（圖片來源：攝圖網）

作者|離離   來源|智能相對論(ID：aixdlun)

近日，AI醫療影像企業紛紛傳出“捷報”。

專注于超聲人工智能動態醫學影像分析的初創公司深至科技在上周宣布完成B輪億元級融資。

本月初，已完成七次融資的醫療AI企業Airdoc，其主體公司北京鷹瞳科技發展股份有限公司已與中信證券簽署上市輔導協議，并向北京證監局備案，擬于科創板掛牌上市。

據健康界的不完全統計，2020年，國內人工智能醫療健康領域共完成了65次融資，其中醫療影像約占總融資數的三分之一，AI醫療影像逐漸成為人工智能醫療健康領域的熱門賽道。從融資輪次看，部分公司開始步入發展成熟階段，產品技術日漸得到市場認可，商業模式也逐漸成熟。

在肺結節領域的集中爆發后，AI醫療影像的“春天”再度來臨了?

研發到落地的漫漫長路

“我國每年醫學影像超30%的增長量，遠遠大于每年4%的放射科醫生增長數量。此現象為醫院和醫師帶來巨大壓力。”AI醫療公司數坤科技董事長毛新生在一次采訪中提到。醫師在重復、單調的閱片工作中容易出現疲勞、漏診等現象；一些醫療機構甚至缺乏具備診斷能力的影像醫師，造成可拍片但無人診療的局面。“無論從患者端，還是醫生端，都急需‘AI醫生’輔助。”

從2014年至今，AI醫療影像經歷了扎堆冒進、不被接受、逐步獲得認可與發展、大跨步前進等過程。隨著AI圖像識別技術進步、醫學影像設備的升級與產業數字化發展，相關產品向外擴展至骨科、眼科、心血管、神經系統、消化道、腦部、超聲波、肝膽胰脾腎等眾多疾病的輔助診斷預測。

雖然人工智能醫學影像分析技術日漸精進，各項產品也紛紛落地，相關政策與審批未開放卻使得AI醫療影像產品商業化困難重重。

相較于歐美，國內對臨床評價的路徑控制非常嚴格，AI醫療產品的審批必須經過耗時較長的臨床試驗。加上用于審批的標準數據庫又要兼具資料來源的廣泛性、數據種類的兼容性(如CT圖像需包含5毫米圖像、1-2毫米圖像、亞毫米圖像等不同層厚的圖像)與醫學圖像標記的標準化。而各個地區、醫院的數據標準不同，統一的數據規范與標準化數據庫的建設需要不少時間。

臨床試驗的耗時與數據庫建設的遲緩皆拖慢了審批進程。因此，直到2019年年底，仍然沒有任何一項AI醫療影像相關產品取得三類醫療器械注冊。沒有三類器械認證的醫療產品無法進入醫院的設備采購目錄，難以進行商業化。對于研發投入極大的人工智能醫療產業而言，就意味著前期投入與后期的現金回流被割裂。

產品投入臨床使用的具體時間無法預估，商業價值的實現就變得遙遙無期。于是，2019年行業投資規模金額斷崖式下滑300%，與前些年的快速上升形成鮮明對比。AI醫療影像行業進入了冰河期。

商業化受挫、審批困難，產品遲遲無法投入商用造成AI在醫療影像產業的實際應用受到各界質疑。一批沒有造血能力的企業走向倒閉；另一些公司選擇降低成本咬牙苦撐，在商品銷售受阻之后，全力投入研發工作。如已完成B輪融資的匯醫慧影開啟大規模裁員，全職員工數從巔峰時期的300多人下降到100余人。

柳暗花明

2019年底，新冠疫情的突然出現給了人工智能醫療影像表現的機會。防疫措施與大量的診療需求快速推動了各醫院設備、系統的智能化發展，AI+醫療的相關鼓勵政策出現。由于抗疫所需，AI醫療影像產品的審批也被提上日程。

“肺結節AIII類證”、“AI+CTA III類證”、“AI影像輔助決策III類證”等各類相關證書的下發解除了AI醫療影像公司們的困境，2020年共有9項AI醫學影像產品通過NMPA批準。時隔多年，AI醫療影像產品的商業閉環終于得以打通，資本也紛紛回流。其中，表現最為明顯的就是AI對于CT影像的輔助篩查。

疫情的爆發讓CT影像的AI輔助診療成為全國商業化最快的AI醫療影像應用場景之一。在新冠肺炎爆發初期，國內核酸檢測試劑供應數量不足，且假陰性比率居高不下，CT檢測便成為病人確診新冠肺炎的重要標準之一。

在醫療資源緊張、醫生超負荷工作的情況下，超量的CT影像檢查對一線抗疫工作形成了巨大的醫療資源需求挑戰。在這種狀況下，人工智能的引入可說是雪中送炭。不但能實現快速高效的大規模篩查，極大地提升影像科工作效率、減輕醫生負擔，減少誤診漏診，還能通過算法的圖像映射與重建技術，將低劑量或受到器官運動影響形成偽影的CT和PET圖像重建，降低病患接受輻射的風險。

新冠疫情爆發所帶來的海量病患影像數據，在很大程度上加快了AI+CT等醫療影像產品通過審批所需的標準化數據庫建設，專門應用于新冠肺炎病癥的AI模型也能通過大量數據訓練快速落地。同時，暴增的臨床運用需求也使得審批所需的臨床試驗進行速度大幅提高。嚴峻的抗疫情勢讓AI醫療影像技術“直接跳過”了以往新技術從出現到落地被自然接受的漫長過程。

疫情帶來的需求暴增可說是加速AI醫療影像相關產品審批的最后一股“東風”，使得基于CT的疾病篩查與輔助診斷成為了AI醫療影像競爭最激烈、產品商業化種類最多的領域之一。但AI醫療影像并非萬能，還是有一定的局限。

像是一些沒有足夠數據影像資料的疾病，AI影像分析便愛莫能助。除了海量的病歷圖片，人工智能醫療影像產品從開發到成熟，大量臨床醫生的反饋意見也是不可或缺的。若是二者缺一，便可能造成AI分析識別率低下，不但無法幫助醫生減輕工作量，還徒增困擾。

市面上的AI+CT產品也存在良莠不齊的問題，部份“智能”檢測軟件僅能實現50%的識別率。“最初我們很期待，但用了之后發現系統不太穩定，且準確率不高，常出現漏診或多篩的情況，作用沒有想象中那么大。用AI看一遍，自己再檢查一遍，也沒有節省時間。”一名放射科醫生表示。

此外，大多數AI醫療影像產品還停留在“單病識別”的階段，一套系統只能用來篩查一類疾病，系統的應用范圍有待加強。“基本上，目前的產品還處于初級階段，需要更多病例去迭代才能夠獲得較好的使用效果。尤其對于這種炎癥，病毒性肺炎本身‘異病同影’現象比較嚴重，在幫助診斷這一塊的功能可能還需要進一步拓展。”一名影像醫學與核醫學科主任表示。

在努力解決技術問題的同時，AI醫療影像公司們也為現有產品融入云端服務，嘗試為醫院提供更為多樣的AI+CT影像識別解決方案。

醫療影像新氣象  AI+CT+云  

目前，AI+CT的相關產品主要有三種盈利方式:

第一種是將AI+CT掃描輔助診斷作為單獨的軟件開發服務，此種模式較符合大多數醫院的采購習慣。如聯影智能的“uAI新冠肺炎智能輔助分析系統”，可在達到九成以上識別準確率的同時大幅縮短閱片時間，并獨立完成大部份影像報告的撰寫。可根據患者不同掃描體位自動調整完成遠程掃描，大幅降低醫患間交叉感染的風險與操作時間。曾用于武漢火神山醫院、武漢同濟醫院、武漢協和醫院等抗疫一線醫院。

匯醫慧影的Dr. Turing®新冠AI輔助篩查方案基于SaaS化服務，具備快速復制、可擴充性等優點，支持云端或私有化靈活部署。其影像識別速度處于行業領先，可在三秒內完成500幅以上的CT影像分析，且能全自動量化對比評估病況進展與療效。目前這款系統已進入海外市場。

百度飛槳平臺也與連心醫療合作上線了“基于CT影像的肺炎篩查與病情預評估AI系統”，其結合飛槳開源框架和視覺領域技術領先的 PaddleSeg 開發套件研發，可快速完成對患者CT影像的病灶檢測、病灶輪廓勾畫、雙肺密度分布直方圖及肺部病灶的數量、體積、肺部占比等全套定量指標的計算與展示。已在湖南郴州湘南學院附屬醫院等投入使用。

騰訊旗下的AI醫療實驗室“騰訊覓影”也曾推出基于CT圖像識別的AI輔助診斷新冠肺炎，此系統采用了可移動的應急專用CT裝備，獨立于醫院或放射科之外，避免受檢者交叉感染。最快能夠在2秒內完成AI模式識別，可在1分鐘內為醫生提供輔助診斷參考。此系統曾裝設于武漢協和西院、武漢日海方艙醫院、洪湖市人民醫院等醫療機構。

第二種是與影像設備廠商合作提供具有AI功能的醫療影像設備，收取一定的分成獲取利潤，這種形式較難提供完整的拍片、閱片智能解決方案、需要重新申報CFDA審批認證，目前落地較少。

第三種是基于云端、大數據及物聯網的AI+CT一站式服務，可分為公有云和私有云兩種形式。

如華為云與華中科技大學、藍網科技合作研發推出的新型冠狀病毒肺炎AI輔助醫學影像量化分析服務，便是結合互聯網科技優勢，基于云PACS提供一站式的醫療影像解決方案。聯接醫院端與華為公有云，在提供AI閱片輔助診斷技術的同時，解決海量影像數據的實時存儲、備份、歸檔問題，并支持多種設備云端閱片方式。

此外，華為云還提出區域影像云解決方案，為區域內醫院提供影像存儲、云端閱片、智能閱片的等功能，支持區域影像醫生的在線診斷。讓基層醫療機構得以集中處理醫療影像業務，幫助基層的醫療資源分配工作。

匯醫慧影也基于云計算、大數據與人工智能，搭建了智慧醫學影像整體解決方案，包含NovaCloud®智慧影像云平臺、Dr.Turing®人工智能輔助診斷平臺和RadCloud®大數據人工智能科研平臺三大產品體系，可為醫院、醫生及患者提供不同形式的人工智能輔助篩查系統、教學及科研平臺等多項服務，并實現“三端互聯”。 

目前看來，AI+CT商業前景一片光明，基于云端的一站式解決方案與全鏈條服務模式也已取得不錯的商業成績，云的加入固然提升了數據運用的便利性，但也帶來一些新的問題。

首先，AI的能力與用于訓練的數據量成正比，基于云端網絡的分析與存儲方式能實時更新保存大量數據，方便資料分類整理與調用，便于人工智能自動更新迭代與學習。云端系統在設備上部署完成后，可在線上統一調試、更改設定，方便管理。在系統裝設與運用上可減少人員在不同醫院間的流動，有助防疫。疫情爆發期間的方艙醫院多使用此類解決方式。

其中，公有云的解決方案有利于形成全行業統一的CT影像大數據庫，也能幫助一些數據量較不充足的基層醫院提升診療水平。而一些本身即有大量數據且病例影像資料不斷更新的大醫院使用私有云方案也能達到類似效果。

將數據聯網上傳云端分析固然方便，但與便利性相應的，數據泄露的風險也大幅增加。基于安全考量，有些醫院不愿使用云管理的模式，選擇將數據保存在醫院機房內。但這樣又不利于AI的學習更新與系統調試，技術服務商也不方便針對不同病征與病例難以開發新功能。

對于診療水準高、病歷影像數據多的大醫院而言，可獲取的資料品質和數量相對穩定，對AI學習進化的速度更快。數據在自家系統內迭代更新也保證了資訊安全，但小醫院的情況就完全相反。因此，這種方式也容易形成馬太效應，導致醫療進一步資源失衡。

結語

AI在新冠肺炎防治與診斷的成功應用加速了人工智能在醫學影像領域的開花結果，其產品雖存在一些有待解決的問題，卻也無法阻擋資本與市場的持續升溫。畢竟，醫療是人類的剛需。AI醫學影像的市場即將進入快速增長期，我們也期待著在減輕醫生負擔的同時，能夠享受到更好的醫療品質。

編者按：本文轉載自微信公眾號：智能相對論(ID：aixdlun)，作者：離離