AI医学落地医院加速 | 影像数据更易 | '入口'

医药网3月7日讯 一位在广州一家三甲医院影像科从业8年的医生, 用 '先进门瞧瞧' 来形容他的工作, '我们需要经过历史影像对比, 定量分析等步骤, 才能对患者拍完的片子做一个基础的诊疗判断' , 然后, 决定患者需要什么样的治疗方案.

在医疗诊断依据中, 影像的价值是无法取代的. 90%的医疗数据是影像, 它们来自CT, X线, 磁共振, 超声, PET等. 如为一个癌症患者实施手术前, 要拍片, 以肿瘤的状况, 血管狭窄程度等信息为依据, 判断手术方案, 用药方案及后续风险.

人工智能 (AI) 技术和图像识别技术的进步, 让这项工作有了一个得力助手——人工智能医学影像分析系统.

同一张二维医学图像, 医生需要花费十几分钟来观察和推理, 而人工智能经过深度学习训练能在几十秒就可 '读' 出来. 在充足的大数据支持下, 人工智能有望将诊断速度提升10倍, 且由此大幅压缩诊疗成本.

对于医生而言, 高效的分析, 能帮助他们节省读片时间, 降低误诊率, 提供更丰富的历史图像比对. 医院也乐于看到人工智能对医学影像处理的数字化成果, 便于医疗数据库的构筑, 借此降低诊疗方案的成本.

资本, 技术和医疗数据三者的汇集, 是当下人工智能医学影像起飞的三股东风, 这位还处于实习期的 '读片' 助手能否最终独当一面?

与2016年相比, 2017年的人工智能医疗行业热度更加高涨, 同时渴求能落地的成果.

'大家都谈腻了. 毕竟没人可以靠 '鸡血' 过日子. ' 亿欧智库医疗产业分析师尚鞅告诉《财经》记者, '有没有在应用层面可以称得上 '拿得出手' 的呢? 我认为就是人工智能医学影像分析. '

和人工智能医疗的其它领域相比, 人工智能医学影像的优势部分在数据. 影像学的数据不像一份病历一样, 包含病史, 病人信息, 症状, 治疗手段, 愈后恢复等多方面的零散信息, 它本身的信息集成度高——一张医学病理片子就包含大量高价值信息. 因此, 和其他的医疗数据相比, 影像数据处理难度更小, 处理价值却更高.

'医学影像原始图片是很高维, 很复杂的, 而人工智能把高维的数据, 变换成一个低维度的, 更容易处理的问题. ' 零氪科技有限公司首席架构师王晓哲对《财经》记者说, 医学影像数据本身很好地契合了人工智能表征模型算法.

影像数据标准统一, 对于算法来说更易 '入口' , 辅助诊断模型的构建更为轻松.

各家医院的影像数据, 不只在放射科一个科室, 几乎涉及到每个临床科室, 这也意味着影像数据不单单存在一个信息区域里. 北京大学肿瘤医院信息部部长衡反修告诉《财经》记者, 医学影像数据在医院是数据量最大的, 而且是标准化的, 更便于机器阅读, 这非常重要.

动医学影像脑筋的大有人在. 早在2003年, 飞利浦 健康 科技临床科学部高级总监周振宇和他的导师就有一个创建影像大数据平台的想法, 但 '在那个年代, 很多挑战我们都无法克服, 比如成像质量, 数据和计算机的不匹配, 诊断的逻辑思路也不规范, 这些都导致15年前我们无法做到真正的智慧医疗. ' 周振宇告诉《财经》记者.

正如影像科医师需要阅读大量的临床医学图像, '喂食' 病理图像数据, 是人工智能系统最主要的学习方式. 和周振宇与他的导师起念头时相比, 目前能 '喂食' 的病理图像数据越来越充足, 人工智能分析能力才能茁长成长.

由于数据相对充足, 开发者们得以向垂直领域聚拢. 2016年, 贝斯以色列女执事医学中心 (BIDMC) 与哈佛医学院公布, 二者合作研发一个人工智能乳腺影像诊疗平台. 研发人员不断输入大量的病理图像, 让系统完成对片子的癌细胞识别和健康领域划分, 并在深度学习技术框架中完成自我完善, 提高识别准确率和效率. 该平台负责人Andrew Beck称, 该平台对患者乳腺的影像分析准确率能达到92%, 与病理学家的分析结合后诊断准确率可达99.5%.

医疗的独特性, 迫使人工智能企业必须一开始就得和医院合作. 由于在卫生体系中, 医院相对独立, 数据独握, 使一众人工智能企业都有机会多点进入. 2017年, 瞄准医疗领域的人工智能企业频繁公布与医院的合作项目, 从对外公布的数据看, 不仅医学图像处理和分析的能力提升, 也有了更多的临床应用案例.

对肺结节进行跟踪影像是其中一例. 通过人工智能系统, 不仅能告诉患者哪里有肺结节, 通过原有数据分析, 还能预测恶性的概率, 通过概率建议病人筛查复查时间, 或者是不是需要做穿刺活检, 或相应的基因型的检查. 这些明确的信息不但让患者更明了病情, 医患容易沟通, 也会为支付减重, 这也是政府乐意看到的.

独立第三方医学影像平台汇医慧影CEO柴象飞提供给《财经》记者的数据显示, 汇医慧影的阅片量已经超过百万. 这与其加快了切入实际应用场景的步伐分不开, 目前汇医慧影已经接入500多家基层医院和200多家顶级三甲医院.

另一家临床应用较为突出的人工智能医疗公司Airdoc, 主要集中于眼科的影像分析, 借由国内外医院收集了数十万张眼底照片. 今年下半年, Airdoc与浙江省眼科医院, 上海市北医院都达成合作协议, 建立了人工智能眼科图像分析相关的技术基地.

据不完全统计, 目前进入人工智能医学影像领域的 创业 公司, 已达40多家. 除了垂直度高的人工智能医疗公司, 互联网巨头的动作变得越来越明显.

鉴于互联网巨头们积累已久的数据优势, 它们的介入可能直接影响这一领域未来的格局变化, 政策的加持又让这份影响力得到放大.

11月15日, 科技部在新一代人工智能发展规划暨重大科技项目启动会上宣布, 首批国家新一代人工智能开放创新平台名单: 依托百度公司建设自动驾驶, 依托阿里云公司建设城市大脑, 依托腾讯公司建设医疗影像, 依托科大讯飞公司建设智能语音. 这是人工智能医学影像, 首次被政府层面列为人工智能领域的一种单独分类.

腾讯 '空降' 人工智能医学影像市场, 不过是在这份名单公布的3个月前. 8月, 腾讯推出首款AI医疗产品 '觅影' , 主要应用于早期食管癌的筛查. 目前, 中山大学附属肿瘤医院, 广东省第二人民医院, 深圳市南山区人民医院都加入了这一合作项目.

无论是互联网巨头, 还是垂直度更高的人工智能医疗公司, 2017年下沉到医院的成果都非常显著——保证了人工智能数据 '粮食' 的充足, 发现应用中遇到的问题, 离临床更近, 更具有商业化前景, 这些都是资本乐于看到的.

撇除人工智能技术本身的光环, 医学影像市场在2017年也到达了一个新的临界点.

日益增长的市场需求与医学影像资源之间, 断裂变得显著. 而蓬勃增长的医学影像市场的利润, 吸引了人工智能公司蜂拥而至, 希望在成为这条裂缝中最早的 '缝合胶' 的同时, 成为第一批到达的 '采矿工' .

火石创造CEO杨红飞介绍, 从目前医疗影像的市场规模来看, 患者端高速增长, 影像检查收入占医院总收入超过10%, 紧随 药品 收入占比. 火石创造6月发布的《医疗影像的市场图谱和行业发展分析》指出, 按照过去5年中国医疗整体支出, 2020年中国医学影像市场规模将会达到约6000亿至8000亿元.

这也吊起资本的 '胃口' . 据不完全统计, 截至发稿, 国内人工智能医学影像市场完成天使轮融资的 企业 有3家, Pre-A轮融资企业2家, A轮7家, B轮3家, C+轮1家.

其中, 金额最大的三次融资集中在5月及下半年. 5月, 依图科技宣布完成3.8亿元的C轮融资, 由高瓴资本集团领投, 云锋基金, 红杉资本, 高榕资本, 真格基金跟投; 9月, 推想科技宣布完成1.2亿元B轮融资, 由启明创投领投, 元生资本, 红杉中国联合投资; 10月, 汇医慧影宣布完成 '数亿元' 的B轮融资, 投资方为达泰资本及其他2家投资机构.

在咨询公司Frost&Sullivan中国区总裁王煜全看来, 国内资本扎堆人工智能医学影像是非常合理的结果. '人工智能影像对医疗的提升是必然会发生的事情, 这个提升是可以看得见的, 也是当下最热门的, 预计到2018年资本热情也不会变冷. ' 王煜全告诉《财经》记者.

然而, 看起来巨大的蛋糕, 要切一块并不容易. 即便是龙头IBM Watson, 其Watson for Oncology也还没有报告具有了盈利能力.

肿瘤辅助诊疗解决方案Watson for Oncology的工作内容是通过医学图像分析结果, 为医生提供诊疗建议, 生成治疗方案, 借此提升医生诊疗的准确性, 背靠的是IBM本身的信息分析专长和市场认可度. Watson for Oncology进入中国, 美国, 荷兰, 韩国, 泰国与印度等多国. 然而, 目前IBM Watson盈利情况暂时未见诸于公开报告.

相比Watson, 国内一众人工智能医学影像公司都还处于疾病筛查的应用阶段, 即判断影像中是否存在某类疾病. 在 '知其有' '知其所以有' 和 '知如何让其无' 三步中, 大部分人工智能医学影像公司仍停留在第一步的探索中.

'就目前来讲, AI所取得的成果还远远没达到预想的. ' 上海长征 医院 眼科主任魏锐利对《财经》记者说: 'AI主要应用于筛查, 实际使用时, 医生会重新复核一遍, 就像患者拿了地方医院的诊断报告, 我们看到了还是要重新考虑. '

此外, 国内公司仍集中在医学图像分析要求较为简单的疾病领域, 价值相对较低. 以肺部为例, 肺癌识别是一个人工智能医学图像热门领域, 这是由于肺部图像识别有天然的对比, 属于较容易攻克的方向, 但对于肺癌具体症状并不具有深度分析能力.

广东省人民医院放射科教授刘再毅对此感受颇深, '我们医院肺癌病例大部分是复查的, 三期, 四期病人的肺部有很多转移灶, 合并渗出, 肺不张等状况, 计算机很难对这些特征实现自动对比. 这些协助医生产品在临床中确实可能减少一些工作量, 但对医生的帮助及应用场景都较小. '

扎堆较为容易突破的领域, 意味着竞争更为激烈, 被巨头排挤吞并的风险也更高. 而在《财经》记者对业内人士的采访中, 盈利模式和盈利问题仍是他们脑中顺位靠后的问题.

11月, 光大证券分析, 以服务为主的医疗影像下游产业亟待服务模式的创新, 在远程医疗影像诊断和独立影像中心快速取得足够资源的企业, 未来开展影像智能诊断将有更大的优势.

从巨头们的市场反应看, 已经多次尝试开启中国市场的IBM, 加上已经动作频频的阿里, 腾讯, 一旦出手对市场的影响都非常强. 亿欧智库医疗产业分析师尚鞅告诉《财经》记者, '据我在资本方面的接触, 可以预期巨头们在2018年会加紧行动, 一轮的 '大鱼吃小鱼' 马上就会开始了. '

咨询公司Frost&Sullivan中国区总裁王煜全则认为, 即使巨头们不会那么迅速地大举整合人工智能医学影像市场, 小公司之间的厮杀也会非常惨烈, 谁能胜出难以预测, 甚至有可能像共享单车行业一样, 沦为资本博弈的代表.

2017年人工智能与医疗的结合开始深入和细化, 作为最早也竞争最激烈的一个 '战场' , 人工智能医学影像行业遇到的诸多问题难以找到经验参考, 而这也反映了它距离品尝到人工智能医疗这鲜美的 '第一口汤' 最为接近.