變現(xiàn)場景和商業(yè)模式多樣化

僅就醫(yī)療圖像智能識別而言，潛在的變現(xiàn)方式包括：作為單獨的軟件模塊向醫(yī)療機構(gòu)銷售、與PACS等系統(tǒng)合成向醫(yī)療機構(gòu)銷售；與CT、X光機等設(shè)備合作形成軟硬件一體化解決方案向醫(yī)療機構(gòu)銷售；通過遠程醫(yī)療等方式服務(wù)基層醫(yī)療機構(gòu)；通過互醫(yī)療影像創(chuàng)業(yè)公司處于發(fā)展初期。

目前國內(nèi)在該領(lǐng)域的創(chuàng)業(yè)公司大概為59家。隨著行業(yè)的發(fā)展，市場參與者的數(shù)量將首先不斷提升，最后由分散走向集中。隨著行業(yè)數(shù)據(jù)整合與共享機制的建立、模型訓練的成熟、商業(yè)模式的確立，以及部分企業(yè)CFDA認證的率先通過，先發(fā)企業(yè)將逐步建立技術(shù)壁壘和商業(yè)壁壘，推動市場走向集中。

從變現(xiàn)對象看，基層醫(yī)院因為治療水平，醫(yī)療資源缺乏，付費動力最強；而大醫(yī)院雖然醫(yī)療資源豐富，但由于門診住院量高，具備通過智能化應用提升工作效率的需求。

在此背景下，基層醫(yī)院具備按次付費的需求基礎(chǔ)，而大醫(yī)院更容易接受軟件服務(wù)費作為付費形式。隨著第三方影像中心的崛起，將也會對智能影像診斷產(chǎn)生需求。

醫(yī)學影像AI也有短板

①AI產(chǎn)品往往只是集中在少數(shù)幾個病種，難以覆蓋全部醫(yī)學影像問題。

②眾多人工智能企業(yè)和機構(gòu)采用的訓練數(shù)據(jù)集標準多樣，系統(tǒng)偏差較大，行業(yè)缺乏醫(yī)學圖像和疾病征像的統(tǒng)一認識。

③業(yè)內(nèi)缺乏對數(shù)據(jù)使用標準的判斷依據(jù)，在現(xiàn)有的法律基礎(chǔ)上尋找合規(guī)使用和分享數(shù)據(jù)的渠道，也是迫在眉睫的一件事情。

④在醫(yī)學影像AI模型檢測階段，也會存在生產(chǎn)過程不規(guī)范，模型效果和安全性缺乏公正評價，缺乏產(chǎn)品檢測標準庫和評價體系，缺乏相關(guān)法律法規(guī)、質(zhì)控檢查和管理制度等問題。

⑤醫(yī)療健康是風口，人工智能也是風口，兩個風口放在一起就可能出現(xiàn)泡沫。多數(shù)的醫(yī)生是非常有經(jīng)驗的，AI對于他們來說更多的是輔助，主要作用在給他們進一步的確認、以及提高他們的診斷效率。

應對弊端的解決方法

國內(nèi)監(jiān)管審批會加速，影像 AI 產(chǎn)品上市前質(zhì)量評價體系逐漸形成。2017 年 FDA 和 CFDA 都設(shè)置了專門針對醫(yī)療 AI 的審評部門，足以顯示對醫(yī)療 AI 重視程度和開放態(tài)度。目前中檢院已經(jīng)召開 AI 標準測試數(shù)據(jù)集眼底和肺癌建設(shè)會議，公開征集標準測試數(shù)據(jù)集，建立測試數(shù)據(jù)集和客觀評測方法，推進產(chǎn)品上市前質(zhì)量評價。

初期AI剛應用于醫(yī)學影像領(lǐng)域，醫(yī)生群體的接受度還不高，有些人還持懷疑、抵觸的態(tài)度，但隨著AI臨床表現(xiàn)不斷提升、醫(yī)生AI研究學術(shù)上不斷有高質(zhì)量成果產(chǎn)出、加之大環(huán)境的影響，將有越來越多的醫(yī)生由被動轉(zhuǎn)為主動擁抱AI，臨床更多需求將釋放，會產(chǎn)生更多細分領(lǐng)域的機會。

除了醫(yī)學影像 AI 應用外，醫(yī)療領(lǐng)域還存在一類可統(tǒng)稱為醫(yī)學圖像的數(shù)據(jù)應用。這類數(shù)據(jù)雖不是設(shè)備直接成像的結(jié)構(gòu)或功能影像，但是可以間接形成能夠供計算機判讀的數(shù)字圖像，比如檢驗和病理科室顯微鏡下視野經(jīng)數(shù)字化后形成的圖像， 以及心電、腦電等電生理信號形成的圖像都有機會借助 AI 來實現(xiàn)智能化的分析和解讀。

結(jié)尾

AI技術(shù)只是一種技術(shù)手段，而不是最終目標。未來醫(yī)療AI企業(yè)會逐漸整合，只有給醫(yī)院一個相對完整的打包方案，至少幫科室解決一個領(lǐng)域的大部分問題，也許這個行業(yè)才能迎來春天。

在整個醫(yī)學影像的云計算中，利用算法增加連接性，利用深度學習挖掘影像數(shù)據(jù)的價值，在更多的維度中挖掘原來淺關(guān)聯(lián)或弱關(guān)聯(lián)的關(guān)系，利用三者的關(guān)聯(lián)大大提高醫(yī)療診療效率，并達到精準醫(yī)療。大量數(shù)據(jù)的積累、高性能的計算環(huán)境、優(yōu)化的深度學習方法，三者資源互相結(jié)合并不斷調(diào)配的模型，正是人工智能的魅力所在，也是未來醫(yī)學的方向。