在下午的大數(shù)據(jù)助力智慧醫(yī)療發(fā)展論壇上，北京肽積木科技有限公司CEO柏文潔發(fā)表了名為《構(gòu)建基于醫(yī)療大數(shù)據(jù)的人工智能訓(xùn)練平臺(tái)》的主題演講。柏文潔介紹稱肽積木做的是融合AI（人工智能）和治療影像，因?yàn)锳I在圖像領(lǐng)域，尤其是這一波以深度學(xué)習(xí)為代表的AI技術(shù)，圖像處理相對(duì)成熟，所以肽積木首先選擇了和醫(yī)療影像的結(jié)合。

柏文潔還從人工智能輔助閱片以及建立醫(yī)生和人工智能公司聯(lián)系兩個(gè)維度分享了肽積木在醫(yī)療方面對(duì)人工智能和大數(shù)據(jù)技術(shù)的實(shí)踐應(yīng)用，它通過輔助閱片實(shí)現(xiàn)自動(dòng)分級(jí)診斷和自動(dòng)病灶識(shí)別，而對(duì)于建立醫(yī)生和人工智能公司聯(lián)系，則是為了打造數(shù)據(jù)標(biāo)記平臺(tái)，這些標(biāo)識(shí)數(shù)據(jù)能夠幫助醫(yī)生方便地指出這個(gè)病灶有問題的點(diǎn)，并通過圖像直接的給予一個(gè)標(biāo)識(shí)或標(biāo)簽得出診斷結(jié)果。柏文潔認(rèn)為AI在醫(yī)療方面最核心的兩個(gè)能力，一個(gè)是降低醫(yī)生的工作量，另一個(gè)就是平衡國內(nèi)尤其在基層的醫(yī)療資源不足和匱乏的問題。據(jù)小編了解北京肽積木科技有限公司的團(tuán)隊(duì)之前就是做大數(shù)據(jù)分析的，將大數(shù)據(jù)分析帶入到醫(yī)療行業(yè)可以說是駕輕就熟。

演講中，柏文潔還給出了一個(gè)具體的例子，這是一個(gè)中度病變的眼底圖片，我們首先給出初步診斷指標(biāo)，這里其它的概率值也是給大夫一個(gè)參考情況，肽積木會(huì)在系統(tǒng)上面會(huì)直接標(biāo)出來，黃色的區(qū)域是滲出，紅色的區(qū)域是出血，藍(lán)色的區(qū)域是為動(dòng)脈血管瘤。藍(lán)色的區(qū)域是直接告訴你像這樣一張眼底圖，面色會(huì)有大量滲出，集中在面色上部，部分侵入黃斑地區(qū)，這樣影響視神經(jīng)的功能。所以整個(gè)醫(yī)生需要給病人傳遞或者說在整個(gè)診斷過程當(dāng)中需要涵概的部分我們都會(huì)給到一個(gè)直接的結(jié)論。

(照片微糊，包涵……)

以下為柏文潔的演講實(shí)錄：

各位領(lǐng)導(dǎo)、各位來賓大家好，今天非常高興有機(jī)會(huì)能跟大家分享我們肽積木公司在應(yīng)用人工智能和大數(shù)據(jù)技術(shù)在醫(yī)療實(shí)踐方面的應(yīng)用，這個(gè)時(shí)間我們是落在年底，下面可以具體來看一看是怎么一個(gè)情況。

其實(shí)從去年開始，人工智能尤其是和醫(yī)療結(jié)合的維度上已經(jīng)獲得了大家非常廣泛的關(guān)注，然后一些非常突破性的進(jìn)展其實(shí)不斷在產(chǎn)生。包括心臟、核磁共振的影像AI分析軟件，這個(gè)通過AI監(jiān)測心臟流動(dòng)的走向，包括兒童自閉癥早期診斷，在Science上發(fā)表準(zhǔn)確率高達(dá)88%，傳統(tǒng)是50%。NatureAI在皮膚癌診斷方面準(zhǔn)確率持平專家，谷歌AI乳腺癌診斷準(zhǔn)確率到88.5%，遠(yuǎn)高于兵力專家的73%。

在國際上AI和醫(yī)療的結(jié)合很顯著的看到有一系列的進(jìn)展，而對(duì)于國內(nèi)來講其實(shí)我們國家擁有更大量的，海量的病例數(shù)據(jù)，尤其是一些特殊評(píng)理的數(shù)據(jù)，同時(shí)我們國家的醫(yī)療資源，尤其在基層是非常缺乏的，醫(yī)療資源極度不平均，所以在這點(diǎn)上AI其實(shí)它是更多的來學(xué)習(xí)大夫的核心經(jīng)驗(yàn)，尤其是頂尖大夫的經(jīng)驗(yàn)，能夠比較好的來做資源的平衡。所以在這個(gè)維度上，其實(shí)AI尤其在中國應(yīng)該有更廣闊的應(yīng)用前景。

我們肽積木在這塊其實(shí)是融合AI和治療影像，因?yàn)锳I在圖像領(lǐng)域，尤其是這一波以深度學(xué)習(xí)為代表的AI技術(shù)，在圖像領(lǐng)域的處理相對(duì)比較成熟，大家可能也聽過機(jī)器在人臉識(shí)別上已經(jīng)超過了人類，它對(duì)于圖像識(shí)別已經(jīng)達(dá)到了比較好的程度，所以我們肽積木首先選擇了和醫(yī)療影像的結(jié)合。

這個(gè)切入點(diǎn)首先是選擇了眼底讀片，首先一點(diǎn)我們需要面臨的逃亡篩查人群非常廣泛，中國有1億糖尿病患者，中國每年花在這上面的經(jīng)費(fèi)也是非常大。而我們?nèi)绻軌蛲ㄟ^比較好的在這個(gè)過程當(dāng)中進(jìn)行干預(yù)，其實(shí)可以獲得大量經(jīng)費(fèi)的節(jié)省。

同時(shí)在這個(gè)過程當(dāng)中，其實(shí)很多因?yàn)槭翘悄虿∠绕诋a(chǎn)生的，內(nèi)分泌科的大夫自己不具備讀片能力，而且尤其這個(gè)其實(shí)是一個(gè)長期的慢病跟蹤的過程，很多患者其實(shí)可能就會(huì)落實(shí)在社區(qū)醫(yī)院，而這些地方其實(shí)也都不太具備這樣的一個(gè)觀察或者說診斷能力。在這個(gè)過程當(dāng)中我們首先來看到的就是我能不能用AI來學(xué)習(xí)到頂尖大夫的經(jīng)驗(yàn)和能力，然后把它應(yīng)用在基層的場景和環(huán)節(jié)當(dāng)中，從而使得我們能夠確實(shí)很好的做好醫(yī)院的資源為患者提供服務(wù)。

其實(shí)我們做了兩個(gè)部分，第一部分其實(shí)是利用AI來輔助閱片，做了這樣一個(gè)端到端的應(yīng)用系統(tǒng)，這一塊待會(huì)兒我會(huì)給大家看一看我們是一個(gè)什么情況。同時(shí)我們?yōu)榱四軌蛟诮酉聛碚麄€(gè)推進(jìn)行業(yè)，包括能夠更好的利用我們采集到的各類數(shù)據(jù)，其實(shí)我們也針對(duì)性的做了一個(gè)AI大數(shù)據(jù)訓(xùn)練平臺(tái)。也就是說當(dāng)我們有足夠的數(shù)據(jù)足夠的醫(yī)生合作之后，能夠比較快的推進(jìn)整個(gè)事情的發(fā)展。

第一塊就是希望通過AI來解決的第一個(gè)問題其實(shí)是能夠緩解診斷的壓力，提高診斷的效率。包括我們了解到的情況其實(shí)在內(nèi)分泌科的接診率非常多，每一個(gè)是不是都應(yīng)該在一定的范圍內(nèi)進(jìn)行眼底的篩查。所以在這個(gè)過程當(dāng)中我們希望解決一個(gè)端到端的邏輯，AI的落地其實(shí)應(yīng)該是大數(shù)據(jù)分析的下一步，也就是說我們是能夠直接給出結(jié)論的。所以在這個(gè)過程當(dāng)中我們重點(diǎn)做了一個(gè)方面：一是自動(dòng)分級(jí)診斷。也就是說我們會(huì)直接告訴你是不是有病變的風(fēng)險(xiǎn)，是不是有病變的可能性，以及你現(xiàn)在如果已經(jīng)發(fā)生病變到底是在幾級(jí)病變。在這個(gè)過程當(dāng)中我們會(huì)給出一定的概率值來提供醫(yī)生這樣的一個(gè)參考。同時(shí)除了這個(gè)方面以外我們還給出了一個(gè)自動(dòng)病灶的識(shí)別，這里面包含兩個(gè)部分，一個(gè)是組織的切分，一個(gè)是病灶的標(biāo)記。

這里是一張比較典型的眼底圖，我們除了包括黃斑都是可以直接標(biāo)出來，包括血管，因?yàn)槲覀儼蜒芡怀龀鰜砜梢愿奖汜t(yī)生看到血管有沒有發(fā)生病變，如果這上面產(chǎn)生了一些具體的病灶，像蛋白質(zhì)的硬性滲出，出血等等都可以直接標(biāo)注出來。在這個(gè)基礎(chǔ)上我們會(huì)直接的給出病例的編寫，也就是說不需要醫(yī)生再進(jìn)行正癥狀挑選，再描述病灶在什么位置，直接機(jī)器會(huì)給出最終的結(jié)論。所以在整個(gè)的過程當(dāng)中，醫(yī)生更多的是說我來檢查機(jī)器讀出來的結(jié)果是不是符合我的需求，是不是值得我進(jìn)一步的關(guān)注，在這個(gè)過程醫(yī)生的大量的診療的工作量就會(huì)被大幅的下降。而且在這個(gè)過程當(dāng)中有一件事其實(shí)也是我們現(xiàn)在正在做的，就是當(dāng)我們這個(gè)數(shù)據(jù)沒有一個(gè)逐步積累的過程的時(shí)候，其實(shí)這個(gè)病程的發(fā)展變化，對(duì)于大夫來講需要往前追溯，但是對(duì)于機(jī)器來講能更好的進(jìn)行對(duì)比，當(dāng)然這一步因?yàn)槟壳皵?shù)據(jù)整理還比較有限，這個(gè)其實(shí)是人工智能相對(duì)來說也是非常擅長的一個(gè)部分。

這個(gè)是我們實(shí)際給出來一個(gè)具體的例子，這是一個(gè)中度病變的眼底圖片，我們首先給出初步診斷指標(biāo)，這里其他的概率值也是給大夫一個(gè)參考情況。我們在系統(tǒng)上面會(huì)直接標(biāo)出來，黃色的區(qū)域是滲出，紅色的區(qū)域是出血，藍(lán)色的區(qū)域是為動(dòng)脈血管瘤。藍(lán)色的區(qū)域我們會(huì)直接告訴你像這樣一張眼底圖，面色會(huì)有大量滲出，集中在面色上部，部分侵入黃斑地區(qū)，這樣影響視神經(jīng)的功能。所以整個(gè)醫(yī)生需要給病人傳遞或者說在整個(gè)診斷過程當(dāng)中需要涵概的部分我們都會(huì)給到一個(gè)直接的結(jié)論。

所以在這個(gè)過程當(dāng)中其實(shí)技術(shù)解決的是非常關(guān)鍵的一步，也就是說我們不需要醫(yī)生做出太多自己的一個(gè)診療過程，更多的是對(duì)機(jī)器診斷結(jié)果的一個(gè)確認(rèn)，尤其是對(duì)于一些可能需要進(jìn)行手術(shù)干預(yù)或者進(jìn)行我用藥干預(yù)病人的一個(gè)病人的再行的察看。

除了技術(shù)上的落腳點(diǎn)之外，我們其實(shí)在商業(yè)模式上，或者說在運(yùn)營模式上其實(shí)也需要能著重落實(shí)到基層應(yīng)用，能夠結(jié)合到三甲大夫的這樣一些經(jīng)驗(yàn)和知識(shí)。所以首先我們從幾個(gè)維度來講，第一就是說對(duì)于三甲醫(yī)院，因?yàn)楝F(xiàn)在其實(shí)很多三甲醫(yī)院已經(jīng)開始逐步自行建立自己的閱片中心，對(duì)于閱片中心來講大量的閱片壓力會(huì)集中出來，在這個(gè)過程當(dāng)中如果利用我們這樣的產(chǎn)品確實(shí)可以大幅節(jié)省閱片中心的診療壓力，而且能夠傳遞一些教學(xué)經(jīng)驗(yàn)。另一個(gè)維度就是類似的三甲醫(yī)院這樣一些情況，包括我們和一些第三方閱片中心，第三方閱片中心也是在緩解區(qū)域的診療，緩解區(qū)域的讀片、看片的壓力，我們在這個(gè)問題上可以進(jìn)行快速學(xué)習(xí)和推廣的。

我特別強(qiáng)調(diào)的其實(shí)是在基層應(yīng)用場景，因?yàn)閷?shí)際上我們看到基層醫(yī)院對(duì)眼科大夫非常缺乏，而且同時(shí)大家其實(shí)還沒有建立一個(gè)很好的慢病管理或者慢病監(jiān)測的這樣一個(gè)氛圍。其實(shí)我們從現(xiàn)在這個(gè)角度來講，大家這種智能設(shè)備尤其是眼底設(shè)備的成本已經(jīng)大幅下降，所以其實(shí)大量的社區(qū)醫(yī)院甚至包括藥店都是有能力配備這樣的設(shè)備的，而他們其實(shí)更重要的是缺乏眼科的大夫。如果在這個(gè)過程當(dāng)中其實(shí)應(yīng)用我們的產(chǎn)品，讓機(jī)器進(jìn)行初步的篩選，然后我們在背后其實(shí)會(huì)提供遠(yuǎn)程大夫的服務(wù)，結(jié)合遠(yuǎn)程醫(yī)療的篩查，然后提供一個(gè)個(gè)性化的診療意見。如果在這個(gè)過程當(dāng)中，我們發(fā)現(xiàn)這個(gè)病人可能確實(shí)到了一個(gè)需要干預(yù)的場景，那我們再進(jìn)行一個(gè)分診。所以在這個(gè)過程當(dāng)中，我們一直認(rèn)為AI最核心的兩個(gè)能力，一個(gè)是降低醫(yī)生的工作量，另一個(gè)就是平衡我們國家尤其在基層的醫(yī)療資源不足和匱乏的問題。

剛才其實(shí)說在提高醫(yī)生效率的維度上，第二個(gè)問題是我們希望解決怎么建立醫(yī)生和人工智能公司之間的聯(lián)系。其實(shí)我相信在座各位在做信息化過程中面對(duì)我們國家非常寶貴和真實(shí)的數(shù)據(jù)很頭疼，數(shù)據(jù)的規(guī)范度其實(shí)不是很高。所以這個(gè)過程我們到底怎么能把這部分?jǐn)?shù)據(jù)利用起來，包括像谷歌，美國的很多公司在做這個(gè)過程當(dāng)中，大家最關(guān)鍵的就是中國醫(yī)療數(shù)據(jù)，尤其到人工智能來講，最關(guān)鍵的一個(gè)環(huán)節(jié)其實(shí)是標(biāo)注型數(shù)據(jù)，也就是說醫(yī)生得告訴機(jī)器說什么樣的問題是有問題的區(qū)域，到底它是一個(gè)什么樣的病癥。其實(shí)包括我們看到像病例上的數(shù)據(jù)很多時(shí)候是有它的最后結(jié)論的，但病灶在哪里沒有一個(gè)標(biāo)準(zhǔn)化的標(biāo)出。所以在這個(gè)過程當(dāng)中我們是構(gòu)建了這樣一個(gè)數(shù)據(jù)標(biāo)記平臺(tái)，希望借助這個(gè)數(shù)據(jù)標(biāo)記平臺(tái)，一是醫(yī)生可以比較方便的，不是那種寫病例的過程，而是說比較方便的把這個(gè)病灶有問題的點(diǎn)，以及通過圖像我們得到一個(gè)什么樣的診斷結(jié)果能直接的給予一個(gè)標(biāo)識(shí)甚至借助于打標(biāo)簽這樣一種方式。二是我們在這個(gè)過程當(dāng)中其實(shí)也是一個(gè)規(guī)范化和整理數(shù)據(jù)的過程。其實(shí)中國有大量的尤其是一些特殊病例的數(shù)據(jù)我們把它整理好，然后讓醫(yī)生在這個(gè)平臺(tái)上進(jìn)行統(tǒng)一的標(biāo)記，能夠盡可能的收集更多醫(yī)生的觀念。在這個(gè)過程當(dāng)中其實(shí)也是有助于整個(gè)行業(yè)標(biāo)準(zhǔn)的一個(gè)建立。包括我們現(xiàn)在和中山、溫州影視合作過程當(dāng)中，我們其實(shí)希望集合多位專家的意見標(biāo)注，然后能形成一個(gè)相對(duì)來講對(duì)行業(yè)有一定指導(dǎo)意義的結(jié)論。尤其在這一點(diǎn)上，一些特殊的專家我們可能權(quán)重高一些，偏新手的就權(quán)重低一點(diǎn)。整體上我們通過這樣的一個(gè)標(biāo)注平臺(tái)，通過這樣一個(gè)過程，其實(shí)我們把整個(gè)基礎(chǔ)要學(xué)習(xí)的數(shù)據(jù)有一個(gè)標(biāo)準(zhǔn)化，第二把標(biāo)注數(shù)據(jù)有一個(gè)標(biāo)準(zhǔn)化，讓機(jī)器能夠更好的學(xué)到它應(yīng)該學(xué)到的東西，所以在這個(gè)點(diǎn)上是我們核心要解決的第二個(gè)問題。

在這個(gè)基礎(chǔ)上我們有了情理好的數(shù)據(jù)，有了標(biāo)記之后，我們目前建立了大數(shù)據(jù)的AI訓(xùn)練平臺(tái)，其實(shí)我們很多都有在做大數(shù)據(jù)系統(tǒng)，其實(shí)對(duì)到我們像肽積木來講，這個(gè)目標(biāo)就特別明確。這樣一個(gè)大數(shù)據(jù)系統(tǒng)是圍繞著AI的基礎(chǔ)訓(xùn)練來開展的。我們希望大夫雖然可能對(duì)于計(jì)算機(jī)技術(shù)沒有那么了解，但是通過一些簡單的操作，借助標(biāo)記系統(tǒng)，然后就可以能夠很快的得到AI訓(xùn)練的結(jié)果。在這一點(diǎn)上其實(shí)在目前AI有一些，就是我們?nèi)绻胱龅揭粋€(gè)非常好的結(jié)論肯定是需要人為干預(yù)的，但是其實(shí)現(xiàn)在也已經(jīng)有一些比較成熟的計(jì)算機(jī)學(xué)習(xí)的做法，包括深度學(xué)習(xí)的一些做法。像我們在這個(gè)過程當(dāng)中其實(shí)用到的牽引學(xué)習(xí)的做法，其實(shí)更是可以很快的很好的復(fù)制出來，我們?nèi)绻袠?biāo)記，有數(shù)據(jù)都能很快得到我們想要的計(jì)算機(jī)的結(jié)論，能夠更快的幫助和輔助到實(shí)際生產(chǎn)過程當(dāng)中。所以也不需要醫(yī)生和大夫一定要有編程技能，或者對(duì)深度學(xué)習(xí)有非常大的理解，只是更多的理解到AI能幫助到大家做一些什么樣的事情，能夠快速的解決什么樣的事情，怎么樣處理最開始的數(shù)據(jù)，而這一步其實(shí)在標(biāo)記平臺(tái)上會(huì)有一個(gè)初步的理解。

我們的大數(shù)據(jù)來講分為三層，最底層是數(shù)據(jù)采集層，包括我們拿到的影像監(jiān)測數(shù)據(jù)，病例數(shù)據(jù)。我們在這個(gè)過程當(dāng)中也支持即使是給標(biāo)準(zhǔn)化的病例，這也是一個(gè)非標(biāo)的數(shù)據(jù)，我們可以通過人工智能的識(shí)別，就是語義的識(shí)別來快速過一些關(guān)鍵詞也是可以的。在這個(gè)過程我們把影像數(shù)據(jù)、檢查數(shù)據(jù)以及獲得的標(biāo)注數(shù)據(jù)完整的整合起來進(jìn)行等級(jí)病灶的判斷，這是我們的第一層。

第二層里面我們其實(shí)構(gòu)建了一個(gè)GPO的集群，在這個(gè)集群上首先要做的就是數(shù)據(jù)清理，以及借助標(biāo)記平臺(tái)獲取標(biāo)記價(jià)值不斷地錘煉，包括同一批數(shù)據(jù)，譬如說我們之前拿過一套國外的8萬到的眼底數(shù)據(jù)，這個(gè)眼底數(shù)據(jù)可能剛開始只有一部分簡單標(biāo)注，而已經(jīng)過我們處理之后我們可以在它上面進(jìn)一步深化細(xì)化做過標(biāo)記病灶各種分級(jí)的處理。所以在這里我們是用訓(xùn)練方式把這個(gè)數(shù)據(jù)整合好。而在這個(gè)過程當(dāng)中其實(shí)利用的核心的大數(shù)據(jù)技能就是我能快速的根據(jù)我的需求，根據(jù)我各種各樣的個(gè)性化的定制來進(jìn)行數(shù)據(jù)的篩選，然后來進(jìn)行不同場景的結(jié)果的訓(xùn)練。因?yàn)楹芏鄷r(shí)候人工智能其實(shí)用在特定的場景下會(huì)更加有意義。就是我不見得要把所有問題都解決掉，但是我能解決當(dāng)前在你這種場景下的特定問題，往往會(huì)做得效果非常好。

第三層就是應(yīng)用層的構(gòu)建，包含了病理等級(jí)的判斷，病灶識(shí)別，報(bào)告的生成，包括未來發(fā)病的預(yù)測以及治療方案的推薦，這些其實(shí)都有賴于我們進(jìn)一步對(duì)于醫(yī)療知識(shí)然后標(biāo)記數(shù)據(jù)的整理。所以在這個(gè)平臺(tái)的構(gòu)建當(dāng)中我們其實(shí)是希望不僅僅局限于某一個(gè)特定領(lǐng)域，而是能把這樣的一套人工智能技術(shù)拿出來，能幫助到醫(yī)生快速的利用人工智能技術(shù)，來實(shí)現(xiàn)在傳統(tǒng)方法可能實(shí)現(xiàn)突破略微有些困難的點(diǎn)。其實(shí)很多時(shí)候在這個(gè)過程當(dāng)中不斷去做，而這個(gè)流程其實(shí)我們盡可能把它做得會(huì)相對(duì)簡單，包括上傳數(shù)據(jù)、標(biāo)記訓(xùn)練、進(jìn)行直接訓(xùn)練，最后落實(shí)到實(shí)際的應(yīng)用環(huán)節(jié)和科研環(huán)節(jié)當(dāng)中去。

最后說一下我們的技術(shù)優(yōu)勢，我們首先用的是深度學(xué)習(xí)的技術(shù)，在這一塊確實(shí)需要對(duì)這一塊有比較深入理解的情況，所以我們是用的比較新的技術(shù)。然后速度快，其實(shí)在這一塊我們整體上是希望不讓醫(yī)生再等待，其實(shí)比如像眼底片，之前差不多我們了解的一些情況都是讀一張片需要3-5分鐘，這個(gè)過程其實(shí)醫(yī)生自己都看完了，所以我們在這個(gè)理念希望整體都能夠在1分鐘以內(nèi)，所以像我們目前是13秒到15秒完成一張病灶的標(biāo)記，然后整體的看讀其實(shí)1秒鐘就夠了。所以整體上包括病例生成、病灶判斷、分級(jí)都不會(huì)超過30秒鐘，也就是說希望能夠最大限度的提升醫(yī)生的效率。

穩(wěn)定性高。其實(shí)實(shí)際場景可能在某種程度會(huì)超過醫(yī)生，因?yàn)榇蠓蛴袝r(shí)候看很多張片子之后會(huì)累，所以我們其實(shí)是對(duì)應(yīng)到不管是這個(gè)片子可能拍糊了甚至拍暗了，曝光不夠，曝光太過，這些場景其實(shí)我們都能接受。也就是說機(jī)器在這個(gè)維度上是具有一定的識(shí)別性的。

準(zhǔn)確率高。在特定數(shù)據(jù)級(jí)上的準(zhǔn)確度我們已經(jīng)超過了97%，在包括現(xiàn)在在一些基層醫(yī)院的使用場景下可以看到其實(shí)這個(gè)準(zhǔn)確度還是非?？梢詫?shí)際應(yīng)用的。我們的AOC值其實(shí)已經(jīng)到了0.99。

目前我們其實(shí)在這個(gè)過程當(dāng)中，就是AI你要能夠有一個(gè)好的訓(xùn)練結(jié)果，首先是要有一個(gè)好的數(shù)據(jù)級(jí)。所以我們目前和這些三甲醫(yī)院的合作，包括一些醫(yī)療機(jī)構(gòu)，包括患者等多個(gè)渠道，其實(shí)已經(jīng)有30多萬張的醫(yī)療影像，包括從公開數(shù)據(jù)級(jí)當(dāng)中拿到20多萬的影像及標(biāo)記，而且其實(shí)這些都有再加工和重復(fù)反復(fù)的把里面核心有意義的東西提取出來。在這個(gè)過程當(dāng)中我們采用的深度脫敏和對(duì)應(yīng)診斷這些技術(shù)，我們其實(shí)在這塊能夠希望最終通過一系列的應(yīng)用，幫助到大家。所以非常感謝各位的聆聽。最后做個(gè)小廣告，我們的展位就在門口，大家有興趣可以體驗(yàn)一下，因?yàn)楝F(xiàn)在其實(shí)是有成型的產(chǎn)品，謝謝！

崔歡歡