榮登榜首
近日，杏脈科技病理團隊在全球乳腺癌病理競賽中榮登排行榜第一！
在此次SPIE-AAPM-NCI BreastPathQ: Cancer Cellularity Challenge 2019中，杏脈競賽成績Kendall’s tau-b（一致性系數）高達 94.6%。
SPIE（國際光學工程學會）是光學領域最權威的專業組織之一，此次攜手美國醫學物理學家協會（AAPM），及美國國家癌癥研究所（NCI），共同舉辦了本次乳腺癌HE染色組織病理癌細胞比例預測競賽。為來自學術、醫療、計算機和政府等眾多行業，近500支參賽團隊提供了驗證技術積累與算法模型效果的機會。
Cancer Cellularity Challenge一直致力于推動全球病理全自動化分析發展，鼓勵應用創新技術消除人為觀察主觀性，提升癌癥診斷效率，為促進全球科技與醫療緊密結合做出了巨大貢獻。
乳腺癌是目前我國女性癌癥發病率最高的一種癌癥，杏脈科技已與復旦大學附屬腫瘤醫院在人工智能輔診乳腺癌病理領域達成深度合作共識。以實現乳腺癌病理診斷一站式服務為目標，攜手推動人工智能在醫療領域產業化的落地應用。預期可大幅節約醫生工作時間成本，助力?？苾炠|醫療資源下沉基層。
隨著公眾對醫療需求的日益增長，病理診斷的工作量不斷加大，臨床和患者對病理診斷的準確性和時效性也提出了更高的要求。希望未來AI能夠幫助醫生從繁重的重復性勞動中解放出來，節省大量時間，提高工作效率。
解密技術優勢
杏脈科技作為復星旗下首個獨立孵化的人工智能企業，在技術領先的道路上不斷取得創新成果與突破。繼2017年，杏脈在國際醫學放射影像領域的權威評測LUNA (LUng Nodule Analysis) CT肺結節智能評測榜單中擊敗全球4000多支參賽隊伍登頂第一后，再一次通過成績展示了自己在病理圖像分析領域扎實的技術實力，驗證了自己在計算機視覺領域的全球領先地位。
不同于傳統的人臉、自然圖像，由于醫學圖像具有特征不明顯、噪聲多、個體差異大、分類邏輯復雜等問題，將深度學習應用于醫學圖像進行定位、分類、分割、檢測等一系列處理對于算法模型的設計挑戰更高。而且不同成像原理的醫學圖像特點不同，因此在技術構建層面也需進行細致的差異化處理。
例如，CT黑白圖像成像速度快、格式標準，但易受電磁電流影響偽影多。而病理圖像由于前期復雜的制片流程，往往會導致同一類型的病理切片顏色深淺不一，成像效果各不相同。
同時，由于深度學習依賴于大數據量、優質數據的特點，對于我國幾乎空白的數字病理圖像資源，以及極少能提供高質量標注的病理專家來說更是巨大的挑戰。
為突破病理圖像深度學習分析的瓶頸，杏脈科技持續加強自身在遷移學習以及弱監督學習領域的技術能力。
通過妥善利用可量化的遷移學習技術手段，使來源于不同項目不同模態的醫療圖像數據能夠相互協同，形成適用于解決新醫療問題的模型。突破了之前大多數團隊使用自然圖像數據集構建底層基礎模型，難以在短時間內達到良好效果的難點。使缺少高質量標注數據的初始項目也能完美克服“冷啟動”問題。
同時，杏脈開創性的提出了幾種多層次的數據增廣、GAN樣本生成與神經網絡無縫融合的方式，從而有效降低了對標注數據的要求。無需病理科醫生對每份樣本的所有癌細胞進行準確勾畫，取而代之利用歷史診斷報告即可進行模型訓練。在保證精準性的前提下得以更高效、更充分的利用有限的數據資源。
杏脈科技總裁房劬表示“人工智能是為服務醫生而存在，不能將前期高昂的研發成本轉嫁到醫生身上， 完全依賴對數據量饑渴的算法優化策略，不是可持續發展的方式。”
杏 脈 科 技
杏脈科技自2017年成立以來一直保持高速發展的趨勢，截至目前100人的團隊已積累超過40種AI疾病模型儲備，與全國200多家醫院達成合作。成熟應用已上線放射科、檢驗科、病理科、呼吸科、骨科、心內科、神經科等多個科室。
同時，杏脈科技深入醫療機構與基層健康服務場景探索真實需求，積極完善分級診療的核心場景服務能力如早篩、遠程診療、精準醫療等，致力于全面解決不同的臨床痛點和公衛難題。通過獨樹一幟的軟硬一體化產品架構有效賦能遠程診療體系建設，形成了促進我國分級診療與精準醫療落地的有效解決方案。