B轮5000万美元,体素科技要做全病种医疗影像阅读者

今日,AI 医疗初创企业体素科技发布消息称,已于今年 9 月完成 5000 万美元 B 轮融资;弘泰资本领投,红杉资本、清松资本、汉富资本跟投;本轮资本主要用于医疗影像 AI 解决方案产品的各国市场准入注册以及临床落地。

9 月份融资,12 月份公布,这个融资消息似乎有点姗姗来迟。

融资轮次

获投时间

融资金额

投资方

天使轮

2016年9月30日

550万美元

联创

A轮

2017年5月8日

800万美元

红杉资本

A+轮

2017年9月28日

1500万美元

腾讯

B轮

2018年9月

5000万美元

弘泰资本领投,红杉资本、清松资本、汉富资本跟投

具体融资流程图

体素科技创始人兼 CEO 丁晓伟说,他本来不打算披露这一融资消息。之所以现在公布,是为了回应外界的期待。

在他看来,两年多前行业一开始的时候,处于概念期,为了让更多投资机构和合作方知晓,所以要积极宣传吸引眼球。现在,医疗公司被大家所熟知之后,进入了行业的实用期,需要夯实之前技术、产品、法规注册等方面的工作,慢慢向医疗这个行业去靠拢,交出真正让别人无可挑剔的答卷,还有长的路要走、还有很多的工作要做,而这些都是很难去抓别人眼球的事情。

2 个多月,20 多个投资人,「大浪淘沙」

「这次融资比之前难。」丁晓伟坦言,「之前,我可能只找一家最合适的就可以融。现在这个环境,显然不是这个样子。」

在他看来,原因有二:一、这个市场冷了,2018 年后半年进入了资本寒冬;二、越往后,金额越大,自然做决策的时间也就越长。

A 轮融资时,他只聊了红杉和另一家投资人,最后选了红衫。A 轮+融资时,他只重点接触了腾讯一家,其他投资人他通通没有接受。而这一轮,「有点像大浪淘沙」,「花的心思也比之前多了很多」。

他前前后后花了两个月时间,见了二十多家投资人,最后选择了互相认可的 4 家公司:弘泰资本、红杉资本、清松资本以及汉富资本。

红杉从 A 轮就开始投资体素科技了。据丁晓伟介绍,其他投资人与老股东风格接近,相对比较信任团队,不做微管理。用白话讲,就是「明事理、干脆」。

「这个在企业的发展中也是非常重要的。」丁晓伟说,「有的投资人喜欢花很多时间去做微管理,董事会花的时间就非常多。我们公司一直沿袭下来,目前所有的投资人股东和投资人董事都是只做支持、不做干预的,等于说是有求必应,没有请求的时候不会过来打扰我们的日常运营。」

他们选择的投资人在产业上、国内医疗资源上有更丰富的资源。「我们的投资人也是国内几个大的互联网问诊平台、多个医疗信息化系统、医疗机构的投资人。」

要成为「面」

「做全病种产品体系这个方向,是非常确定的。」从公司创立之初,一直没变过,只是按照分步骤在一步步推进。

对单点突破「重任务」(比如骨折检测、肺结节检测)的产品策略,他是这样看的:「这些当然是一线医生的工作当中存在的问题,但是我觉得这个定位和定义还是有一点太窄了。」

体素科技没有选择走纵深这条路。在丁晓伟看来,在做纵深的过程中,临床路径非常多,而企业很难面向一个特定的人群。每个人的情况都非常复杂,个性化的医疗也越来越多,那种产品使用场景会比较窄,比较难设计,也比较难让医生对什么时候使用这个产品有一个清楚的概念。疾病纵深全流程的设计将是很远的将来,全病种 AI 之后能够实现目标。

「如果把场景想的非常清楚,诊疗的病人和医生只要来到这个阶段(特定场景),就通通可以使用这个产品。」

体素科技要做一个个「面」。

「从外界看来,在重病大病上,我们跟竞争企业、同行水平不相上下。但是,我们整个技术构架、内部的运营管理方式都不是针对这类产品去设计的,我们一直是朝着全品种的方向去做的。」

丁晓伟介绍,「医疗 AI 能在更大的定义内、更广大的人群上,起更大的作用,所以一直以来,我们关心整个医疗体系;在内部,我们关心团队运作,重视内部运营建设,怎么正向地、多线地管理六七个同时研发的产品线是非常关键的。

如果一个企业要在 2020 年管理 30 个产线的话,怎么做?这才是一个企业在这个领域能够扩张的根本能力,而不是某一个产品线做的多好,因为这里没有一个 killer app,是非常分散的。不是说你出来了,别人就没的干。」

用临床试验统计数据证明产品的市场价值

据丁晓伟观察,现在行业内存在这样一种现象:概念,大家都清楚了;一些定义相对比较简单、没有打磨好、使用场景比较窄、没有完全达到临床使用标准、功能上也不能在医院中起到重大作用的产品被过度拿到医院去试用。而且,这种情况比较明显。

「我感觉有过度消费市场的趋势。」他说,「我们融这笔钱不是现阶段去竞争,而是想一直延续我们最初的产品定义——做全病种的产品体系,把医生能写的东西都去做,让 AI 覆盖整个过程、全部流程。」

他们想把高标准的设计做好,做非常正规的临床试验,真正在临床当中得到验证。拿到临床试验统计数据后,再去证明产品的市场价值。

「大部分企业临床试验的初衷是为了拿 FDA、CFDA 的注册证,拿到准入的资质后合法的销售。大家都是一切从简,达到最低要求,以最快的速度拿到资格证。这也是企业产品上市的一个目标,也是压力。」

但是他不这样认为。他认为,临床试验是一个非常好的契机,从第三方、从官方的角度证明产品不只是达到了最低的使用标准和安全性。

「我们是想在基础临床试验中,首先达到安全性和有效性,也多做一些其他临床试验终点的统计量的数据,包括提高医生的工作效率,或者是产品与医生配合后,对整个病人愈后效果进行跟踪。然后,在整个大的医疗经济学上,对美国的商业医保或者是中国的国家医保,或者是当地政府的医保起到节约的作用。

他们希望做高质量的、能达到临床类学术文章的标准,同时用于有法规注册的临床试验。

但是,据他观察,这样的成功案例,国内可能还没有企业做,还没有形成这个环境。「欧美很多已经批准的医疗器械之所以有壁垒,之所以能在竞争中异军突起,都是因为他们的实验设计。他们所得到的客观评价是最硬的,最可信的。如果只是证明这个产品刚刚够用的话,企业可能很难打出品牌来。」

他补充,「我认为这是文化和习惯的问题,是想做和互联网产品一样、追求迭代,还是想做专业的医疗器械?不是用感觉去说话,而是用数据说话。」

为临床试验延期等不利情况做准备

丁晓伟介绍,融来的资金一部分将用于研发,体素科技以场景分类研发 AI 医疗产品,以胸部 CT、眼底彩照、冠脉 CTA、皮肤四个全病种解决方案为主攻方向;

另一部分将用在临床试验和医院的合作上,而这是一件非常昂贵的事情。

「做一个产品还好,我们现在有五个正在审批或者是在临床试验过程的产品。」

产品线比较多,更新也比较快,产品定义在不同国家也是完全分支的。「不可能同一个产品既在中国有,又在美国用,在东南亚用。没有所有国家都好用的产品,每个国家都有自己的产品线。」因此,他们一个产品的好几个版本在不同地方同时注册。可能到了 2019 年,他们的产品在一个国家就会有十条注册认证的线程是打开的。

丁晓伟介绍,各地法规注册所需要的治疗体系建设、当地的临床试验、获取当地的注册证、在当地落地 BD 的方式都完全不一样。

「一个公司如果有十几条、二十条产品线在注册或者处于临床试验过程,那对公司财务的要求还是非常高的。而且有的试验和注册会比较顺利,而有的试验可能会因为各种各样的原因(比如行政审批、医院配合度)而延期也是很常见的。要为这些不利的情况做好相应准备。做医疗的周期一般比较长,当然,我们自己也希望产品得到足够的验证之后再上市。」

到目前为止,在这么多的品种上,还没有收到关于模型准确率的抱怨,是丁晓伟觉得非常值得一说的事。

他对自己的要求是:周围的人生病,更希望用他的产品去跑一下影像,然后从中获取更多的信息。

下文是关于这家公司的更多介绍,更多访谈内容将以对话体形式呈现:

创业故事:

2008 年保送上海交大电院试点班,2012 年本科毕业后留学加州大学洛杉矶分校(UCLA),仅用两年半(在 2015 年),丁晓伟就获得了 UCLA 计算机博士学位,辅修应用数学,打破了 UCLA 建校以来计算机专业博士毕业时间记录。

读博期间,丁晓伟兼任美国著名 Cedars-Sinai 医学中心研究人员,受到美国最佳医生得主、心脏核医学奠基人 Dr.Daniel Berman 和核磁共振著名专家 Debiao Li 教授指导,参与多款美国 FDA 批准的医疗影像分析系统研发。

2016 年,丁晓伟加入 UCLA(加州大学洛杉矶分校)任计算机系研究助理教授。

同年,他联合他在 UCLA 的博士生导师 Demetri Terzopoulos(计算机视觉和图形学泰斗、英国皇家科学院院士、加拿大科学院院士)、梁建明(美国亚利桑那州立大学(ASU)生物医学信息和计算机科学副教授、其研究是多款 FDA 批准的医疗应用的基础),在美国洛杉矶和中国上海创立了体素科技(VoxelCloud),旨在通过人工智能技术带来人机结合的医疗影像分析工作流程,让精准诊断触手可及。

VoxelCloud 体素科技也是人工智能+医疗行业内全病种产品体系的发起者,目前已累积融资近亿美金。

再获世界顶级医学专家加盟:

曾创办克利夫兰医学中心Cleveland Clinic Lerner医学院,担任克利夫兰医学中心Cleveland Clinic心血管医学主席的Eric Topol教授,已于11月宣布加入体素科技,担任首席医学顾问。

Eric Topol教授也是Scripps科学转化中心创始人。2016年,Eric Topol教授获得了NIH 2.07亿美元的研发款项以引领精准医学研究,其数额使其成为美国史上最大的NIH项目。

他被公认为美国著名心脏病学家和基因学家,美国个性化医疗以及数字医疗的意见领袖。文章被引次数高达23万余次。

Eric Topol将带领体素科技推出最适合医生使用以及医疗市场最需要的AI产品。

机器之心:目前有几大产品线?

丁晓伟:我们以场景分类研发 AI 医疗产品。

辅助决策场景:我们一般针对的是临床测试在对病人进行诊断决策时,做一些精细的量化分析和辅助判断,现在的产品线主要是集中在心血管病上,特别是心血管 CT 的分析。

筛查场景:筛查和辅助决策最大的区别是病人的来源。辅助决策是前往医院看病的病人,筛查场景是正常人或者健康人每年的例行检查。

视网膜全病种筛查解决方案通过眼底照相,结合病人信息,可全面检查主要慢性眼底疾病,包括糖尿病视网膜病变、糖尿病黄斑水肿、青光眼、白内障、老年黄斑变性等,对其他病变亦能做到预警,真正做到眼底疾病的全方面覆盖。

病人拍摄一次眼底照片就可以全面筛查眼底各项疾病,这对于医院眼科、内分泌科、体检中心来说都非常具有临床意义。

体素科技还研发了眼科全病种产品的软硬件一体机,全自动操作加上全自动阅片系统,大大节省了工作人员时间。目前体素科技的眼科全病种产品已在国家标准化代谢性疾病管理中心(MMC)率先落地,现已进驻全国 100 多家医院 MMC 中心。

分诊场景:筛查是正常人,决策是诊断有问题的病人。中间的分诊和咨询,是认为自己有问题,但不知道是否真的有问题或者问题是否严重的一群人。入院之前,他们需要做一个精细的分诊;在互联网上问诊时,找医生,也需要分诊。

「体素肤知汇」是体素科技最新发布的一款产品,这是全国乃至世界范围内,首款面向公众的、基于深度学习图像分析与处理技术的智能皮肤全病种测评解决方案.

我们不是最早一家做的,但是第一个面向公众的全品种的系统。美国皮肤癌特别多,专门有做皮肤癌的工具,国内有专门做红斑狼疮的工具,都是根据病种去定义。

我认为有点窄了,皮肤病有 6000 多种,只是做其中的一两种,即使它们是高发的,也是人群非常有限的。而且,针对病种做皮肤病没有道理,因为在知道自己是什么病之前是需要诊断的。

我皮肤确实出了问题但是不知道什么问题的时候,如果产品只能检测一个病或者两个病的话,怎么用这个产品?所以病种还是一个后延知识,是诊断之后大家知道的一件事情。

但是,诊断之前不能靠病种去设计产品,因为你没有这个产品的使用入口。诊断之前,必须做非常强的先验假设,那这就要从全品种去做了。

6000 多种皮肤病,我们现在的数据支持做其中 300 种。虽然听起来 300 和 6000 相比,还是很窄,但其实不是的。

按学术上的细分类,加上非常罕见的皮肤病,一共有 6000 多种皮肤病的统计。但是皮肤病的发病有这么一个规律:300 种已经涵盖 99% 以上的发病了;100 种可能就涵盖了 95% 以上的发病。

皮肤病的产品不只是给大家做复诊咨询用,它还能在医疗机构/在线问诊平台上的案例查询、医患对接分诊这些人力比较集中的环节去实现完全自动化。

因为皮肤病是比较顽固的,特别的是,治疗是需要对接专家的。比如,白癜风的专家,最喜欢看白癜风的病。过敏性皮炎的专家能够处理好过敏性皮炎的病。这种细节的分诊也特别重要,是不是也可以通过 AI 来做?

创新应用:从视频中分析小儿发育类疾病的一些征象。比如,小儿视力障碍的预检测。将来,我们会做小儿自闭症的预检测。

这些疾病的最佳干预时间是三岁前,而这又是小孩能够说话,进行主诉之前的年龄。在没有语言交流的情况下,是很难对病人进行诊断的,只能被动地去观察小儿的行为,借助视频对行为进行分析,对这一类小儿进行初诊和预诊。

机器之心:现在问你下一次融资计划是不是有点早?

丁晓伟:是的。但是我是有一些计划的:在一些主要目的达成的时候,比如说我们的全病种在法规注册取得了进展,有了好的临床试验结果。临床试验结果不仅是证明了它的医疗价值,也证明了医疗经济学上的价值。

其实这是个惯例,做医疗器械、药的企业,公司的估值、价值都会在这个时间点上有一个巨大的跳跃。

机器之心:现在真的不开拓新业务吗?

丁晓伟:我觉得,全病种够我们做的了。这个东西给行业带来的冲击也会是非常大的,我还是希望一步一步走稳它。这个事情已经非常非常难了,虽然听起来只是一句话。

产业医疗融资体素科技
1
相关数据
体素科技机构

体素科技(VoxelCloud)是一家人工智能医疗公司,是由丁晓 伟在 2016 年创立,公司创立于苏州,并在北京、上海设有分支机构,在美国洛 杉矶设立有 VoxelCloud 研究院。企业定位于下一代人工智能医疗产业,致力于 基于深度学习的精准和个性化医 疗诊断服务,该企业长期目标成为在人工智能 工业界、医疗界具有先驱影响力的企业,开启数据驱动医疗新时代。团队由中美 人工智能科学家、医生和资深工程师共同组成。

http://www.voxelcloud.io
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

查询技术

一般来说,查询是询问的一种形式。它在不同的学科里涵义有所不同。在信息检索领域,查询指的是数据库和信息系统对信息检索的精确要求

推荐文章
暂无评论
暂无评论~