你不知道的，百度「医疗AI」抗疫与基层布局之战

近期，雷锋网 (公众号：雷锋网) 医健AI掘金志邀请百度智慧医疗许言午，做客雷锋网公开课，以“百度智慧医疗AI抗疫实录”为题，对百度的抗疫过程与百度智慧医疗的积淀进行全方面复盘。

后续将有更多课程上线，添加微信公众号   医健AI掘金志   报名听课，或收看本节课程视频回放

在过去两个月，百度利用自身的AI能力，为行业和用户提供了智能外呼、抗疫机器人、迁移大数据、AI口罩检测、AI快速测温等多个人工智能解决方案。

除了抗击疫情，许言午还从AI赋能基层的角度，介绍了百度智慧医疗的技术方案和布局思路，包括CDSS、眼底产品以及医疗AI的产学研用生态建设。

他表示，赋能最符合百度的身份定位，干好自己擅长的事情，才能形成一个良好的合作生态，尤其在基层，通过智慧医疗技术中台的解决方案，赋能医院、健康管理运营商等医疗行业合作伙伴，把三甲医院的能力传递下去，提升基层诊疗水平。

以下为许言午演讲全文内容，雷锋网做了不改变原意的编辑。

今天是4月8号，也是百度智慧医疗事业部成立两周年。我很荣幸代表部门介绍百度智慧医疗的一些工作以及这次抗疫中的实践。

分享环节里主要讲两块，首先是AI在抗疫中的贡献，后面是常规AI医疗业务。

AI抗疫

在百度抗疫这一部分，也主要分为两部分： 疫情中早期排查和防护； 疫情后的助力复产复工技术 。

人工智能产业反战联盟今日正式发布了一个《人工智能助力新冠疫情防控调研报告》，其中收集500多个人工智能抗疫案例。报告中指出， 智能服务机器人、大数据分析和智能识别，测温产品数量位列排名前 三。

计算机视觉和智能语音这两类技术也相对成熟，使用场景比较丰富。

很多公司主要都是围绕已有储备的业务，去研发相关的产品。但是，不管是什么样的产品都要抓住需求，解决痛点。

随着疫情的发展，不同阶段、不同地区和不同的角色，都有着不同的需求。所以，抗疫产品的研发需要抓住主要对象和重要对象的核心需求。

智能外呼产品

这个产品主要针对 疫情中早期 ，支持 政府防控大量排查需 求而研发，主要针对三类人群—— 密切接触者、流动人口以及社区居民 。要解决的也是人力不足效率问题。

AI有两块常规作用，一块就是提高效率，另外一块提高重复操作的准确度。

人工排查效率非常低，一个人能打的电话次数比较少，同一时间内也不能保持高并（多）发任务同时处理，正式工作前的准备又比较多，运营成本比较重，信息录入费时。

但是自动化外呼的并发量可以达到1秒钟可以呼出1500通电话。高频率下，平台也不容易出错。通过语音技术收集结果，形成报表呈现给政府，最后用于决策。

我们统计了一些数字。

智能外呼平台一共上线20多个地区，截止到2020年3月31日，一共有300万以上的外呼次数，并获得各类用户的良好反馈。

机器人抗疫

机器人是AI和自动化技术的集大成者，百度机器人的最大特点是AI相关的语音、对话、视觉智能，以及智能驾驶相关的自动导航和避障能力。

总结一下跟东软合作的4个类型服务机器人：防疫服务机器人、医院专用医护助理机器人、无接触配送机器人和安防机器人的升级版——防御巡检机器人。

防御机器人

主要功能包括基础部分测温、口罩识别、防疫相关知识口号宣传。另一方面，它还可以通过人脸识别进行非接触式的考勤。

既减少人力的成本，操作起来比较简单，有比较高的性价比和市场前景。加之部署比较简易，可以得到大规模的应用。

医疗医护助理机器人

核心思想是通过无接触式服务，避免人和人的直接或间接接触。在医院里，它的主要功能还体现在特有的导诊服务，以及信息的查询。

另外，还有类似于患者问题或挂号解答的相关服务，还可以提供床旁服务。在具备这些功能的同时，它也可以完成普通机器人可以做的疫情宣传工作。

配送机器人

这类机器人充分体现了百度的AI集成能力，集成度也是非常高，包括人脸识别、语音识别功能、自主导航和避障功能，加上长期积累的技术优势，在行业内会走在前沿。

这里我们比较突出的特点，就是像类似于VSLAM和激光SLAM相结合，做到更好的导航效果。

防疫巡检机器人

这是安防机器人在疫情期的升级版，除了常规安防巡逻功能、异常情况报警，还可以移动测体温，并可将移动检测数据传输至后台进行后台管理和远程对话。另外，还可以作为消毒机器人。

我们跟东软医疗合作的机器人产品，一共落地30多家三甲医院，实现“无接触式”医护助理服务，机器人抗疫解决方案也被国家人工智能标准总体组纳入为推荐方案。

AI助力复工

中国是第一个度过疫情高峰期的国家，处在疫情逐渐变弱乃至逐渐消除的过程中。如何恢复经济生产是国家、企业和个人都高度关注的问题。

这一阶段，助力复产复工的AI技术就有迫切需求，百度围绕自身主要业务进行拓展基础，大家贡献了优质高效的解决方案。

从地图产品来看，早期的疫情通报都会在百度地图上展示，比如发热门诊地图、小区疫情地图。过了高峰期之后的复工过程，我们用百度地图迁徙大数据平台展示，帮助进行出行规划。 

具体问题体现在：什么时候可以复工？出行该走哪条线路？如何避免一些不合理的路径？沿途过程中可能会出现什么问题？迁徙大数据平台都可以体现。

封闭管理可能会对我们的出行造成不便，比如百度软件园，整个园区只有开辟一个入口和一个出口。找不到合适的路径，自然浪费很多时间。随着复工的时间进程推进，这个功能就越来越会发挥显著作用。

平时人流量实时变动，城市的人流量热力图也是大家复产复工过程中所必须的。我们应用AI技术对人流进行评估，粗略知道人流量，最重要的是避免拥挤。饭店或酒店是否开放，是否需要等待等信息，基于以上的地图信息结合其他大数据能力，都可以进行呈现。

智能外呼，也有很多其他方面的应用。例如疫情结束之后，都在找理发的Tony老师，如果你没有熟识的那就挺麻烦的，可能要一家家问，比较浪费时间。

在较大范围内找早期复工的相关商户，你可能就需要用到这样一个复工地图，通过智能外呼去联系这些商户，然后把这些复产情况在百度地图上相应显示。

以上都是大数据分析的能力，也能显示城市复工指数，以及行业复工指数。

AI口罩检测

在疫情期间，人脸检测遇到一个前所未有的挑战。因为口罩遮挡的范围也比较大，遮挡部位比较固定。 

2月13日，百度宣布在飞桨深度学习平台中免费开源了业内首个“口罩人脸检测及分类模型”，助力各行业疫情防控。

模型开源后，中石油旗下中油瑞飞、北京地铁集团等纷纷部署。北京地铁项目中，飞桨团队连夜计划部署方案，并在3天内完成第一版快速部署，7天内进行了两次模型升级、三次现场部署调试、多次策略优化，最终部署上线，实现了在地铁站实时视频流中，准确地对未戴口罩以及错误佩戴口罩的情况进行检测。

这基本上可以满足通用场景的需求，同时在此基础上，还开放了一个定制化开发的模型。通过这个模型，可以利用现有私有环境下的数据，进行二次训练，从而做到符合各个应用场景。

除了戴口罩和不戴口罩的分类检测，戴口罩后的人脸识别问题百度也解决了。

前段时间，大家经常开的一个玩笑是苹果手机引以为傲的人脸识别功能，在这次疫情中似乎表现不理想。而且苹果好像没有更新相关的功能，因为它也不是纯视觉，它是通过结构光的原理。

现在百度大厦办公区，戴口罩人脸识别也已落地使用，大家可以正常戴口罩通过闸机。其实，百度内部在疫情发生之前就已经养成通过刷脸进闸机的习惯。

除了前面讲的人脸识别，其实我们说的复工有“三剑客”：

1、安全码，绿码相关产品国家联合三大运营商已经完成。

2、要戴口罩，口罩的检测问题我们也解决了。

3、快速测温，进入小区、商场时需要测体温。

测体温有一个很直接的问题——效率。例如百度复产复工的时候，地铁站口、百度大厦、百度科技园附近都会涉及这个问题。

尤其在上班高峰期很多人要入场。如果用传统的手持测温仪肯定不行。所以，我们就选用红外探头，结合视觉的人脸检测技术，与人脸检测定位图兼顾，进行快速测温，大幅提高效率。

效率可想而知。利用AI图像识别，我们一分钟单通道下可以测200个人，同时AI测温操作起来也会相对容易。

有了安全码、有了口罩人脸检测，又有了智能测体温。那么，面向一个企业的、完整可行的AI批量复工解决方案就已经完成了。

这个解决方案我们也开放出来，助力其他企业复产复工。

疫情信息披露和辟谣

大家都知道信息披露及时披露公开透明是非常重要的。所以各家也都第一时间上线了相关的产品。百度也做了这样一个平台，把疫情的相关信息和防护指南以及防疫信息都发布在了这个平台上，通过搜百度APP进行发布。

在疫情信息中，我们专门开辟了一个疫情相关的辟谣专栏，对信息进行把关。

线上问诊

线上问诊也是疫情时期上线的一项应用，为解决短时间内突然增加的问诊需求问题。

这是第一次由于疫情原因产生的大量问诊情况，同时被迫将线下转到线上，与此前推广的在线问诊功能不太一样，有一个主动与被动之间的差异。医生其实更加积极地欢迎这部分技术。

我听说在美国疫情爆发初期，在线问诊量一周内增加了10倍。国内也是类似情况。

目前，百度后台统计截止2020年3月19日有接近3000万的咨询量，其中单日的咨询量达85万。

我们对比一下中国最大的三甲医院——郑州大学第一附属医院，最近一年的年门诊量线下大约是770万，而现在每天的线上咨询量就可以达到85万。

当然，问诊的问题也不单单是肺炎，也有许多日常的疾病。

除了生理上，还会有心理上的问题，比如心理焦虑，尤其是疫情核心地区的人。所以我们第一时间也上线了疫情的心理干预、心理重建问诊平台，同时做了一些公开课，去传播一些必要的心理防护信息。

同时，我们也开通了海外版，惠及海外华人。

虽然线上问诊需求强烈，我们7×24小时的免费服务的模式很好，但是这里的平均响应时间还是要5分钟，同时还要在10万以上的医生全面配合的情况下，才能达到这样的响应时间。那么我们进一步思考，这个时间是不是可以进一步缩短，给大家的体验更优呢？操作瓶颈在哪里？

这个时候我们可以考虑利用分级诊疗和预分诊的模式，引入AI技术去解决线上咨询量激增导致的医生人力不足问题，以提高问诊效率，结果是显而易见的。后期我们引入了线上问诊的AI辅助功能。

线上问诊界面

我们分为两块：

第一方面，就是自己去查，查你感兴趣的信息，比如你可能想了解疫情相关的疾病，或者是想了解在这个情况下，自己的慢病需不需要干预？需不需要医生介入？这时候，你可能直接通过一些关键词查到自己想要的信息。

如果只是这些需求，那么连机器人那一关都不用过就可以解决了。

第二方面，当自查不能解决你的问题时，就需要通过一个自查机器人，根据自身情况提供一个切实可行的建议。比如建议你转人工问诊，或者你自己认为机器人不靠谱，还是想选择进入人工模式。那么这个时候再介入人工，

这个就是分级诊疗的思路，合理地对 有限的人力资源进行再分配 ， 以提高整体的效率和效果。

这个功能模块我们在外部只落地了7家，包括天津医科大学第二医院、深圳龙岗人民医院、沈阳第四医院等。在内部，我们通过百度的很多流量入口，把相关的一些问询转到这边来。

根截止3月底，问答机器人的整体调用次数超过100万。预问诊、病人自测这一部分共有116万次调用，FAQ自查的调用超过4万次。上面是我们一家合作医院的截图。

开源算法和免费服务

第一部分关于新冠CT的影像分析。我们第一时间就做了开源。但这一块的同质化还是比较高的， 后期可能有接近30家做了这类工作。 

新冠肺炎的科研成果也引起了很大的关注，这里我列了一篇综述总结了相关的一些文章。大家更关注的可能是数据，我列了两个典型的数据给大家参考。

第一部门是号称现在最大的CT数据集，大家好像对这个数据集不是很满意，因为图片不是原始图片，是从已发表的论文里抠出来的。但对于某些分割任务来说，可能还是有用的。第二部分是新冠肺炎的一个网站，这个网站上面有10个完整的CT序列。

接下来，我们还要用到一些技术、算法去进行相应的药物和疫苗研究，其中一个关键就是RNA二级结构的预测。2019年7月份，我们在美国的研究院发布了LinearFold算法。相比于传统算法，我们有120倍的提速。1月底，我们将这个算法开源。

新冠肺炎病毒是目前单体RNA病毒里面序列最长的，有3万多个碱基。所以，传统的测序时间通常要55分钟，而我们现在可以做到27秒，节省两个数量等级的等待。

第三部分，百度翻译。在NLP方面，我们的翻译也 面向生物医疗领域 ， 进行了定向的优化和免费的开源服务，将多语种疫情词典免费开放。

第一部分，我主要说的是百度的抗疫工作，包括智能外呼、抗疫机器人的研发及使用、迁徙大数据平台、AI口罩检测及测温功能、疫情信息披露辟谣的处理和线上问诊、算法开源等。

循证AI赋能基层

百度智慧医疗到底是干什么的？

我介绍一下百度的技术方案和布局思路，包括CDSS、眼底产品以及医疗AI的产学研用生态建设。

在我看来， 中国目前的医疗问题还是医疗资源的结构性失衡 ，换句话说，就是供给不足，供需矛盾严重。 

中国万人医生拥有量17.9名，这个数据在全球范围内看来，其实还是不错的。所谓的失衡，其实不仅是指医生不够，而是患者都想去最高级别的医院，也就是我们常说的三甲医院。

而一级医院占总体量数量的66%，负责诊疗的人次才17%。怎么去弥补三甲医院供求关系之间的“鸿沟”？最直接的就是增加医生培养的量，培养医生至少8-10年，医生培养出来还有水平区分。

第二个， 健康中国2030纲要指出，以后的医疗方向是以治病为中心，转向健康为中心，也就是医疗体系系统的中心转移。以前是以医院为中心，现在转成以患者为中心的新局面。

转变过程中，肯定要发生供需变化、技术变化。

转变里面，信息化和AI都是关键词，给AI带来很多机会。诊疗体系划分成诊前、诊中、诊后三个主要环节，主要涉及信息化服务、智能服务、还有云服务三方面技术，AI是贯穿始末的。线上诊断、筛查、诊断、治疗、健康管理5个模块都有AI的体现。

上面两点都有，包括AI可以作用的这两点：

一、系统性失衡，结构失衡就要需要增加供给。

二、中心转移，自然会引入智能化和信息化技术。

我们把它拆到诊疗和健康管理的各个环节，以及各个相关方。

我们认为，外界的环境机遇已经来到。我们很早发现从政府、医院、患者、技术成熟度四大方面，人工智能医疗会有加速爆发的发展。 

第一、人工智能相关政策已经列入国家战略，各大垂直领域的应用都得到国家支持和鼓励，包括分级诊疗、互联网医院，疫情爆发以后，更加得到政府的大力支持。

第二、医院本身对收入增加和成本降低的需求。AI如果在这个过程中解决了提高效率的难题，可以增加营收和降低成本。

第三、患者。随着自身经济水平的提升，收入增加，群众的健康意识越来越强，投入也会增加，会更愿意享受优质医疗服务。这里也有两部分，一部分就是预防，AI分诊、筛查都属于预防类。还有治疗，一旦得病，需要更高水平的诊疗。医院如果能提供更高效或性能更好的辅诊方案，会被大家所逐渐采用和接纳。

所以AI的作用，不完全是低价劳动力的等价物，对于尖端服务和特种服务，同样可以起到辅助作用。

但是，如果技术并不能满足使用者需求，甚至后期还会存在一堆诟病，会导致付费的意愿降低。所以 核心技术就是人工智能、大数据以及信息化，包括互联网 ，这些技术随着10年、20年的积累，已经可以比较好地解决一些特定问题。

百度AI的技术积淀

百度是一家更侧重技术、技术驱动的科技企业。百度的AI布局已10年之久，大规模机器学习平台等都走在前面，现在更是进入了AI变现的阶段。 

百度大脑是百度人工智能技术的集大成。 最底下一层是基础层：算法、数据、算力。上面是感知层、认知层，在往上是平台层，还有贯穿全流程的AI安全能力。

有了AI技术储备之后，再去面向场景实现具体应用。在百度的AI布局生态里面，医疗是其中的一支，我们一直在进行尝试和探索，也已有落地的成果。

前面我们提到三个要素：需求、机遇，充分的技术积淀。

今天我选的题目是百度循证AI赋能基层医疗，这是我们的核心愿景。我用循证的思想去赋能基层医疗。“ 循证AI”、“赋能”、“基层医疗” 是百度智慧医疗思路，也是优势，更是特点。

产品的应用场景和用户就在基层。主要是有两个原因：

第一、一级医院代表基层，体量高达66%，占了2/3。

第二、基层医院诊疗次数少，是因为基层医生和大医院医生水平有差距。小病不愿意去看医生，重病又总是想要一个确定性的诊疗方案，所以患者都集中在二级和三级医院。

基层医生由于自身能力欠缺，又得不到足够锻炼，诊疗水平就受到进一步限制。

所以，基层需求的体量客观存在，医生能力需提升的痛点问题又非常直接，这些基层医生水平不可能一夜之间就有所提高。

如何处理？我们需要把高水平的东西带到基层医院，通过AI技术把三甲医院医生的专业能力和知识，积淀下沉到基层医院，在信息传递过程中发挥重要作用。

同时，我们要保证传递的内容是正确的。所以，我们利用AI技术可以从诊疗信息输入得到结论输出，再整合诊疗推理路径、相关病征和病例做印证，就称之为循证。

其次是赋能，为什么我们不自己完成、非要赋能呢？

百度是一家技术公司，赋能最符合我们的身份定位，干好自己擅长的事情，才能形成一个良好的合作生态，尤其在基层，通过智慧医疗技术中台的解决方案，赋能医院、健康管理运营商等医疗行业合作伙伴，把三甲医院的能力传递下去，提升基层诊疗水平。

我列了一些以百度技术平台为中间桥梁，在此基础上向外进行延伸的医疗组织机构。

在中间为灵医智慧中台服务商，在外面是基层的医院、家庭、康复养老机构、体检机构等等，组成这样的生态图。这个是我们的业务合作生态图，我后面会讲到产业生态图。

百度业务合作生态图

从健康场景开始，大体分为院内和院外，有不同的功能需求和模块。把它们全部拆开，再组合，就可以做同类项合并及整理。需求提炼之后，我们总结到一个“ 智慧中台 ”， 中台具有辅助科研、辅助临床、辅助健康服务及质量管理的能力。

首先，由上至下提供需求，下面要提供技术支持解决对应问题，中间进行合拢，再进行同质化的抽取。

技术层面， 我们把中台解决方案分成五类，包括数据治理、决策系统、健康管理方案、交互方案和影像筛查方案。 再去最底层的智能引擎，找可以用的工具组装这些方案，完成合拢，最后形成智能中台的解决方案和相应能力。

在技术栈，主要分为几点。

第一、对于医院的大数据进行治理，最主要的就是结构化，通过质控把不合适的数据丢掉，将异构数据结构化，使得数据能被算法所应用。这些数据输出后，对于科研、院内信息盘点都有帮助。

第二、CDSS辅助临床决策系统，是比较重要的部分，需要通过AI技术处理提供辅助诊断、治疗方案推荐、相似病例推荐、医嘱质控及医学知识查询等临床决策支持服务。

所以，对于一个病人相关信息的输入，要通过AI系统给出一个输出，这些输出是跟诊疗的一些路径相关联的。在诊疗过程中，我们后面也会分为五大模块介绍。

在人力和资源有限的情况下，我们要集中满足最迫切和最大的需求，即满足基层医院的需要。我们打造适合它的产品，基层CDSS就是重中之重。同时，它是覆盖了全流程，诊前、诊中、诊后，我刚才提到多场景支持，院内院外的场景也都是支持的。

第一个是辅助问诊，既给病人也给医生，帮助医生在线询问患者问题，其次是帮助病人做一些自我判断。

第二个是辅助诊断，有了一些初步信息后，如果是常见病，我们要给出相关诊断建议。

比如我们的基层版CDSS里面，共收录了300多种常见病。我们会输出患病风险比较高的病种，供医生参考。

如果得不出结论，需要进一步检查，辅助检查也会根据现在状况，推荐进一步检查方案，最后去开处方。之后我们进行两个控制：第一、医嘱（质量）控制，第二、治疗方案推荐。

基层临床辅助决策系统具有深、全、易的特点，全流程辅助诊断、全病种覆盖，同时操作学习成本低。

辅助诊断中要提高诊断水平，降低漏诊误诊率， 核心方面包括

一、全面——覆盖广，基层涉及的300多种常见病，我们都要能覆盖到。

二、准确——减少误诊，现在我们top3准确率已经达到95%。

三、有逻辑——可解释，得出的结论是怎么回事？不止诊断结论，还要给病人和医生个说法，结论怎样得出的。涉及逻辑推理过程，可以从知识图谱里得到。

治疗方案的推荐。我们根据病人的基本信息、主诉、现病史等病历信息推荐合理的检查检验、用药及手术治疗等方案。这些都可以基于知识图谱的推理得到，从历史数据和专门文献学习相关知识进行推荐。

里面提到的能力，要通过实践进行验证，也是产品迭代、打磨的过程。目前我们已经落地实施15个省市自治区，服务数万名医生，落地了1000多家机构。

在北京平谷地区就有CDSS产品的落地， 就诊基本实现全流程质控，科学治疗方案推荐并提示风险，降低医生工作强度 、同时提供全面专业的知识查询功能，这个案例也入选了 MIT Tech Review亚洲医疗AI报告的重点案例。

健康管理

医疗体系的中心从治病转到了管理。智慧健康管理平台以患者为中心，使患者及健康人群在家可以享受周期病情监控。

近年，中国引入了与国外比较相似的家庭医生角色。 家庭医生的痛点问题在于工作量、患者依从性差 ，提升家庭医生服务质量的同时还要进行高效管理。同时也是侧重解决慢病患者的疾病管理问题，打通医生和患者之间的桥梁。百度独有的“小度在家”的C端智能终端产品，可以建立家庭健康服务的互联互通闭环。

小度在家是一个带屏的智能音箱，特别适合慢病患者，尤其是语音交互功能，让操作非常简单，更加适合行动不便者和老人。

它会对慢病病人进行用药、锻炼、饮食的提醒和指导。它的另一核心功能就是病人问诊，通过智能分导诊助手进行接诊，可以直接联系家庭医生，并通过视频进行通讯。同时，它还包括血压、血糖的管控和用药管理服务。小度的另外一端就是IOT设备（蓝牙和附件），帮助患者监测体征。

医生也可以通过这个平台把自己的管理手段下沉，使医患之间形成双向互动。

眼底影像AI分析系统

我在眼底这块投入的精力比较多。 目前，我们可以做到多病种覆盖，提高基层医生筛查能力 ，因为是三类医疗器械，所以审批流程比较长。

灵医智惠d的眼底AI已经覆盖了70%以上的眼底常见疾病，具备比较的好自动筛查能力，敏感性和特异性都是达到了94%。用于训练测试的数据量比较大，可以达到10万量级数据。

我们还做了一个差异化的东西，现在已经可以在设备端阅片。这样排除对于网络的需求，我们是在端上进行运算，模型是固化的，可以10秒左右在端上快速出阅片结果。

此外，我们不停地跟各个厂商进行打磨，希望可以进行联合配置，这样使得现在的机型适配能力比较强，适配比较主流的国内外产品。

我想用右上角这个图解释了一下什么叫循证。我们是根据医生确定疾病的诊疗路径去设计架构。以深度算法为支撑的子模块是黑盒，我们整体的判断逻辑是白盒的，但是每一个具体的模块里面可能是白盒，也可能是黑盒。这样的算法再做进行二次对齐，最后来给出一个置信度更高的解决方案。

我们的一些应用案例包括糖尿病视网膜病变、青光眼、黄斑区病变及高风险病理性近视等。

做医学影像很“麻烦”，核心部分就是数据，这直接关系到质量，保证数据质量高就要标注好。医生水平参差不齐，来自各个地方，流派也不一样，需要统一的标准。因此，我们自己就制定《面向人工智能的眼底彩照标注与质量控制》标准。

为什么说3.5个病种？其实这个病理性近视，我们是合到了黄斑病变里。因为病理性近视主要体现在后极部，跟黄斑区疾病有高度重合，所以我们把它放在黄斑病里面。由于病理性近视放在黄斑区病变里，所以我们说是3.5类疾病。

在和中山眼科张秀兰老师团队合作下，做了多次讨论和打磨后，试标了上万张数据，并测试了我们自己生产的一些数据。当然，这个标准只是自己用很浪费，我们希望这个标准可以用来处理行业的问题，也在积极的对外进行推广。

我们把企业标准升级成团体标准，依托中国质量协会进行发布 。同时我们还对方案进行输出，形成SG16-Q28国际标准提案，目前还在完善中。

因为医疗相关行业比较特殊，不光是某个企业单方面发力就能解决问题，还需要多元化生态存在。技术不光体现在应用方面，还有前沿东西需要研究。我们携手中山眼科举办了iChallenge系列眼底AI挑战赛项目，目前为止我们在办第五届。

美国时间4月3号的ADAM比赛，我们的相关的决赛信息也发布了。REFUGE2是我们下一个比赛，在2020年10月份，不过考虑到疫情影响，可能存在变成线上的风险。

我们积极为学者打造共享数据库的平台，也提供给大家比拼的平台。之前的ADAM比赛里，前两名都是企业，第1名是韩国、第2名是印度，中国企业并不是不行，主要原因是这次抗疫中大家都比较忙，学生也没有时间参赛。

比赛的总结论文，第1个比赛REFUGE已发在MIA上，MIA是医学影像领域的顶刊。

后面几个比赛，一些参赛队的文章还在我手里审稿过，我认为质量都是挺好的。这次ADAM比赛之后，韩国、法国已经有兴趣参与贡献数据，眼科影像研究会更加生态化，已经初步被推动起来。

再例如OMIA会议，今年已经第7届。从最早时候二三十人参会到现在受到上百人关注，我认为会议质量还是很不错的。

在生态建设方面，我们一直积极推动，数据也分享给大家。

我们也编辑了相关领域工具书及专题论文集。去年，这本《COMPUTATIONAL RETINAL IMAGE ANALYSIS》就发表了，百度代表产业界进行独立章节的贡献。

除了在产学研方面的贡献，我们的产品也在逐渐落地。在这个过程中，我们也赢得了认可和荣誉。

主要是CDSS落地案例入选MIT科技评论，AI眼底筛查系统也帮助百度入选52家改变世界的公司，同时还携手中国信通院参与发布白皮书等。我们的眼底筛查系统也向泰国公主做过体验展示，并且亮相了央视展台。

最后列出大家感兴趣的信息，提供了一页的take-home message链接。感谢大家的聆听，也非常感谢雷锋网提供了这样的一个好机会。

。