聊起 AI, 画面都充斥着机械语言: 精密高级的芯片, 光怪陆离的智能产业...... 你眼中的 AI 有什么样的能力? 能给传统行业带来哪些变革与发展? 基于此, 云加社区联手知乎科技, 从知乎 AI 与传统行业相关话题中精选内容落地社区专题「 AI 与传统行业的融合 」.
本文为 "AI 将如何影医疗" 的精华内容分享.
2015 年, 医疗人工智能方兴未艾. 各行各业的工程师带着自己的算法兴致勃勃地来到了医疗领域, 却发现医疗数据出人意料的贫瘠. 他们选择了相对操作性更强的肺结节领域, 开始了医疗人工智能最初的发展.
随后的三年, 标准化的医疗数据已经逐渐丰满. 眼底, 脑, 心脏, 骨科, 肝...... 越来越多的医疗人工智能版图被研究者们一点一点堆砌出来, 逐渐形成了一张网. 但是, 拿着新做成的网, 渔者却依然难以捕获大鱼, 这个行业进入了反思.
渔网的确存在改进的空间, 同样重要的是哺育水域的斟酌, 以及撒网方式的改进.
问题出在哪里? 下一步会如何选择? 对此, 动脉网调研了 31 家影像相关的医疗人工智能企业, 包括腾讯觅影 (腾讯), 平安智慧城市(中国平安), 杏脉科技(复星高科技持股) 等大企业中的医疗 AI 团队, 所有 B 轮以后的医疗 AI 影像企业和众多非头部医疗 AI 企业.
人工智能企业如何制网?
在了解人工智能企业的发展路径前, 我们先了解一下 2019 年年末, 人工智能产品发展的现状.
从肺结节开始向外延伸, 如今的人工智能现已进入心内科, 内分泌科, 病理科, 超声科, 检验科等众多科室. 他们通常以企业所在地的医院作为产品落地的突破点, 待产品成熟后向外推进.
这一推进即表现为人工智能医疗产品覆盖的地域越来越多, 同时跨科室移动. 统计表中数据, 参与调研的 31 家企业中, 有 21 家企业都涉及了两个及其以上科室, 应用愈发五花八门.
科室分布状况
从统计数据看, 聚焦单科室的企业主要是影像辅助类企业与放疗辅助治疗类企业, 例如连心医疗, 大图医疗等企业在这一方面尤其专注, 而单科室的 AI 企业多处于 Pre-A 轮与 A 轮.
双科室的企业聚集于眼科与病理科, 大部分面向双科室的企业并非是由于产品扩张, 而是源于病种的需求, 如糖网病变需要同时关注眼科和内分泌科.
本次调研中, 三科室及其以上的企业众多, B 轮及 B 轮以上企业都发展较为成熟, 拥有同时攻克多个科室的实力. 以腾讯觅影, 平安智慧医疗为主的上市公司孵化团队在这一方面拥有非常强劲的实力, 而头部的创业公司, 如推想科技, 依图医疗, 深睿医疗等也都实现了多科室协同作战.
AI 企业进入科室的差异具体表现在产品上, 总的来说, 2019 年产品线的发展大致可归为四条道路.
其一, 影像类企业纵向布局, 迅速开发模块化产品, 并形成综合解决方案. 以深睿医疗, 安德医智为例, 他们先后开发了脑卒中, 头颈等模块, 并在后续将两个模块融合, 一套完整的神经系统 AI 解决方案便由此形成.
其二, 影像企业横向深入, 将过去的单病种 AI 向全病种发展. 以推想科技和依图医疗为例, 两家企业均尝试打造覆盖多个临床科室需求的全病种肺癌产品, 以创造新的需求.
其三, 放疗企业针对单一场景打造的全流程解决方案. 以连心医疗为例, 旗下产品涵盖从靶区勾画, 自动计划, 放疗质控以及放疗科室的信息化管理等, 整个产品体系嵌入医生和物理师的工作流, 为他们提供全方位的帮助.
其四, 企业为医生开发科研平台, 以推进医企在科研方面的合作. 在这一领域, 数坤科技, 依图医疗, 推想科技, 深睿医疗, 汇医慧影均有涉及.
调研企业产品分类
从数据维度上看, AI 企业获得数据的途径主要来源于临床数据和科研数据. 两年前, 医疗数据或许只能称之为中小规模数据, 但表中超过 10 家企业均已处理过百万级医疗数据, 且病种不局限于肺结节. 这一信息的增量意味着企业拥有更多的原始数据, 可以进行更为深入的研究.
从落地医院情况上看, 排名前 500 的三甲医院几乎都被调研的 31 人工智能企业所覆盖, 医院对于人工智能的接纳度大幅提高. 但从中标信息上来看, 严格意义上的 AI 项目中标仅一起, 标的项目为某医院诊断图像处理软件采购项目, 采购金额为数百万元, 其余中标信息以云 PACS 系统为主, 每单价格在 600 万到 900 万不等. 云 PACS 销售占据了营收近亿级别人工智能企业的大部分营收.
此外, 如果将 2018-2019 期间企业进入医院的增量与 2019-2020 年期间企业进入医院的增量进行对比, 我们可以发现, 2018 年全年内头部企业的医院扩张情况超过 100 家, 第二梯队的 AI 企业增速同样超过 50 家. 这一速度在 2019 年全年有所放缓, 头部企业的这一数字降至 100 以内, 部分非头部企业的增量则几乎可以忽略不计.
商业化受挫或是发展速度放慢的根源. 2019 年医疗 AI 拿钱难已是公认的事实, 在这一情况下, 盲目向医院输送人工智能产品, 实则会造成企业运营成本的飞涨; 若只安装不维护, 医院又会对企业失去信任. 所以从这个角度而言, 在商业化未跑通前, 进入医院的数量放缓一定程度上反应了行业的发展现状, 若 2020 年依旧没有产品通过审批, 这一数据或许会出现负增长.
那么, 如果没有过多地流向市场推广, 那么资金流向何处? 科研是一个很好的方向.
假设 2020 年医疗人工智能打开了商业化道路, 那么企业与企业之间抢夺市场的核心仍然是产品. 在今年, 很多企业将重心由销售覆盖转向科研研发, 收获的成果也非常惊人.
虽然没有确切的数字, 但我们可以用几个较大的数据来看出企业在论文方面的贡献: 2018 年 MICCAI 企业论文收录为 20 余篇, 2019 年为 40 余篇; 2018 年 RSNA 中国论文收录 408 篇, 2019 年为 453 篇. 许多企业在特定学术会议下的论文收录情况均非同凡响, MICCAI 收录论文腾讯 8 篇; 联影智能 7 篇; 视见科技 6 篇; 深睿医疗 5 篇; 致远惠图 4 篇; 图玛深维, Airdoc 三篇......RSNA 收录论文推想科技 17 篇...... 其中多篇为临床验证研究论文.
RSNA 整体论文收录情况
什么样的水养出什么样的鱼
时至今日, 先设计产品, 再寻找需求场景的研发逻辑已经行不通. 但是, 场景本身的属性决定了 AI 产品的发展前景. 所以, 场景的选择决定了 AI 产品的起点.
经动脉网整理, 人工智能产品需求可分解为下图.
从需求端分析影像类 AI 产品设计逻辑
先看宏观层面. 同美国作为对比, 我们可以发现, 美国影像设备市场趋于饱和, 医院管理监督机制完善, 医生面临的是日益增长的患者数量与个性化诊疗需求. 出于效率提升考虑, 医院没有太多动力购置新设备, 但愿意通过植入软件方式对设备进行升级.
RSNA 的展会上一定程度上展示了这一特质, 东道主 GE 在推出新款设备的同时, 展示了大量优化影像科工作流的解决方案. 而出于对美国人口区域分布的考虑, 联影展出了 PET/CT 医疗车, 这些定制化的需求可能为厂商们开启新的市场.
国内的形式则大不相同. 整体上看, 国内医疗资源缺口较大, 影像设备升级存在较大空间, 且能直观反应医院的综合实力, 医院拥有动力购置影像设备与用 AI 补充医师人力的欠缺. 相比之下, 国内的人工智能产品更聚集于辅助诊断领域.
进一步看, 国内不同机构主体对应的需求各不相同. 大型医院希望 AI 能够提升影像科的整体运行效率, 从而缩短患者住院时间; 基层医院希望能够增强医生的诊疗能力, 将患者留在基层; 体检中心 / 第三方检验中心更看重人工智能带来了效率, 准确率以及 AI 带来的项目增值; 新兴的眼科中心, 医美中心希望通过 AI 拓展业务范围, 为已有服务增值; 医生则希望 AI 能提高工作效率, 并希望企业给予自己科研上支持.
那么, 在如此多的场景之中, 哪类产品能在现在这个时间点最快匹配医生的需求呢? 动脉网在采访中了解到, 大型医院, 基层医疗与体检中心 / 第三方检验中心最有可能在最短的时间内落地特定种类的 AI 产品.
对于大型医院而言, 如果一个 AI 产品只能提高帮助阅片医生提高效率, 让他们更快下班, 这显然不符合医院的利益需求. 医院更希望的是医生用更快的速度将报告递交给患者, 尤其是已经住院的患者, 以供临床医生更快作出决策. 如果 AI 能够让过去耗时两天的出具时间缩短为半天, 那么住院患者等待的时间就能节约 1-2 天, 更多的患者能够获得治疗, 单个患者的医保总支出减少, 医院的收入也会因此受益.
这样的产品对于场景要求很高. 只有患者排队等待治疗, 且临床数据量大的场景才符合这一要求. 从市场上来看, 冠脉 CTA 拥有比较成熟的 AI 产品, 数坤科技率先看到了这个亮点, 推想科技, 深睿医疗也在 2019 年陆续进入.
基层医疗的需求与医院又有所不同. 在分级诊疗下, 基层医疗需要更好地实现 "小病不出村", 就需要提高诊疗的准确度, 提高医生判断患者的病情的能力. 从当前形式上来, 很多基层医疗机构需要的是 "医疗供给能力" 的提升, 而非 "效率的提升".
所以, 很多落地基层医院的 AI 产品, 需要尽可能地提高易操作性与准确性. 但随着医联体的进步, 中心阅片形式的普及, 影像科 AI 产品的终端进入基层医疗的可能性变小, 但能提供准确诊断路径的 AI CDSS 或许存在更大的应用空间.
而对于体检中心 / 第三方影像中心而言, 由于影像科的利益与医疗机构利益更为一致, 更迅速的诊断, 更精准的报告意味着更多的收入与更好的口碑, 人工智能的价值会更为突出. 从 2018 年至今, 美年, 爱康等体检机构均以平台的方式圈地, 平安健康 (检测) 中心, 衡道病理, 全景医学等第三方检验中心也纷纷开发 AI 产品以提高效率.
回到影像科医生的角度, 他们的需求在于更少的工作时间与更多的科研支持. 所以, 如果通过与影像科医生交好的方式实现 AI 的商业化, 实际上很难走通. 但影像科医生能够为 AI 企业提供进入医院的机会, 挖掘产品存在的问题, 纠正 AI 开发者的 "互联网思维", 并合理提供科研数据...... 影像科医生已经成为 AI 发展中不可缺失的一环.
在了解了 "渔网" 与 "水域" 的情况后, 其中的问题也显示了出来. 我们可以看到, 大部分人工智能产品是从医生需求出发, 解决医生工作中面临的单点难题, 但很少有人工智能企业会针对基层医疗, 体检中心量身定制 AI 产品. 这样的选择的确能够让医生满意, 但由于没有完整考虑支付方的需求, AI 商业化在一定程度上因此受阻.
AI 审批缓步前行
除了兼顾付费主体医院与使用主体医生的需求; 医疗人工智能还面临一个老生常谈的根本性问题 -- 审批. 对于其中的大多数, 这一问题让他们如鲠在喉 -- 绝不致命, 却又不能立即去除.
来源: https://www.qcloud.com/developer/article/1614281