近日，AI医疗影像企业纷纷传出“捷报”。
专注于超声人工智能动态医学影像分析的初创公司深至科技在上周宣布完成B轮亿元级融资。
本月初，已完成七次融资的医疗AI企业Airdoc，其主体公司北京鹰瞳科技发展股份有限公司已与中信证券签署上市辅导协议，并向北京证监局备案，拟于科创板挂牌上市。
据健康界的不完全统计，2020年，国内人工智能医疗健康领域共完成了65次融资，其中医疗影像约占总融资数的三分之一，AI医疗影像逐渐成为人工智能医疗健康领域的热门赛道。从融资轮次看，部分公司开始步入发展成熟阶段，产品技术日渐得到市场认可，商业模式也逐渐成熟。
在肺结节领域的集中爆发后，AI医疗影像的“春天”再度来临了?
01、研发到落地的漫漫长路
“我国每年医学影像超30%的增长量，远远大于每年4%的放射科医生增长数量。此现象为医院和医师带来巨大压力。”AI医疗公司数坤科技董事长毛新生在一次采访中提到。医师在重复、单调的阅片工作中容易出现疲劳、漏诊等现象；一些医疗机构甚至缺乏具备诊断能力的影像医师，造成可拍片但无人诊疗的局面。“无论从患者端，还是医生端，都急需‘AI医生’辅助。”
从2014年至今，AI医疗影像经历了扎堆冒进、不被接受、逐步获得认可与发展、大跨步前进等过程。随着AI图像识别技术进步、医学影像设备的升级与产业数字化发展，相关产品向外扩展至骨科、眼科、心血管、神经系统、消化道、脑部、超声波、肝胆胰脾肾等众多疾病的辅助诊断预测。
虽然人工智能医学影像分析技术日渐精进，各项产品也纷纷落地，相关政策与审批未开放却使得AI医疗影像产品商业化困难重重。
相较于欧美，国内对临床评价的路径控制非常严格，AI医疗产品的审批必须经过耗时较长的临床试验。加上用于审批的标准数据库又要兼具资料来源的广泛性、数据种类的兼容性(如CT图像需包含5毫米图像、1-2毫米图像、亚毫米图像等不同层厚的图像)与医学图像标记的标准化。而各个地区、医院的数据标准不同，统一的数据规范与标准化数据库的建设需要不少时间。
临床试验的耗时与数据库建设的迟缓皆拖慢了审批进程。因此，直到2019年年底，仍然没有任何一项AI医疗影像相关产品取得三类医疗器械注册。没有三类器械认证的医疗产品无法进入医院的设备采购目录，难以进行商业化。对于研发投入极大的人工智能医疗产业而言，就意味着前期投入与后期的现金回流被割裂。
产品投入临床使用的具体时间无法预估，商业价值的实现就变得遥遥无期。于是，2019年行业投资规模金额断崖式下滑300%，与前些年的快速上升形成鲜明对比。AI医疗影像行业进入了冰河期。
商业化受挫、审批困难，产品迟迟无法投入商用造成AI在医疗影像产业的实际应用受到各界质疑。一批没有造血能力的企业走向倒闭；另一些公司选择降低成本咬牙苦撑，在商品销售受阻之后，全力投入研发工作。如已完成B轮融资的汇医慧影开启大规模裁员，全职员工数从*时期的300多人下降到100余人。
02、柳暗花明
2019年底，新冠疫情的突然出现给了人工智能医疗影像表现的机会。防疫措施与大量的诊疗需求快速推动了各医院设备、系统的智能化发展，AI+医疗的相关鼓励政策出现。由于抗疫所需，AI医疗影像产品的审批也被提上日程。
“肺结节AIII类证”、“AI+CTA III类证”、“AI影像辅助决策III类证”等各类相关证书的下发解除了AI医疗影像公司们的困境，2020年共有9项AI医学影像产品通过NMPA批准。时隔多年，AI医疗影像产品的商业闭环终于得以打通，资本也纷纷回流。其中，表现最为明显的就是AI对于CT影像的辅助筛查。
疫情的爆发让CT影像的AI辅助诊疗成为全国商业化最快的AI医疗影像应用场景之一。在新冠肺炎爆发初期，国内核酸检测试剂供应数量不足，且假阴性比率居高不下，CT检测便成为病人确诊新冠肺炎的重要标准之一。
在医疗资源紧张、医生超负荷工作的情况下，超量的CT影像检查对一线抗疫工作形成了巨大的医疗资源需求挑战。在这种状况下，人工智能的引入可说是雪中送炭。不但能实现快速高效的大规模筛查，极大地提升影像科工作效率、减轻医生负担，减少误诊漏诊，还能通过算法的图像映射与重建技术，将低剂量或受到器官运动影响形成伪影的CT和PET图像重建，降低病患接受辐射的风险。
新冠疫情爆发所带来的海量病患影像数据，在很大程度上加快了AI+CT等医疗影像产品通过审批所需的标准化数据库建设，专门应用于新冠肺炎病症的AI模型也能通过大量数据训练快速落地。同时，暴增的临床运用需求也使得审批所需的临床试验进行速度大幅提高。严峻的抗疫情势让AI医疗影像技术“直接跳过”了以往新技术从出现到落地被自然接受的漫长过程。
疫情带来的需求暴增可说是加速AI医疗影像相关产品审批的最后一股“东风”，使得基于CT的疾病筛查与辅助诊断成为了AI医疗影像竞争最激烈、产品商业化种类最多的领域之一。但AI医疗影像并非*，还是有一定的局限。
像是一些没有足够数据影像资料的疾病，AI影像分析便爱莫能助。除了海量的病历图片，人工智能医疗影像产品从开发到成熟，大量临床医生的反馈意见也是不可或缺的。若是二者缺一，便可能造成AI分析识别率低下，不但无法帮助医生减轻工作量，还徒增困扰。
市面上的AI+CT产品也存在良莠不齐的问题，部份“智能”检测软件仅能实现50%的识别率。“最初我们很期待，但用了之后发现系统不太稳定，且准确率不高，常出现漏诊或多筛的情况，作用没有想象中那么大。用AI看一遍，自己再检查一遍，也没有节省时间。”一名放射科医生表示。
此外，大多数AI医疗影像产品还停留在“单病识别”的阶段，一套系统只能用来筛查一类疾病，系统的应用范围有待加强。“基本上，目前的产品还处于初级阶段，需要更多病例去迭代才能够获得较好的使用效果。尤其对于这种炎症，病毒性肺炎本身‘异病同影’现象比较严重，在帮助诊断这一块的功能可能还需要进一步拓展。”一名影像医学与核医学科主任表示。
在努力解决技术问题的同时，AI医疗影像公司们也为现有产品融入云端服务，尝试为医院提供更为多样的AI+CT影像识别解决方案。
03、医疗影像新气象 AI+CT+云
目前，AI+CT的相关产品主要有三种盈利方式:
*种是将AI+CT扫描辅助诊断作为单独的软件开发服务，此种模式较符合大多数医院的采购习惯。如联影智能的“uAI新冠肺炎智能辅助分析系统”，可在达到九成以上识别准确率的同时大幅缩短阅片时间，并独立完成大部份影像报告的撰写。可根据患者不同扫描体位自动调整完成远程扫描，大幅降低医患间交叉感染的风险与操作时间。曾用于武汉火神山医院、武汉同济医院、武汉协和医院等抗疫一线医院。
汇医慧影的Dr. Turing®新冠AI辅助筛查方案基于SaaS化服务，具备快速复制、可扩充性等优点，支持云端或私有化灵活部署。其影像识别速度处于行业*，可在三秒内完成500幅以上的CT影像分析，且能全自动量化对比评估病况进展与疗效。目前这款系统已进入海外市场。
百度飞桨平台也与连心医疗合作上线了“基于CT影像的肺炎筛查与病情预评估AI系统”，其结合飞桨开源框架和视觉领域技术*的 PaddleSeg 开发套件研发，可快速完成对患者CT影像的病灶检测、病灶轮廓勾画、双肺密度分布直方图及肺部病灶的数量、体积、肺部占比等全套定量指标的计算与展示。已在湖南郴州湘南学院附属医院等投入使用。
腾讯旗下的AI医疗实验室“腾讯觅影”也曾推出基于CT图像识别的AI辅助诊断新冠肺炎，此系统采用了可移动的应急专用CT装备，独立于医院或放射科之外，避免受检者交叉感染。最快能够在2秒内完成AI模式识别，可在1分钟内为医生提供辅助诊断参考。此系统曾装设于武汉协和西院、武汉日海方舱医院、洪湖市人民医院等医疗机构。
第二种是与影像设备厂商合作提供具有AI功能的医疗影像设备，收取一定的分成获取利润，这种形式较难提供完整的拍片、阅片智能解决方案、需要重新申报CFDA审批认证，目前落地较少。
第三种是基于云端、大数据及物联网的AI+CT一站式服务，可分为公有云和私有云两种形式。
如华为云与华中科技大学、蓝网科技合作研发推出的新型冠状病毒肺炎AI辅助医学影像量化分析服务，便是结合互联网科技优势，基于云PACS提供一站式的医疗影像解决方案。联接医院端与华为公有云，在提供AI阅片辅助诊断技术的同时，解决海量影像数据的实时存储、备份、归档问题，并支持多种设备云端阅片方式。
此外，华为云还提出区域影像云解决方案，为区域内医院提供影像存储、云端阅片、智能阅片的等功能，支持区域影像医生的在线诊断。让基层医疗机构得以集中处理医疗影像业务，帮助基层的医疗资源分配工作。
汇医慧影也基于云计算、大数据与人工智能，搭建了智慧医学影像整体解决方案，包含NovaCloud®智慧影像云平台、Dr.Turing®人工智能辅助诊断平台和RadCloud®大数据人工智能科研平台三大产品体系，可为医院、医生及患者提供不同形式的人工智能辅助筛查系统、教学及科研平台等多项服务，并实现“三端互联”。
目前看来，AI+CT商业前景一片光明，基于云端的一站式解决方案与全链条服务模式也已取得不错的商业成绩，云的加入固然提升了数据运用的便利性，但也带来一些新的问题。
首先，AI的能力与用于训练的数据量成正比，基于云端网络的分析与存储方式能实时更新保存大量数据，方便资料分类整理与调用，便于人工智能自动更新迭代与学习。云端系统在设备上部署完成后，可在线上统一调试、更改设定，方便管理。在系统装设与运用上可减少人员在不同医院间的流动，有助防疫。疫情爆发期间的方舱医院多使用此类解决方式。
其中，公有云的解决方案有利于形成全行业统一的CT影像大数据库，也能帮助一些数据量较不充足的基层医院提升诊疗水平。而一些本身即有大量数据且病例影像资料不断更新的大医院使用私有云方案也能达到类似效果。
将数据联网上传云端分析固然方便，但与便利性相应的，数据泄露的风险也大幅增加。基于安全考量，有些医院不愿使用云管理的模式，选择将数据保存在医院机房内。但这样又不利于AI的学习更新与系统调试，技术服务商也不方便针对不同病征与病例难以开发新功能。
对于诊疗水准高、病历影像数据多的大医院而言，可获取的资料品质和数量相对稳定，对AI学习进化的速度更快。数据在自家系统内迭代更新也保证了资讯安全，但小医院的情况就完全相反。因此，这种方式也容易形成马太效应，导致医疗进一步资源失衡。
04、结语
AI在新冠肺炎防治与诊断的成功应用加速了人工智能在医学影像领域的开花结果，其产品虽存在一些有待解决的问题，却也无法阻挡资本与市场的持续升温。毕竟，医疗是人类的刚需。AI医学影像的市场即将进入快速增长期，我们也期待着在减轻医生负担的同时，能够享受到更好的医疗品质。
