨人工智能(AI)如何在医疗诊断中发挥作用,提高医生的诊断效率和准确性。我们将通过实例来展示AI如何帮助医生进行疾病预测、影像诊断和个性化治疗。同时,我们也将讨论AI在医疗诊断中面临的挑战和未来的发展。
7 2
|
5天前
|
机器学习/深度学习 人工智能 监控
AI与未来医疗:重塑健康产业的双刃剑随着科技的迅猛发展,人工智能(AI)正以前所未有的速度融入各行各业,其中医疗领域作为关系到人类生命健康的重要行业,自然也成为AI应用的焦点之一。本文将探讨AI在未来医疗中的潜力与挑战,分析其对健康产业可能带来的革命性变化。
在医疗领域,人工智能不仅仅是一种技术革新,更是一场关乎生死存亡的革命。从诊断到治疗,从后台数据分析到前端临床应用,AI正在全方位地改变传统医疗模式。然而,任何技术的发展都有其两面性,AI也不例外。本文通过深入分析,揭示AI在医疗领域的巨大潜力及其潜在风险,帮助读者更好地理解这一前沿技术对未来健康产业的影响。
|
7天前
|
机器学习/深度学习 数据采集 人工智能
探索AI在医疗诊断中的应用
【9月更文挑战第30天】本文将探讨人工智能(AI)如何在医疗诊断中发挥重要作用。我们将从AI的基本概念开始,然后深入到其在医疗领域的应用,特别是如何帮助医生进行更准确的诊断。最后,我们将通过一些实际的代码示例来展示AI是如何工作的。无论你是AI专家还是医疗专业人士,这篇文章都将为你提供有价值的信息。
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
AI在医疗诊断中的应用与未来展望
随着人工智能技术的飞速发展,AI在医疗领域的应用日益广泛。本文探讨了AI在医疗诊断中的具体应用,包括医学影像分析、电子病历分析和辅助诊断等。同时,讨论了AI技术在未来医疗中的潜力和挑战,如数据隐私保护、算法的公平性和透明度等问题。通过分析具体案例和当前研究成果,本文揭示了AI在提高医疗诊断效率和准确性方面的显著优势,并对其未来发展进行了展望。
|
6天前
|
机器学习/深度学习 人工智能 算法
AI辅助医疗影像:提高诊断准确性
【10月更文挑战第2天】医学影像技术是现代医学诊断的关键手段,但传统方法依赖医生经验,存在误诊风险。AI辅助医疗影像通过自动化图像识别、疾病预测和辅助诊断决策,显著提升了诊断准确性与效率。利用深度学习、数据增强及迁移学习等技术,AI不仅能快速分析影像,还能提供个性化诊疗建议,并实时监测疾病变化。尽管面临数据质量、算法可解释性和伦理法律等挑战,但多模态影像分析、跨学科合作及VR融合等趋势将推动AI在医疗影像领域的广泛应用,助力实现更精准、高效的医疗服务。
|
8天前
|
机器学习/深度学习 人工智能 自然语言处理
AI在医疗诊断中的应用
【9月更文挑战第29天】随着科技的发展,人工智能(AI)已经在许多领域得到广泛应用,其中包括医疗诊断。AI可以帮助医生更准确、更快速地进行疾病诊断,提高医疗服务的质量和效率。本文将介绍AI在医疗诊断中的应用,包括图像识别、自然语言处理和预测分析等方面。
|
22天前
|
数据采集 机器学习/深度学习 人工智能
AI在医疗诊断中的应用
【9月更文挑战第15天】本文将探讨人工智能(AI)在医疗诊断领域的应用。我们将首先介绍AI的基本概念和其在医疗领域的潜力,然后通过一些具体的案例来展示AI如何帮助医生进行更准确的诊断。最后,我们将讨论AI在医疗诊断中面临的挑战和未来的可能性。
|
18天前
|
机器学习/深度学习 人工智能 自然语言处理
探索AI在医疗诊断中的应用
【8月更文挑战第50天】本文将探讨人工智能(AI)在医疗领域的应用,特别是其在医疗诊断中的作用。我们将通过具体的代码示例,展示如何使用机器学习算法进行疾病预测。本文的目标是为读者提供一个关于AI在医疗诊断中的实际应用的全面视角,以及如何利用这些技术来改善医疗服务的质量和效率。
45 11
|
12天前
|
机器学习/深度学习 人工智能 算法
探索AI在医疗诊断中的应用:挑战与机遇
本文旨在探讨人工智能(AI)在医疗诊断领域的应用,分析其在提高诊断效率和准确性方面的潜力。同时,讨论了当前面临的挑战,包括数据隐私、算法透明度以及技术普及等问题。通过案例研究,本文展示了AI如何在实际医疗场景中提供辅助诊断,并提出了相应的解决策略。

热门文章

最新文章

下一篇
无影云桌面