0
| 本文作者： 李雨晨 | 2022-01-04 17:14 | 專題：GAIR 2021 |
“醫療AI的商業化，創新技術的應用化”，無疑成為2021年醫療行業的高頻詞匯。
近日，第六屆全球人工智能與機器人大會（GAIR 2021）在深圳正式啟幕，140余位產學領袖、30位Fellow聚首，從AI技術、產品、行業、人文、組織等維度切入，以理性分析與感性洞察為軸，共同攀登人工智能與數字化的浪潮之巔。
在醫療科技高峰論壇上，中華醫學會放射學分會委員、上海長征醫院影像科副主任蕭毅教授發表了主題演講。
蕭毅教授表示，2020年以來，醫學影像AI逐漸被臨床接受，不少產品拿到NMPA認證，但是醫學影像AI發的發展不是一帆風順。
從人才層面看，核心心算法人才短缺導致供需不平衡、巨頭公司對人工智能算法人才爭搶激烈、既懂算法又懂醫學的交叉人才難求。
從融資層面看，資本的馬太效應使得早期創業公司融資更難。
當然，如果這些“外因”已經為企業設下了諸多難題，那么醫學影像AI“入院”的難度則更大。
蕭毅教授表示，“AI醫學影像產品的商業化方式與醫療器械進院的采購模式類似。商業化進程依賴于大型設備的采購流程， 流程長，耗時長，醫院付費意愿仍需企業強勢的市場開拓?！?/p>
而且，由于AI醫學影像輔助診斷系統面向患者收費還沒有形成共識，所以按例付費、按服務費收費等商業模式暫未形成。
“想要成功實現規模商業化，必須依次完成注冊準入、物價準入、醫保準入，這將是一個很漫長的過程。”
換言之，現在的醫學影像AI企業，要學會用時間來換空間。未來，分級診療政策的深化，會讓基層醫療機構得到大量的分流病人。
同時，基層醫療機構的醫學影像設備配備、升級需求和醫學影像診斷服務需求也將實現快速增長，這將為AI醫學影像帶來更大的市場空間。
以下是蕭毅教授現場演講的內容，雷峰網(公眾號：雷峰網)《醫健AI掘金志》做了不改變原意的編輯與整理。
蕭毅：各位嘉賓大家好！我是來自上海長征醫院放射科的蕭毅。我的演講題目《AI在醫學影像中的現狀與趨勢》。
醫學影像AI的應用現狀如何？
曾經，都認為AI在醫療行業的落地，會最先落在醫學影像行業——影像醫生的從業人數少，醫療需求又特別大。而且，對于圖像的識別，正是AI非常擅長的事情，國外也有多種醫學影像公開數據庫可以用來訓練模型。
所以，很多企業和科學家就很自然的以為，醫學影像AI可以很快開花結果。
人工智能之父Hinton也說，可以停止培養放射科醫生。這句話，也曾讓放射科醫生心中一顫。
2016年，各類初創公司拔地而起，資本相繼跟進。然而，理想很豐滿，現實卻很骨感。五年之后的今天一波“蹭熱點”的公司已經被淘汰出局，不見蹤跡，資本也只關注行業里的頭部公司。
問題出在哪里？失敗的公司沒有認真思考：影像科醫生在干什么，醫療需要什么。與臨床的溝通、交流程度，是企業產品價值逐漸拉開距離的關鍵。
而經過臨床驗證后的價值，最終得到監管部門的認可。
現階段，醫學影像人工智能的應用是“鏈條式”的，可以分為兩大區塊：
傳統設備廠商的醫學影像AI，主要是與設備相關的智能擺位、高清成像；
新興的科創公司，主要是成像后的圖像質控、輔助診斷及科研；
現在，已經被臨床使用和認可的AI產品，都有哪些作用？
在中樞神經系統方面，醫學影像AI產品主要有：腦卒中AI，可以對腦卒中的病灶進行分割、定位、定量、測量，進而預判預后；
腦腫瘤AI產品，針對顱腦腫瘤的腦區分割、腫瘤鑒別。
除此之外，基于人工智能的分割技術，在退行性病變和腦白質病變上進行的模型訓練，也獲得了相對理想的結果。
除了對單病種進行單一模型的構建之外，企業也向縱深化發展。
一個腦卒中的案例中，在傳統的工作模式下，我們先進行CT掃描，圖像經過處理后，可以查看動脈是否有狹窄和斑塊，最終一個結構化報告。
如果我們使用人工智能輔助的方式，我們可以迅速地獲得最結果，使得患者處理的時間從1000多秒降低到86秒。
圖像的后處理實現了全自動、報告有了標準化的處理，甚至是最后的審核與打印，也減輕了醫生的負擔和工作量。
這是深受臨床歡迎的智能模型的一個方向。
在頭頸部的應用，主要是對于甲狀腺結節的鑒別，這也是富有挑戰性，因為近幾年來，國內越來越多的 消融手術使手術病理數據大量減少。
據現有的結果來看，現在有兩個公司的模型效果比較好。以浙大孔德興教授所在的德尚韻興提供的數據顯示，該公司對甲狀腺結節鑒別的敏感性和特異性都超過了90%。
人工智能企業扎堆的肺部影像應用集中在三大塊：第一，肺癌。肺癌早期篩查、良惡性鑒別以及預后預判。
第二，肺炎。AI在新冠疫情中發揮了重要作用，這也是2020年、2021年多家公司得到社會認可的重要原因。
第三是肺氣腫。
目前，肺部疾病相關的行業標準、數據庫、指南等已經在擬定和籌建中 ，肺結節部分的已經完成。
肺部疾病輔助系統在國內外各大醫院應用廣泛，明顯提高了工作效率。
相關的技術也更加聚焦到肺部疾病輔助系統如何優化醫生的工作流程、假陰性和假陽性的風險控制、在醫聯體內的聯動以及云診斷等實際工作場景上，幫助醫生快速精準定位和定性結節，肺動脈高壓時提高預警，肺結核和矽肺智能診斷。
除了以上臨床應用，AI在基因預測以及浸潤性分型中，都發揮了重要作用。
肺炎AI則是一個因時而生的產品，可以在2-3秒內檢出病變，10秒完成全流程評估，及時篩查出疑似病人，幫助醫生對確診病人進行分型、對重癥患者進行預警，進而評估確診患者的預后情況，這對于提高診斷的時效性是不可或缺的。
心血管AI的難度會更大，主攻的企業在一開始集中在形態學的重建上：重建心臟的冠脈，檢出斑塊?，F在的工作更加深入，可以進行功能學的評估：如CT血流儲備分數心肌量化等評估。
使用人工智能進行形態學及功能學的評價，醫生就可以對心血管疾病有一個相對完整的認識，初步滿足臨床的需求。
不僅如此，隨著對疾病認識的增加，人工智能企業也逐漸地往深、往寬處走。心血管疾病篩、診、治一體化的解決方案，不僅僅是滿足篩查、診斷，同時還對治療決策與規劃進行了大量模型的構建，而完整的解決方案才是醫生所需要的內容。
乳腺癌是全球范圍內女性最常見的死因，在中國也如此。用AI的手段來輔助經驗不足的醫生，進行準確的診斷，是一個有意義的命題。
我國AI研究起步雖然較晚，但在乳腺影像中的應用發展較快。國內AI企業研發較成熟的乳腺相關輔助診斷系統，基本圍繞乳腺鉬靶開展。
但是，最終的效能還需臨床進一步的驗證。
AI在腹部影像當中也有探索，但是由于腹部影像的特殊性及難度，國內AI多數研究以單中心、小樣本為主，結果的可靠性尚需進一步驗證；而且多為回顧性分析，是否能真正地應用于臨床，還要開展更多的前瞻性研究。
國內AI商業化產品目前多采用單一影像或病理數據，對疾病進行影像識別和病理診斷，無法綜合醫療數據對患者的整體情況進行衡量，造成治療、療效評價和預后預測相關AI產品的缺乏。
在腹部領域，還有一些跨模態的復合任務流程，進入到了智能分析、智能報告和手術規劃等領域。
國內外在骨骼系統AI的研發基本處于同一起跑線， 主要集中在骨齡和骨折，能夠解決的疾病問題還是比較少的。
另外，AI骨關節影像的研究和應用多是對于簡單病灶或征象的識別，是否能達到“輔助診斷”水平、如何對復雜疾病進行綜合分析和診斷仍是我們要進一步研究的重點。
除此之外，在其他影像當中，AI也有大量的使用，包括病理AI、皮膚AI、眼底圖AI、腦電圖AI等。
但是，最復雜的醫學影像AI應用，仍當屬常規的放射影像、病理影像。
隨著醫療AI產品逐漸成熟，也獲得了監管部門的批準。
從2020年到目前，醫學影像AI行業已經拿到22張三類證，大部分都是心胸領域。
這些標紅的企業都是醫學影像AI產學研用創新聯盟的成員，這也是讓我非常開心的一點。
隨著三類證的下發，中國醫療AI企業的產品也體現了國際化能力。推想的產品落地歐盟、入選了聯合國采購名錄，Airdoc的產品在澳大利亞獲得了澳媒的稱贊，匯醫慧影也把產品輸送到了拉丁美洲，以及亞太地區泰國、馬來西亞和歐洲以及非洲地區。
鑒于中國的人口與數據優勢，我們有可能在人工智能領域成為一個領跑者。
回到一開始提到的一個話題。AI醫學影像越來越呈現“一橫一縱”的發展趨勢，怎么理解？
“橫” ：覆蓋更多部位、更多病種 更加接近醫生的臨床工作模式，大幅提升醫療效率、準確性和標準化程度，橫向覆蓋多部位、多病種的AI產品才能更好滿足醫院需求。
“縱” ：深入疾病診療全流程由單純的病灶檢出、量化，向良惡性診斷延伸，并進一 步向放療規劃、手術規劃等臨床領域延伸。人工智能深 入應用于院前篩查、院內檢測和診斷，以及治療、介入 治療和術后康復等方面，即疾病“篩診治管研”全流程。
現在拿到證的企業，大致都可以用這一戰略進行概括，不斷地提升產品的臨床價值，形成以疾病為中心的智能化、標準化臨床工作流程。
除了在臨床上協助醫生進行臨床工作，人工智能還大量應用與醫學影像的研究。例如，
醫學圖像采集、重建以及圖像質量處理的優化；
醫學圖像特定解剖結構的識別、檢測與定位，圖像內特定病灶的識別；
醫學圖像精準分割和圖像配準；
影像組學與疾病預測、診斷、預后之間更為精準的關聯模型的建立。
近年來，醫學影像人工智能的論文數量非常大。2015年后，CNN算法成為AI醫學影像領域首選技術，同時各類新算法不斷涌現，2019年之后，CNN算法研究的增長趨勢已放緩。
在專利的申請上，有比較明顯的分布特征。你會發現，醫學影像技術創新的專利，大部分分布在北美地區，而中國的專利量還是比較少。
這需要引起中國企業的重視，畢竟專利一定程度上代表著未來的技術創新方向，也是醫學影像技術發展的重要承載體。
這里面列舉的是幾個典型的專利，例如EDDA公司的三維影像重建及手術規劃早期基礎專利，4D顯示分析的機器學習基礎專利。這些專利，都會在將來推動新產品的問世。
正像我前面提到的，人工智能是醫學科研的重要手段。例如，數坤科技發表在Nature Communications (影響因子14.919)的文章——“基于三維卷積神經網絡的頭頸 CTA血管快速分割與重建”，AI 獨立測試集重建準確率為93.1%，圖像平均處理時間由14min減至4min，縮短3倍以上。
推想科技發表在Lancet Digital Health (影響因子24.519)，“基于深度學習的新冠肺炎高效分診及病 變負荷分析：一項具有外部驗證的回顧性研究，在不同發病率地區收集多個驗證集，共3567套CT影像，模型表現出高準確度和高魯棒性。
鷹瞳醫療發表在Lancet Digital Health (影響因子24.519)，“綜合人工智能視網膜專家（CARE）系統 科研成果的應用：通過2萬余張視網膜圖像對系統進行內部驗證，并同時使用全國35家醫療機 構前瞻性采集的近2萬張視網膜圖像進行外部測試。
以上，都是AI公司與醫生配合進而推出的臨床科研成果。這樣的合作關系，是前所未見的。
所以說，AI給醫生插上了想象的翅膀，扮演了一個好助手的角色。
AI在醫學影像中面臨的痛點
醫學影像AI逐漸被臨床接受，不少產品拿到NMPA認證，是不是醫學影像AI的發展就一帆風順呢？
其實不然。
從企業端先看一下，醫學影像AI的企業是越來越濃縮了，都變成“精華”了，但是這些“精華”的發展還是非常痛苦。
主要就體現核心心算法人才短缺導致供需不平衡。
首先，AI算法專業人才需要有多學科復合能力，而且開設相關專業的高校較少，AI算法人才培養體系目前處于金字塔尖；AI產業發展帶動AI人才需求的快速增加，全球范圍內，中國AI職位缺口最為明顯，AI人才需求量年增速高達74%。
其次，巨頭公司對人工智能算法人才爭搶激烈。
即使是行業巨頭，如微軟、谷歌、華為、阿里等，均在激烈地爭搶AI算法人才，相比之下， 本行業創業公司在人才吸引上不具備明顯優勢。
第三，既懂算法又懂醫學的交叉人才難求。
目前國內高校人工智能算法人才都集中在理工科院校，和醫學院的人才交叉培養體系尚未建立，復合型人才極其短缺。
最后，受限于開發、注冊和臨床等現實困境，AI產品覆蓋病種速度不及預期。
早在2017年，諸多創業公司都預測5年之內，AI可以覆蓋大多數需要影像的病種，但受限于醫療產品開發周期長、注冊證申請周期長、臨床打磨嚴謹等原因，時至今日，AI能夠成熟覆蓋的病種很少，遠遠無法滿足影像科醫生每日實際工作的需求。
同時，資本的馬太效應使得早期創業公司融資更難。
行業頭部企業已經形成，資本投入聚焦在頭部企業，頭部企業融資進程明顯加快，反觀早期創業公司融資更加困難。融資C輪之后的企業，發展狀態相對健康。
除了有發展之痛，企業還有生存之難。
目前，AI醫學影像產品的商業化方式與醫療器械進院的采購模式類似。商業化進程依賴于大型設備的采購流程， 流程長，耗時長，醫院付費意愿仍需企業強勢的市場開拓，AI影像產品滲透率和商業化速度受限。
據《中國醫學影像人工智能發展報告2020》，現階段AI醫學影像產品的院端付費滲透率僅為4.5%~7%。未來隨著AI醫學影像產品價值不斷被認可，醫院付費意愿提升，2023年滲透率或達到15%~20%。
2021年，人工智能醫學影像企業拓展醫院銷售渠道的主要方式為與龍頭器械廠商合作、與代理商合作、自建銷售團隊。
其中，與龍頭器械廠商合作的占比達到了60-70%，是最主要的醫院銷售渠道，而依賴器械廠商導致AI產品客單價不高，商業轉化效率低。
同時，由于AI醫學影像輔助診斷系統面向患者收費還沒有形成共識，所以按例付費、按服務費收費等商業模式暫未形成，進而影響了商業化進程。
但是，我們也認為，隨著產品價值不斷地被認可，到2023年之后，醫學影像AI產品的滲透率、醫院的付費意愿可以得到明顯的提升。
對于醫院來說，選擇的過程也很痛苦。模型現在能做的事情很少，執行的功能只有一小部分，但是醫院每一病種放一臺服務器在醫院里，這會造成極大的資源浪費。
醫學影像AI的產品如何選，選了如何用，用了之后如何管理？這些問題都很頭疼。
而且，醫學影像AI產品沒有進入醫保，又不能有明確的收費，醫生很難決策。人工智能醫療器械產品想要成功實現規模商業化，必須依次完成注冊準入、物價準入、醫保準入：
注冊準入：人工智能產品需要獲批NMPA注冊證才能進入醫療市場
物價準入：人工智能醫學影像產品通過招投標進入終端醫院
醫保準入：人工智能正式將以價換量，實現調用量的數量級提升，實現患者按例收費
到目前為止，國內大量人工智能醫療器械產品尚未完成注冊準入，少量產品完成注冊準入，不到10款產品完成物價準入，尚未存在產品完成醫保準入。
反觀國外，與國內形成了比較明顯的差別。
美國醫保政策大力鼓勵AI發展，商業閉環的打通推動了美國AI企業發展，未來將會對中國AI企業產生競爭。
美國醫學協會（AMA）指定CPT III code代碼，包含了新興技術、服務、程序和服務范例，部分AI產品涵蓋其中。醫院和診所通過提供CPT代碼，即可申報醫保和商保。
美國聯邦醫保將肺癌高風險人群的肺癌篩查醫療服務納入 “紅藍卡”參保范圍。
反觀國內。
我們國內的最終用戶，不愿意為AI額外的支付費用，這也就體現了醫保在定價或是在支付上的必要性。只有將AI醫療服務納入醫保范圍內，才能實現AI在臨床上的深層次發展。
AI頭部企業現在還有著失血之痛。
因為無法進入醫保，所以頭部的AI公司即便完成了IPO，也依然處于處于只流血、無輸血、不回血的“商業斷鏈”窘境。
這些數據是來自公司的招股書。如果再沒有一個良好的支付環境，或者是商業落地模式，頭部企業的生存岌岌可危。
醫學影像AI還有沒有未來？
醫學影像AI還有沒有未來？
需求是產品開發的春天。截至2020年末，我國醫療衛生機構數量達到102.3萬個， 其中基層醫療機構為970036家，約占總數的94.8%。
國家制定了分級診療的政策，基層醫療機構有望得到大量的分流病人。同時，基層醫療機構的醫學影像設備配備、升級需求和醫學影像診斷服務需求也將實現快速增長，這將為AI醫學影像帶來更大的市場空間。
這些空間是存在的，但是能不能填補這個空間，還需要全方位的努力。
資本也為AI這個行業注入強心劑。
2018年的資本市場是比較冷的，但是兩年后的2020年迎來了轉折點。隨著國家逐步發放醫療影像AI軟件三類證，出臺鼓勵AI+醫療發展的政策， 各細分領域的盈利模式逐漸明晰，市場進入快速成長期，資本也大規模注入。
截至2021年11月，共有4家AI醫學影像公司向港交所遞交了招股說明書。
從融資趨勢看，當前階段醫療影像領域已出現明顯的頭部聚集效應，大量資本在頭部企業進行聚集。
未來的醫學影像AI趨勢如何，該怎么走？
我們可以參照中華醫學會放射學分會主任委員劉士遠教授的幾點預判。
他認為，人工智能發展會面臨九大趨勢：
第一，向產品多樣化發展；
第二，加深產品垂直功能深度；
第三，單病種向多病種、多任務模型發展；
第四，軟硬一體化是未來的發展趨勢；
第五，基于互聯網+AI實現優質醫療資源下沉；
第六， 打造診療閉環，從導診、問診、診斷、 檢查、治療的整個閉環都需要AI的參與；
第七，整體或者平臺化解決方案；
第八，AI信息與結構化報告的整合；
第九，上下游通力合作，形成良好的AI生態
對于學會、行業協會來說，劉士遠教授也提出了未來三年的工作計劃：
1、構建國家級醫學影像多病種數據庫（即將發布醫學影像數據庫建設招標指南）
2、提升基層醫院放射科業務能力，普及及培訓醫學影像人工智能產品應用
3、推行醫學影像科普、影像AI科普，提高交叉學科人員以及民眾醫學素養
4、加強醫學影像質量控制與規范，促進人工智能落地應用減少“副反應”
5、促進醫學影像AI產學研用深度交叉融合，推動中國醫學影像AI健康發展
以上就是我今天的演講內容，歡迎大家參加明年在上海舉辦的第三屆中國醫學影像AI大會，謝謝大家。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
