醫學影像智能識別：醫療與AI結合成功案例
醫學影像智能識別：醫療與AI結合成功案例
醫學影像識別有望成為AI較快落地的領域
“人工智能+醫療”駛入快車道。
“人工智能+醫療”快速發展。醫學是一門靠歸納邏輯、經驗學習、循證運用的學科，人工智能在這個行業可以發揮重要作用。
同時，我國醫療資源短缺，供給嚴重不足，人工智能在醫療行業的應用可以提升醫生工作效率，變相提升醫療資源的供給。
在政策推動和算法紅利的促進下，“人工智能+醫療”快速發展，根據中國數字醫療網統計，2016年中國AI+醫療市場規模達到96.61億元，增長率為37.9%，中國AI+醫療市場規模在持續增長，2017年超130億元，增長40.7%，有望在2018年市場規模達到200億元。
人工智能在醫療行業的各環節均有應用
1. 診前:可用于個體或群體性疾病的預測，并給出健康建議。
2. 診中:人工智能可以輔助診斷、輔助治療，降低誤診率。
3. 診后:能通過計算機視覺、圖像識別和視頻分析等渠道保證患者服藥的真實性，輔助醫生實現患者藥物依從性的監督。
4. 其他環節:保險機構費用智能控制;人工智能參與到藥物研發過程中，可以縮短時間、提高效率。
AI+醫療的各類應用場景:
產業仍處于發展初期，數據整合與共享是驅動行業發展的核心因素。AI+醫療發展的核心在于“算法+有效數據”。
目前產業發展處于第一階段。在此階段，弱人工智能算法相對成熟，數據的整合和共享構成行業發展的核心因素。
目前，國內大多數醫療數據存儲在醫院，一方面，醫院內部的臨床數據中心建立尚不完善，醫院內部數據互聯互通程度和共享程度尚低;另一方面，醫療數據涉及病人隱私，共享機制和規范缺乏，導致很多AI+醫療應用由于缺乏數據而止步不前。
隨著醫療數據互聯互通程度的提升和共享機制的建立，AI+醫療行業發展將加速。
智能影像診斷是“人工智能+醫療”較快落地的應用領域
我們認為，目前已經形成成型產品、在各應用場景實現小范圍推廣、具備高附加值的AI+醫療應用包括兩個:
1. 基于醫學影像的智能識別;
2. 基于電子病歷的輔助診斷。后者的典型案例是IBMWatson，目前已經落地WatsonforOncology的腫瘤輔助診斷治療的AI產品，并在國際上各醫院小范圍推廣。
而基于醫學影像的智能識別，全球該領域的創業公司達1000多家，是適合AI技術發揮其所長的醫學應用領域。
智能圖像診斷算法相對成熟
自2012年深度學習技術被引入圖像識別數據集之后，其識別率近年來屢創新高，2015年百度在ImageNet的比賽識別錯誤率僅為4.58%，高于人類水平。
在各類醫學圖像識別比賽或活動當中，學校和商業研究團隊分別在不同病種上取得了不錯成果。
醫生資源短缺將促進AI智能影像識別的應用落地
目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率為4.1%，其間的差距是25.9%，放射科醫師的數量增長遠不及影像數據的增長。
以病理切片為例，據國家衛計委統計，我國病理注冊醫生在1萬人左右，按照每百張床配備1—2名病理醫生的標準計算，全國病理科醫生缺口可能達3—4萬人，目前，全國有近40%的手術未進行病理切片分析。
所以通過AI的方式輔助影像科醫師進行診斷將滿足市場剛需。
AI讀片相對于人工讀片具備比較優勢
人工讀片具備主觀性高、重復性低、定量及信息利用度不足、耗時及勞動強度和知識經驗的傳承困難等問題。而人工智能讀片的優勢體現在高效率低成本。
隨著產品的成熟帶動識別率的提升，人工智能讀片的精準度也將形成比較優勢。
智能影像識別分類多空間大，初期格局分散
智能影像識別市場分類多空間大人工智能方法在醫學圖像處理中的應用十分廣泛，涉及醫學圖像分割、圖像配準、圖像融合、圖像壓縮、圖像重建等多個領域。
醫療影像智能識別按照應用領域，可以分為放射類、放療類、手術類以及病理類:
1. 放射類:類似于軍隊的“情報部門”，通過射線成像了解人體內部的病變情況，形成影像。對該影像智能識別的目的在于標注病灶位置。
2. 放療類:類似于軍隊的“戰斗部門”，在制定放療方案之前，醫生需要通過成像設備對靶區進行定位，從而形成影像。對該影像智能識別的目的在于進行靶區自動勾畫，由于放療需要殺死細胞，病變區域勾勒的越準確越好，對智能影像識別準確率要求高。
3. 手術類:對CT等影像通過3D可視化等技術，進行三維重建，幫助醫生進行手術前規劃，確保手術的精確性。
4. 病理類:病理診斷是最終確診環節，MRI、CT、B超等影像判讀的正確與否要參考病理診斷的結果。傳統的病歷檢驗是醫生在顯微鏡下直接讀取病歷涂片，現在數字化病理系統使得AI讀片成為可能。
行業內公司目前多涉足于放射類和病理類:
1. 放射類影像比較容易獲取標注數據進行深度學習，且應用場景多領域廣，有較多創業公司涉足;
而病理科醫生缺口大(我國病理注冊醫生在1萬人左右，按照每百張床配備1—2名病理醫生的標準計算，全國病理科醫生缺口可能達3—4萬人，目前，全國有近40%的手術未進行病理切片分析)，數字化病理系統快速普及，部分創業公司也在病理類影像智能識別發力。
醫療影像服務市場每年規模在千億級別，假設AI讀片在價值鏈的分配中占到10%，則市場規模在百億級別。
按照成像設備或類型分，包括X線成像、CT成像、核磁共振、超聲成像以及病理切片(基于顯微儀)。另外，還包括小眾的紅外成像、眼底鏡成像等。
其中，X線成像每年市場規模合計700億元，而普通的CT和核磁共振，每年市場規模合計1500億元。
所有成像類型的市場規模合計在千億級別。假設AI讀片在價值鏈的分配中占到10%，則市場規模在百億級別。
2、行業發展初期市場相對分散，未來有望逐步走向集中
行業發展初期市場分散的原因包括幾個方面:
1) 數據分散:
盡管我國存在第三方影像中心，但絕大多數的醫療影像數據來源于醫院。且三級醫院擁有絕大多數影像數據，但影像數據不出院是必須守住的紅線。所以大量影像數據分散在不同的三級醫院系統中。
根據衛計委，2017年6月，全國三級醫院數量為2286家。創業公司除了通過公開數據集進行訓練，也跟大醫院進行合作，簽訂聯合科研的協議，和醫院一起訓練模型。
數據分散導致一家公司很難同時獲取滿足產品準確率要求的全部數據，而不同創業企業都有跟熟悉的醫院合作進行產品研發的可能。
目前市場上大部分公司的數據來源是2-3家醫院，這在數量和質量相對較少。以CT為例，醫院在用的各種CT機型有近百種，廠家有7、8家。
在產品化的過程中，如果僅使用幾個機型的數據，或者下載公開數據集的數據來訓練模型，即使實驗室準確率很高，也很難在實際應用中取得很好的效果。
醫療AI公司研發的產品是否可以適應市場上90%的影像設備，是這樣的產品進行市場推廣的前提。
健瀾科技醫學影像智能識別：醫療與AI結合成功案例
2) 病種分散:
雖然底層代碼可以復用，但不同病種需要不同的標注數據訓練不同的模型。
例如:谷歌Deepmind跟Moorfields眼科醫院合作訓練糖尿病視網膜病變識別;IBM跟EyePACS信息共享平臺訓練青光眼模型;阿里與萬里云合作進行肺結節CT影像檢測，未來有望擴大到乳腺癌、糖尿病等領域。
雖然行業參與的公司著力選擇多發病種進行產品研發，但不同病種不同模型的特點，決定了行業發展初期參與者相對分散的形態。
3. 變現場景、商業模式多樣化: 僅就醫療圖像智能識別而言，潛在的變現方式包括:作為單獨的軟件模塊向醫療機構銷售、與PACS等系統合成向醫療機構銷售;
與CT、X光機等設備合作形成軟硬件一體化解決方案向醫療機構銷售;通過遠程醫療等方式服務基層醫療機構;通過互醫療影像創業公司處于發展初期
根據動脈網，目前國內在該領域的創業公司大概為59家。我們認為，隨著行業的發展，市場參與者的數量將首先不斷提升，最后由分散走向集中。
隨著行業數據整合與共享機制的建立、模型訓練的成熟、商業模式的確立，以及部分企業CFDA認證的率先通過，先發企業將逐步建立技術壁壘和商業壁壘，推動市場走向集中。
從產業鏈上下游看數據與場景等核心商業要素
醫療影像智能診斷不僅需要醫療影像數據，更需要經過專業人員標注過的醫療影像數據。基于此，從事醫療影像智能診斷的廠商通過資源獲取已標注的數據的能力極為重要。
醫療影像數據產生于醫院和第三方影像中心，短暫存儲于醫療設備而長期存儲于PACS系統中，而標注醫療影像數據需要與專業的醫務人員合作。
影像科醫生在日常讀片過程中并不會進行病灶標注，這使得這些廠商需要花費較大的成本邀請專業的影像科醫生在工作之余進行標注。
與上下游的關系及合作模式、或者產業鏈一體化，成為醫療影像智能診斷的廠商的核心競爭力之一。
大型醫院、基層醫院、第三方影像中心均有可能是醫學影像智能診斷的上游“脫敏數據資源方”，而各類醫療機構、醫療設備、PACS系統，也有可能是醫療影像智能診斷的下游“產品購買方或合作方”。
從而與上下游的關系以及合作模式成為醫療影像智能診斷的廠商的核心競爭力之一。
1、數據獲取:與醫療機構合作有助于打磨產品業內廠商數據獲取方式包括跟大醫院合作、跟基層醫院合作、與科研機構合作、與第三方影像中心合作以及通過云PACS系統間接獲取授權脫敏數據。
1) 跟大醫院合作:我國絕大多數的醫療影像數據來自于三甲醫院等大醫院。
醫療影像智能診斷AI公司與大醫院合作，一方面有利于得到大量的脫敏的數據和行業專家的標注數據，另一方面收獲了產品打磨的場景。
在某個病種上具備優勢的醫院，往往具備一定量的數據資源，打磨出細分領域識別度較高的產品。我們看到，智能影像公司官網上的合作醫院被視為彰顯自身實力的背書。
2) 與基層醫院合作:與大醫院不同，基層醫院的治療水平，患者數量，數據資源有限，對智能閱片具備強需求。
部分公司通過遠程醫療向基層醫院提供“幫忙閱片”的服務，從而在醫生和患者的允許下獲取脫敏影像數據，并通過自己組建的醫療團隊，對數據進行標注，在此進出上進行AI模型的訓練。代表企業包括:萬里云等。
根據萬東醫療2016年年報，萬里云公司完成10家遠程影像診斷中心的建設，成功簽約1000家醫院用戶，實現天均2000名患者的遠程閱片診斷，業務范圍覆蓋全國基層醫院、民營醫院等。
以及其他自建遠程影像診療系統，從而拓展人工智能閱片的企業，如銳達影像、匯影醫療等。
3）其他類型的合作:
(1) 部分高校處于科研目的具備一定量的脫敏數據，這些數據的獲取成本往往不高，部分創業公司選擇與高校合作;
(2) 隨著第三方影像中心的逐步建立，部分AI企業也可選擇自建或與其合作，部分第三方影像中心也將業務向智能讀片延伸;
(3) PACS系統從院內向云端發展。近年來，區域性PACS云平臺的建立成為趨勢。云PACS能降低儲存成本、實現快速調用傳輸、支持數據共享與應用開發。
相關企業通過拓展云PACS業務或者與其合作，獲取AI+醫療影像行業的參與機會，相關廠商包括:杭州聯眾、心醫國際、海納醫信。
綜上，從數據的角度，大醫院具備優勢科室與一定量的已標注數據，與大醫院合作有助于在大醫院的優勢學科訓練出優質產品，但對于小眾病種，需要跟很多家醫療機構合作才能訓練出好的模型。
而與基層醫院進行遠程閱片合作的優勢在于可以獲取源源不斷的數據資源，但需要專門的團隊對影片進行標準。而隨著我國第三方影像中心逐步建立和崛起，與第三方影像中心合作也將成為不錯的數據資源獲取方式。
2、變現模式與場景:與上下游廠商合作有利于業務拓展
產品在變現之前需要“持證上崗”。人工智能產品在CFDA中沒有申報項目錄:
1) 智能醫學影像產品還是作為三類醫療器械向CFDA進行認證申請。
CFDA的審批流程較為復雜，需要首先同國家指定的三甲醫院合作進行臨床測試，并同做臨床試驗的每一個病人簽訂合同，向國家專業機構做檢測和報備，最后才能獲得CFDA認證，這其中的時間成本、技術水平等因素均構成了“高門檻”。
2) 部分軟件模塊作為PACS系統的智能閱片插件，提供輔助臨床的工作，有跳過CFDA認證步驟的可能。
由于行業處于發展初期，變現模式處于探索階段，我們認為，行業潛在的變現方式包括:
作為單獨的軟件模塊向醫療機構銷售、與PACS等系統集成向醫療機構銷售;與CT、X光機等設備合作形成軟硬件一體化解決方案向醫療機構銷售;通過遠程醫療等方式服務基層醫療機構;通過互聯網醫療等方式直接服務于患者。
目前基本成型的AI+醫學影像產品大多正處于醫院試用階段，該領域公司基本沒有實現盈利。未來產品通過CFDA檢測后，業務模式可進一步向產業鏈上游和下游進行拓展。
從變現對象看，基層醫院因為治療水平，醫療資源缺乏，付費動力最強;而大醫院雖然醫療資源豐富，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，基層醫院具備按次付費的需求基礎，而大醫院更容易接受軟件服務費作為付費形式。隨著第三方影像中心的崛起，將也會對智能影像診斷產生需求。
