剛才看著標題，心裡想著上完這學期的課程，是要編到幾號阿？ 說不定編到五十都有可能。
廢話不多說，直接進入主題；繼上午的立體個案結束後，同學們也完成了一半的期中報告，關於期中考的煎熬我另文再述，反正就是在美好的星期六早上，我們度過了時間高度壓縮、任務超級多的一個早上，在我才剛回神的時候，就準備要去吃午餐了。
這天中午是由 William 請我們去外面的餐廳用餐，上午跟下午的兩位講者跟我們這群業師把兩張桌子坐的滿滿的。
說來也真巧，我跟下午的個案講者竟然有共同認識的人，在席間簡單的交流後，又要回到教室去進行下午的作戰了。
這位講者的公司主攻「醫療影像分析軟體」，現在也有三千多間醫院採用；而且他也是自己從創辦公司，然後一路做到上櫃的董事長，真不簡單。
很特別的是，他很年輕時 (高中生) 就覺得自己不適合去上班，因此在學生時期就開始幫人寫程式、接專案賺錢；這在那個年代很特別，那時會寫程式的人也不像現在滿大街跑，他就這樣從接專案、接到開了間公司。
講者說，當年全台灣有上千家的洗衣店都是用他開發的軟體系統，但後來因為市場飽和了，他才開始思考想往門檻更高的領域發展，接著就一路栽進「醫療影像」了。
不過相對於他的成就，我印象更深刻的是他說：「在台灣一旦失敗，基本上就沒機會了，或者是說別人不願意再給你機會。」
講者接著講的這句話也有觸動到我：「一直往前走，比在原地轉圈好。」
在演講的過程中，我總覺得他現在做的已經不是「事業」，而是他自己的「志業」。
針對這個立體個案，我的心得與感想如下：
記得多年前曾跟某醫院放射科合作過「超音波與電腦斷層掃瞄影像對位技術」，醫學影像跟我們一般常見的影像不太一樣，它的量化解析度比較高，每一色階可以有 10 bit 或 12 bit 的深度，我們一般常見的顯示器大多是 8 bit。
這表示醫學影像的顯示器也跟一般消費型用的不太一樣，雖然我們可以透過一些色階轉換讓電腦螢幕顯示醫學影像，但這也會失去一些細部資訊，而且還要靠醫師憑經驗調整轉換參數，還不如直接採購高解析度的顯示器。
DICOM 的醫學影像格式因為有開源的函式庫，所以我們可以輕鬆地把它轉換成 RAW data，但要怎麼讓醫師好操作、又順暢的人機介面，就沒這麼容易了。
讓我比較好奇的是在分享中，講者說他們是從 UNIX 轉換到 Windows 系統，這代表他們的軟體大多應該都是在 Windows 上運行的；但我們十幾年前跟醫院合作時，他們是整套都 Mac 電腦，那時放射科主任還跟我們說 Mac 上面有一套很好用的醫學影像軟體，他們都用它在看片子，所以醫生的標配也都是 MacBook。
把不同來源的醫學影像疊合在一起，這需要先做 Image Alignment，而且還是 2D to 3D 的，這有定位精確度上的難題，因為不同的成像方式，其空間解析度跟影像特徵的差異都很大；這些產業知識跟相關技術真的都不簡單，也因此 R&D 的高投入是可以預期的。
我自己後來讀博士時，因為所在學校的前身是醫學院，全英國有 1/3 的醫生是從這畢業的，學校附近都是醫院，因此我們系上當時有做醫學影像的教授也好幾個，我教授本來也是在做細胞影像分析相關的。
在十幾年前，醫學影像分析就已經大量採用「機器學習」的方法了，但就如同模組二所提到的，那個時代大多還是採用特徵工程 + 分類器的方式，例如輔助醫師標註腫瘤位置等，我有個博班同學就在做這領域的研究。
因此，如同講者所說，將 AI 導入醫學影像分析是很自然而然的事，因為本來就有用機器學習的方法了；醫療體系相關的產品門檻都很高，人命關天嘛，不管是法規還是實驗驗證都很嚴謹，被卡住的常常都不是「技術」問題，而是法規、流程跟組織上的問題。
現在主流的技術要導入醫療設備可能都要好幾年後才會通過 FDA，所以講者花了二十年的時間透過影像分析產品打入醫院的通路，這就是它的護城河所在；這點在 Q&A 的時候也有被提到。
至於講者的風格比較老派，這是我比較熟悉的上一代創業家的感覺，他提到「人的問題」基本上應該大多數新創團隊都會遇到，成功的公司也都是一路上會慢慢調整掉不適任的人。
總之，這個案很接地氣，問題也很接近現實面，因為是在台灣創業的公司，所以他二十年前會遇到的種種問題，其實現在也都會碰到。
在這種領域創業的公司，就是比氣長的，撐不過去就掛了；如果想要在短期內就能看到營收爆衝，建議還是別碰「醫療」、「工業」等相關領域，不然創一個業就要等個十幾、二十年才能看到成果，即使可以透過拉長時間，來換建置好護城河的可能性，但人也都老了。
沒有留言:
張貼留言