「不管是研究项目、还是产品项目，模型的能力是不可能超出收集数据的质量。目前对于癌症来讲，可能最有效的做法就是取得病人的手术活检，或者穿透活检的病例结果，然后把这个结果作为金标准用于目前的训练。

　　但问题在于，在一家医院里，有活检病人的数量是远少于没有活检病人数量的。」丁晓伟这样解释高质量数据的重要性。

　　换句话说，要保证有持续的高质量数据的输入，公司只能尽可能多得通过与医院及其他医疗机构的合作来获得。因此，如何「拿下」医院的合作项目，也是鉴别 AI 医疗创业公司生存能力的一个重要衡量标准。

　　虽然丁晓伟并没有过多透露 VoxelCloud 与国外包括美国 NIH(美国国立卫生研究院)、梅奥医学中心等顶尖医疗机构的合作条约内容。但很显然，其导师 Demetri Terzopoulos 在全球医疗界的赫赫声望，为 VoxelCloud 铺开了一张巨大的关系网：

　　「我们算是师徒创业吧，我的博士生导师 Demetri 是英国皇家科学院院士和加拿大科学院院士，在业界的地位非常高。

　　当然，IEEE Fellow、ACM Fellow 等头衔，奥斯卡技术成就奖，德国亥姆霍兹奖等一大堆奖项就不用说了，其实他被肯定的最重要的一点，是对医疗应用层的贡献。譬如他参与研发的图像分割算法，就被广泛应用于医疗成像技术中。」

　　这种略显豪华的技术背景优势，是否能够让开发者在面对成百上千万的数据时，更能对它们进行游刃有余地处理? 根据丁晓伟给出的一份案例显示，他们正在基于一份包含 250 多万病例的数据集上做出眼底各种疾病分析模型，诊断结果已经能够达到专业医生水平的准确率。

　　VoxelCloud团队部分成员，中间穿红衣的为Demetri Terzopoulos

　　然而，他们需要面对的挑战依旧很大。

　　MIT(麻省理工科技评论)曾在批评包括 Watson 在内的诸多医疗诊断系统「不作为」时，把矛头指向「数据处理的难度」而非「数据的量级」，这同样也是所有 AI 医疗公司都有的短板：

　　「很多时候，诊断结果不够好并不是公司本身的原因，而是由于数据的复杂性与相对不可用性。因此，这需要 AI 系统基于数据调整参数，以达到最佳拟合效果。对于相对容易的任务，比如检测恶性肿瘤 X 射线，效果可能很好;但在很多关系复杂的病况下，就很难实现。」

　　而加州大学伯克利分校公共卫生学院的生物统计学教授 Maya Peterson 也持有同样的观点，她在今年 7 月的一次医疗会议上指出：

　　「人体的数据真的太过复杂，而我们还没有完全理解他们之间的联系。在探索更加复杂的病症中，机器学习在某种程度上野心过大，这也不是一件好事。」

　　这不是一个当下能谈盈利的市场

　　对于 AI 医疗创业公司来说，还有另一个很严酷的事实：数据的量级是与其价格成正比的。与此同时，还有优质算法与优秀技术团队的高昂成本。

　　换句话说，在进入这个市场前，所有人都应该意识到这是一个「资本无底洞」。

　　2015 年 8 月，IBM 耗费 10 亿美元收购了医学成像及临床系统供应商 Merge Healthcare，垂涎的就是后者手中积累的海量数据。

　　2016 年 2 月，IBM 又甩出 26 亿美元欲拿下医疗保健数据与分析服务提供商 Truven Health Analytics，为的就是后者掌握的 8500 家客户与 3 亿病患数据。

　　这两个举动也被 MIT 看作是「IBM Watson 即便再被世人讨厌，也仍然有其竞争优势」的关键证据。

　　而另一个残酷的反面案例是，作为 Watson 的第一批合作伙伴，曾希望借助 Watson AI 诊疗技术来构建独立肿瘤专家建议系统的安德森癌症中心 MD Anderson，在耗尽 6000 万美元后，宣告项目失败。

　　此外，与庞大投入相对应的，是商业模式仍然在寻找，盈利更是不可能谈起的早期探索状态。

　　丁晓伟向机器之能透露，VoxelCloud 目前已经推出了成熟的产品，但在当下所有签订的合同中，与公立医院的项目肯定是非盈利的合作形式，而私立机构用他们的系统则是要收钱的。

　　「现在大家都处于早期，研发与搜集更多的数据是最重要的事情。虽然我们已经有了不少成熟的产品线，但是这个领域真的太新了，我们必须怀着谨慎和敬畏的心，持续往前去推进。