一文看AI医学影像的发展(二)

  • 日期:08-17
  • 点击:(1854)


  疾病早筛对于民众及国家均具有重大意义,而影像学检查是疾病早筛的重要环节。医疗人工智能的引入有助于提升影像学科工作效率,减轻医务人员工作负担,减少误诊漏诊现象的发生,为大规模疾病早筛行动的开展提供有力技术支持。

  该领域也是是"医疗影像+AI"最早涉及、竞争最激烈、上线产品最多的领域,几乎当前获得大额融资的企业都涉及该领域,可以说是“百家争鸣”的局面。

  核心功能:

  基于深度学习技术训练模型,对病灶进行分割检出

  病灶定量分析,主要是一些形态学参数

  基于分类算法,对病灶进行分类比如结节、肿瘤等

  病灶定性,比如肿瘤的良恶性倾向性分析判断

  生成结构化报告,基于AI诊断结果和临床使用习惯自动生成报告

  典型产品:

  肺结节筛查系统-推想科技

  乳腺癌筛查系统-依图科技

  脑卒中筛查系统-深睿医疗

  病理医师的诊断依赖于经验,培养病理医生的周期非常长,从一个初级诊断医生到一个经验丰富的高年资诊断医生大约需要10年时间。此外,病理工作风险高、责任大, 专业吸引力相对较低,且由于从业后工作强度太高,很多学病理的医生都没能坚持到最后。

  AI的引入可以为医生为低级别医院经验欠缺的病理医生提供诊断建议、提供教学帮助、AI分担医生繁重而简单的工作(如寻找淋巴结的转移癌、病原体等,定位后人工复核)以及计数指标的判定、免疫组化阳性强度的判定以及分子病理的判定等。

  核心功能:

  对数字化的病理切片,自动完成检测-识别-分割

  智能分辨细胞阴阳性,区分癌细胞与正常细胞并标注

  对框选区域/全场图进行定量分析

  自动结构化报告生成

  典型产品

  D-PathAI AI辅助诊断系统?-迪英加科技

  宫颈癌早期筛查系统-腾讯觅影

  病理智能辅助诊断系统(宫颈癌、乳腺癌、胃癌)-清影科技

  临床上很多影像检查生成的影像不足以直接用来评估病情,需要对影像进一步处理,这些后处理过程具有复杂、耗费长的特点,例如一个CTA检查的后处理时间在20~60分钟之间,使用AI技术之后可以让整个后处理时间大大减少。

  核心功能:

  自动完成图像重建

  图像推送和胶片打印

  血管斑块和狭窄程度量化分析

  自动生成结构化报告

  典型产品:

  冠心病智能辅助诊断产品-数坤科技

  ACD冠脉全自动诊断-医真云

  在放射治疗计划系统(treatment planning system,TPS)中,病变器官的正确定位与准确勾画是TPS系统运作的基础及关键技术之一,其分割的准确程度直接影响后续放射治疗计划设计的准确度和放疗的效果。同时,器官勾画也是计算机辅助诊断、医学图像三维可视化、图形引导手术、虚拟内窥镜等众多医学图像应用的首要前提和关键步骤。

  每一个放疗方案都需要严格画靶,确认放疗射线的靶向位置和剂量,及其穿透路线,避免伤及正常的组织器官。每一位病人每次放疗前都需要拍300-400张CT,传统方法完全依赖肿瘤医生在患者的医学影像上手动标识器官和肿瘤,效率十分低下。

  基于深度学习算法的智能勾靶功能,可以全面提高靶区勾画的效率和准确度,将原来要几个小时的工作量缩短到几十分钟。

  核心功能:

  靶区智能自动勾画

  放疗流程管理

  代表产品

  RAIC-锐克肿瘤信息系统-连心医疗

  ARPlanner-全域医疗

  智能治疗计划系统DeepPlan-慧软科技

  骨龄”是骨骼年龄的简称,是青少年儿童骨骼发育水平同骨发育标准比较而得出的发育年龄,临床应用的骨龄检测方法也各有弊端,或因流程复杂或因不够精准而无法满足临床要求。基于深度学习的检测技术,算法通过识别每块手骨的特征,更精准更快速进行儿童生长发育评估。

  影像医师尤其儿科影像医师缺口大,个体工作负荷重,从机械、繁重的骨龄影像读片中解放出来的愿望强烈。儿童医院骨龄检测需求非常巨大,如果仅靠医生,需要1到2小时才能算出一张骨龄片;如果借助计算机软件进行部分辅助,耗时也需要15分钟到30分钟每张。人工智能技术的引入,可以用秒级的速度,通过机器完成TW3法中的所有步骤,自动找到X光片中的骨骺,进行评级,然后代入公式,用数值比出骨龄。

  核心功能:

  骨龄结果自动计算

  结构化呈现影像具体评分

  生长发育报告生成

  代表产品:

  儿童生长发育智能诊断系统-依图医疗

  儿童生长发育AI评估系统-深睿医疗

  TO H(医院)

  医院采购算是现在最主流的落地模式,因为当影像AI产品主要针对医院的科室和医院需求,所以这也是当前最主流落地模式,基本上所有该领域的公司都在尝试这种落地模式。

  TO P(患者)

  对投资人来说,TO C的可爆发式增长模式无疑是更吸引力的,企业可以通过寻找患者刚需结合医疗影像的点进行落地,比如用电子胶片代替传统胶片就是一个比较好的方向。

  TO G (政府)

  医疗行业是比较典型的政策导向性行业,政府近些年了陆续退出比如智慧医疗、分级诊疗等政策,企业可以利用自己的技术优势支持政策的落地和实现。

  TO M(药厂/医疗器械厂商/体检中心等合作)

  传统医疗器械公司在医院有着比较好的渠道和设备优势,AI公司与医学影像存档与通信系统PACS(Picture archiving and communication system)厂商、医疗器械厂商合作,依托于其他产品中,通过设备销售带货的方式获得收入。例如柏视医疗的鼻咽癌放疗临床靶区自动勾画系统已嵌入飞利浦星云探索平台。

  TO I (保险)?

  商业健康险近两年呈井喷的趋势,未来在所有保险产品和品种中,与健康相关的保险会越来越占据主流的地位。保险机构可以利用AI技术实现费用智能控制。

  1.影像数据量足够大且医生短缺

  医疗数据中有超过90%的数据来自于医学影像,但是这些数据大多要进行人工分析。人工分析的缺点很明显,第一是不精确,只能凭借经验去判断,很容易误判。中国医学会的一份误诊数据资料显示,中国临床医疗每年的误诊人数约为5700万人,总误诊率为27.8%,器官异位误诊率为60%,恶性肿瘤平均误诊率为40%,如鼻咽癌、白血病、胰腺癌等,肝结核、胃结核等肺外结核的平均误诊率也在40%以上。

  有数据显示,目前我国医学影像数据的年增长率约为30%,而放射科医师数量的年增长率约为4.1%,其间的差距是23.9%,放射科医师数量增长远不及影像数据增长。这意味着放射科医师在未来处理影像数据的压力会越来越大,甚至远远超过负荷。

  2.工业界和学术界合作

  AI医学影像公司产品落地困难,公司与医院共同搭建科研平台是不错的选择,很多AI公司都会选择帮助医生做科研,可以共同申请基金来维持。如果数据积累多了,再考虑做临床转化。

  当然这对双方都有很高的要求:一是有共同的目标;二是有很好的合作机制,协调如何把利益最大化;三是双方团队质量很重要,缺一不可。

  2. 政策支持

  ?国务出台系列政策支持医学影像行业的发展。从 2013 年到 2017 年,国务院、发改委、国家食品药品监督总局、卫计委不断出台政策支持医学影像行业的发展。针对性政策涉及:医学影像设备、独立影像中心、线上影像平台、影像信息化,包括鼓励公立医院采购国产医疗设备、扶持民营医院新增设备需求;加强医疗信息化建设基础,构建云端医疗数据库,推动医疗大数据的应用开发等;全面推进分级诊断,鼓励民营资本流入建设独立检查检验中心、远程医疗等。

  国家对医疗领域提出人工智能发展要求。2016 年以来,国家对于医疗领域提出明确的人工智能发展要求,包括对技术研发的支持政策,就相关技术和产品提出健康信息化、医疗大数据、智能健康管理等具体应用,并针对医疗、健康及养老方面提出较为明确的人工智能应用方向。2017 年 7 月,国务院发布《新一代人工智能规划》,人工智能上升至国家战略层面,人工智能在医疗领域的应用有望进入新的快速发展阶段。

  3.人工智能+医疗概念备受资本青睐

  动脉网统计数据显示,2016 年是人工智能+医疗在国内形成投资风口的元年,有 27 家企业在 2016 年进行融资,其中 16 家企业融资金额在千万级人民币或美元以上,医疗大数据公司碳云智能融资金额高达 10 亿人民币。截至2017 年 8 月 31 日,国内 83 家企业的融资总额已经接近 42 亿人民币。

  而医学影像已经成为人工智能在医疗应用最热门的领域之一。国内有 83 家企业将人工智能应用于医疗领域,其中涉足医学影像类的企业数量达到 40 家,远高于其他应用场景的企业数量。

  4. AI技术的成熟

  ? 深度学习能够自动寻找特征,非常适用于“AI+ 医疗影像 ” 诊断。 大量深度学习平台及框架开源降低基础算法实现的技术门槛。随着深度学习理论和工程技术体系的成熟,包括通过云服务或者开源的方式向行业输出技术,先进的算法被封装为易于使用的产品和服务。近年来,科技巨头开源了大量深度学习的工具包,例如 Google 的 TensorFlow, Facebook 的 TorchNet,微软的 CNTK 等等,这些开源包大幅降低了应用深度学习算法的难度,创业公司也可以利用这些开源包将深度学习应用到医学影像诊断领域,基础算法的实现门槛大幅降低,可更加高效的专注于应用层面的算法优化。

  1.产品价值不大

  在单点诊断上:

  定性定量描述:对于结节、肿块等在形态学上等方面进一步定性、定量描述,更好辅助医生诊断。

  生成结构化报告:虽然AI能帮助找出结节,但在进一步的良恶性判断与报告意见出具方面,AI给出结论的参考性不强。还需要依据临床标准,打通检测与出报告一体化流程,提升医生工作效率。

  多模态诊断:

  集成多模态影像、临床病历、肿瘤标志物和基因检测等检验检查结果,辅助医生诊断,比如脑卒中。例如CT、病理、内镜、钼靶、超声、电子病历等多模态数据。

  大多AI在应用上,没有真正做到辅助决策,需要根据多模态影像、全周期的临床信息,提供辅助决策。从单一的影像诊断走向智能决策,真正成为临床医师的决策助手,解放临床生产力,让临床医师能够腾出双手,从事真正的创新性工作,减少人力浪费。

  2.医生习惯不易改变

  虽然现在的AI产品都标榜自己可以帮助医生节省时间、提供诊断效率等,但是对医生而言,已经习惯了原有的诊疗方式,要完全接受这种"人机结合"的诊疗方式显然还需要有一定的适应和接受过程。不过随着时间推移,相信未来的医生会逐渐习惯无处不在的AI产品。

  3.嵌入临床难

  大多公司与医院合作是很难接入医院PACS/HIS等信息系统,如果不能接入医院信息系统,就对医生的使用造成很大不便,打造不起来临床工作流程闭环。

  目前来看依图科技、科大讯飞、DeepCare和智影医疗这几家公司已经可以无缝对接医院PACS/HIS系统,如何对接医院系统,嵌入临床工作流程,还需要进一步协调资源、研究解决方案。

  4.数据获取难

  获取有效数据难度大(数量+质量),成为纯深度学习性的AI应用的重要落地瓶颈。开放的数据集,是肺结节产品扎推涌现的直接原因,也为后来者提供了“弯道超车”的机会。但不是所有产品都有公开的数据集。从公开数据集、临床数据到金标准数据,难度逐渐递增。相比于三甲医院对医疗影像AI产品的需求,医疗影像AI产品捆绑医院的需求更为强烈,如何拿到医院数据对AI进行训练成为各家产品实现差异化竞争的关键。

  短期内,数据获取难问题不会消失,当前各"医疗影像+AI"公司目前都是通过与医院影像科室以科研合作的形式获取数据。所以任何进入"医疗影像+AI"领域的公司必须具备一定的医院影像科"资源",这也就不难解释为何该领域公司很多创始人或者高管都来自GPS了。

  此外,国内数据有不连续性和多样性,每个医院的标准不一样,一个患者可能去四五家医院,数据不连续,大部分医院现在还是信息孤岛,想要打通短期之内很困难。

  5.CFDA认证难

  2018?年?8?月?1?日起,我国新版《医疗器械分类目录》正式生效,文件将医用软件按二类、 三类医疗器械设置审批通道,目前我们所看到的AI?产品,大多应属于第三类医疗器械

  人工智能辅助医疗影像诊断作为一个新的领域,政府也处在在探索阶段,认证难成了阻碍“影像公司+AI"公司商业化之路上的“拦路虎”。当前大部分企业采取增删诊断功能的办法,同时申报二、三类器械,多家企业已经率先获得了二类证书,但目前尚未有一款产品获得三类证书。

  相信随着政策的日益完善,各公司AI产品标准数据库的建立,CFDA认证难的问题在未来几年内将会解决。

  6.同质化竞争

  有的医院会引入好几家企业的AI产品,无一例外全都是做肺结节的在医院这个医疗AI产品的主战场上,同一类别产品的竞争惨烈。

  目前在中国的医疗A企业中,包括联影、推想科技、深睿医疗、依图医疗、科大讯飞、体素科技、汇医慧影、图玛深维、点内科技、翼展影像、视见科技、腾讯觅影、青燕祥云、杏脉、健培、连心等在内的二十余家企业都已经在肺部疾病方面有所布局。

  仅次于肺部疾病的是眼底疾病。包括体素科技、Airdoc、健培、Deepmind、爱尔眼科,以及IBM Watson、腾讯、百度等在内的十余家企业已在该领域布局。

  为什么都集中在肺结节和眼底疾病影像上呢?

  医疗AI行业同质化竞争的原因主要有三:一是影像科目前对AI的应用是相对成熟;二是影像科CT平扫、磁共振检查等工作多为重复性劳动,对AI的需求也很迫切。三是肺结节和糖网存在公开的数据库,且数据库丰富而完整,所以大部分企业都将肺结节和糖网产品作为主要产品,有些蝴蝶效应。

  7.只烧钱不赚钱

  过去一段时间,市场孕育了一些可供未来参考的收费模式。比如:第三方影像中心大多采用按使用次数收费的模式,一些医院大多使用一次性买断产品的付费模式。

  但由于行业尚处于发展早期,目前医疗AI产品大多是不收费的,即便收费也是向B端的医疗机构收费,并非是向C端的患者用户收费。

  2018年8月中旬,浙江大学医学院附属邵逸夫医院率先就人工智能相关产品开放收费目录,文件中标明“(特需)人工智能辅助多学科疑难病联合诊治,6500元/次”。青岛、辽宁等地区紧随其后,也将部分人工智能服务加入收费目录。医院方已经在这一年作出了巨大的突破。

  不少业内人士表示,这些收费模式主要是针对“会诊”收费,并非针对人工智能收费。不过,也有人认为,这样的商业模式目前并没有为企业带来系统的营收,对陷入资金饥渴中的企业来说,不过是杯水车薪。

  96

  D小姐_

  2019.08.13 10:06

  字数 5332

  疾病早筛对于民众及国家均具有重大意义,而影像学检查是疾病早筛的重要环节。医疗人工智能的引入有助于提升影像学科工作效率,减轻医务人员工作负担,减少误诊漏诊现象的发生,为大规模疾病早筛行动的开展提供有力技术支持。

  该领域也是是"医疗影像+AI"最早涉及、竞争最激烈、上线产品最多的领域,几乎当前获得大额融资的企业都涉及该领域,可以说是“百家争鸣”的局面。

  核心功能:

  基于深度学习技术训练模型,对病灶进行分割检出

  病灶定量分析,主要是一些形态学参数

  基于分类算法,对病灶进行分类比如结节、肿瘤等

  病灶定性,比如肿瘤的良恶性倾向性分析判断

  生成结构化报告,基于AI诊断结果和临床使用习惯自动生成报告

  典型产品:

  肺结节筛查系统-推想科技

  乳腺癌筛查系统-依图科技

  脑卒中筛查系统-深睿医疗

  病理医师的诊断依赖于经验,培养病理医生的周期非常长,从一个初级诊断医生到一个经验丰富的高年资诊断医生大约需要10年时间。此外,病理工作风险高、责任大, 专业吸引力相对较低,且由于从业后工作强度太高,很多学病理的医生都没能坚持到最后。

  AI的引入可以为医生为低级别医院经验欠缺的病理医生提供诊断建议、提供教学帮助、AI分担医生繁重而简单的工作(如寻找淋巴结的转移癌、病原体等,定位后人工复核)以及计数指标的判定、免疫组化阳性强度的判定以及分子病理的判定等。

  核心功能:

  对数字化的病理切片,自动完成检测-识别-分割

  智能分辨细胞阴阳性,区分癌细胞与正常细胞并标注

  对框选区域/全场图进行定量分析

  自动结构化报告生成

  典型产品

  D-PathAI AI辅助诊断系统?-迪英加科技

  宫颈癌早期筛查系统-腾讯觅影

  病理智能辅助诊断系统(宫颈癌、乳腺癌、胃癌)-清影科技

  临床上很多影像检查生成的影像不足以直接用来评估病情,需要对影像进一步处理,这些后处理过程具有复杂、耗费长的特点,例如一个CTA检查的后处理时间在20~60分钟之间,使用AI技术之后可以让整个后处理时间大大减少。

  核心功能:

  自动完成图像重建

  图像推送和胶片打印

  血管斑块和狭窄程度量化分析

  自动生成结构化报告

  典型产品:

  冠心病智能辅助诊断产品-数坤科技

  ACD冠脉全自动诊断-医真云

  在放射治疗计划系统(treatment planning system,TPS)中,病变器官的正确定位与准确勾画是TPS系统运作的基础及关键技术之一,其分割的准确程度直接影响后续放射治疗计划设计的准确度和放疗的效果。同时,器官勾画也是计算机辅助诊断、医学图像三维可视化、图形引导手术、虚拟内窥镜等众多医学图像应用的首要前提和关键步骤。

  每一个放疗方案都需要严格画靶,确认放疗射线的靶向位置和剂量,及其穿透路线,避免伤及正常的组织器官。每一位病人每次放疗前都需要拍300-400张CT,传统方法完全依赖肿瘤医生在患者的医学影像上手动标识器官和肿瘤,效率十分低下。

  基于深度学习算法的智能勾靶功能,可以全面提高靶区勾画的效率和准确度,将原来要几个小时的工作量缩短到几十分钟。

  核心功能:

  靶区智能自动勾画

  放疗流程管理

  代表产品

  RAIC-锐克肿瘤信息系统-连心医疗

  ARPlanner-全域医疗

  智能治疗计划系统DeepPlan-慧软科技

  骨龄”是骨骼年龄的简称,是青少年儿童骨骼发育水平同骨发育标准比较而得出的发育年龄,临床应用的骨龄检测方法也各有弊端,或因流程复杂或因不够精准而无法满足临床要求。基于深度学习的检测技术,算法通过识别每块手骨的特征,更精准更快速进行儿童生长发育评估。

  影像医师尤其儿科影像医师缺口大,个体工作负荷重,从机械、繁重的骨龄影像读片中解放出来的愿望强烈。儿童医院骨龄检测需求非常巨大,如果仅靠医生,需要1到2小时才能算出一张骨龄片;如果借助计算机软件进行部分辅助,耗时也需要15分钟到30分钟每张。人工智能技术的引入,可以用秒级的速度,通过机器完成TW3法中的所有步骤,自动找到X光片中的骨骺,进行评级,然后代入公式,用数值比出骨龄。

  核心功能:

  骨龄结果自动计算

  结构化呈现影像具体评分

  生长发育报告生成

  代表产品:

  儿童生长发育智能诊断系统-依图医疗

  儿童生长发育AI评估系统-深睿医疗

  TO H(医院)

  医院采购算是现在最主流的落地模式,因为当影像AI产品主要针对医院的科室和医院需求,所以这也是当前最主流落地模式,基本上所有该领域的公司都在尝试这种落地模式。

  TO P(患者)

  对投资人来说,TO C的可爆发式增长模式无疑是更吸引力的,企业可以通过寻找患者刚需结合医疗影像的点进行落地,比如用电子胶片代替传统胶片就是一个比较好的方向。

  TO G (政府)

  医疗行业是比较典型的政策导向性行业,政府近些年了陆续退出比如智慧医疗、分级诊疗等政策,企业可以利用自己的技术优势支持政策的落地和实现。

  TO M(药厂/医疗器械厂商/体检中心等合作)

  传统医疗器械公司在医院有着比较好的渠道和设备优势,AI公司与医学影像存档与通信系统PACS(Picture archiving and communication system)厂商、医疗器械厂商合作,依托于其他产品中,通过设备销售带货的方式获得收入。例如柏视医疗的鼻咽癌放疗临床靶区自动勾画系统已嵌入飞利浦星云探索平台。

  TO I (保险)?

  商业健康险近两年呈井喷的趋势,未来在所有保险产品和品种中,与健康相关的保险会越来越占据主流的地位。保险机构可以利用AI技术实现费用智能控制。

  1.影像数据量足够大且医生短缺

  医疗数据中有超过90%的数据来自于医学影像,但是这些数据大多要进行人工分析。人工分析的缺点很明显,第一是不精确,只能凭借经验去判断,很容易误判。中国医学会的一份误诊数据资料显示,中国临床医疗每年的误诊人数约为5700万人,总误诊率为27.8%,器官异位误诊率为60%,恶性肿瘤平均误诊率为40%,如鼻咽癌、白血病、胰腺癌等,肝结核、胃结核等肺外结核的平均误诊率也在40%以上。

  有数据显示,目前我国医学影像数据的年增长率约为30%,而放射科医师数量的年增长率约为4.1%,其间的差距是23.9%,放射科医师数量增长远不及影像数据增长。这意味着放射科医师在未来处理影像数据的压力会越来越大,甚至远远超过负荷。

  2.工业界和学术界合作

  AI医学影像公司产品落地困难,公司与医院共同搭建科研平台是不错的选择,很多AI公司都会选择帮助医生做科研,可以共同申请基金来维持。如果数据积累多了,再考虑做临床转化。

  当然这对双方都有很高的要求:一是有共同的目标;二是有很好的合作机制,协调如何把利益最大化;三是双方团队质量很重要,缺一不可。

  2. 政策支持

  ?国务出台系列政策支持医学影像行业的发展。从 2013 年到 2017 年,国务院、发改委、国家食品药品监督总局、卫计委不断出台政策支持医学影像行业的发展。针对性政策涉及:医学影像设备、独立影像中心、线上影像平台、影像信息化,包括鼓励公立医院采购国产医疗设备、扶持民营医院新增设备需求;加强医疗信息化建设基础,构建云端医疗数据库,推动医疗大数据的应用开发等;全面推进分级诊断,鼓励民营资本流入建设独立检查检验中心、远程医疗等。

  国家对医疗领域提出人工智能发展要求。2016 年以来,国家对于医疗领域提出明确的人工智能发展要求,包括对技术研发的支持政策,就相关技术和产品提出健康信息化、医疗大数据、智能健康管理等具体应用,并针对医疗、健康及养老方面提出较为明确的人工智能应用方向。2017 年 7 月,国务院发布《新一代人工智能规划》,人工智能上升至国家战略层面,人工智能在医疗领域的应用有望进入新的快速发展阶段。

  3.人工智能+医疗概念备受资本青睐

  动脉网统计数据显示,2016 年是人工智能+医疗在国内形成投资风口的元年,有 27 家企业在 2016 年进行融资,其中 16 家企业融资金额在千万级人民币或美元以上,医疗大数据公司碳云智能融资金额高达 10 亿人民币。截至2017 年 8 月 31 日,国内 83 家企业的融资总额已经接近 42 亿人民币。

  而医学影像已经成为人工智能在医疗应用最热门的领域之一。国内有 83 家企业将人工智能应用于医疗领域,其中涉足医学影像类的企业数量达到 40 家,远高于其他应用场景的企业数量。

  4. AI技术的成熟

  ? 深度学习能够自动寻找特征,非常适用于“AI+ 医疗影像 ” 诊断。 大量深度学习平台及框架开源降低基础算法实现的技术门槛。随着深度学习理论和工程技术体系的成熟,包括通过云服务或者开源的方式向行业输出技术,先进的算法被封装为易于使用的产品和服务。近年来,科技巨头开源了大量深度学习的工具包,例如 Google 的 TensorFlow, Facebook 的 TorchNet,微软的 CNTK 等等,这些开源包大幅降低了应用深度学习算法的难度,创业公司也可以利用这些开源包将深度学习应用到医学影像诊断领域,基础算法的实现门槛大幅降低,可更加高效的专注于应用层面的算法优化。

  1.产品价值不大

  在单点诊断上:

  定性定量描述:对于结节、肿块等在形态学上等方面进一步定性、定量描述,更好辅助医生诊断。

  生成结构化报告:虽然AI能帮助找出结节,但在进一步的良恶性判断与报告意见出具方面,AI给出结论的参考性不强。还需要依据临床标准,打通检测与出报告一体化流程,提升医生工作效率。

  多模态诊断:

  集成多模态影像、临床病历、肿瘤标志物和基因检测等检验检查结果,辅助医生诊断,比如脑卒中。例如CT、病理、内镜、钼靶、超声、电子病历等多模态数据。

  大多AI在应用上,没有真正做到辅助决策,需要根据多模态影像、全周期的临床信息,提供辅助决策。从单一的影像诊断走向智能决策,真正成为临床医师的决策助手,解放临床生产力,让临床医师能够腾出双手,从事真正的创新性工作,减少人力浪费。

  2.医生习惯不易改变

  虽然现在的AI产品都标榜自己可以帮助医生节省时间、提供诊断效率等,但是对医生而言,已经习惯了原有的诊疗方式,要完全接受这种"人机结合"的诊疗方式显然还需要有一定的适应和接受过程。不过随着时间推移,相信未来的医生会逐渐习惯无处不在的AI产品。

  3.嵌入临床难

  大多公司与医院合作是很难接入医院PACS/HIS等信息系统,如果不能接入医院信息系统,就对医生的使用造成很大不便,打造不起来临床工作流程闭环。

  目前来看依图科技、科大讯飞、DeepCare和智影医疗这几家公司已经可以无缝对接医院PACS/HIS系统,如何对接医院系统,嵌入临床工作流程,还需要进一步协调资源、研究解决方案。

  4.数据获取难

  获取有效数据难度大(数量+质量),成为纯深度学习性的AI应用的重要落地瓶颈。开放的数据集,是肺结节产品扎推涌现的直接原因,也为后来者提供了“弯道超车”的机会。但不是所有产品都有公开的数据集。从公开数据集、临床数据到金标准数据,难度逐渐递增。相比于三甲医院对医疗影像AI产品的需求,医疗影像AI产品捆绑医院的需求更为强烈,如何拿到医院数据对AI进行训练成为各家产品实现差异化竞争的关键。

  短期内,数据获取难问题不会消失,当前各"医疗影像+AI"公司目前都是通过与医院影像科室以科研合作的形式获取数据。所以任何进入"医疗影像+AI"领域的公司必须具备一定的医院影像科"资源",这也就不难解释为何该领域公司很多创始人或者高管都来自GPS了。

  此外,国内数据有不连续性和多样性,每个医院的标准不一样,一个患者可能去四五家医院,数据不连续,大部分医院现在还是信息孤岛,想要打通短期之内很困难。

  5.CFDA认证难

  2018?年?8?月?1?日起,我国新版《医疗器械分类目录》正式生效,文件将医用软件按二类、 三类医疗器械设置审批通道,目前我们所看到的AI?产品,大多应属于第三类医疗器械

  人工智能辅助医疗影像诊断作为一个新的领域,政府也处在在探索阶段,认证难成了阻碍“影像公司+AI"公司商业化之路上的“拦路虎”。当前大部分企业采取增删诊断功能的办法,同时申报二、三类器械,多家企业已经率先获得了二类证书,但目前尚未有一款产品获得三类证书。

  相信随着政策的日益完善,各公司AI产品标准数据库的建立,CFDA认证难的问题在未来几年内将会解决。

  6.同质化竞争

  有的医院会引入好几家企业的AI产品,无一例外全都是做肺结节的在医院这个医疗AI产品的主战场上,同一类别产品的竞争惨烈。

  目前在中国的医疗A企业中,包括联影、推想科技、深睿医疗、依图医疗、科大讯飞、体素科技、汇医慧影、图玛深维、点内科技、翼展影像、视见科技、腾讯觅影、青燕祥云、杏脉、健培、连心等在内的二十余家企业都已经在肺部疾病方面有所布局。

  仅次于肺部疾病的是眼底疾病。包括体素科技、Airdoc、健培、Deepmind、爱尔眼科,以及IBM Watson、腾讯、百度等在内的十余家企业已在该领域布局。

  为什么都集中在肺结节和眼底疾病影像上呢?

  医疗AI行业同质化竞争的原因主要有三:一是影像科目前对AI的应用是相对成熟;二是影像科CT平扫、磁共振检查等工作多为重复性劳动,对AI的需求也很迫切。三是肺结节和糖网存在公开的数据库,且数据库丰富而完整,所以大部分企业都将肺结节和糖网产品作为主要产品,有些蝴蝶效应。

  7.只烧钱不赚钱

  过去一段时间,市场孕育了一些可供未来参考的收费模式。比如:第三方影像中心大多采用按使用次数收费的模式,一些医院大多使用一次性买断产品的付费模式。

  但由于行业尚处于发展早期,目前医疗AI产品大多是不收费的,即便收费也是向B端的医疗机构收费,并非是向C端的患者用户收费。

  2018年8月中旬,浙江大学医学院附属邵逸夫医院率先就人工智能相关产品开放收费目录,文件中标明“(特需)人工智能辅助多学科疑难病联合诊治,6500元/次”。青岛、辽宁等地区紧随其后,也将部分人工智能服务加入收费目录。医院方已经在这一年作出了巨大的突破。

  不少业内人士表示,这些收费模式主要是针对“会诊”收费,并非针对人工智能收费。不过,也有人认为,这样的商业模式目前并没有为企业带来系统的营收,对陷入资金饥渴中的企业来说,不过是杯水车薪。

  疾病早筛对于民众及国家均具有重大意义,而影像学检查是疾病早筛的重要环节。医疗人工智能的引入有助于提升影像学科工作效率,减轻医务人员工作负担,减少误诊漏诊现象的发生,为大规模疾病早筛行动的开展提供有力技术支持。

  该领域也是是"医疗影像+AI"最早涉及、竞争最激烈、上线产品最多的领域,几乎当前获得大额融资的企业都涉及该领域,可以说是“百家争鸣”的局面。

  核心功能:

  基于深度学习技术训练模型,对病灶进行分割检出

  病灶定量分析,主要是一些形态学参数

  基于分类算法,对病灶进行分类比如结节、肿瘤等

  病灶定性,比如肿瘤的良恶性倾向性分析判断

  生成结构化报告,基于AI诊断结果和临床使用习惯自动生成报告

  典型产品:

  肺结节筛查系统-推想科技

  乳腺癌筛查系统-依图科技

  脑卒中筛查系统-深睿医疗

  病理医师的诊断依赖于经验,培养病理医生的周期非常长,从一个初级诊断医生到一个经验丰富的高年资诊断医生大约需要10年时间。此外,病理工作风险高、责任大, 专业吸引力相对较低,且由于从业后工作强度太高,很多学病理的医生都没能坚持到最后。

  AI的引入可以为医生为低级别医院经验欠缺的病理医生提供诊断建议、提供教学帮助、AI分担医生繁重而简单的工作(如寻找淋巴结的转移癌、病原体等,定位后人工复核)以及计数指标的判定、免疫组化阳性强度的判定以及分子病理的判定等。

  核心功能:

  对数字化的病理切片,自动完成检测-识别-分割

  智能分辨细胞阴阳性,区分癌细胞与正常细胞并标注

  对框选区域/全场图进行定量分析

  自动结构化报告生成

  典型产品

  D-PathAI AI辅助诊断系统?-迪英加科技

  宫颈癌早期筛查系统-腾讯觅影

  病理智能辅助诊断系统(宫颈癌、乳腺癌、胃癌)-清影科技

  临床上很多影像检查生成的影像不足以直接用来评估病情,需要对影像进一步处理,这些后处理过程具有复杂、耗费长的特点,例如一个CTA检查的后处理时间在20~60分钟之间,使用AI技术之后可以让整个后处理时间大大减少。

  核心功能:

  自动完成图像重建

  图像推送和胶片打印

  血管斑块和狭窄程度量化分析

  自动生成结构化报告

  典型产品:

  冠心病智能辅助诊断产品-数坤科技

  ACD冠脉全自动诊断-医真云

  在放射治疗计划系统(treatment planning system,TPS)中,病变器官的正确定位与准确勾画是TPS系统运作的基础及关键技术之一,其分割的准确程度直接影响后续放射治疗计划设计的准确度和放疗的效果。同时,器官勾画也是计算机辅助诊断、医学图像三维可视化、图形引导手术、虚拟内窥镜等众多医学图像应用的首要前提和关键步骤。

  每一个放疗方案都需要严格画靶,确认放疗射线的靶向位置和剂量,及其穿透路线,避免伤及正常的组织器官。每一位病人每次放疗前都需要拍300-400张CT,传统方法完全依赖肿瘤医生在患者的医学影像上手动标识器官和肿瘤,效率十分低下。

  基于深度学习算法的智能勾靶功能,可以全面提高靶区勾画的效率和准确度,将原来要几个小时的工作量缩短到几十分钟。

  核心功能:

  靶区智能自动勾画

  放疗流程管理

  代表产品

  RAIC-锐克肿瘤信息系统-连心医疗

  ARPlanner-全域医疗

  智能治疗计划系统DeepPlan-慧软科技

  骨龄”是骨骼年龄的简称,是青少年儿童骨骼发育水平同骨发育标准比较而得出的发育年龄,临床应用的骨龄检测方法也各有弊端,或因流程复杂或因不够精准而无法满足临床要求。基于深度学习的检测技术,算法通过识别每块手骨的特征,更精准更快速进行儿童生长发育评估。

  影像医师尤其儿科影像医师缺口大,个体工作负荷重,从机械、繁重的骨龄影像读片中解放出来的愿望强烈。儿童医院骨龄检测需求非常巨大,如果仅靠医生,需要1到2小时才能算出一张骨龄片;如果借助计算机软件进行部分辅助,耗时也需要15分钟到30分钟每张。人工智能技术的引入,可以用秒级的速度,通过机器完成TW3法中的所有步骤,自动找到X光片中的骨骺,进行评级,然后代入公式,用数值比出骨龄。

  核心功能:

  骨龄结果自动计算

  结构化呈现影像具体评分

  生长发育报告生成

  代表产品:

  儿童生长发育智能诊断系统-依图医疗

  儿童生长发育AI评估系统-深睿医疗

  TO H(医院)

  医院采购算是现在最主流的落地模式,因为当影像AI产品主要针对医院的科室和医院需求,所以这也是当前最主流落地模式,基本上所有该领域的公司都在尝试这种落地模式。

  TO P(患者)

  对投资人来说,TO C的可爆发式增长模式无疑是更吸引力的,企业可以通过寻找患者刚需结合医疗影像的点进行落地,比如用电子胶片代替传统胶片就是一个比较好的方向。

  TO G (政府)

  医疗行业是比较典型的政策导向性行业,政府近些年了陆续退出比如智慧医疗、分级诊疗等政策,企业可以利用自己的技术优势支持政策的落地和实现。

  TO M(药厂/医疗器械厂商/体检中心等合作)

  传统医疗器械公司在医院有着比较好的渠道和设备优势,AI公司与医学影像存档与通信系统PACS(Picture archiving and communication system)厂商、医疗器械厂商合作,依托于其他产品中,通过设备销售带货的方式获得收入。例如柏视医疗的鼻咽癌放疗临床靶区自动勾画系统已嵌入飞利浦星云探索平台。

  TO I (保险)?

  商业健康险近两年呈井喷的趋势,未来在所有保险产品和品种中,与健康相关的保险会越来越占据主流的地位。保险机构可以利用AI技术实现费用智能控制。

  1.影像数据量足够大且医生短缺

  医疗数据中有超过90%的数据来自于医学影像,但是这些数据大多要进行人工分析。人工分析的缺点很明显,第一是不精确,只能凭借经验去判断,很容易误判。中国医学会的一份误诊数据资料显示,中国临床医疗每年的误诊人数约为5700万人,总误诊率为27.8%,器官异位误诊率为60%,恶性肿瘤平均误诊率为40%,如鼻咽癌、白血病、胰腺癌等,肝结核、胃结核等肺外结核的平均误诊率也在40%以上。

  有数据显示,目前我国医学影像数据的年增长率约为30%,而放射科医师数量的年增长率约为4.1%,其间的差距是23.9%,放射科医师数量增长远不及影像数据增长。这意味着放射科医师在未来处理影像数据的压力会越来越大,甚至远远超过负荷。

  2.工业界和学术界合作

  AI医学影像公司产品落地困难,公司与医院共同搭建科研平台是不错的选择,很多AI公司都会选择帮助医生做科研,可以共同申请基金来维持。如果数据积累多了,再考虑做临床转化。

  当然这对双方都有很高的要求:一是有共同的目标;二是有很好的合作机制,协调如何把利益最大化;三是双方团队质量很重要,缺一不可。

  2. 政策支持

  ?国务出台系列政策支持医学影像行业的发展。从 2013 年到 2017 年,国务院、发改委、国家食品药品监督总局、卫计委不断出台政策支持医学影像行业的发展。针对性政策涉及:医学影像设备、独立影像中心、线上影像平台、影像信息化,包括鼓励公立医院采购国产医疗设备、扶持民营医院新增设备需求;加强医疗信息化建设基础,构建云端医疗数据库,推动医疗大数据的应用开发等;全面推进分级诊断,鼓励民营资本流入建设独立检查检验中心、远程医疗等。

  国家对医疗领域提出人工智能发展要求。2016 年以来,国家对于医疗领域提出明确的人工智能发展要求,包括对技术研发的支持政策,就相关技术和产品提出健康信息化、医疗大数据、智能健康管理等具体应用,并针对医疗、健康及养老方面提出较为明确的人工智能应用方向。2017 年 7 月,国务院发布《新一代人工智能规划》,人工智能上升至国家战略层面,人工智能在医疗领域的应用有望进入新的快速发展阶段。

  3.人工智能+医疗概念备受资本青睐

  动脉网统计数据显示,2016 年是人工智能+医疗在国内形成投资风口的元年,有 27 家企业在 2016 年进行融资,其中 16 家企业融资金额在千万级人民币或美元以上,医疗大数据公司碳云智能融资金额高达 10 亿人民币。截至2017 年 8 月 31 日,国内 83 家企业的融资总额已经接近 42 亿人民币。

  而医学影像已经成为人工智能在医疗应用最热门的领域之一。国内有 83 家企业将人工智能应用于医疗领域,其中涉足医学影像类的企业数量达到 40 家,远高于其他应用场景的企业数量。

  4. AI技术的成熟

  ? 深度学习能够自动寻找特征,非常适用于“AI+ 医疗影像 ” 诊断。 大量深度学习平台及框架开源降低基础算法实现的技术门槛。随着深度学习理论和工程技术体系的成熟,包括通过云服务或者开源的方式向行业输出技术,先进的算法被封装为易于使用的产品和服务。近年来,科技巨头开源了大量深度学习的工具包,例如 Google 的 TensorFlow, Facebook 的 TorchNet,微软的 CNTK 等等,这些开源包大幅降低了应用深度学习算法的难度,创业公司也可以利用这些开源包将深度学习应用到医学影像诊断领域,基础算法的实现门槛大幅降低,可更加高效的专注于应用层面的算法优化。

  1.产品价值不大

  在单点诊断上:

  定性定量描述:对于结节、肿块等在形态学上等方面进一步定性、定量描述,更好辅助医生诊断。

  生成结构化报告:虽然AI能帮助找出结节,但在进一步的良恶性判断与报告意见出具方面,AI给出结论的参考性不强。还需要依据临床标准,打通检测与出报告一体化流程,提升医生工作效率。

  多模态诊断:

  集成多模态影像、临床病历、肿瘤标志物和基因检测等检验检查结果,辅助医生诊断,比如脑卒中。例如CT、病理、内镜、钼靶、超声、电子病历等多模态数据。

  大多AI在应用上,没有真正做到辅助决策,需要根据多模态影像、全周期的临床信息,提供辅助决策。从单一的影像诊断走向智能决策,真正成为临床医师的决策助手,解放临床生产力,让临床医师能够腾出双手,从事真正的创新性工作,减少人力浪费。

  2.医生习惯不易改变

  虽然现在的AI产品都标榜自己可以帮助医生节省时间、提供诊断效率等,但是对医生而言,已经习惯了原有的诊疗方式,要完全接受这种"人机结合"的诊疗方式显然还需要有一定的适应和接受过程。不过随着时间推移,相信未来的医生会逐渐习惯无处不在的AI产品。

  3.嵌入临床难

  大多公司与医院合作是很难接入医院PACS/HIS等信息系统,如果不能接入医院信息系统,就对医生的使用造成很大不便,打造不起来临床工作流程闭环。

  目前来看依图科技、科大讯飞、DeepCare和智影医疗这几家公司已经可以无缝对接医院PACS/HIS系统,如何对接医院系统,嵌入临床工作流程,还需要进一步协调资源、研究解决方案。

  4.数据获取难

  获取有效数据难度大(数量+质量),成为纯深度学习性的AI应用的重要落地瓶颈。开放的数据集,是肺结节产品扎推涌现的直接原因,也为后来者提供了“弯道超车”的机会。但不是所有产品都有公开的数据集。从公开数据集、临床数据到金标准数据,难度逐渐递增。相比于三甲医院对医疗影像AI产品的需求,医疗影像AI产品捆绑医院的需求更为强烈,如何拿到医院数据对AI进行训练成为各家产品实现差异化竞争的关键。

  短期内,数据获取难问题不会消失,当前各"医疗影像+AI"公司目前都是通过与医院影像科室以科研合作的形式获取数据。所以任何进入"医疗影像+AI"领域的公司必须具备一定的医院影像科"资源",这也就不难解释为何该领域公司很多创始人或者高管都来自GPS了。

  此外,国内数据有不连续性和多样性,每个医院的标准不一样,一个患者可能去四五家医院,数据不连续,大部分医院现在还是信息孤岛,想要打通短期之内很困难。

  5.CFDA认证难

  2018?年?8?月?1?日起,我国新版《医疗器械分类目录》正式生效,文件将医用软件按二类、 三类医疗器械设置审批通道,目前我们所看到的AI?产品,大多应属于第三类医疗器械

  人工智能辅助医疗影像诊断作为一个新的领域,政府也处在在探索阶段,认证难成了阻碍“影像公司+AI"公司商业化之路上的“拦路虎”。当前大部分企业采取增删诊断功能的办法,同时申报二、三类器械,多家企业已经率先获得了二类证书,但目前尚未有一款产品获得三类证书。

  相信随着政策的日益完善,各公司AI产品标准数据库的建立,CFDA认证难的问题在未来几年内将会解决。

  6.同质化竞争

  有的医院会引入好几家企业的AI产品,无一例外全都是做肺结节的在医院这个医疗AI产品的主战场上,同一类别产品的竞争惨烈。

  目前在中国的医疗A企业中,包括联影、推想科技、深睿医疗、依图医疗、科大讯飞、体素科技、汇医慧影、图玛深维、点内科技、翼展影像、视见科技、腾讯觅影、青燕祥云、杏脉、健培、连心等在内的二十余家企业都已经在肺部疾病方面有所布局。

  仅次于肺部疾病的是眼底疾病。包括体素科技、Airdoc、健培、Deepmind、爱尔眼科,以及IBM Watson、腾讯、百度等在内的十余家企业已在该领域布局。

  为什么都集中在肺结节和眼底疾病影像上呢?

  医疗AI行业同质化竞争的原因主要有三:一是影像科目前对AI的应用是相对成熟;二是影像科CT平扫、磁共振检查等工作多为重复性劳动,对AI的需求也很迫切。三是肺结节和糖网存在公开的数据库,且数据库丰富而完整,所以大部分企业都将肺结节和糖网产品作为主要产品,有些蝴蝶效应。

  7.只烧钱不赚钱

  过去一段时间,市场孕育了一些可供未来参考的收费模式。比如:第三方影像中心大多采用按使用次数收费的模式,一些医院大多使用一次性买断产品的付费模式。

  但由于行业尚处于发展早期,目前医疗AI产品大多是不收费的,即便收费也是向B端的医疗机构收费,并非是向C端的患者用户收费。

  2018年8月中旬,浙江大学医学院附属邵逸夫医院率先就人工智能相关产品开放收费目录,文件中标明“(特需)人工智能辅助多学科疑难病联合诊治,6500元/次”。青岛、辽宁等地区紧随其后,也将部分人工智能服务加入收费目录。医院方已经在这一年作出了巨大的突破。

  不少业内人士表示,这些收费模式主要是针对“会诊”收费,并非针对人工智能收费。不过,也有人认为,这样的商业模式目前并没有为企业带来系统的营收,对陷入资金饥渴中的企业来说,不过是杯水车薪。