问题。

其余时间各自研究,需要配合时直接在微信上沟通,言简意赅。

兰芊翊逐渐适应了这种节奏,更准确地说,她很享受这种节奏。

周三下午,她完成了AI影像诊断技术发展脉络的分析,自信满满地将初稿发给苏宁。

图表精美,数据翔实,逻辑清晰,这是她在友为资本练就的基本功。

半小时后,苏宁回复:“方便现在讨论一下吗?”

“好的。”

两人在小会议室碰面。

苏宁打开她的文档,直接翻到准确率对比分析那一页。

“整体思路很好,结构清晰。”他先肯定,然后话锋一转,“但这个93.5%的准确率数据,我有疑问。

他指着图表上的一个数据点:“这是基于哪个数据集测的?”

"COCO-Medical,公开数据集里质量最高的之一。”兰芊翊解释道,“我对比了五篇顶会论文,这个数据是平均值。”

苏宁微微蹙眉,兰芊翊注意到这是他思考时的习惯表情。

“公开数据集和医院实际数据差异很大。COCO-Medical的数据经过严格清洗和标注,但医院实际数据噪声大,标注不一致。同样的算法,在公开数据集上准确率能到95%,在实际医院数据上可能只有80%出头。”

兰芊翊一愣,这个角度她确实没考虑到。

“我查过几篇临床验证研究。”苏宁调出自己的笔记,“比如这篇今年二月发表在《Radiology》上的文章,同一个肺结节检测AI,在公开数据集上灵敏度97.2%,但在三家医院的实际临床数据上,灵敏度分别只有89.1%、8

5.7% 82.3%, "

他把屏幕转向兰芊翊,密密麻麻的文献笔记,标注着重点和数据对比。

“这个差距会影响商业化前景。”苏宁继续说,“如果只宣传公开数据集上的高准确率,医院采购后发现实际效果打折,会产生信任危机。我们应该区分理想场景性能’和“实际场景性能。”

兰芊翊脸有些发烫,这是她疏忽了。

太依赖学术论文数据,忽略了临床落地的复杂性。

“对不起,我重新做这部分分析。”她诚恳地说。

“不用道歉。”苏宁语气平静,“研究本来就是不断迭代的过程。我们一起把这块补上。”

“我联系了复旦医学院的一个师兄,可以拿到一些脱敏的实际医院数据做对比分析。大概明天能拿到。”

兰芊翊惊讶地看着他:“你什么时候联系的?”

“前天晚上,看到你初步框架时就想到了这个可能性。”苏宁说得轻描淡写,“刚好他最近在做类似的研究,数据可以共享。”

这一刻,兰芊翊心里涌起一种复杂的感受。

这个搭档,不仅能在她出错时指出问题,还能提前准备好解决方案。

不是指责,而是建设性的帮助。

太可靠了。

“谢谢。”她由衷地说道。

“互相补位而已。”苏宁关掉文档,“接下来我们分一下工:你继续完善技术发展脉络这部分,我负责临床数据对比分析。周五前合稿,怎么样?”

“好。”

随着合作的深入,兰芊翊开始不自觉地在工作中观察苏宁。

发现苏宁对数据有种近乎偏执的严谨。

每个数字都要追溯原始来源,每个结论都要有至少两个独立信源的佐证。

有一次,为了确认某省医疗AI采购政策的出台时间,他打了三个电话,查了政府网站、新闻报道和行业内部通讯,最后精确到年月日。

发现苏宁虽然年轻,但看问题的角度常常很“老道”。

周四讨论商业模式时,兰芊翊提出了一个基于订阅费的收入模型,计算出的市场规模相当可观。

“理论上可行。”苏宁看完后说,“但忽略了几个实际约束。”

“什么约束?”

“第一,医保支付问题。目前大部分AI辅助诊断项目不在医保报销范围内,患者自费意愿有限。第二,医院采购流程。公立医院采购需要招标,周期长,决