专注于消化道方向，MediRadar致力于将深度学习应用于医疗影像自动化诊断

据有关数据显示，现有的医疗数据中超过90%是来自医疗影像，这也意味着医疗影像领域拥有孕育深度学习的海量数据；与此同时，医疗机构也存在着借助深度学习提高医生“阅片”诊断的效率的需求。由此可见，深度学习可能率先在医疗影像领域进入临床阶段。

其中，成立于2016年底的 MediRadar（麦迪雷达），便是一家以消化道为切入方向，致力于将深度学习应用于医疗影像自动化分类，以辅助重大疾病的诊断和早期筛查的AI医疗影像公司。

据创始人李江介绍，目前死亡率排在前五位的癌症主要是肺癌和消化道癌症。其中，中国消化道肿瘤发病率占癌症发病率的43.5%。对于患者而言，若消化道肿瘤能在早期发现，治疗几率很高。但目前，鉴于采集设备、以及人工方式阅片等因素的限制，仍然存在较多的误诊、漏诊情况。

从目前来看，对于人工智能技术在医疗领域的应用，医院、医生、医疗器械厂商、患者都着各自的痛点需求。在医疗机构方面，对于已经积累大量数据却不知道如何有效进行临床使用；对于医疗器械厂商而言，也想借助人工智能来提高产品技术水平以扩大市场；对于医生而言，则希望消减读片时间成本并降低其误诊概率；对于患者而言，则更希望在二三线城市的医院既能享受一线城市医生水平的医疗服务，减轻检测的痛苦感受。

以目前的消化道为例，小肠胶囊内镜从吃入到排除体内产生6万张小肠图片，传统通过医生人工阅片的方式需要6至7个小时。而为了解决这个问题，则需要根据8大类40小类的病灶特征进行自动化分类和诊断。所以在数据获取方面，MediRadar首先采取通过与消化道学术权威的科研机构及行业龙头影像硬件设备厂商合作的方式，快速获取海量标定后的样本影像数据，并通过消化道学会快速建立学术影响力，从而在临床进行大规模部署。

据悉，目前MediRadar的算法已经能够识别小肠内镜胶囊影像，临床小肠胶囊图片的二分类识别上达到99.7%的成功率；实时检测服务的胃镜、肠镜在临床科室部署嵌入式深度学习终端，达到秒级诊断。 

关于未来如何推向市场，李江则表示，一方面，通过与医学影像硬件厂商的合作，在设备中加入不同病种的智能诊断模块，降低这些设备的使用难度。另一方面，即通过软件智能化，与医院临床影像科远程平台合作，为平台上的影像专家提供人工智能助手，帮助专家进行初步筛查，并生成初步诊断报告，以大幅度提高远程医疗平台的诊断效率。而在盈利方面，MediRadar则选择采取SaaS服务模式，医院临床科室，设备厂商根据需求进行选择并相应付费。

论及差异，目前市场上在医疗影像方向的创业公司并不在少数，多集中在肺癌、脑科等CT影像、病理影像方面的处理，典型的如雅森科技、推想科技等。相比之下，李江表示，MediRadar主要的差异在于公司是专注于消化道影像识别，包括小肠胶囊影像，胃镜影像和肠镜影像。

团队方面，创始人李江，新加坡南洋理工大学模式识别博士，15年机器视觉行业经验；曾服务于HP、ASM等跨国企业，具有15年机器视觉行业经验；联合创始人刘震，曾任华为移动终端部研发主管，GPU并行算法专家，具有丰富的软硬件产品开发经验。核心成员是由计算机视觉、医疗图像深度学习、临床医院学术专家组成。

目前，公司正处于天使轮融资阶段，将主要用于组建临床、算法团队扩建。预计在一年时间完成跟多家重点医院间的科研合作协议，采集小肠胶囊、胃镜、肠镜的医生标定数据30万张以上。