1987年，Alexander Waibel提出的時(shí)間延遲網(wǎng)絡(luò)（Time Delay Neural Network， TDNN）可追溯為歷史上第一個(gè)CNN算法。但受限于有限的算力、數(shù)據(jù)，CNN并沒有因此成為學(xué)者們關(guān)注的重點(diǎn)。直至19年后，加拿大多倫多大學(xué)GeoffreyHinton重新定義深度學(xué)習(xí)，CNN的表征學(xué)習(xí)能力才重新成為眾人關(guān)注的熱點(diǎn)。

而后，CNN的數(shù)據(jù)挖掘，機(jī)器學(xué)習(xí)等能力在圖像處理上的應(yīng)用逐漸成熟，有心之人逐漸開始意識(shí)到，這樣一項(xiàng)新興技術(shù)，可能在醫(yī)療上存在充分的發(fā)展空間。

所以，第一批進(jìn)入醫(yī)療影像AI的人，是一群互聯(lián)網(wǎng)人。

2015年起，一大批醫(yī)療影像AI公司陸續(xù)成立，涌向影像AI這一藍(lán)海市場(chǎng)。但直到進(jìn)入之后，眾人才醒悟：沒有足夠的醫(yī)療認(rèn)知，如何越過深厚的壁壘？回憶起當(dāng)時(shí)的場(chǎng)景，推想科技陳寬苦笑到：“那時(shí)，我自己都不愿看自己做的產(chǎn)品�！�

轉(zhuǎn)變從2017年開始。當(dāng)一批批互聯(lián)網(wǎng)人不斷跟醫(yī)生共同工作，深入了解醫(yī)生工作的流程，加之國家開始逐漸意識(shí)到AI的重要性，AI產(chǎn)品開始逐漸進(jìn)入臨床試點(diǎn)。醫(yī)生與創(chuàng)業(yè)者之間的互助橋梁得以建立，AI企業(yè)在接下來的兩年中經(jīng)歷了快速的發(fā)展。

2019年是醫(yī)療人工智能走向通用的一年，我們能看到，更多面向智慧醫(yī)療的企業(yè)涌現(xiàn)出來。而健康管理、社區(qū)管理乃至醫(yī)美也都開始小心翼翼地嘗試引入AI。

對(duì)此，動(dòng)脈網(wǎng)對(duì)人工智能進(jìn)行了調(diào)研，一組數(shù)據(jù)或許能幫助我們更清楚地了解2019年整個(gè)醫(yī)療AI的發(fā)展?fàn)顩r。

透過數(shù)據(jù)看醫(yī)療AI2019發(fā)展

據(jù)動(dòng)脈網(wǎng)知識(shí)庫數(shù)據(jù)顯示，截取2018年12月24日至2019年8月20日這一時(shí)間段，全球醫(yī)療AI融資事件數(shù)總計(jì)107次，總募資額為139．58億元（不包含投資金額為“未披露”的融資事件），其具體輪次分布與融資金額分段如下圖所示。

通過這張圖表，我們可以明顯看到，2019年的醫(yī)療AI融資事件聚集于B輪與C輪。相比之下，沒有企業(yè)成功IPO，天使輪事件也僅有4次。整個(gè)事件分布呈“中間大，兩頭小”的狀況。這或許意味著，頭部人工智能企業(yè)已經(jīng)建立了充分的壁壘，新企業(yè)進(jìn)入存在一定難度。

同樣擴(kuò)大的還有醫(yī)療AI企業(yè)的規(guī)模，從上圖可以看到，50人規(guī)模以上的人工智能企業(yè)占據(jù)了僅1／4的數(shù)量，優(yōu)質(zhì)資源明顯聚集。

在這之中，影像AI企業(yè)可謂其中最早參與人工智能的企業(yè)，從這些企業(yè)的動(dòng)態(tài)中，我們也許可以窺見整個(gè)行業(yè)的端倪。那么這部分企業(yè)發(fā)展如何呢？

如上圖所示，加上2018年末完成B輪的體素科技、完成C輪的推想科技，頭部的影像企業(yè)悉數(shù)拿到了新一輪的資金。

如今2019年已過半載，頭部影像企業(yè)的肺結(jié)節(jié)、乳腺篩查等產(chǎn)品已經(jīng)足夠成熟。借由數(shù)據(jù)、醫(yī)院布局逐步建立起自己的壁壘，相應(yīng)的AI產(chǎn)品步入審批中的臨床階段。

在等待審批的過程中，頭部企業(yè)均在不斷挖掘已有資源的潛在價(jià)值，各自探尋AI潛在的商業(yè)化可能�，F(xiàn)在最關(guān)鍵的問題在于，誰將成為影像AI的付費(fèi)方？

醫(yī)、藥、患，誰可能是影像AI的付費(fèi)方？

長征醫(yī)院影像醫(yī)學(xué)與核醫(yī)學(xué)科主任劉士遠(yuǎn)曾表示：“未來影像科的工作一定是智能化的，報(bào)告是結(jié)構(gòu)化的�！睗撛诤�義下，AI必定成為影像科的一部分，但并不在今天。

將目光從影像科移開，AI是否還存在發(fā)展的空間？答案是肯定的，藥企、患者、保險(xiǎn)公司都有可能是AI影像的潛在支付方，而醫(yī)院也并非僅放射科愿意為影像AI的產(chǎn)品付費(fèi)。

先談醫(yī)院。不同的醫(yī)院對(duì)于產(chǎn)品的需求各不相同，AI產(chǎn)品想要切入三甲醫(yī)院，必須抓住三甲醫(yī)院醫(yī)生的兩個(gè)關(guān)鍵需求——效率需求和科研需求。如今已經(jīng)成熟的CT肺、CT肝、腦MRI產(chǎn)品均是為了滿足醫(yī)生對(duì)于閱片效率的追求，但這僅占影像科醫(yī)生工作時(shí)間的一部分。更貼近醫(yī)生的需求為科研需求——在大數(shù)據(jù)時(shí)代協(xié)助醫(yī)生去掌控?cái)?shù)據(jù)。

而對(duì)于醫(yī)療能力略遜一籌的鄉(xiāng)鎮(zhèn)級(jí)醫(yī)院，AI企業(yè)可為其搭建私有云、連接醫(yī)聯(lián)體的云PACS，也可在院內(nèi)以教學(xué)的方式培養(yǎng)醫(yī)生的閱片能力與出具報(bào)告能力。這一部分市場(chǎng)雖然龐大，但由于醫(yī)院自身規(guī)模的限制，智慧醫(yī)院的建設(shè)支出也會(huì)存在相應(yīng)限制，進(jìn)而影響到對(duì)于AI企業(yè)的支付意愿。而對(duì)于AI輔助工具的付費(fèi)意愿，鄉(xiāng)鎮(zhèn)級(jí)醫(yī)院仍強(qiáng)于三甲醫(yī)院。

最有可能付費(fèi)醫(yī)療機(jī)構(gòu)包括私立專科醫(yī)院、混合制醫(yī)院以及第三方影像中心，這三類醫(yī)院既缺乏與三甲醫(yī)院相抗衡的醫(yī)療資源，需要AI進(jìn)行補(bǔ)足，又缺乏老百姓對(duì)于制度的信任，需要AI為醫(yī)院的技術(shù)力量增添色彩。

總的來說，向醫(yī)院出售搭載AI的設(shè)備，搭建云PACS平臺(tái)，或是出售非AI的影像相關(guān)服務(wù)（如數(shù)字膠片）將在很長一段時(shí)間內(nèi)，承擔(dān)AI企業(yè)的主要收入來源，而AI輔診業(yè)務(wù)的商業(yè)化仍有一段路要走。

再談藥企。AI影像類企業(yè)能夠滿足藥企的三類需求，一是充當(dāng)CRO的角色，對(duì)病理數(shù)據(jù)再處理；二是借助大數(shù)據(jù)工具對(duì)臨床試驗(yàn)中的患者進(jìn)行篩選，三是通過社群合作的方式幫助藥企進(jìn)行精準(zhǔn)數(shù)字化營銷。

最容易獲得變現(xiàn)的渠道來源于數(shù)字化營銷，AI影像企業(yè)可與醫(yī)學(xué)部合作，進(jìn)行真實(shí)世界數(shù)據(jù)研究，協(xié)助完成藥物治療效果驗(yàn)證和標(biāo)準(zhǔn)化診療模式驗(yàn)證；也可與市場(chǎng)部、銷售部合作，搭建學(xué)術(shù)平臺(tái)，協(xié)助藥品銷售。

由于這三類業(yè)務(wù)不需要影像AI企業(yè)獲取藥監(jiān)局的審批，而是依賴于他們?cè)陂L期布局中整合的資源，所以這些合作將有可能人工智能影像企業(yè)的重要收入來源之一。

相對(duì)與上述兩種模式，讓患者成為穩(wěn)定的付費(fèi)對(duì)象則困難得多。盡管在許多三甲醫(yī)院，基于AI的MDT會(huì)診以及輔助診斷已經(jīng)進(jìn)入了醫(yī)院的收費(fèi)目錄。但由于AI技術(shù)內(nèi)核的不確定性，企業(yè)很難要求醫(yī)生向患者推薦使用AI產(chǎn)品。

同時(shí)，由于市場(chǎng)教育的不足，在選擇AI服務(wù)與非AI服務(wù)時(shí)，絕大部分患者還是傾向于選擇無AI內(nèi)核的傳統(tǒng)服務(wù)。但隨著技術(shù)、政策、患者認(rèn)知的推進(jìn)，患者很有可能在未來成為穩(wěn)定的支付方。

那么，影像頭部企業(yè)都是如何在困局中尋求發(fā)展的呢？動(dòng)脈網(wǎng)采訪了近十家影像AI頭部企業(yè)，試圖梳理出其中的邏輯。需要注意的是，下述的部分企業(yè)涉及了多項(xiàng)突破，而本文只選取每個(gè)企業(yè)的一部分創(chuàng)新業(yè)務(wù)作為案例講解。

以醫(yī)療機(jī)構(gòu)為突破點(diǎn)

醫(yī)療機(jī)構(gòu)是AI企業(yè)啟程的起點(diǎn)，幾乎所有的AI影像類初期產(chǎn)品都是為了服務(wù)醫(yī)生打造。所以，即便這些產(chǎn)品仍沒有盈利，但卻為新的產(chǎn)品的推進(jìn)埋下了伏筆。在保證已有產(chǎn)品不斷迭代的前提下，各家企業(yè)正從影像出發(fā)，不斷向外延伸。

推想科技：從隨醫(yī)者完善AI，到攜醫(yī)者共筑AI

“臨床并非醫(yī)者發(fā)揮價(jià)值的唯一途徑。醫(yī)療作為一門經(jīng)驗(yàn)學(xué)科，醫(yī)者更希望能將更多的時(shí)間用于經(jīng)驗(yàn)整理與對(duì)未知可能的探索，并將其梳理成論文，以供更多志同道合者交流學(xué)習(xí)。”推想科技營銷總裁席渭齡曾表示。

隨著與醫(yī)生合作的不斷推進(jìn)，推想研發(fā)人員對(duì)醫(yī)生就診流程、就診需求的理解更加深刻，進(jìn)而懂得如何幫助醫(yī)生規(guī)范數(shù)據(jù)結(jié)構(gòu)和利用數(shù)據(jù)，定制化算法模型進(jìn)行科學(xué)研究。將這樣一套思維具象化，造就了如今的InferScholar CenterAI學(xué)者科研平臺(tái)。

僅統(tǒng)計(jì)RSNA投稿狀況，該科研平臺(tái)在2019年助力多家臨床合作醫(yī)院共完成RSNA投稿超過300篇，涉及方向包括人工與AI比較、病理、效能評(píng)估、掃描參數(shù)、高低劑量比較12％。

通過這種方式，推想有效地轉(zhuǎn)化了研究人員在與醫(yī)生交流的經(jīng)驗(yàn)，極大拓展了深度學(xué)習(xí)在醫(yī)療領(lǐng)域的價(jià)值和應(yīng)用場(chǎng)景，實(shí)現(xiàn)了人工智能從“輔助臨床診斷”到“輔助臨床科研”。

透過這樣一個(gè)基于AI的科研平臺(tái)，推想能夠?yàn)獒t(yī)院全科室，全病種提供原創(chuàng)性的人工智能科研服務(wù)。平臺(tái)有幾十種AI算法和單病種數(shù)據(jù)管理能力，可服務(wù)于整個(gè)醫(yī)院的科研，教學(xué)和產(chǎn)業(yè)轉(zhuǎn)化。而對(duì)于推想而言，這種模式將協(xié)助他們獲得更多的醫(yī)療資源，賦予AI更強(qiáng)大的創(chuàng)造力。