头顶“三座大山” AI影像医疗“翻山越岭”来落地
一部《我不是药神》将国内医疗困境推向舆论的风口浪尖，而AI技术的普及，为这些困境提供了诸多看似光明的道路。人们寄希望于既有的大量医疗影像数据，试图让深度学习训练出的AI完成人类繁复冗长的工作，在医疗资源稀缺的当下提升医院效率。
理想的美好催生了资本的狂热，腾讯、阿里等互联网巨头纷纷涌入AI影像医疗领域，初创公司动辄获得上亿融资。然而，正如从事了20年影像设备制造的东软医疗首席科学家黄锋所言：“凡是牵扯到人的健康的事，都需要时间的积累和验证。”
高质量数据缺失、准入资格的政策风险、暂时看不到收益的商业模式是目前压在这些追风者头上的“三座大山”。AI影像医疗要想真正脚踏实地，造福人类，还要经得起时间的检验。
1
陈大夫是一名从业多年的影像科专家，同时也是万里云平台注册诊断医师。如今，陈大夫的工作模式与以往并无太多差异，依旧要坐在肺结节影像显示屏前进行肺结节病灶的筛查和标注，但是显示屏呈现给陈大夫的不再是未经处理的肺部影像，而是经过AI影像系统“Doctor You”精心标注过的病灶影像，陈大夫只需在AI标注后进行最终修正核实，就可以结合其他诊疗信息帮助病人确诊。
截至目前，“Doctor You”已经帮助陈大夫和像他这样的6000多名胸腹部医生解放了“生产力”，让他们的阅片速度提升近乎5倍。
AI医疗影像是目前在诊断阶段最早被应用的环节，从《IT时报》记者接触的科研人员、医生到投资人，无一例外地认同医疗影像是非常适合AI落地的实际应用场景。
时间和准确率是医疗影像筛查的两个痛点，通过CT或核磁共振进行肺结节筛查，仅扫描过程，每个人就要花费至少10分钟时间，再加上后期人工标注，很多患者看病都需要漫长的等待。而医生水平参差不齐，又使患者遇到大病纷纷投奔三甲医院。如今很多三甲医院，影像科都是人满为患，患者预约核磁共振检查，经常要等待一星期到一个月的时间，这样的等待加重了病情，也拖延了治疗。
AI的作用在于大大缩短仪器拍片的时间，并通过标准化的设置减少因操作医生的手法造成的误差，同时通过图像识别，比人眼更精准地发现病灶。
不过，尽管陈大夫的工作量比原先减少了许多，而且结果可能更加精准，但他依然认为，AI作为工具能够提供的帮助尚处在非常早期的阶段，其中不乏诸多尚未解决的关键因素，AI影像医疗距离大规模落地医院，尚存在非常大的距离。
2
AI影像医疗创业者们一个不得不面对的前提是，当前AI技术的发展受制于训练AI系统的数据量和数据品质。深度学习作为训练AI系统的关键环节，对人工智能的智能程度产生决定性影响。
有一个共性现象是，很多AI影像医疗初创公司在落地之初，无一例外地选择肺结节筛查作为切入点。当前市面可见的AI肺结节筛查公司多达几十家，无论是7月17日刚获C+轮1亿美元融资，总融资额约25.48亿人民币的独角兽公司依图科技；还是互联网巨头腾讯旗下的腾讯觅影、阿里旗下的Doctor You，甚至很多初创公司、高校实验室，都将肺结节筛查作为AI影像医疗的首发落地项目。
有一个看上去十分合理的解释，药明明码首席数字官顾延曾指出，肺癌是中国致死癌症率排首位的疾病，也是近5年中患者生存率最低的疾病——其生存率低于20%。若想让广大基层医疗机构买单，应用场景一定要能规模化，所以肺癌早筛成为药明明码的产品方向策略。
事实上，AI医疗影像行业还有一个大家不愿提及的情况——用于训练AI系统的医疗数据非常敏感，而肺部图像是所有医疗图像中最易于拿到的数据之一。黄峰告诉《IT时报》记者，针对医疗图像数据，国际上有两个公开数据，一个是肺部数据集，一个是眼底数据集，使用者可以直接从网上下载使用，所以几乎每家初创公司都会有这两个初创产品。
公开数据集的存在解决了AI系统训练数据缺失的问题，但同时也带来隐患。黄峰进一步解释，由于数据基本来源于国外，经过训练的系统很难说是否适用于中国人，人种不同、数据不同是很大的问题。要想做成能够真正落地的AI医疗影像，中国人要有自己的数据集。
国内数据缺失的现状并非偶然，而是受限于实际情况。对于国内各个医院产生的影像数据来说，这些影像没有统一的标注。作为训练AI的基础数据，这些影响需要满足两个最基本要求：医生需标注出这个图像上有没有病灶，如果有，在哪儿？
这些基本要求看似简单，但在标注病灶影像的具体过程中，存在很多问题。以肺结节影像为例，黄峰告诉记者，我国曾试图建立自己的肺结节数据库，最初召集有经验的医生来做标注，但这些有经验的医生在画出肺结节病灶的过程中，准确率不到60%。准确率不够是当前病灶标注的一大症结，一些病例甚至需要几位专家在一起反复讨论很久，才能定下来是或不是，画在哪里。
黄峰还告诉记者，根据临床经验，医生即使能够准确找到病灶，每位医生在圈画时，习惯也截然不同。有些医生画得紧致，有些医生画得松散，有些医生把病灶后面的毛刺都圈了进去，面对没有统一标准的数据，这些机器在学习时也很难学出统一标准。最终政府花费很大精力，组织了一批专家，经过一个星期培训，才共同标注出一批数据集。因此，数据集的收集整理是一个漫长的过程。
对于AI影像医疗来说，如此高的数据要求必定将一批没有相关领域资源的初创公司拒之门外，但是从当前火热的创业市场来看，资源与项目的不匹配注定这些项目良莠不齐。
高特佳投资集团的投资研究部执行合伙人张鹏告诉记者，虽然只要1000个数据就能训练一个AI模型，但数据的完整性需要更多的数据来印证。张鹏的投资主要面向AI医疗方向，据他了解，因为数据监管的国内法规还在建设当中，不少创业公司获取数据的渠道处在灰色地带，“一些创业公司会与某些医院以科研名义合作，公司支持医院做相关项目的研究，保证论文出版，作为交换条件，医院需要将自己的医疗资源提供给创业者。”
张鹏认为限制AI影像医疗设备进行深度学习的不是大量数据，而是大量高质量的数据，能否获得独家的高质量数据，或将成为创业公司进行差异化发展的核心竞争力。
3
AI影像医疗公司若想公开进入市场获利，按照国际惯例，需要具备由专业监督和执法机构颁布的准入资格证书。这项资格证书在美国由FDA（Food and Drug Administration食品药品监管局）颁布，该机构由美国国会即联邦政府授权，是专门从事食品与药品管理的最高执法机关，也是一个由医生、律师、微生物学家、化学家和统计学家等专业人士组成的致力于保护、促进和提高国民健康的政府卫生管制的监管机构。在中国，这项准入证书是由CFDA（中国食品药品监管局）颁发。
FDA自2017年7月发布数字健康创新行动计划（Digital Health Innovation Action Plan, DHIAP ）（计划阐述了对于确保高质量、安全和有效的移动医疗的指示）以来已相继批准9款医疗人工智能相关产品，其中3款与AI影像相关，但在国内尚无一款通过批准，可以看出我国对AI技术的市场化普及持相当谨慎的态度。
有了国际先例，加上AI影像医疗自身的专业特性，市场准入资格的获取成为每一个初创公司迟早要面对的事。没有获取准入资格同时也意味着，当前所做的工作都属于科研范畴，公司不能以获利为目的进行软硬件销售。
以图玛深维医学科技有限公司为例，截至4月份，图玛深维已经与国内100多家大型三甲医院达成合作，但这种合作尚停留在科研层面。黄峰告诉记者，自己曾与一些AI医疗影像创业公司的老总交流，了解到这些公司基本没有收入，更不用谈盈利。创业公司当前只能将产品作为科研项目，拿到医院试用。
张鹏在与CFDA的交流中了解到，针对每一个AI涉及的病种，CFDA都会邀请十家公司提供数据，尤其是标注性数据，以此建立标准数据集去印证各家的产品好坏。但逐个病种建立数据集是个相当缓慢的进程，张鹏估计按此进程，今年第三季度可能会有研究肺结节这样的大病品种公司获得准入资格。
谁能拿到准入资格，成为接下来各企业将面临的重大考验。乐晴智库公开资料显示，我国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率为4.1%，其间的差距是25.9%，放射科医师的数量增长远不及影像数据的增长，影像处理的确存在尚未饱和的市场。但肺结节只是所有肺部疾病的一个小病种，而国内公开宣称进行AI肺结节筛查的公司就有几十家，想要在这个领域拿到准入资格，可想而知会面临一场激烈的竞争。
张鹏认为：“这些玩家整体估值太高了，这很难支撑游戏继续玩下去，泡沫会破，未来可能会出现一定的头部优势。”
4
据中国数字医疗网统计，2016年中国AI+医疗市场规模达到96.61亿元，增长率为37.9%，2017年，中国AI+医疗市场规模持续增长，超过130亿元，增长40.7%。AI作为一项工具，在医疗领域跑马圈地，用技术优势不断为其赋能。
但正如前文所言，这项工具在影像医疗领域大多作为科研项目存在，“AI能够帮助提升医生在影像识别过程中的漏诊率。”陈大夫对“Doctor You”帮助自己做肺结节筛查结果如是评价，“说AI能为医生带来特别明显的帮助，其实还有些牵强，因为它当前只能用于影像识别，而疾病不是靠影像这一个因素就能判断， 需要结合临床、实验室检查结果等多种信息综合判断。”陈大夫指出，现实中只有三分之一的疾病只靠影像就能下定性诊断，但AI当前只能对影像进行分析，对于疾病的定性诊断还没有非常智能化。
若想实现未来AI影像医疗的实质性落地，黄锋认为，公司首先要能够实现盈利。投资人张鹏同样看重商业模式的设计，他认为当前可能实现的商业模式中，最有可能的是医院按患者检查次数收费。
张鹏指出，属于内分泌科的糖网筛查医生对这种模式有很强的需求，因为内分泌科的医生在做糖网筛查时，不具备眼科医生的专业读片能力，他们更需要软件或系统帮助识别图像，而此类商业模式更适合像糖网筛查医生这样跨越科室进行诊疗的医生和患者。
与医疗器械厂商合作也是成熟商业模式的一种，AI创业团队可以将软件包整合进硬件当中，一次性将整套系统卖给医院，后续可能会以服务年费形式收费；或者与大的器械厂商合作，把软件结合进大型器械当中，由器械公司进行搭配销售。
张鹏认为，除了成熟的盈利模式，创业公司最好具备一定程度的国资背景以顺应可能陆续出台的强政策监管；另外最好能拿到具有相对高壁垒的独家数据源，获取到某项疾病的排他性数据授权。
服务医疗设备硬件厂商二十余年的黄锋也认为，AI落地的最佳路径，是与设备厂商成像端优势做结合，从而实现专业互补。但黄锋同样强调，数据一致性是AI影像医疗能够推进的一个重要前提。
AI影像医疗的落地在相关从业者看来，似乎是一件毋庸置疑的事，亦是值得期待的结果。因为一旦AI影像医疗落地能真正实现，结合分级诊疗制度和云服务，AI这项技术可以为下级医院赋能，将更多拍摄和诊断过程放到基层医院，让资源紧缺的三甲医院承担更复杂病情的诊疗，从根本上缓解医疗资源不平衡的矛盾。
但是，具体怎样落地，仍是一个需要反复斟酌的过程。除了AI创业公司与设备厂商的考量，张鹏认为还有一个至关重要的因素，就是从临床端去看医院的接受度，而这一点需要随着技术演进不断去影响和改变。