首輪融資近千萬，森億智能利用人工智能結構化醫療數據推動二次應用

森億智能向動脈網獨家披露： 公司已完成天使輪近千萬的融資，領投方為真格基金，由華巖資本和樹蘭醫療跟投。

作為一家專注于利用人工智能進行醫學文本自動分析和數據二次應用的公司，森億智能將美國醫學信息學的經驗帶回國內，將中國龐大的病歷資源轉化為醫療生產力。

“國內醫療數據產業進程如此困難重重，我認為主要有三點原因： 首先，國家尚未出臺醫療信息的整套行業標準，而目前各個醫院的IT信息系統都互相孤立，難以統一。其二，缺乏標準，數據無法互通，也就導致目前還沒有出現規模化醫療大數據，更難以談及數據挖掘和價值。

第三，公立醫療體系缺乏足夠的商業動力來催生足夠的應用案例。”森億智能智能CEO張少典在接受動脈網采訪的時候直擊國內醫療信息化的病因。

中美醫療信息化的“隔代”差距

張少典在上海交大計算機系的ACM班就讀時，獲得了微軟亞洲研究院的實習機會，當時主要負責自然語言處理算法的研發，在此期間發表了關于自然語言處理的論文，直接拿到去哥倫比亞大學醫學信息學專業的offer。

森億智能CEO張少典

哥倫比亞大學擁有美國最頂尖的醫學信息學系，該專業的創立者同時也是世界上首批醫療AI產品的發明者。

在90年代末期，美國就基本完成了主流醫院的信息化建設主體。當前醫學信息學的關注點已經從從第一階段的系統建設轉移到了第二階段也就是數據的二次利用，而且美國已經從醫學角度考慮效率、安全、普適性問題。

目前中國還處在從第一階段向第二階段的過渡階段。雖然主流的醫院基本信息化已經接近完成，卻還是存在系統不夠完善、信息不聯通、不夠體系化等問題。所以雖然已有基礎設施，卻還是不能解決數據挖掘問題。數據的二次利用就更無從談起。

另外在醫學信息學人才的培養上，美國已經建立了完善的人才培養體系，為醫學信息化建設提供人才基礎，而國內尚無該專業人才的培養。

張少典就是在這樣的背景下創辦森億智能，利用人工智能將電子病歷結構化后，為保險、藥企等企業提供數據的二次應用服務。

結構化數據的二次應用

森億智能做的就是依據醫療IT企業、保險、藥企、醫院等B端客戶的需求，將案例-病歷結構化、可視化處理，將處理后的數據應用到醫保控費、藥物研發和臨床決策支持等方面。

森億智能的人工智能系統像一個有經驗的醫生一樣，可以精準完整的讀懂病歷所表達的含義，并消解其中的歧義。系統利用 自然語言處理技術 ，深度挖掘和分析醫療文本的信息，它可以快速批量抓取病歷中的信息生成一個結構化數據庫，這個抓取環節可以為醫生節省數月的時間，把這個過程的耗時壓縮到幾秒。

目 前該系統全科室綜合準確率在90.2%，可以識別13大類臨床變量，識別19類變量語言關聯 ，可實現全自動生成結構化數據庫。更重要的是，森億的自然語言處理不依賴任何人工規則，在面對新的病種、新的病歷時，完全通過機器學習來完成模型構建，從而使得產品在面對不同場景時實現靈活定制、高速迭代。

每家做數據結構化的醫療數據類公司興許都有自己的自然語言處理算法，但對機器學習在自然語言處理上的應用、語料庫、知識庫的積累決定了一家醫學AI公司的真正功底。這也是這些人工智能公司的核心競爭力，我們外行只需關注系統的準確率是否讓人滿意即可。

正是由于系統速度快、準確率高的特點，及時面對目前各大醫院IT系統的標準不一這種情況，森億智能也可以迅速將慢病管理、健康平臺、保險公司、HIS系統乃至藥企等客戶所需的數據，結構化處理，做出實際有說服力的案例，以促進行業的發展。

這種數據的二次應用在醫保控費、藥物安全、決策支持方面作用巨大。例如：美國的醫療保險預測公司Inovalon幫助美國76萬名醫生以及相關保險公司節約數十億美元的保險開銷。

再例如，硅谷創業公司CLOUD MEDX的智能二次入院監控系統，根據患者的數據進行分析，減少了其客戶30%的二次入院情況，為每家醫院平均節約200萬美元的年度開銷。

張少典說：“如果醫療數據是個金礦，森億智能要做挖礦者的送水人，將所有還不能被處理的非結構化信息通過人工智能，自動挖掘提取為可供分析的格式，為企業和醫院的醫療大數據應用提供支持。”

目前森億智能已經為中山醫院、湘雅醫院、長征醫院等提供醫院病歷自動結構化和信息抓取服務。 目前有兩種盈利模式，主要是針對B端。一是開放中文病歷語義API，為機構提供無縫對接不同的平臺和系統的可插拔式模塊。

第二是為保險公司等第三方管理公司提供取代人工的智能病歷分析服務，并輔以一線臨床數據的細分市場報告、精準收費核算支持、深度風險評估，全面提升醫保質量與效益。

關于未來的發展，張少典透露，近期研發上會覆蓋更多的醫療文本類型。目前該系統全科室綜合準確率在92%， 針對個別的專科，會利用遷移學習等技術進行模型強化 。

對于長期發展規劃，森億智能會關注自然語言處理技術在醫療領域的更廣泛應用，例如 機器翻譯和自動問答，例如做出類似于具備專業醫學知識的Siri，自動回答患者的疑慮 。