人工智能在医疗行业的颠覆之路.docx
《人工智能在医疗行业的颠覆之路.docx》由会员分享，可在线阅读，更多相关《人工智能在医疗行业的颠覆之路.docx（13页珍藏版）》请在冰豆网上搜索。
人工智能在医疗行业的颠覆之路
人工智能在医疗行业的颠覆之路
医疗，关乎民生之根本，涉及每一个人的身体与精神健康。
今天，中国的医疗产业——涵盖医疗救护、医药、保健、生物技术等多个领域
——已然是一个具有万亿元市场规模的大产业。
2016年，中共中央、国务院印发的《“健康中国2030”规划纲要》中指出，到2020年，健康服务业总规模将超过8万亿元，到2030年达到16万亿元。
医院，作为中国医疗产业的核心主体之一，其面向患者的诊疗与就医流程、院内管理的各环节仍保持着僵化的模式。
在我们走访多家医疗企业过程中，曾不止一位企业管理者感叹：
“中国的医疗，是中国进化最慢、最传统的产业。
”
然而，人工智能技术的不断进步，开始与医疗的各个方面相结合，一个新的名词“医疗人工智能”随之诞生。
人工智能是否能够加速中国医疗产业的进化历程？
它都在哪些应用场景之中改变着中国医疗事业？
让我们通过本章一探究竟。
第一节医疗变革时代的黎明
“医疗人工智能”一词，从2016年起成为新科技领域关注的焦点。
投资界和产业界的许多人士认为，医疗将是人工智能在各产业中有望最先落地的产业。
究竟何为“医疗人工智能”呢？
亿欧智库认为，“医疗人工智能”是人工智能技术对于医疗产业的赋能现象。
要理解这一定义，首先要理解“赋能”。
所谓“赋能”，字面意义上就是指为某个主体赋予某种能力或能量。
人工智能技术与医疗产品、医疗服务的结合，事实上就是一种赋能现象，它不仅使得医疗生产活动成本降低、效率提升、效果增强，而且牵动整个医疗产业链发生新变化，如图3-1所示。
图3-1医疗产业链（部分）示意图例如，基于卷积神经网络的肺结节自动检测系统的逐步成熟，未来
将可能从根本上改变影像科医生的工作方式，大大提升影像诊断的精确度，降低误诊和漏诊事件的发生概率。
同时，该类辅助诊断系统的开发者，即医疗企业，将逐步实现系统的产品化和商业化，新兴科技企业、传统医疗器械与软件供应商之间相互博弈，将形成新的市场竞争格局。
这只是冰山一角，但足以显示出，人工智能技术对医疗产业的赋能将具有变革性力量。
AI与医疗领域的快速融合，与国家政策的支持密不可分。
2016—2017年，国家对于医疗领域提出明确的人工智能发展要求，包括对技术研发的支持政策，就相关技术和产品提出健康信息化、医疗大数据、智能健康管理等具体应用，并针对医疗、健康及养老方面提出明确的人工智能应用方向：
●2016年6月，国务院印发的《关于促进和规范健康医疗大数据应用发展的指导意见》中提出，支持研发健康医疗相关的人工智能技术、生物三维（3D）打印技术、医用机器人、大型医疗设备、健康和康复辅助器械、可穿戴设备及相关微型传感器件。
●2016年10月，国务院印发的《关于加快发展康复辅助器具产业的若干意见》中提出，推动“医工结合”，支持人工智能、脑机接口、虚拟现实等新技术在康复辅助器具产品中的集成应用。
●2017年1月，国家卫生计生委印发的《“十三五”全国人口健康信息化发展规划》中提出，充分发挥人工智能、虚拟现实、增强现实、生物三维打印、医用机器人等先进技术和装备产品在人口健康信息化和健康医疗大数据应用发展中的引领作用。
●2017年7月，国务院印发的《新一代人工智能发展规划》中提出，发展便捷高效的智能服务：
智能医疗，推广人工智能治疗新模式、新手段，建立快速精准的智能医疗体系；智能健康和养老，加强群体智能健康管理，建设智能养老社区和机构，加强智能产品适老化。
优质的政策环境，催生了一批又一批医疗人工智能创业企业的诞生。
拥有万亿元级市场规模的医疗产业，对于企业而言无疑是极具诱惑力的。
但是，中国医疗体制相对传统，改良进程缓慢，某些医疗领域甚至被扣上“积重难返”的帽子。
尝试借助AI技术手段实现个别医疗环节优化升级的企业，无疑是勇敢的，但也必将面临重重阻碍。
第二节院内院外，医疗AI应用百花齐放
医疗人工智能究竟有哪些具体的应用场景呢？
在医院中，涉及就医流程、诊断、治疗、数据结构化、医院管理与决策、医学科研等众多环节；在医院外，涉及药品研发及健康类的消费级产品。
综合来看，亿欧智库将医疗人工智能的应用场景分为七类，分别是虚拟助理、医学影像、大数据辅助诊疗、药物研发、医院管理、科研平台、健康管理。
部分应用场景又存在多类子应用，涉及医院内部的各个流程，以及医院以外的各类健康相关环节，应用可谓“百花齐放”。
下面，我们就来逐一进行解读。
一、虚拟助理从苹果的Siri、谷歌的语音助手，到亚马逊的Alexa、微软“小
娜”Cortana，此类通用型的“虚拟助理”对于大众已不陌生，人们通过文
字或语音的方式，与机器进行类人级别的交流交互。
医疗领域中的虚拟助理，则属于专用（医用）型虚拟助理，它是基于特定领域的知识系统，通过智能语音技术（包括语音识别、语音合成和声纹识别）和自然语言处理技术（包含自然语言理解与自然语言生成），实现人机交互，目的是解决使用者某一特定的需求。
目前，国内医疗领域的虚拟助理应用场景主要有：
智能问诊、药物推荐、导诊机器人、语音电子病历、陪护机器人，以及自动随访、医学教育等其他相对小众的场景。
下面我们重点介绍其中的部分应用场景。
智能问诊是各类虚拟助理中产品最多的应用场景。
所谓智能问诊，就是通过语音交互系统自动地完成患者的病情诊断，为医生和患者提供辅助与参考。
分别针对医患沟通效率低下与医生人数不足两大难题，智能问诊又分为“预问诊”和“自诊”两大类。
“预问诊”就是患者在完成挂号后的等待时间内，进入医院App或公众号中的智能问诊模块，输入自己的基本信息、症状、既往病史、过敏史等信息，系统将初步形成诊断报告，在患者与医生见面之前推送给医生，以减少医生与患者的沟通内容，大大缩短问诊时间。
“自诊”就是患者在手机或PC端通过人机交互完成智能问诊，获取诊断报告以供参考。
目前开发智能问诊系统的公司既包含阿里巴巴、XX、搜狗、科大讯飞等巨头公司或技术服务公司，也
包含康夫子、半个医生、小壹医疗客服等专注于开发智能问诊系统的创新企业。
药物推荐，核心目的在于让患者足不出户就可以知道“该吃什么药”。
北京馨康源健康科技有限公司是国内提供推荐用药服务的具有代表性的公司，推荐用药属于相对小众的应用场景，其产品是“自测用药”App，能够根据患者选择的症状和程度，通过后台算法系统给出中药和西药的用药建议。
国内其他典型企业包括药师小乔、九大夫、半个医生等。
导诊机器人，以其可爱的外表和易用的语音交互系统，成为中国众多医院喜闻乐见的“新员工”。
导诊机器人主要基于人脸识别、语音识别、远场识别等技术，通过人机交互，执行挂号、科室分布及就医流程引导、身份识别、数据分析、知识普及等功能。
从2017年起，导诊机器人产品开始陆续在北京、安徽、湖北、浙江、广东、云南等地的医院、药店中落地使用。
比较典型的是科大讯飞的“晓曼”导诊机器人，目前已正式在合肥市第一人民医院、北京301医院投入使用，如图3-2所示。
国内其他典型企业包括小胖机器人、纳月荷智能科技开发的Andy机器人、若水医生开发的康宝机器人等。
图3-2科大讯飞导诊机器人“晓曼”
来源：
天津支部生活网《聚焦首届世界智能大会：
智能改变世界》
语音电子病历系统，简单来讲就是通过语音转文字，帮助医生快速录入病历的虚拟助理系统。
语音电子病历为何存在呢？
香港德信2016年的一项调查显示，中国50%以上的住院医生平均每天用于写病历的时间超过4小时，相当一部分医生写病历的时间超过7小时。
语音电子病历系统，能够帮助医生避免浪费大量时间，医生的主诉内容可以自动地、实时地转换成文字，录入病历系统中，大大提高了填写病历的效率。
该类系统以软硬一体全套解决方案为产品形态：
软件是以语音识别引擎为核心、以医疗知识系统为基础的语音对话系统（行业术语：
语音OS），硬件是医用麦克风。
目前采用该系统的主要是消化内科、超声科等检查项目多、病历输入相对烦琐的科室。
国内提供此类产品的企业主要有三家：
科大讯飞（产品为云医声）、云知声（产品为云知声）、中科汇能
（产品为医语通）。
图3-3反映的就是语音电子病历系统的使用案例。
图3-3语音电子病历系统使用案例
来源：
中科汇能
在各类虚拟助理之中，语音电子病历更能切中痛点，解决医生所面临的实际问题。
此外，医院具有一定的采购预算和灵活性，国内三甲医院低于30万元（部分医院为50万元）的采购行为通常无须公开招标。
语音电子病历产品不属于大型医疗设备，采购价格低，通常无须招标，因此能够快速落地。
当然，语音电子病历系统也存在医生所使用的医学名词不统一的问题，对于系统背后的知识系统要求较高。
二、医学影像随着计算机技术和医学影像技术的不断进步，X射线、电脑断层扫
描（CT）、核磁共振成像（NMRI）等医学影像，已逐渐由辅助检查手
段发展成现代医学最重要的临床诊断和鉴别诊断方法。
技术手段不断进步的同时，也不可避免地出现诸多问题。
以影像科医生为例，影像诊断十分依赖医生的经验性判断，中国目前正式注册的、拥有医学影像从业资格的医生约为17万人，其中具有丰富临床经验的优质医生数量却十分有限，所以医学影像的误诊或漏诊事件较多。
中国作为癌症大国，平均每分钟就有7人确诊为癌症[1]，对于优质影像科医生的需求量巨大。
但是，影像科医生的培养具有固定的周期，目前影像科医生人数年增长率约为4.1%，严重不满足需求，这个问题亟待解决方案。
我们再来看放疗科医生，在患者上机放疗前，放疗科医生需要对一套CT片（200～450张不等）逐一进行照射靶区的勾画。
受限于人眼有限的读片速度，放疗科医生完成一套片子的手动勾画工作，通常需要耗费约4个小时左右，时间成本非常高；此外，在患者上机照射过程中，病灶位置可能发生转移，这就要求加速器能够不断根据病灶转移情况进行放疗方案的调整。
如何在保证勾画准确度的前提下有效缩短勾画时间？
如何实现放疗方案的实时调整？
这些问题都有待技术来解决。
除了影像科与放疗科以外，还有术前规划阶段的影像三维重建存在的配准问题，会直接影响手术规划的精确度等。
医学影像在当今医学诊断中具有举足轻重的作用，与医学临床的距离最近，而众多疑难问题尚未得到解决，由此医学影像成了医疗人工智能最热门的应用场景。
综合来看，人工智能与医疗影像的结合，主要体现于运用图像识别技术实现三类核心功能：
病灶自动分析与识别、影像自动勾画与自适应放疗、影像三维重建。
病灶自动分析与识别，主要针对“诊”的环节，是指机器通过计算机
图像处理技术，完成图像分割、疑似病灶图像分析与提取、检测与诊断等工作，进而辅助影像科医师提高病灶的检出率和诊断的精确性，降低漏检、错检的可能性。
目前，病灶自动分析与识别的产品以癌症筛查类软件为主，涉及肺癌、乳腺癌、食管癌等，另外有少数企业的产品主要针对皮肤类疾病的筛查。
在癌症筛查领域，肺癌的早期筛查类产品是最多的，一方面是由于国内在各类癌症中肺癌的发病率、死亡率均位居首位；另一方面是因为以卷积神经网络为主的肺结节检测算法相对成熟。
以推想科技为例，其智能CT辅助筛查产品AI-CT完成一张肺部CT片的识别用时仅5秒，而人类医生通常需要十几分钟到半个小时；对于人的肉眼容易遗漏掉的三毫米以内的小病灶，AI-CT更容易识别，肺结节发现准确率高达90%。
图3-4展示的就是推想科技智能CT辅助筛查产品
（AI-CT）的功能界面。
其他国内典型企业代表有腾讯觅影、健培科技、羽医甘蓝等。
图3-4推想科技智能CT辅助筛查产品（AI-CT）功能界面来源：
推想科技靶区自动勾画与自适应放疗，主要针对“疗”的环节，靶区自动勾画
是指机器对CT影像中的肿瘤器官和周围危及器官进行自动勾画，医生
只需进行核查即可；自适应放疗是指在患者15～20次上机照射过程中，机器不断跟踪病灶位置变化，及时调整放疗计划，有效减少射线对患者健康组织的伤害。
机器对靶区的自动勾画，能够极大程度上缩短放疗科
医生的勾画工作时间。
以连心医疗为例，连心医疗是该领域的典型企业，其智能放疗云平台在四川省肿瘤医院和中国人民解放军海军总医院的使用中，将医生超过5个小时的手动勾画时间，缩短至0.6个小时以内。
图3-5展示的就是连心医疗智能放疗云产品勾靶的功能界面。
其他国内典型企业代表有汇医慧影、全域医疗、医诺智能等。
图3-5连心医疗智能放疗云产品勾靶功能界面来源：
连心医疗官网影像三维重建，主要针对手术规划环节，通过进化计算优化后的图
像配准算法，能完成多层CT影像的高精准度配准融合，从而有效解决
配准缺陷周期性复发的问题。
影像三维重建配准融合精准度的提高，能够最大程度上自动重构出患者器官真实的3D模型，与3D打印机无缝对接，让医生手术方案的制定更加精准。
目前国内典型企业代表有昕健医疗、海纳医信、锐达医疗等。
由于AI+医学影像类产品涉及诊疗环节，属于CFDA（国家食品药品监督管理总局）规定的三类医疗器械目录范围，所以产品申报与认证过程十分严格，耗时较长。
目前基本成型的AI+医学影像产品大多数处于医院试用阶段，未来可见的业务模式主要有两类：
第一类，面向医院、体检中心和第三方医学影像中心，出售软件的使用权限
（License），以及收取一定的技术服务费用；第二类，向医疗器械厂商
寻求合作，将软件与硬件设备捆绑销售，或将产品功能嵌入硬件设备中。
近年来，国产医疗器械逐渐发展起来，与雅培、罗氏、西门子、瓦
里安、医科达等海外公司产品形成竞争，“AI+医学影像”软件与医疗器械的结合，可帮助医疗器械厂商提供先进的软硬一体化解决方案，将大大提升医疗器械厂商的产品竞争力。
三、大数据辅助诊疗全世界每日产生的医疗数据量十分巨大，其中蕴藏着巨大的利用价
值，然而由于各地区数据结构化程度低，缺乏统一的标准，并且有些地区的医疗数字化程度还很低。
根据IDCDigital预测，截至2020年，全球的医疗数据量将达40万亿GB，其中约80%的数据为非结构化数据，如图3-6所示。
图3-6全球产生的医疗数据量预测（万亿GB）来源：
IDCDigital
我们知道，计算机能够学习和处理结构化的数据，所以非结构化数据的结构化处理是一个重要问题，我们在后续章节中会谈到。
认知计算的运用，使得计算机对非结构化数据的学习和计算成为可能。
根据IBM研究院的定义，认知计算系统指的是有目的地进行大规模学习和推理，并能够与人类自然互动交流的系统。
从终极目标的角度看，认知计算是实现人工智能的一条重要途径。
IBMWatsonforOncology是全球第一个将认知计算运用于医疗临床工作中的产品，该系统以44家美国医疗机构的历史癌症治疗案例、300种以上的医学期刊、250本以上的医疗图书，以及1500万页论文研究数据为训练资料，历经4年的不断学习，最终实现了对癌症患者非结构化数据的分析，并能为医生提供治疗方案建议。
该系统已通过美国执业医师测试，IBMWatson为充分挖掘海量病例数据的价值开辟了道路。
IBMWatson正在积极拓展中国市场，2016—2017年分别与杭州认知网络科技有限公司、青岛百洋智能科技股份有限公司两家公司签署战略合作协议。
WatsonforOncology在国内落地非常迅速，至2017年年底或已覆盖国内超过200家三级综合医院。
当然，WatsonforOncology在国内医院的推广过程中，存在本土化和采纳程度问题。
例如，亚洲人与美洲人的体质存在差异，WatsonforOncology需要研究适合亚洲人体质的治疗与调理方案；再如，由于癌症治疗的情况很复杂，给出的最好的治疗方案不一定是患者能够接受的方案，需要综合考虑患者的年龄、经济状况、精神状态等多种因素，所以WatsonforOncology提供的很多治疗方案，还需要医生根据病人实际状况进行调整。
针对上述情况，杭州认知网络科技有限公司在WatsonforOncology的基础上正在进行深度开发，创立辅助诊疗互动平台——“沃森智能应用云平台”，该平台将逐步整合Watson全产品线，并根据国内医院不同的诊疗需求进行定制化调适。
四、药物研发中国的医药市场，是一个不断增长的千亿元级消费市场。
中康
CMH的监测数据显示，2010—2016年间，中国零售药店市场总规模
（以终端零售价格计算）年均增长率达10%以上，2016年总规模已达到3377亿元，如图3-7所示。
围绕中国巨大的医药市场，处于产业链上游的药物研发环节被重点关注。
图3-72009—2016年中国零售药店销售规模（亿元）
来源：
中康CMH
药物研发包含新药研发、老药新用、药物筛选、药物副作用预测、药物跟踪研究等方面的内容，以“研发成本高、周期长、风险大”为主要特点。
一款成功获批上市的新药，需要经过化合物研究、临床前研究、临床研究（临床Ⅰ、Ⅱ、Ⅲ期试验）、SCFDA或CFDA审批等流程，耗时往往达10年之久，平均研发费用约有15亿美元之多。
此外，药物研发的成功率较低，平均5000种合成化合物中，仅有1种能进入临床Ⅱ期实验。
人工智能深度学习算法能够帮助科研工作者快速、准确地挖掘和筛选合适的化合物或生物，达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。
目前深度学习在药物研发方面的主要贡献包括两点：
第一，提高化合物的筛选效率，优化化合物构效关系（即药物的化学结构与药效的关系）；第二，同一种药物的不同晶型在外观、溶解度、生物有效性等方面可能会有显著不同，深度学习算法能够辅助预测小分子药物晶型结构，以把握药物的稳定性、生物利用度及疗效。
目前，人工智能的主要成果体现于抗肿瘤药、心血管药、孤儿药（罕见药），以及经济欠发达地区常见的传染病药，其中抗肿瘤药占1/3。
人工智能与药物研发结合最典型的案例，是硅谷公司Atomwise通过IBM超级计算机，在分子结构数据库中筛选治疗方法，筛选出820万种候选化合物，研发成本仅为数千美元，研究周期仅需要几天。
2015年，Atomwise基于现有的候选药物，应用AI算法，不到一天时间就成功地寻找出能控制埃博拉病毒的两种候选药物，以往类似研究需要耗时数月甚至数年时间。
新药研发速度的加快，使得癌症等重症疾病的个性化治疗越来越成为可能。
思路迪是国内将人工智能技术用于药物研发的典型企业，其基于对患者的基因测序结果，结合各类候选药物的患者临床反应，形成新药研发数据库，为个性化药物提供数据支持，同时利用深度学习为特定患者研发癌症新药。
其他国内典型企业代表有明码生物科技、瑞博生物、裕策生物等。
五、医院管理医院管理是一个相对宏观的话题，涉及院内职能部门间的协同配
合、流程管理、突发事件风险管理等各项内容，还包括医院与其他医疗
机构、医药和医疗器械供应商的调配、采购等往来关系。
而庞大的运行
系统，使得医院管理难度较大，人力和时间成本负担较重。
随着人工智能技术的不断进步，人们寄希望于机器代替人类进行一部分医院管理工作。
早在1977年，斯坦福大学计算机科学家费根·鲍姆提出“知识工程”概念，随后专家系统渗入医学领域，出现最早用于医院决策支持的专家系统。
然而，由于当时的专家系统技术尚不成熟，机器学习能力有限，所以没有真正投入医院管理之中。
今天，深度学习技术使机器具备了更强大的学习能力，逐渐开始进入医院管理的部分节点，包括病历结构化、DRGs智能系统、医院决策支持的专家系统、血库调配等。
在此，我们重点介绍前两项。
病历结构化，是指针对医院多年积累下的非结构化数据的结构化处理，从而使数据真正发挥其价值。
病历结构化主要用到自然语言处理技术，随着深度学习的发展，循环神经网络进一步推动了自然语言处理技术的发展。
图3-8所示为自然语言处理结构图。
图3-8自然语言处理结构图目前国内提供病历结构化服务的公司，往往面向医院提供开放性平
台服务，以服务换数据，实现共赢。
具体的业务模式分为两类：
第一类，是开放性的中文病历语义API，提供能与医院无缝对接的“可插拔式”模块；第二类，是提供智能病历分析服务，服务类型和范围较广，如为保险公司做医疗风险评估、精准医学大数据中心的业务规划和组织架构设计、协助重大研究课题进行前期分析研究、开发医疗人才培养系统，等等。
提供病历结构化服务的公司，未来在保险与医药行业也存在
较大的盈利空间，例如帮助保险公司发现并减少过度医疗行为，帮助药企监控新产品的安全性等。
森亿智能是国内专注于医学文本分析的人工智能公司，其主要业务是通过机器学习和自然语言处理技术自动抓取医学文本中的临床变量，将积压的病例自动转化为结构化数据，生成标准化的数据库。
智能算法能挖掘变量相关性，从而为临床科研提供专业性的统计分析支持。
其他国内典型企业代表有零氪科技、大数医达、深思考等。
DRGs智能系统中的“DRGs”，英文全称是DiagnosisRelatedGroups，可翻译为疾病诊断相关分类。
它能够根据病人的年龄、性别、住院天数、临床诊断、病症、手术情况、疾病严重程度等因素把病人分入500～600个诊断相关组，然后决定应该给医院多少补偿。
DRGs智能系统能有效降低医疗保险机构的管理难度和费用，有利于宏观预测和控制医疗费用。
过去常常出现某些患有重大疾病的患者在手术及用药过程中占用太多补偿保额的情况，而DRGs智能系统可以帮助医院合理分配保额，帮助医院合理控制费用。
国内典型企业是医渡云。
六、科研平台
2014年以来，国家卫计委、国务院先后出台《国家卫生计生委关于进一步加强医学科研项目和资金管理的通知》《国务院关于印发“十三五”国家科技创新规划的通知》等文件，在鼓励医疗机构及医生进行科学研究的同时，也加大了医学科研资金的投入和管理。
然而，SCI（《科学引文索引》）收录的我国医学研究论文中，临床研究论文的占比很小，一方面与临床医生时间较少有关，另一方面与我国结构化数据较少、医生数据统计与分析能力有限相关。
许多医疗人工智能公司抓住了医生的科研需求，依托其本身的技术算法能力和计算能力，制作易于操作的人工智能科研平台，为医生科研提供以数据分析为方向的辅助性服务。
打造科研平台，本身就是对企业现有技术能力和资源的商业价值的充分挖掘。
其更大的意义在于，企业能够借助科研平台，与医生、医院或研究机构建立科研合作机会，以换取模型训练数据及未来的商业变现渠道，其具体情况如图3-9所示。
国内典型的企业包括推想科技、零氪科技、新屿科技等。
图3-9企业与医疗机构资源优势互补，形成科研合作
七、健康管理物质资料的不断丰富，居民生活水平的不断提高，使得人们对于健
康的需求日益凸显。
国内一批人工智能企业基于大众对于健康生活的追
求，围绕营养学、身体健康管理和精神健康管理，开发了一系列健康类产品与服务。
AI在营养学领域的运用，主要是利用AI技术进行食物识别，实现个性化合理膳食。
世界范围内，爱尔兰都柏林的创业公司Nuritas是典型代表。
2014年，Nuritas研究人员发现了能够杀死MRSA的肽。
此前根据不同耐药菌研究药物治疗方案的方法，不仅成本高昂，而且费时费力。
而通过肽杀死抗生素耐药菌的方法，既健康又成本低，患者负担较小。
而后，Nuritas将AI与生物分子学相结合，进行肽（食品类产品中的某些分子）的识别，然后根据每个人不同的身体情况，使用特定的肽来激活健康抗菌分子，改变食物成分，消除食物副作用，从而帮助个人预防糖尿病等疾病的发生，杀死抗生素耐药菌。
Airdoc是国内将AI与营养学相结合的创新企业，其开发的一款名为“每日三次”的App，搭建菜品图谱，利用图像识别技术
升级会员 