人工智能为医学影像“添翼” 短期内医疗AI公司并不缺钱

　　除了常见的人脸识别、语音识别等技术，如今，人工智能技术在医学领域也大放异彩。

　　其中，医学影像与人工智能的结合被认为是最有发展前景的领域之一。医学影像智能诊断、语音电子病历、癌症智能诊断等均已逐渐成为热门方向。人工智能+医学影像是其中最热门的概念之一。

　　由于人工智能在医学影像领域市场潜力巨大，吸引了各大资本巨头纷纷进场，但让人不得不反思：人工智能+医学影像到底是陷阱，还是有待挖掘的金矿？

　　人工智能为医学影像“添翼”

　　目前，人工智能在国内医疗领域的应用主要以医学影像为主。那什么是医学影像呢？

　　医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。

　　国内近两年AI研究如火如荼，各个器官疾病诊断的模型都有研究和尝试，基于深度学习的AI应用目前已经覆盖病灶检测、病理诊断、放疗规划和术后预测等各临床阶段。其中基于X线的肺部筛查、乳腺钼靶筛查;基于CT影像的肺结节检测模型显示出较好的临床使用潜力。

　　正如大家所了解的，疾病的病理过程会产生一定的病理解剖和病理生理方面的变化，这些病理变化在不同的影像学检查中会产生不同的影像学信息（X线和CT是利用人体组织间的密度差异，MRI是利用组织间的MR信号强度差异，US是利用组织间的声学信息差异），通过对这些信息的分析，医生能够实现对机体病变的有效把握，从而为患者做出正确的诊断。

　　但是，大多数人不知道的是，我们生病去医院做完检查后手里拿到的诊断报告是放射科医生写出来的。其实，放射科医生的工作除了发现病变、定性定位病变、看图象做诊断，还要参与到治疗方案的制定中去。

　　据了解，一名放射科医生每天要诊断超过60个病人的CT，有时甚至上百个，一个病人的医疗影像有250-300张，而医生往往要对一个病人的影像反复看3-4遍。这就意味着，在每个病人身上，医生都要看上千次图，这名医生一天下来就要看几万甚至上十万张图，这对视力是非常大的伤害，并且长时间的疲劳作业还会增加漏诊的风险。

　　有了人工智能辅助医学影像，不仅能帮助患者更快速地完成健康检查（ 包括X 线、超声、磁共振成像等） ，也可以帮助影像医生提升读片效率，降低误诊概率，并通过提示可能的副作用来辅助诊断。

　　而影像是大病诊断的切入点——X光片、CT所呈现的医疗影像帮助人类尽早发现身体疾病，进行科学的治疗，恢复健康甚至挽留住生命。

　　通过借助深度学习、图像识别等人工智能技术，医疗影像的诊断可以变得更加高效和准确，以免误诊和漏诊。

　　资本涌入，巨头布局，这些公司“不差钱”

　　随着人工智能技术的不断发展，其在医疗领域中的应用也逐渐增多。目前，人工智能+医疗共有包括虚拟助理、医学影像、辅助诊疗等八大应用场景，其中，医学影像是最为热门的应用场景之一。

　　越来越多的人也将目光瞄准了人工智能医学影像领域，随着资本的竟相涌入，人工智能医学影像这块“蛋糕”也被做大。

　　但是，中国医疗市场巨大，不是一、两家公司就可以吃得下的。

　　根据Global Market Insight的数据报告，按照应用划分，药物研发在全球医疗AI市场中的份额最大，占比达到35%。而智能医学影像市场则为第二大细分市场，并将以超过40%的增速发展，在2024年达到25亿美元规模，占比25%。

　　据了解，国内有83 家企业将人工智能应用于医疗领域，主要布局在医学影像、病历/文献分析和虚拟助手三个应用场景，而其中涉足医学影像类的企业数量达到40 家。

　　另外，有数据显示，2015-2018年（截止至2018年三季度），我国共发生AI医学影像融资事件75起，总融资额达到40.9亿元，占人工智能医疗领域总融资额的52.6%。

　　传统的互联网巨头也纷纷进军人工智能医疗领域。2017年，阿里健康、万里云联合开发的智能影像诊断产品“Doctor You”正式上线，AI系统包括临床医学科研诊断平台、医疗辅助检测引擎、医师能力培训系统等。同年，腾讯紧随其后推出了“腾讯觅影”，腾讯觅影人工智能医学影像聚合了医学专家、人工智能和产品支持团队，把图像识别、深度学习等领先的技术与医学跨界融合，辅助医生对癌症进行早期筛查。

　　除了传统的AT，许多新兴的创业公司虽没有他们财大气粗，但是近两年AI的投资热潮使得大多数AI人工智能企业获得了融资，且规模不小。如依图科技、汇医慧影、深睿科技、推想科技等。

　　国内目前已有公开披露的医疗AI融资事件达到93起，其中有57起明确公布了融资金额。仅在国内，千万级和亿级的融资项目就占到了65%以上。

　　因此，短期内医疗AI公司并不缺钱，而且都在烧钱。

　　AI+医学影像“热”背后还需 “冷”思考

　　相关数据显示，到2025年，世界人工智能市场总值将达到1270亿美元，其中医疗行业将占市场规模的1/5。

　　从我国的医疗现状来看，我国2017年医疗器械销售规模达4176亿人民币，其中诊断影像份额超过400亿人民币，医学影像数据的年增长率约为63%。

　　很多人以为，AI比医学影像科医生“厉害”，更有一些言论称人工智能将会取代医生，但实际上，目前人工智能的优势仅局限在极个别单项上，机器或许可以弥补医生的“先天不足”，但是不会替代医生。

　　而且，人工智能辅助医生发现病变后给病变定位定性，这可能仅仅是AI应用在医学影像领域的第一步，对于疾病的综合评价和治疗策略确定，依旧要交给影像诊断医生。

　　在北京影像云平台上，人工智能系统对基层医院上传的30名患者近9000张肺结节CT影像进行智能检测和识别，将第一轮筛查出的疑似结节标记出来，作为辅助诊断结果，提供给4名放射科医生进行审查。医生审查后认为可以采纳，即对报告签字。

　　就目前来看，医生还是需要对患者负责，虽然人工智能可以帮医生节省大量重复劳动时间，但是代替医生诊断和处理是很难的事情。

　　另外，AI需要明确的、客观的、固定的素材，很多企业做的肺病变AI产品只拿数据库1万或者几万个病例去训练，就像题库似的，但是题库里面的都是现成的，而患者永远是不一样的，所以这样的AI就很难应用。

　　并且，所有正确的诊断都贵在当面交流，医生通过提问，让患者不断补充病史，不断解答患者提问，要综合考虑病史的真实性、年龄段、个体发育差异、用药史、图像等等，不只是看图识病这么简单的流程。

　　落地有距离，数据是重点

　　目前AI到底发展到什么程度，医院应用AI后对医生的工作实际产生了多大影响？离落地还有多远？

　　这就像隔着一扇玻璃门，看得到好，但是摸不到、感受不到。

　　人工智能医学影像绝不是一蹴而就的事。同样的仪器设备，由不同的人使用，所产生的图像数据或质量可能不一，加之各类设备之间存在的数据差异，均会严重影响图像的数据采集、特征提取、图像阅读。

　　正如影像科医师需要阅读大量的临床医学图像一样，“喂食”病理图像数据也是AI系统最主要的学习方式。“喂食”的病理图像数据越充足，AI的分析能力才能越强大。

　　以当下热门的医学影像辅助诊断的产品为例，这些产品背后的数理模型往往在经过足够多的高质量临床影像数据训练之后，才能达到普适性更强、准确度更高的诊断或分类效果。

　　对影像数据而言，图片质量标准化程度低，带专业标注的影像图片更需要额外制作，这些都给现有人工智能医疗影像产品带来了阻碍。

　　人工智能医学影像绝不是一蹴而就的事。同样的仪器设备，由不同的人使用，所产生的图像数据或质量可能不一，加之各类设备之间存在的数据差异，均会严重影响图像的数据采集、特征提取、图像阅读。

　　正如影像科医师需要阅读大量的临床医学图像一样，“喂食”病理图像数据也是AI系统最主要的学习方式。“喂食”的病理图像数据越充足，AI的分析能力才能越强大。

　　以当下热门的医学影像辅助诊断的产品为例，这些产品背后的数理模型往往在经过足够多的高质量临床影像数据训练之后，才能达到普适性更强、准确度更高的诊断或分类效果。

　　对影像数据而言，图片质量标准化程度低，带专业标注的影像图片更需要额外制作，这些都给现有人工智能医疗影像产品带来了阻碍。

　　另，现阶段，我国的医疗影像仍处于传统胶片向电子数据过渡的阶段，大量影像资料尚未数字化，且医院之间的没有互联互通，而获取大规模的数据对业内公司是一个挑战。

　　目前来看，AI医疗行业还在科研阶段，离真正的落地应用还有距离。跑得快的企业已经抢占了AI医疗影像资源，但并非高枕无忧。