科技猎上海长征医院萧毅教授：医学影像AI不会一帆风顺，企业要学会「用时间换空间」
“医疗AI的商业化，创新技术的应用化”，无疑成为2021年医疗行业的高频词汇。
近日，第六届全球人工智能与机器人大会（GAIR 2021）在深圳正式启幕，140余位产学领袖、30位Fellow聚首，从AI技术、产品、行业、人文、组织等维度切入，以理性分析与感性洞察为轴，共同攀登人工智能与数字化的浪潮之巅。
在医疗科技高峰论坛上，中华医学会放射学分会委员、上海长征医院影像科副主任萧毅教授发表了主题演讲。
萧毅教授表示，2020年以来，医学影像AI逐渐被临床接受，不少产品拿到NMPA认证，但是医学影像AI发的发展不是一帆风顺。
从人才层面看，核心心算法人才短缺导致供需不平衡、巨头公司对人工智能算法人才争抢激烈、既懂算法又懂医学的交叉人才难求。
从融资层面看，资本的马太效应使得早期创业公司融资更难。
当然，如果这些“外因”已经为企业设下了诸多难题，那么医学影像AI“入院”的难度则更大。
萧毅教授表示，“AI医学影像产品的商业化方式与医疗器械进院的采购模式类似。商业化进程依赖于大型设备的采购流程， 流程长，耗时长，医院付费意愿仍需企业强势的市场开拓。”
而且，由于AI医学影像辅助诊断系统面向患者收费还没有形成共识，所以按例付费、按服务费收费等商业模式暂未形成。
“想要成功实现规模商业化，必须依次完成注册准入、物价准入、医保准入，这将是一个很漫长的过程。”
换言之，现在的医学影像AI企业，要学会用时间来换空间。未来，分级诊疗政策的深化，会让基层医疗机构得到大量的分流病人。
同时，基层医疗机构的医学影像设备配备、升级需求和医学影像诊断服务需求也将实现快速增长，这将为AI医学影像带来更大的市场空间。
以下是萧毅教授现场演讲的内容，雷峰网 (公众号：雷峰网) 《医健AI掘金志》做了不改变原意的编辑与整理。
萧毅：各位嘉宾大家好！我是来自上海长征医院放射科的萧毅。我的演讲题目《AI在医学影像中的现状与趋势》。
医学影像AI的应用现状如何？
曾经，都认为AI在医疗行业的落地，会最先落在医学影像行业——影像医生的从业人数少，医疗需求又特别大。而且，对于图像的识别，正是AI非常擅长的事情，国外也有多种医学影像公开数据库可以用来训练模型。
所以，很多企业和科学家就很自然的以为，医学影像AI可以很快开花结果。
人工智能之父Hinton也说，可以停止培养放射科医生。这句话，也曾让放射科医生心中一颤。
2016年，各类初创公司拔地而起，资本相继跟进。然而，理想很丰满，现实却很骨感。五年之后的今天一波“蹭热点”的公司已经被淘汰出局，不见踪迹，资本也只关注行业里的头部公司。
问题出在哪里？失败的公司没有认真思考： 影像科医生在干什么，医疗需要什么。与临床的沟通、交流程度，是企业产品价值逐渐拉开距离的关键。
而经过临床验证后的价值，最终得到监管部门的认可。
现阶段，医学影像人工智能的应用是“链条式”的，可以分为两大区块：
传统设备厂商的医学影像AI，主要是与设备相关的智能摆位、高清成像；
新兴的科创公司，主要是成像后的图像质控、辅助诊断及科研；
现在，已经被临床使用和认可的AI产品，都有哪些作用？
在中枢神经系统方面，医学影像AI产品主要有：脑卒中AI，可以对脑卒中的病灶进行分割、定位、定量、测量，进而预判预后；
脑肿瘤AI产品，针对颅脑肿瘤的脑区分割、肿瘤鉴别。
除此之外，基于人工智能的分割技术，在退行性病变和脑白质病变上进行的模型训练，也获得了相对理想的结果。
除了对单病种进行单一模型的构建之外，企业也向纵深化发展。
一个脑卒中的案例中，在传统的工作模式下，我们先进行CT扫描，图像经过处理后，可以查看动脉是否有狭窄和斑块，最终一个结构化报告。
如果我们使用人工智能辅助的方式，我们可以迅速地获得最结果，使得患者处理的时间从1000多秒降低到86秒。
图像的后处理实现了全自动、报告有了标准化的处理，甚至是最后的审核与打印，也减轻了医生的负担和工作量。
这是深受临床欢迎的智能模型的一个方向。
在头颈部的应用，主要是对于甲状腺结节的鉴别，这也是富有挑战性，因为近几年来，国内越来越多的 消融手术使手术病理数据大量减少。
据现有的结果来看，现在有两个公司的模型效果比较好。以浙大孔德兴教授所在的德尚韵兴提供的数据显示，该公司对甲状腺结节鉴别的敏感性和特异性都超过了90%。
人工智能企业扎堆的肺部影像应用集中在三大块：第一，肺癌。肺癌早期筛查、良恶性鉴别以及预后预判。
第二，肺炎。AI在新冠疫情中发挥了重要作用，这也是2020年、2021年多家公司得到社会认可的重要原因。
第三是肺气肿。
目前，肺部疾病相关的行业标准、数据库、指南等已经在拟定和筹建中 ，肺结节部分的已经完成。
肺部疾病辅助系统在国内外各大医院应用广泛，明显提高了工作效率。
相关的技术也更加聚焦到肺部疾病辅助系统如何优化医生的工作流程、假阴性和假阳性的风险控制、在医联体内的联动以及云诊断等实际工作场景上，帮助医生快速精准定位和定性结节，肺动脉高压时提高预警，肺结核和矽肺智能诊断。
除了以上临床应用，AI在基因预测以及浸润性分型中，都发挥了重要作用。
肺炎AI则是一个因时而生的产品，可以在2-3秒内检出病变，10秒完成全流程评估，及时筛查出疑似病人，帮助医生对确诊病人进行分型、对重症患者进行预警，进而评估确诊患者的预后情况，这对于提高诊断的时效性是不可或缺的。
心血管AI的难度会更大，主攻的企业在一开始集中在形态学的重建上：重建心脏的冠脉，检出斑块。现在的工作更加深入，可以进行功能学的评估：如CT血流储备分数心肌量化等评估。
使用人工智能进行形态学及功能学的评价，医生就可以对心血管疾病有一个相对完整的认识，初步满足临床的需求。
不仅如此，随着对疾病认识的增加，人工智能企业也逐渐地往深、往宽处走。心血管疾病筛、诊、治一体化的解决方案，不仅仅是满足筛查、诊断，同时还对治疗决策与规划进行了大量模型的构建，而完整的解决方案才是医生所需要的内容。
乳腺癌是全球范围内女性最常见的死因，在中国也如此。用AI的手段来辅助经验不足的医生，进行准确的诊断，是一个有意义的命题。
我国AI研究起步虽然较晚，但在乳腺影像中的应用发展较快。国内AI企业研发较成熟的乳腺相关辅助诊断系统，基本围绕乳腺钼靶开展。
但是，最终的效能还需临床进一步的验证。
AI在腹部影像当中也有探索，但是由于腹部影像的特殊性及难度，国内AI多数研究以单中心、小样本为主，结果的可靠性尚需进一步验证；而且多为回顾性分析，是否能真正地应用于临床，还要开展更多的前瞻性研究。
国内AI商业化产品目前多采用单一影像或病理数据，对疾病进行影像识别和病理诊断，无法综合医疗数据对患者的整体情况进行衡量，造成治疗、疗效评价和预后预测相关AI产品的缺乏。
在腹部领域，还有一些跨模态的复合任务流程，进入到了智能分析、智能报告和手术规划等领域。
国内外在骨骼系统AI的研发基本处于同一起跑线， 主要集中在骨龄和骨折，能够解决的疾病问题还是比较少的。
另外，AI骨关节影像的研究和应用多是对于简单病灶或征象的识别，是否能达到“辅助诊断”水平、如何对复杂疾病进行综合分析和诊断仍是我们要进一步研究的重点。
除此之外，在其他影像当中，AI也有大量的使用，包括病理AI、皮肤AI、眼底图AI、脑电图AI等。
但是，最复杂的医学影像AI应用，仍当属常规的放射影像、病理影像。
AI医学影像的准入——监管批准
随着医疗AI产品逐渐成熟，也获得了监管部门的批准。
从2020年到目前，医学影像AI行业已经拿到22张三类证，大部分都是心胸领域。
这些标红的企业都是医学影像AI产学研用创新联盟的成员，这也是让我非常开心的一点。
随着三类证的下发，中国医疗AI企业的产品也体现了国际化能力。推想的产品落地欧盟、入选了联合国采购名录，Airdoc的产品在澳大利亚获得了澳媒的称赞，汇医慧影也把产品输送到了拉丁美洲，以及亚太地区泰国、马来西亚和欧洲以及非洲地区。
鉴于中国的人口与数据优势，我们有可能在人工智能领域成为一个领跑者。
回到一开始提到的一个话题。 AI医学影像越来越呈现“一横一纵”的发展趋势 ，怎么理解？
“横” ：覆盖更多部位、更多病种 更加接近医生的临床工作模式，大幅提升医疗效率、准确性和标准化程度，横向覆盖多部位、多病种的AI产品才能更好满足医院需求。
“纵” ：深入疾病诊疗全流程由单纯的病灶检出、量化，向良恶性诊断延伸，并进一 步向放疗规划、手术规划等临床领域延伸。人工智能深 入应用于院前筛查、院内检测和诊断，以及治疗、介入 治疗和术后康复等方面，即疾病“筛诊治管研”全流程。
现在拿到证的企业，大致都可以用这一战略进行概括，不断地提升产品的临床价值，形成以疾病为中心的智能化、标准化临床工作流程。
除了在临床上协助医生进行临床工作，人工智能还大量应用与医学影像的研究。例如，
医学图像采集、重建以及图像质量处理的优化；
医学图像特定解剖结构的识别、检测与定位，图像内特定病灶的识别；
医学图像精准分割和图像配准；
影像组学与疾病预测、诊断、预后之间更为精准的关联模型的建立。
近年来，医学影像人工智能的论文数量非常大。2015年后，CNN算法成为AI医学影像领域首选技术，同时各类新算法不断涌现，2019年之后，CNN算法研究的增长趋势已放缓。
在专利的申请上，有比较明显的分布特征。你会发现，医学影像技术创新的专利，大部分分布在北美地区，而中国的专利量还是比较少。
这需要引起中国企业的重视，毕竟专利一定程度上代表着未来的技术创新方向，也是医学影像技术发展的重要承载体。
这里面列举的是几个典型的专利，例如EDDA公司的三维影像重建及手术规划早期基础专利，4D显示分析的机器学习基础专利。这些专利，都会在将来推动新产品的问世。
正像我前面提到的，人工智能是医学科研的重要手段。例如，数坤科技发表在Nature Communications (影响因子14.919)的文章——“基于三维卷积神经网络的头颈 CTA血管快速分割与重建”，AI 独立测试集重建准确率为93.1%，图像平均处理时间由14min减至4min，缩短3倍以上。
推想科技发表在Lancet Digital Health (影响因子24.519)，“基于深度学习的新冠肺炎高效分诊及病 变负荷分析：一项具有外部验证的回顾性研究，在不同发病率地区收集多个验证集，共3567套CT影像，模型表现出高准确度和高鲁棒性。
鹰瞳医疗发表在Lancet Digital Health (影响因子24.519)，“综合人工智能视网膜专家（CARE）系统 科研成果的应用：通过2万余张视网膜图像对系统进行内部验证，并同时使用全国35家医疗机 构前瞻性采集的近2万张视网膜图像进行外部测试。
以上，都是AI公司与医生配合进而推出的临床科研成果。这样的合作关系，是前所未见的。
所以说，AI给医生插上了想象的翅膀，扮演了一个好助手的角色。
AI在医学影像中面临的痛点
医学影像AI逐渐被临床接受，不少产品拿到NMPA认证，是不是医学影像AI的发展就一帆风顺呢？
其实不然。
从企业端先看一下，医学影像AI的企业是越来越浓缩了，都变成“精华”了，但是这些“精华”的发展还是非常痛苦。
主要就体现核心心算法人才短缺导致供需不平衡。
首先，AI算法专业人才需要有多学科复合能力，而且开设相关专业的高校较少，AI算法人才培养体系目前处于金字塔尖；AI产业发展带动AI人才需求的快速增加，全球范围内，中国AI职位缺口最为明显，AI人才需求量年增速高达74%。
其次，巨头公司对人工智能算法人才争抢激烈。
即使是行业巨头，如微软、谷歌、华为、阿里等，均在激烈地争抢AI算法人才，相比之下， 本行业创业公司在人才吸引上不具备明显优势。
第三，既懂算法又懂医学的交叉人才难求。
目前国内高校人工智能算法人才都集中在理工科院校，和医学院的人才交叉培养体系尚未建立，复合型人才极其短缺。
最后，受限于开发、注册和临床等现实困境，AI产品覆盖病种速度不及预期。
早在2017年，诸多创业公司都预测5年之内，AI可以覆盖大多数需要影像的病种，但受限于医疗产品开发周期长、注册证申请周期长、临床打磨严谨等原因，时至今日，AI能够成熟覆盖的病种很少，远远无法满足影像科医生每日实际工作的需求。
同时，资本的马太效应使得早期创业公司融资更难。
行业头部企业已经形成，资本投入聚焦在头部企业，头部企业融资进程明显加快，反观早期创业公司融资更加困难。融资C轮之后的企业，发展状态相对健康。
除了有发展之痛，企业还有生存之难。
目前，AI医学影像产品的商业化方式与医疗器械进院的采购模式类似。商业化进程依赖于大型设备的采购流程， 流程长，耗时长，医院付费意愿仍需企业强势的市场开拓，AI影像产品渗透率和商业化速度受限。
据《中国医学影像人工智能发展报告2020》，现阶段AI医学影像产品的院端付费渗透率仅为4.5%~7%。未来随着AI医学影像产品价值不断被认可，医院付费意愿提升，2023年渗透率或达到15%~20%。
2021年，人工智能医学影像企业拓展医院销售渠道的主要方式为与龙头器械厂商合作、与代理商合作、自建销售团队。
其中，与龙头器械厂商合作的占比达到了60-70%，是最主要的医院销售渠道，而依赖器械厂商导致AI产品客单价不高，商业转化效率低。
同时，由于AI医学影像辅助诊断系统面向患者收费还没有形成共识，所以按例付费、按服务费收费等商业模式暂未形成，进而影响了商业化进程。
但是，我们也认为，随着产品价值不断地被认可，到2023年之后，医学影像AI产品的渗透率、医院的付费意愿可以得到明显的提升。
对于医院来说，选择的过程也很痛苦。模型现在能做的事情很少，执行的功能只有一小部分，但是医院每一病种放一台服务器在医院里，这会造成极大的资源浪费。
医学影像AI的产品如何选，选了如何用，用了之后如何管理？这些问题都很头疼。
而且，医学影像AI产品没有进入医保，又不能有明确的收费，医生很难决策。人工智能医疗器械产品想要成功实现规模商业化，必须依次完成注册准入、物价准入、医保准入：
注册准入： 人工智能产品需要获批NMPA注册证才能进入医疗市场
物价准入： 人工智能医学影像产品通过招投标进入终端医院
医保准入： 人工智能正式将以价换量，实现调用量的数量级提升，实现患者按例收费
到目前为止，国内大量人工智能医疗器械产品尚未完成注册准入，少量产品完成注册准入，不到10款产品完成物价准入，尚未存在产品完成医保准入。
反观国外，与国内形成了比较明显的差别。
美国医保政策大力鼓励AI发展，商业闭环的打通推动了美国AI企业发展，未来将会对中国AI企业产生竞争。
美国医学协会（AMA）指定CPT III code代码，包含了新兴技术、服务、程序和服务范例，部分AI产品涵盖其中。医院和诊所通过提供CPT代码，即可申报医保和商保。
美国联邦医保将肺癌高风险人群的肺癌筛查医疗服务纳入 “红蓝卡”参保范围。
反观国内。
我们国内的最终用户，不愿意为AI额外的支付费用，这也就体现了医保在定价或是在支付上的必要性。只有将AI医疗服务纳入医保范围内，才能实现AI在临床上的深层次发展。
AI头部企业现在还有着失血之痛。
因为无法进入医保，所以头部的AI公司即便完成了IPO，也依然处于处于只流血、无输血、不回血的“商业断链”窘境。
这些数据是来自公司的招股书。如果再没有一个良好的支付环境，或者是商业落地模式，头部企业的生存岌岌可危。
医学影像AI还有没有未来？
医学影像AI还有没有未来？
需求是产品开发的春天。截至2020年末，我国医疗卫生机构数量达到102.3万个， 其中基层医疗机构为970036家，约占总数的94.8%。
国家制定了分级诊疗的政策，基层医疗机构有望得到大量的分流病人。同时，基层医疗机构的医学影像设备配备、升级需求和医学影像诊断服务需求也将实现快速增长，这将为AI医学影像带来更大的市场空间。
这些空间是存在的，但是能不能填补这个空间，还需要全方位的努力。
资本也为AI这个行业注入强心剂。
2018年的资本市场是比较冷的，但是两年后的2020年迎来了转折点。随着国家逐步发放医疗影像AI软件三类证，出台鼓励AI+医疗发展的政策， 各细分领域的盈利模式逐渐明晰，市场进入快速成长期，资本也大规模注入。
截至2021年11月，共有4家AI医学影像公司向港交所递交了招股说明书。
从融资趋势看，当前阶段医疗影像领域已出现明显的头部聚集效应，大量资本在头部企业进行聚集。
未来的医学影像AI趋势如何，该怎么走？
我们可以参照中华医学会放射学分会主任委员刘士远教授的几点预判。
他认为，人工智能发展会面临九大趋势：
第一，向产品多样化发展；
第二，加深产品垂直功能深度；
第三，单病种向多病种、多任务模型发展；
第四，软硬一体化是未来的发展趋势；
第五，基于互联网+AI实现优质医疗资源下沉；
第六， 打造诊疗闭环，从导诊、问诊、诊断、 检查、治疗的整个闭环都需要AI的参与；
第七，整体或者平台化解决方案；
第八，AI信息与结构化报告的整合；
第九，上下游通力合作，形成良好的AI生态
对于学会、行业协会来说，刘士远教授也提出了未来三年的工作计划：
1、构建国家级医学影像多病种数据库（即将发布医学影像数据库建设招标指南）
2、提升基层医院放射科业务能力，普及及培训医学影像人工智能产品应用
3、推行医学影像科普、影像AI科普，提高交叉学科人员以及民众医学素养
4、加强医学影像质量控制与规范，促进人工智能落地应用减少“副反应”
5、促进医学影像AI产学研用深度交叉融合，推动中国医学影像AI健康发展
以上就是我今天的演讲内容，欢迎大家参加明年在上海举办的第三届中国医学影像AI大会，谢谢大家。
雷峰网原创文章，未经授权禁止转载。详情见。