1987年，Alexander Waibel提出的時間延遲網絡（Time Delay Neural Network， TDNN）可追溯為歷史上第一個CNN算法。但受限于有限的算力、數據，CNN并沒有因此成為學者們關注的重點。直至19年后，加拿大多倫多大學GeoffreyHinton重新定義深度學習，CNN的表征學習能力才重新成為眾人關注的熱點。

而后，CNN的數據挖掘，機器學習等能力在圖像處理上的應用逐漸成熟，有心之人逐漸開始意識到，這樣一項新興技術，可能在醫(yī)療上存在充分的發(fā)展空間。

所以，第一批進入醫(yī)療影像AI的人，是一群互聯網人。

2015年起，一大批醫(yī)療影像AI公司陸續(xù)成立，涌向影像AI這一藍海市場。但直到進入之后，眾人才醒悟：沒有足夠的醫(yī)療認知，如何越過深厚的壁壘？回憶起當時的場景，推想科技陳寬苦笑到：“那時，我自己都不愿看自己做的產品。”

轉變從2017年開始。當一批批互聯網人不斷跟醫(yī)生共同工作，深入了解醫(yī)生工作的流程，加之國家開始逐漸意識到AI的重要性，AI產品開始逐漸進入臨床試點。醫(yī)生與創(chuàng)業(yè)者之間的互助橋梁得以建立，AI企業(yè)在接下來的兩年中經歷了快速的發(fā)展。

2019年是醫(yī)療人工智能走向通用的一年，我們能看到，更多面向智慧醫(yī)療的企業(yè)涌現出來。而健康管理、社區(qū)管理乃至醫(yī)美也都開始小心翼翼地嘗試引入AI。

對此，動脈網對人工智能進行了調研，一組數據或許能幫助我們更清楚地了解2019年整個醫(yī)療AI的發(fā)展狀況。

透過數據看醫(yī)療AI2019發(fā)展

據動脈網知識庫數據顯示，截取2018年12月24日至2019年8月20日這一時間段，全球醫(yī)療AI融資事件數總計107次，總募資額為139．58億元（不包含投資金額為“未披露”的融資事件），其具體輪次分布與融資金額分段如下圖所示。

通過這張圖表，我們可以明顯看到，2019年的醫(yī)療AI融資事件聚集于B輪與C輪。相比之下，沒有企業(yè)成功IPO，天使輪事件也僅有4次。整個事件分布呈“中間大，兩頭小”的狀況。這或許意味著，頭部人工智能企業(yè)已經建立了充分的壁壘，新企業(yè)進入存在一定難度。

同樣擴大的還有醫(yī)療AI企業(yè)的規(guī)模，從上圖可以看到，50人規(guī)模以上的人工智能企業(yè)占據了僅1／4的數量，優(yōu)質資源明顯聚集。

在這之中，影像AI企業(yè)可謂其中最早參與人工智能的企業(yè)，從這些企業(yè)的動態(tài)中，我們也許可以窺見整個行業(yè)的端倪。那么這部分企業(yè)發(fā)展如何呢？

如上圖所示，加上2018年末完成B輪的體素科技、完成C輪的推想科技，頭部的影像企業(yè)悉數拿到了新一輪的資金。

如今2019年已過半載，頭部影像企業(yè)的肺結節(jié)、乳腺篩查等產品已經足夠成熟。借由數據、醫(yī)院布局逐步建立起自己的壁壘，相應的AI產品步入審批中的臨床階段。

在等待審批的過程中，頭部企業(yè)均在不斷挖掘已有資源的潛在價值，各自探尋AI潛在的商業(yè)化可能�，F在最關鍵的問題在于，誰將成為影像AI的付費方？

醫(yī)、藥、患，誰可能是影像AI的付費方？

長征醫(yī)院影像醫(yī)學與核醫(yī)學科主任劉士遠曾表示：“未來影像科的工作一定是智能化的，報告是結構化的�！睗撛诤�義下，AI必定成為影像科的一部分，但并不在今天。

將目光從影像科移開，AI是否還存在發(fā)展的空間？答案是肯定的，藥企、患者、保險公司都有可能是AI影像的潛在支付方，而醫(yī)院也并非僅放射科愿意為影像AI的產品付費。

先談醫(yī)院。不同的醫(yī)院對于產品的需求各不相同，AI產品想要切入三甲醫(yī)院，必須抓住三甲醫(yī)院醫(yī)生的兩個關鍵需求——效率需求和科研需求。如今已經成熟的CT肺、CT肝、腦MRI產品均是為了滿足醫(yī)生對于閱片效率的追求，但這僅占影像科醫(yī)生工作時間的一部分。更貼近醫(yī)生的需求為科研需求——在大數據時代協助醫(yī)生去掌控數據。

而對于醫(yī)療能力略遜一籌的鄉(xiāng)鎮(zhèn)級醫(yī)院，AI企業(yè)可為其搭建私有云、連接醫(yī)聯體的云PACS，也可在院內以教學的方式培養(yǎng)醫(yī)生的閱片能力與出具報告能力。這一部分市場雖然龐大，但由于醫(yī)院自身規(guī)模的限制，智慧醫(yī)院的建設支出也會存在相應限制，進而影響到對于AI企業(yè)的支付意愿。而對于AI輔助工具的付費意愿，鄉(xiāng)鎮(zhèn)級醫(yī)院仍強于三甲醫(yī)院。

最有可能付費醫(yī)療機構包括私立專科醫(yī)院、混合制醫(yī)院以及第三方影像中心，這三類醫(yī)院既缺乏與三甲醫(yī)院相抗衡的醫(yī)療資源，需要AI進行補足，又缺乏老百姓對于制度的信任，需要AI為醫(yī)院的技術力量增添色彩。

總的來說，向醫(yī)院出售搭載AI的設備，搭建云PACS平臺，或是出售非AI的影像相關服務（如數字膠片）將在很長一段時間內，承擔AI企業(yè)的主要收入來源，而AI輔診業(yè)務的商業(yè)化仍有一段路要走。

再談藥企。AI影像類企業(yè)能夠滿足藥企的三類需求，一是充當CRO的角色，對病理數據再處理；二是借助大數據工具對臨床試驗中的患者進行篩選，三是通過社群合作的方式幫助藥企進行精準數字化營銷。

最容易獲得變現的渠道來源于數字化營銷，AI影像企業(yè)可與醫(yī)學部合作，進行真實世界數據研究，協助完成藥物治療效果驗證和標準化診療模式驗證；也可與市場部、銷售部合作，搭建學術平臺，協助藥品銷售。

由于這三類業(yè)務不需要影像AI企業(yè)獲取藥監(jiān)局的審批，而是依賴于他們在長期布局中整合的資源，所以這些合作將有可能人工智能影像企業(yè)的重要收入來源之一。

相對與上述兩種模式，讓患者成為穩(wěn)定的付費對象則困難得多。盡管在許多三甲醫(yī)院，基于AI的MDT會診以及輔助診斷已經進入了醫(yī)院的收費目錄。但由于AI技術內核的不確定性，企業(yè)很難要求醫(yī)生向患者推薦使用AI產品。

同時，由于市場教育的不足，在選擇AI服務與非AI服務時，絕大部分患者還是傾向于選擇無AI內核的傳統(tǒng)服務。但隨著技術、政策、患者認知的推進，患者很有可能在未來成為穩(wěn)定的支付方。

那么，影像頭部企業(yè)都是如何在困局中尋求發(fā)展的呢？動脈網采訪了近十家影像AI頭部企業(yè)，試圖梳理出其中的邏輯。需要注意的是，下述的部分企業(yè)涉及了多項突破，而本文只選取每個企業(yè)的一部分創(chuàng)新業(yè)務作為案例講解。

以醫(yī)療機構為突破點

醫(yī)療機構是AI企業(yè)啟程的起點，幾乎所有的AI影像類初期產品都是為了服務醫(yī)生打造。所以，即便這些產品仍沒有盈利，但卻為新的產品的推進埋下了伏筆。在保證已有產品不斷迭代的前提下，各家企業(yè)正從影像出發(fā)，不斷向外延伸。

推想科技：從隨醫(yī)者完善AI，到攜醫(yī)者共筑AI

“臨床并非醫(yī)者發(fā)揮價值的唯一途徑。醫(yī)療作為一門經驗學科，醫(yī)者更希望能將更多的時間用于經驗整理與對未知可能的探索，并將其梳理成論文，以供更多志同道合者交流學習�！蓖葡肟萍紶I銷總裁席渭齡曾表示。

隨著與醫(yī)生合作的不斷推進，推想研發(fā)人員對醫(yī)生就診流程、就診需求的理解更加深刻，進而懂得如何幫助醫(yī)生規(guī)范數據結構和利用數據，定制化算法模型進行科學研究。將這樣一套思維具象化，造就了如今的InferScholar CenterAI學者科研平臺。

僅統(tǒng)計RSNA投稿狀況，該科研平臺在2019年助力多家臨床合作醫(yī)院共完成RSNA投稿超過300篇，涉及方向包括人工與AI比較、病理、效能評估、掃描參數、高低劑量比較12％。

通過這種方式，推想有效地轉化了研究人員在與醫(yī)生交流的經驗，極大拓展了深度學習在醫(yī)療領域的價值和應用場景，實現了人工智能從“輔助臨床診斷”到“輔助臨床科研”。

透過這樣一個基于AI的科研平臺，推想能夠為醫(yī)院全科室，全病種提供原創(chuàng)性的人工智能科研服務。平臺有幾十種AI算法和單病種數據管理能力，可服務于整個醫(yī)院的科研，教學和產業(yè)轉化。而對于推想而言，這種模式將協助他們獲得更多的醫(yī)療資源，賦予AI更強大的創(chuàng)造力。