每周三期，详解人工智能产业解决方案，让AI离你更近一步。

解决方案均选自机器之心Pro行业数据库。

方案1：乳腺癌放射诊疗影像分析平台

解决方案简介：通过图像分析平台，检测乳房关键部位，借助学习性的算法，量化多维、嘈杂的医学影像与信号数据中的异常事件，辅助放射科医师及其医疗保健团队作出对乳腺癌筛查、治疗和诊断的决定。来实现乳腺癌、肺癌早期诊断，解决乳腺癌、肺癌诊断晚以致错过最佳治疗时机问题。

解决方案详解：

研发的白盒算法（clear box）使得医生能了解结果以及驱动结果的因素，并采用了智能抽样技术应对大数据，从各种数据，包括不太可能改变的静态数据（如患者人口统计信息）或随时间收集的数据（包括患者生命体，传感器或图像数据），以及历史或实时数据流中选取合适的数据复杂度生成预测模型，并能将不同数据类型组合成一个赋权和揭示的数据集进行分析。

运用机器学习算法能探索关键图像数据，识别相关属性，丢弃无关属性，实现模型快速收敛。

1.模型中的复杂度太高可能会导致过度拟合（当模型被过度定制为特定数据时），而没有足够的复杂性导致欠拟合（一个太简单的模型）。CureMetrix 方法的数学基础旨在平衡适合度和过拟合的竞争风险，以确定模型复杂性的水平，从而保证预测性能。

2.随着数据变化，模型推动的结果也随之发生变化。随着继续处理医生数据的新例子，算法学习并变得更加准确。随着变化的发生，该模型可以轻松适应，确保在最佳，轻便的尺寸下获得高精度的答案。

方案2：自动驾驶卡车自动编队驾驶技术

解决方案简介：

旨在帮助自动驾驶卡车行业解决三大问题：安全问题、燃油消耗问题和运营效率问题。实现数据表明，当卡车以恒定速度靠近行驶时，燃油消耗量和尾气排放量都会降低，行车安全系数也会提升。当前自动驾驶技术的一个远景目标，就是使多辆汽车能在电子通信技术的应用下，实现车编队自动驾驶。

卡车编队驾驶技术是其中重要环节，通过 V2V （ Vehicle to Vehicle ）通讯技术串连 2 - 5 辆卡车，由头车的自动驾驶系统引导，每辆车密切沟通彼此的状态。

例如，当前排车辆需要刹车或减速时，后排车辆会自动对这些动作作出反应。Peloton 的驾驶辅助（driver-assistive）系统会将配对卡车的安全系统与云网络进行连接，将卡车编队驾驶限定在合适的道路和条件内。

解决方案详解：

Peloton 的卡车编队系统使用车对车沟通技术（V2V ）通讯技术连接任意两辆按照了该系统的卡车的刹车和加速器，可让两辆串连的卡车以远超人类和雷达传感器的反应速度同步加速或刹车。Peloton 的系统配备前置摄像头、设计控制系统、防撞雷达系统、V2V 沟通系统、刹车和加速控制器等设备，此套系统可让装配了防撞系统、特定刹车系统的普通卡车转变为半自动的智能辅助驾驶卡车。

- 该公司计划在 2017 年与投资方 Omnitraces 合作，推出名为 Class 8 的商用卡车编队行驶管理系统。Class 8 目前可以支持两辆半挂牵引车编队行驶，两车通过 V2V 技术通信，共享各自的位置信息和行驶状态参数，同时装有用于巡航控制的雷达，前车负责牵引，后者只需要跟随就好。根据 Peloton 提供的数据，在组队行驶股过程中，牵引车的油耗可以降低 4.5%，跟随车的油耗则可以降低 10%。

方案3：智能快速PET图像增强平台

解决方案简介：SubtlePET依托人工智能技术和海量的优质临床数据，为医院和第三方影像中心提供针对快速和低剂量PET的图像增强解决方案。帮助在保证图像质量的同时，实现4倍成像效率并可进一步降低辐射剂量。

解决方案详解：医学成像在现代医学诊断和治疗的过程中起着至关重要的作用。然而，医疗资源的匮乏导致许多病人无法得到及时和高质量的成像服务。长达几十分钟的PET成像时间，以及较高的辐射剂量也直接影响着病人的身心健康。SubtlePET旨在将强大的人工智能图像增强算法无缝集成到已有的临床成像工作流中，帮助医院和第三方影像中心提高最高4倍成像速度和降低最多75%的辐射剂量。医生使用已有的成像仪器采集更短的时间或者使用更低的剂量，将产生的图像送到SubtlePET软件增强之后，能够得到常规采集的图像质量。对比基于经验数学模型的相似产品，SubtlePET通过数据学习到更接近实际临床图像的模型，能在更加快速和更低剂量下更好地恢复图像质量。

方案4：机器人大脑SDK及机器学习解决方案

解决方案简介：强调使用本地的有限硬件资源实现高效的机器学习应用。其产品将通过增量学习，在硬件部署过程中不断提高自身的运行表现，同时无需联网。对于一些时间敏感的领域，能够进行本地自我训练。

其人工智能系统可以实现实时的行人检测、汽车检测以及骑行人的检测，该系统可以不依赖云数据处理并且在低功率的智能手机芯片上就可以运行。

Neurala Brain 包含一种易用的 C++ API，并可进行 iOS 和安卓封装，为用户快速部署设备提供了便利。它的解决方案覆盖低端 CPU 和高端 GPU，同时支持 Tensorflow 等多种框架。

传统模型一旦部署后，模型参数无法修改，用户无法在终端对模型进行定制。该公司技术让车主或经销商可以将自动驾驶系统根据自身所在的特定的社区进行定制。

解决方案详解：

用 L－DNN 模型，将类似人脑中「海马体」的异质性神经网络「嫁接」在 AlexNet 上，能够在部署之后继续训练模型进行识别（recognition）；将异质性神经网络嫁接在 YOLO 上，能够在部署之后继续训练模型进行检测（detection）。

- Neurala 已经开始测试其为 NASA 研发的升级版的人工智能大脑原型，即机器人探测器的软件控制器，以用于 NASA 的火星自由探索。

- 在商业领域，无人机创业公司 Teal 也在 Neurala 的帮助下让自己的产品实现了「自动跟随人」等功能。第三方机器学习解决方案的出现对于创业公司而言是一种巨大的便利，这意味着跳出技术竞争，节约研发资金，让自己的产品可以快速投放市场。

方案5：移动医疗解决方案

解决方案简介：蚂蚁金服旗下支付宝、芝麻信用、花呗、上海联空网络科技有限公司等机构联合提供信用就医技术。「信用医疗」对比现有的移动医疗解决方案，一个突出特点就是无需诊间支付。

解决方案详解：

「芝麻信用与花呗相结合，线上自动扣款取代了线下排队缴费，让患者诊疗和缴费几乎可以实现同步」。信用就医模式免排队免诊间支付，平均节省 60% 就医时间。

对于类似口腔科这种先看病、后缴费的诊疗项目，信用就医、自动扣款有效避免了逃费现象。

基于 ZOLOZ（蚂蚁佐罗）提供的金融级人脸识别技术，在医院场景下，从技术层面出发，未来通过生物识别技术识别用户身份可以实现『刷脸就医』。

就医流程以首家开通「信用就医」的上海复旦大学附属华山医院为例：芝麻信用满 650 分的用户，在医院支付宝生活号「门诊服务」中选择「开通信用就医」，按照指示添加就诊人信息，就能得到 1000 元的花呗额度，用于在该院看病缴费。「信用就医」用户完成挂号预约后可直接就诊、取药，每项检查过后，花呗自动扣费。