目前，推想科技的技术已经在北京协和医院、武汉同济医院、上海长征医院等近二十家国内医院中得到使用；而除了医院之外，推想科技的合作伙伴还包括医疗设备的制造商，争取“后装市场”进化到直接推出“前装设备”，下一步除了X光跟CT外，还会推出MRI、超声波图像检测等产品应用。

深度学习这个名词相信大家已经非常熟悉了，它是近年来人工智能的重要算法之一，也是推想科技的重点研究方向。从2012年的ImageNet大赛一直到现在，深度学习在图像的分类与识别上已经取得了非常大的进展。从一开始的“认出图片里究竟是猫还是狗”，到现在的“认出图片里究竟是不是肿瘤”。

根据IDC Digital预测，截止2020年，医疗数据量将达40万亿GB，这些数据对于比如医疗+AI来说非常重要。IBM Watson可以在17秒内阅读3469本医学专著，通过海量汲取医学知识，在短时间内迅速成为肿瘤专家。而英伟达日前从600多家参赛者中筛选最具“社会影响”的5家AI初创公司，他们都在医疗领域。

国内第一家医学影像+人工智能的最早成立于2006年，并逐渐增多，发展至今已经有近30家企业，其中绝大多数集中在北京和上海，而且大部分都完成了A轮融资，其中近半数都获得了千万级别以上的融资。相对而言国外企业的起步时间比国内早，做起来也会相对比较严谨。

陈宽认为，医疗行业有三大特点，使得它非常适合人工智能在其中应用落地，并且得到很好的效果反馈。无独有偶地，这与前阵子闹得满城沸沸扬扬的“柯狗大战——柯洁 vs AlphaGo围棋大赛”有着类似之处。

1、场景窄，规则明确：黑棋、白棋、最终目数，围棋的规则非常明确；与之类似的，医学影像的判别也遵循着一定的医学标准：阴影部分直径大小，边缘整齐度等等。

2、可用的数据量够大，能够对深度学习神经网络模型进行很好的训练。就像看过了成千上万张图像后，机器可以辨别出这是猫还是狗；在看过了大量医学图像后，机器也可以辨别出这是否是肿瘤病变图像。

3、第三点则与围棋不同，却又非常迫切且非常现实——医疗行业的产能非常不足。去过医院的人都知道，一方面，排队就医的人永远那么多，而另一方面，每个医生的工作量却又非常大，常常需要加班到很晚。

如果既要控制价格，又要保证需求，那么唯一的方法就是提高产能。从这个角度来看，“人工智能”并不是那么难以理解的“高大上”科技，它与一把铲子、一个轮子一样，是人类为了提高产能所制造的一个工具。

不过由于医疗行业的特殊性，医疗影像的检测诊断与简单的“认猫认狗”不同，一方面，医疗影像精度更大，细节差异更小，同时数据维度更高，使得用于医疗的深度学习神经网络模型架构更加复杂，设计难度更大。

同时，医疗行业不能停下等技术，因此推想科技的产品必须在不影响医院现有流程的前提下进行迭代与优化，这就要求公司所有人都了解、熟悉医院流程。公司几乎所有人都轮班地“扎在医院里”，而陈宽本人也有一半时间在医院里，不仅为了熟悉流程，医生们一旦有任何想法也都可以直接反馈，由产品技术部门进行及时优化。

但也由于大家常年扎在医院里，导致整个推想科技的团队都非常具有健康意识。陈宽说，“别人外出团建喝酒，我们团建喝酸奶……”

另一方面，如何获取大量优质的、带标记的医疗影像也是一个难题。虽然推想科技的一些三甲合作医院能够使用近十年内的放射科数据，但这些数据还是需要经过专业的医疗团队逐张添加标识后才能用于训练。目前推想科技有一个专门的医疗团队用于标记数据，里面大多是放射科医生担任兼职。而以上这两点都是推想科技需要面临的挑战之一。

作为一家医疗AI创企的创始人兼CEO，人们大概想不到，陈宽拥有的其实是芝加哥大学的经济/金融双博士学位。

陈宽从小在深圳长大，算是当年的第一批南下移民、扎根“南海边的那个圈”的家庭。哪怕是现在，听他讲话还是稍稍带着一些南方口音。中学时去了新加坡念书，高考之后则是来到了美国芝加哥大学研读本科与博士，师从两位经济学诺贝尔奖教授James Heckman和Lars Hansen。

一直对深度学习、人工智能有着浓厚兴趣的陈宽，在博士基础课程期间就已经利用机器学习、深度学习做了不少预测金融、政策的相比，比如在2012年，他和朋友合作根据Twitter数据预测了奥巴马的连任，这个项目还吸引了很多媒体上门，愿意购买他们的成果。