一部《我不是藥神》將國內醫療困境推向輿論的風口浪尖，而AI技術的普及，為這些困境提供了諸多看似光明的道路。人們寄希望於既有的大量醫療影像數據，試圖讓深度學習訓練出的AI完成人類繁複冗長的工作，在醫療資源稀缺的當下提升醫院效率。
理想的美好催生了資本的狂熱，騰訊、阿里等互聯網巨頭紛紛湧入AI影像醫療領域，初創公司動輒獲得上億融資。然而，正如從事了20年影像設備製造的東軟醫療首席科學家黃鋒所言：“凡是牽扯到人的健康的事，都需要時間的積累和驗證。”
高質量數據缺失、准入資格的政策風險、暫時看不到收益的商業模式是目前壓在這些追風者頭上的“三座大山”。AI影像醫療要想真正腳踏實地，造福人類，還要經得起時間的檢驗。
1
陳大夫是一名從業多年的影像科專家，同時也是萬里雲平臺註冊診斷醫師。如今，陳大夫的工作模式與以往並無太多差異，依舊要坐在肺結節影像顯示屏前進行肺結節病灶的篩查和標註，但是顯示屏呈現給陳大夫的不再是未經處理的肺部影像，而是經過AI影像系統“Doctor You”精心標註過的病灶影像，陳大夫只需在AI標註後進行最終修正核實，就可以結合其他診療信息幫助病人確診。
截至目前，“Doctor You”已經幫助陳大夫和像他這樣的6000多名胸腹部醫生解放了“生產力”，讓他們的閱片速度提升近乎5倍。
AI醫療影像是目前在診斷階段最早被應用的環節，從《IT時報》記者接觸的科研人員、醫生到投資人，無一例外地認同醫療影像是非常適合AI落地的實際應用場景。
時間和準確率是醫療影像篩查的兩個痛點，通過CT或核磁共振進行肺結節篩查，僅掃描過程，每個人就要花費至少10分鐘時間，再加上後期人工標註，很多患者看病都需要漫長的等待。而醫生水平參差不齊，又使患者遇到大病紛紛投奔三甲醫院。如今很多三甲醫院，影像科都是人滿為患，患者預約核磁共振檢查，經常要等待一星期到一個月的時間，這樣的等待加重了病情，也拖延了治療。
AI的作用在於大大縮短儀器拍片的時間，並通過標準化的設置減少因操作醫生的手法造成的誤差，同時通過圖像識別，比人眼更精準地發現病灶。
不過，儘管陳大夫的工作量比原先減少了許多，而且結果可能更加精準，但他依然認為，AI作為工具能夠提供的幫助尚處在非常早期的階段，其中不乏諸多尚未解決的關鍵因素，AI影像醫療距離大規模落地醫院，尚存在非常大的距離。
2
高質量數據之疑
AI影像醫療創業者們一個不得不面對的前提是，當前AI技術的發展受制於訓練AI系統的數據量和數據品質。深度學習作為訓練AI系統的關鍵環節，對人工智能的智能程度產生決定性影響。
有一個共性現象是，很多AI影像醫療初創公司在落地之初，無一例外地選擇肺結節篩查作為切入點。當前市面可見的AI肺結節篩查公司多達幾十家，無論是7月17日剛獲C+輪1億美元融資，總融資額約25.48億人民幣的獨角獸公司依圖科技；還是互聯網巨頭騰訊旗下的騰訊覓影、阿里旗下的Doctor You，甚至很多初創公司、高校實驗室，都將肺結節篩查作為AI影像醫療的首發落地項目。
有一個看上去十分合理的解釋，藥明明碼首席數字官顧延曾指出，肺癌是中國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——其生存率低於20%。若想讓廣大基層醫療機構買單，應用場景一定要能規模化，所以肺癌早篩成為藥明明碼的產品方向策略。
事實上，AI醫療影像行業還有一個大家不願提及的情況——用於訓練AI系統的醫療數據非常敏感，而肺部圖像是所有醫療圖像中最易於拿到的數據之一。黃峰告訴《IT時報》記者，針對醫療圖像數據，國際上有兩個公開數據，一個是肺部數據集，一個是眼底數據集，使用者可以直接從網上下載使用，所以幾乎每家初創公司都會有這兩個初創產品。
公開數據集的存在解決了AI系統訓練數據缺失的問題，但同時也帶來隱患。黃峰進一步解釋，由於數據基本來源於國外，經過訓練的系統很難說是否適用於中國人，人種不同、數據不同是很大的問題。要想做成能夠真正落地的AI醫療影像，中國人要有自己的數據集。
國內數據缺失的現狀並非偶然，而是受限於實際情況。對於國內各個醫院產生的影像數據來說，這些影像沒有統一的標註。作為訓練AI的基礎數據，這些影響需要滿足兩個最基本要求：醫生需標註出這個圖像上有沒有病灶，如果有，在哪兒？
這些基本要求看似簡單，但在標註病灶影像的具體過程中，存在很多問題。以肺結節影像為例，黃峰告訴記者，我國曾試圖建立自己的肺結節數據庫，最初召集有經驗的醫生來做標註，但這些有經驗的醫生在畫出肺結節病灶的過程中，準確率不到60%。準確率不夠是當前病灶標註的一大症結，一些病例甚至需要幾位專家在一起反覆討論很久，才能定下來是或不是，畫在哪裡。
黃峰還告訴記者，根據臨床經驗，醫生即使能夠準確找到病灶，每位醫生在圈畫時，習慣也截然不同。有些醫生畫得緊緻，有些醫生畫得鬆散，有些醫生把病灶後面的毛刺都圈了進去，面對沒有統一標準的數據，這些機器在學習時也很難學出統一標準。最終政府花費很大精力，組織了一批專家，經過一個星期培訓，才共同標註出一批數據集。因此，數據集的收集整理是一個漫長的過程。
對於AI影像醫療來說，如此高的數據要求必定將一批沒有相關領域資源的初創公司拒之門外，但是從當前火熱的創業市場來看，資源與項目的不匹配註定這些項目良莠不齊。
高特佳投資集團的投資研究部執行合夥人張鵬告訴記者，雖然只要1000個數據就能訓練一個AI模型，但數據的完整性需要更多的數據來印證。張鵬的投資主要面向AI醫療方向，據他了解，因為數據監管的國內法規還在建設當中，不少創業公司獲取數據的渠道處在灰色地帶，“一些創業公司會與某些醫院以科研名義合作，公司支持醫院做相關項目的研究，保證論文出版，作為交換條件，醫院需要將自己的醫療資源提供給創業者。”
張鵬認為限制AI影像醫療設備進行深度學習的不是大量數據，而是大量高質量的數據，能否獲得獨家的高質量數據，或將成為創業公司進行差異化發展的核心競爭力。
3
准入資格之爭
AI影像醫療公司若想公開進入市場獲利，按照國際慣例，需要具備由專業監督和執法機構頒佈的准入資格證書。這項資格證書在美國由FDA（Food and Drug Administration食品藥品監管局）頒佈，該機構由美國國會即聯邦政府授權，是專門從事食品與藥品管理的最高執法機關，也是一個由醫生、律師、微生物學家、化學家和統計學家等專業人士組成的致力於保護、促進和提高國民健康的政府衛生管制的監管機構。在中國，這項准入證書是由CFDA（中國食品藥品監管局）頒發。
FDA自2017年7月發佈數字健康創新行動計劃（Digital Health Innovation Action Plan, DHIAP ）（計劃闡述了對於確保高質量、安全和有效的移動醫療的指示）以來已相繼批准9款醫療人工智能相關產品，其中3款與AI影像相關，但在國內尚無一款通過批准，可以看出我國對AI技術的市場化普及持相當謹慎的態度。
有了國際先例，加上AI影像醫療自身的專業特性，市場準入資格的獲取成為每一個初創公司遲早要面對的事。沒有獲取准入資格同時也意味著，當前所做的工作都屬於科研範疇，公司不能以獲利為目的進行軟硬件銷售。
以圖瑪深維醫學科技有限公司為例，截至4月份，圖瑪深維已經與國內100多家大型三甲醫院達成合作，但這種合作尚停留在科研層面。黃峰告訴記者，自己曾與一些AI醫療影像創業公司的老總交流，瞭解到這些公司基本沒有收入，更不用談盈利。創業公司當前只能將產品作為科研項目，拿到醫院試用。
張鵬在與CFDA的交流中瞭解到，針對每一個AI涉及的病種，CFDA都會邀請十家公司提供數據，尤其是標註性數據，以此建立標準數據集去印證各家的產品好壞。但逐個病種建立數據集是個相當緩慢的進程，張鵬估計按此進程，今年第三季度可能會有研究肺結節這樣的大病品種公司獲得准入資格。
誰能拿到准入資格，成為接下來各企業將面臨的重大考驗。樂晴智庫公開資料顯示，我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率為4.1%，其間的差距是25.9%，放射科醫師的數量增長遠不及影像數據的增長，影像處理的確存在尚未飽和的市場。但肺結節只是所有肺部疾病的一個小病種，而國內公開宣稱進行AI肺結節篩查的公司就有幾十家，想要在這個領域拿到准入資格，可想而知會面臨一場激烈的競爭。
張鵬認為：“這些玩家整體估值太高了，這很難支撐遊戲繼續玩下去，泡沫會破，未來可能會出現一定的頭部優勢。”
4
商業模式之困
據中國數字醫療網統計，2016年中國AI+醫療市場規模達到96.61億元，增長率為37.9%，2017年，中國AI+醫療市場規模持續增長，超過130億元，增長40.7%。AI作為一項工具，在醫療領域跑馬圈地，用技術優勢不斷為其賦能。
但正如前文所言，這項工具在影像醫療領域大多作為科研項目存在，“AI能夠幫助提升醫生在影像識別過程中的漏診率。”陳大夫對“Doctor You”幫助自己做肺結節篩查結果如是評價，“說AI能為醫生帶來特別明顯的幫助，其實還有些牽強，因為它當前只能用於影像識別，而疾病不是靠影像這一個因素就能判斷， 需要結合臨床、實驗室檢查結果等多種信息綜合判斷。”陳大夫指出，現實中只有三分之一的疾病只靠影像就能下定性診斷，但AI當前只能對影像進行分析，對於疾病的定性診斷還沒有非常智能化。
若想實現未來AI影像醫療的實質性落地，黃鋒認為，公司首先要能夠實現盈利。投資人張鵬同樣看重商業模式的設計，他認為當前可能實現的商業模式中，最有可能的是醫院按患者檢查次數收費。
張鵬指出，屬於內分泌科的糖網篩查醫生對這種模式有很強的需求，因為內分泌科的醫生在做糖網篩查時，不具備眼科醫生的專業讀片能力，他們更需要軟件或系統幫助識別圖像，而此類商業模式更適合像糖網篩查醫生這樣跨越科室進行診療的醫生和患者。
與醫療器械廠商合作也是成熟商業模式的一種，AI創業團隊可以將軟件包整合進硬件當中，一次性將整套系統賣給醫院，後續可能會以服務年費形式收費；或者與大的器械廠商合作，把軟件結合進大型器械當中，由器械公司進行搭配銷售。
張鵬認為，除了成熟的盈利模式，創業公司最好具備一定程度的國資背景以順應可能陸續出臺的強政策監管；另外最好能拿到具有相對高壁壘的獨家數據源，獲取到某項疾病的排他性數據授權。
服務醫療設備硬件廠商二十餘年的黃鋒也認為，AI落地的最佳路徑，是與設備廠商成像端優勢做結合，從而實現專業互補。但黃鋒同樣強調，數據一致性是AI影像醫療能夠推進的一個重要前提。
AI影像醫療的落地在相關從業者看來，似乎是一件毋庸置疑的事，亦是值得期待的結果。因為一旦AI影像醫療落地能真正實現，結合分級診療制度和雲服務，AI這項技術可以為下級醫院賦能，將更多拍攝和診斷過程放到基層醫院，讓資源緊缺的三甲醫院承擔更復雜病情的診療，從根本上緩解醫療資源不平衡的矛盾。
但是，具體怎樣落地，仍是一個需要反覆斟酌的過程。除了AI創業公司與設備廠商的考量，張鵬認為還有一個至關重要的因素，就是從臨床端去看醫院的接受度，而這一點需要隨著技術演進不斷去影響和改變。
往期回顧
閱讀更多 IT時報 的文章
