AI醫學落地醫院加速 | 影像數據更易 | '入口'

醫藥網3月7日訊 一位在廣州一家三甲醫院影像科從業8年的醫生, 用 '先進門瞧瞧' 來形容他的工作, '我們需要經過曆史影像對比, 定量分析等步驟, 才能對患者拍完的片子做一個基礎的診療判斷' , 然後, 決定患者需要什麼樣的治療方案.

在醫療診斷依據中, 影像的價值是無法取代的. 90%的醫療數據是影像, 它們來自CT, X線, 磁共振, 超聲, PET等. 如為一個癌症患者實施手術前, 要拍片, 以腫瘤的狀況, 血管狹窄程度等資訊為依據, 判斷手術方案, 用藥方案及後續風險.

人工智慧 (AI) 技術和映像識別技術的進步, 讓這項工作有了一個得力助手——人工智慧醫學影像分析系統.

同一張二維醫學映像, 醫生需要花費十幾分鐘來觀察和推理, 而人工智慧經過深度學習訓練能在幾十秒就可 '讀' 出來. 在充足的大數據支援下, 人工智慧有望將診斷速度提升10倍, 且由此大幅壓縮診療成本.

對於醫生而言, 高效的分析, 能幫助他們節省讀片時間, 降低誤診率, 提供更豐富的曆史映像比對. 醫院也樂於看到人工智慧對醫學影像處理的數字化成果, 便於醫療資料庫的構築, 藉此降低診療方案的成本.

資本, 技術和醫療數據三者的彙集, 是當下人工智慧醫學影像起飛的三股東風, 這位還處於實習期的 '讀片' 助手能否最終獨當一面?

與2016年相比, 2017年的人工智慧醫療行業熱度更加高漲, 同時渴求能落地的成果.

'大家都談膩了. 畢竟沒人可以靠 '雞血' 過日子. ' 億歐智庫醫療產業分析師尚鞅告訴《財經》記者, '有沒有在應用層面可以稱得上 '拿得出手' 的呢? 我認為就是人工智慧醫學影像分析. '

和人工智慧醫療的其它領域相比, 人工智慧醫學影像的優勢部分在數據. 影像學的數據不像一份病曆一樣, 包含病史, 病人資訊, 癥狀, 治療手段, 愈後恢複等多方面的零散資訊, 它本身的資訊整合度高——一張醫學病理片子就包含大量高價值資訊. 因此, 和其他的醫療數據相比, 影像數據處理難度更小, 處理價值卻更高.

'醫學影像原始圖片是很高維, 很複雜的, 而人工智慧把高維的數據, 變換成一個低維度的, 更容易處理的問題. ' 零氪科技有限公司首席架構師王曉哲對《財經》記者說, 醫學影像數據本身很好地契合了人工智慧表徵模型演算法.

影像數據標準統一, 對於演算法來說更易 '入口' , 輔助診斷模型的構建更為輕鬆.

各家醫院的影像數據, 不只在放射科一個科室, 幾乎涉及到每個臨床科室, 這也意味著影像數據不單單存在一個資訊區域裡. 北京大學腫瘤醫院資訊部部長衡反修告訴《財經》記者, 醫學影像數據在醫院是數據量最大的, 而且是標準化的, 更便於機器閱讀, 這非常重要.

動醫學影像腦筋的大有人在. 早在2003年, 飛利浦 健康 科技臨床科學部高級總監周振宇和他的導師就有一個建立影像大數據平台的想法, 但 '在那個年代, 很多挑戰我們都無法克服, 比如成像質量, 數據和計算機的不匹配, 診斷的邏輯思路也不規範, 這些都導致15年前我們無法做到真正的智慧醫療. ' 周振宇告訴《財經》記者.

正如影像科醫師需要閱讀大量的臨床醫學映像, '餵食' 病理映像數據, 是人工智慧系統最主要的學習方式. 和周振宇與他的導師起念頭時相比, 目前能 '餵食' 的病理映像數據越來越充足, 人工智慧分析能力才能茁長成長.

由於數據相對充足, 開發者們得以向垂直領域聚攏. 2016年, 貝斯以色列女執事醫學中心 (BIDMC) 與哈佛醫學院公布, 二者合作研發一個人工智慧乳腺影像診療平台. 研發人員不斷輸入大量的病理映像, 讓系統完成對片子的癌細胞識別和健康領域劃分, 並在深度學習技術框架中完成自我完善, 提高識別準確率和效率. 該平台負責人Andrew Beck稱, 該平台對患者乳腺的影像分析準確率能達到92%, 與病理學家的分析結合後診斷準確率可達99.5%.

醫療的獨特性, 迫使人工智慧企業必須一開始就得和醫院合作. 由於在衛生體系中, 醫院相對獨立, 數據獨握, 使一眾人工智慧企業都有機會多點進入. 2017年, 瞄準醫療領域的人工智慧企業頻繁公布與醫院的合作項目, 從對外公布的數據看, 不僅醫學映像處理和分析的能力提升, 也有了更多的臨床應用案例.

對肺結節進行跟蹤影像是其中一例. 通過人工智慧系統, 不僅能告訴患者哪裡有肺結節, 通過原有數據分析, 還能預測惡性的機率, 通過機率建議病人篩查複查時間, 或者是不是需要做穿刺活檢, 或相應的基因型的檢查. 這些明確的資訊不但讓患者更明了病情, 醫患容易溝通, 也會為支付減重, 這也是政府樂意看到的.

獨立第三方醫學影像平台匯醫慧影CEO柴象飛提供給《財經》記者的數據顯示, 匯醫慧影的閱片量已經超過百萬. 這與其加快了切入實際應用場景的步伐分不開, 目前匯醫慧影已經接入500多家基層醫院和200多家頂級三甲醫院.

另一家臨床應用較為突出的人工智慧醫療公司Airdoc, 主要集中於眼科的影像分析, 藉由國內外醫院收集了數十萬張眼底照片. 今年下半年, Airdoc與浙江省眼科醫院, 上海市北醫院都達成合作協議, 建立了人工智慧眼科映像分析相關的技術基地.

據不完全統計, 目前進入人工智慧醫學影像領域的 創業 公司, 已達40多家. 除了垂直度高的人工智慧醫療公司, 互聯網巨頭的動作變得越來越明顯.

鑒於互聯網巨頭們積累已久的數據優勢, 它們的介入可能直接影響這一領域未來的格局變化, 政策的加持又讓這份影響力得到放大.

11月15日, 科技部在新一代人工智慧發展規劃暨重大科技項目啟動會上宣布, 首批國家新一代人工智慧開放創新平台名單: 依託百度公司建設自動駕駛, 依託阿里雲公司建設城市大腦, 依託騰訊公司建設醫療影像, 依託科大訊飛公司建設智能語音. 這是人工智慧醫學影像, 首次被政府層面列為人工智慧領域的一種單獨分類.

騰訊 '空降' 人工智慧醫學影像市場, 不過是在這份名單公布的3個月前. 8月, 騰訊推出首款AI醫療產品 '覓影' , 主要應用於早期食管癌的篩查. 目前, 中山大學附屬腫瘤醫院, 廣東省第二人民醫院, 深圳市南山區人民醫院都加入了這一合作項目.

無論是互聯網巨頭, 還是垂直度更高的人工智慧醫療公司, 2017年下沉到醫院的成果都非常顯著——保證了人工智慧數據 '糧食' 的充足, 發現應用中遇到的問題, 離臨床更近, 更具有商業化前景, 這些都是資本樂於看到的.

撇除人工智慧技術本身的光環, 醫學影像市場在2017年也到達了一個新的臨界點.

日益增長的市場需求與醫學影像資源之間, 斷裂變得顯著. 而蓬勃增長的醫學影像市場的利潤, 吸引了人工智慧公司蜂擁而至, 希望在成為這條裂縫中最早的 '縫合膠' 的同時, 成為第一批到達的 '採礦工' .

火石創造CEO楊紅飛介紹, 從目前醫療影像的市場規模來看, 患者端高速增長, 影像檢查收入占醫院總收入超過10%, 緊隨 藥品 收入佔比. 火石創造6月發布的《醫療影像的市場圖譜和行業發展分析》指出, 按照過去5年中國醫療整體支出, 2020年中國醫學影像市場規模將會達到約6000億至8000億元.

這也吊起資本的 '胃口' . 據不完全統計, 截至發稿, 國內人工智慧醫學影像市場完成天使輪融資的 企業 有3家, Pre-A輪融資企業2家, A輪7家, B輪3家, C+輪1家.

其中, 金額最大的三次融資集中在5月及下半年. 5月, 依圖科技宣布完成3.8億元的C輪融資, 由高瓴資本集團領投, 雲鋒基金, 紅杉資本, 高榕資本, 真格基金跟投; 9月, 推想科技宣布完成1.2億元B輪融資, 由啟明創投領投, 元生資本, 紅杉中國聯合投資; 10月, 匯醫慧影宣布完成 '數億元' 的B輪融資, 投資方為達泰資本及其他2家投資機構.

在諮詢公司Frost&Sullivan中國區總裁王煜全看來, 國內資本紮堆人工智慧醫學影像是非常合理的結果. '人工智慧影像對醫療的提升是必然會發生的事情, 這個提升是可以看得見的, 也是當下最熱門的, 預計到2018年資本熱情也不會變冷. ' 王煜全告訴《財經》記者.

然而, 看起來巨大的蛋糕, 要切一塊並不容易. 即便是龍頭IBM Watson, 其Watson for Oncology也還沒有報告具有了盈利能力.

腫瘤輔助診療解決方案Watson for Oncology的工作內容是通過醫學映像分析結果, 為醫生提供診療建議, 生成治療方案, 藉此提升醫生診療的準確性, 背靠的是IBM本身的資訊分析專長和市場認可度. Watson for Oncology進入中國, 美國, 荷蘭, 韓國, 泰國與印度等多國. 然而, 目前IBM Watson盈利情況暫時未見諸於公開報告.

相比Watson, 國內一眾人工智慧醫學影像公司都還處於疾病篩查的應用階段, 即判斷影像中是否存在某類疾病. 在 '知其有' '知其所以有' 和 '知如何讓其無' 三步中, 大部分人工智慧醫學影像公司仍停留在第一步的探索中.

'就目前來講, AI所取得的成果還遠遠沒達到預想的. ' 上海長征 醫院 眼科主任魏銳利對《財經》記者說: 'AI主要應用於篩查, 實際使用時, 醫生會重新複核一遍, 就像患者拿了地方醫院的診斷報告, 我們看到了還是要重新考慮. '

此外, 國內公司仍集中在醫學映像分析要求較為簡單的疾病領域, 價值相對較低. 以肺部為例, 肺癌識別是一個人工智慧醫學映像熱門領域, 這是由於肺部映像識別有天然的對比, 屬於較容易攻克的方向, 但對於肺癌具體癥狀並不具有深度分析能力.

廣東省人民醫院放射科教授劉再毅對此感受頗深, '我們醫院肺癌病例大部分是複查的, 三期, 四期病人的肺部有很多轉移灶, 合并滲出, 肺不張等狀況, 計算機很難對這些特徵實現自動對比. 這些協助醫生產品在臨床中確實可能減少一些工作量, 但對醫生的幫助及應用場景都較小. '

紮堆較為容易突破的領域, 意味著競爭更為激烈, 被巨頭排擠吞併的風險也更高. 而在《財經》記者對業內人士的採訪中, 盈利模式和盈利問題仍是他們腦中順位靠後的問題.

11月, 光大證券分析, 以服務為主的醫療影像下遊產業亟待服務模式的創新, 在遠程醫療影像診斷和獨立影像中心快速取得足夠資源的企業, 未來開展影像智能診斷將有更大的優勢.

從巨頭們的市場反應看, 已經多次嘗試開啟中國市場的IBM, 加上已經動作頻頻的阿里, 騰訊, 一旦出手對市場的影響都非常強. 億歐智庫醫療產業分析師尚鞅告訴《財經》記者, '據我在資本方面的接觸, 可以預期巨頭們在2018年會加緊行動, 一輪的 '大魚吃小魚' 馬上就會開始了. '

諮詢公司Frost&Sullivan中國區總裁王煜全則認為, 即使巨頭們不會那麼迅速地大舉整合人工智慧醫學影像市場, 小公司之間的廝殺也會非常慘烈, 誰能勝出難以預測, 甚至有可能像共用單車行業一樣, 淪為資本博弈的代表.

2017年人工智慧與醫療的結合開始深入和細化, 作為最早也競爭最激烈的一個 '戰場' , 人工智慧醫學影像行業遇到的諸多問題難以找到經驗參考, 而這也反映了它距離品嘗到人工智慧醫療這鮮美的 '第一口湯' 最為接近.