视网膜AI的价值，被我们低估了

钛媒体 • 2年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

视网膜AI的价值，被我们低估了

科技新知

· 刚刚

微信扫码

1969

小小的视网膜，为何能有如此之大的吸引力？

视网膜AI的价值，被我们低估了

00:00 13:41

图片来源@视觉中国

文 | 科技新知

2015年，《财富》杂志报道了一组数据，在一场肺癌诊断竞赛中，IBM开发的人工智能程序“沃森”，以90%对50%的准确率大胜人类。

在世界各地，医疗专家普遍是受人尊重的职业，并享有优厚待遇。医生的学习年限往往较其它专业更长，要随时学习最新的行业知识。正因如此，我国医疗市场长期处于供不应求的状态，对于拥有丰富经验的专科医生，患者往往一“号”难求。

而人工智能之所以能在医学影像领域“媲美”专家，正是依赖“经验”。

作为AI程序，“沃森”拥有不眠不休的学习能力，相比人类，“沃森”跟进最新病例数据的能力远远胜出。在辅助诊断时，“沃森”可以在几秒钟之内提炼全球医学杂志的关键信息，并梳理成诊疗方案。

而肺癌诊断只是医疗AI大显身手的冰山一角。以医学影像AI为代表，随着相关产品陆续获批上市，医疗AI商业化的大潮正在兴起，其中视网膜影像AI尤为引人注目，已广泛应用于疾病的辅助诊断及健康管理。

从Google、IBM、百度、腾讯等国内外互联网巨头先后入局，到国内初创企业竞相赛跑跑出医疗AI第一股，视网膜影像AI这一细分领域的价值成色几何？在这场国际科技竞赛中，谁又将站稳鳌头？

01 视网膜影像AI热

2016年，AlphaGo在围棋比赛中击败李世石，人工智能成功出圈，震惊了世界。基于深度学习技术，人工智能如今已从一个概念，走向了应用爆发，许多服务行业和其相关职业也随之发生转变。

医疗被认为是人工智能最有应用前景的行业之一。医学中的诊断、治疗都高度依赖医生的经验，但同时，医疗过程本身产生了大量可标准化的数据，包括门诊、住院、影像、手术、临床症状、患者特征等等。这意味着，相关数据一旦由AI整合，就有加快服务效率的空间。

在医疗AI行业中，医学影像AI发展速度最快，目前已进入了加速商业化的阶段。

在我国，医学影像医生面临较大供应缺口，《智能化医疗健康的应用与未来》一书提供的数据显示，我国医学影像数据量每年增长约30%，而放射科医师年增长率仅为4%，市场需求的扩大与供给不足背景下，医学影像AI识别的重要性愈发凸显。

当前，医学影像AI主要应用于肺部、心血管、眼底、骨骼、头颈等相关病种的诊断和检测，2020年以来，国内各个细分赛道下均有2-3款产品陆续获得国家药监局批准上市，部分企业在海外也已经形成规模收入。2021年，科亚医疗、鹰瞳科技、数坤科技、推想科技等头部企业相继向港交所递交招股书冲关IPO。最终，专注视网膜影像人工智能的鹰瞳科技拔得头筹，成功上市。

视网膜影像AI确实是医学影像AI中发展最为迅速的细分赛道之一。瞄准这一赛道的，不仅仅有国内初创企业，谷歌、IBM等国际互联网巨头早早便已抢滩布局。

2015年，搜索巨头谷歌通过改组整合了一批非互联网项目，在新上市公司的架构中，包括医疗子公司Verily和AI子公司DeepMind、Calico，三家公司共同构成了谷歌的AI医疗战略。谷歌尝试用AI追踪、检测疾病，并全面管理患者的生活方式，其中，用视网膜影像AI检测眼病和心血管疾病，是谷歌的主攻方向。

信息技术巨头IBM从2013年开始，就将医疗AI列为人工智能业务的主攻方向，并为此进行了耗资巨大的收购。从2015年开始，IBM选择发力用AI技术分析视网膜影像。在IBM的规划中，AI医生、癌症筛查等主力项目将极大扩展公司的发展前景。

小小的视网膜，为何能有如此之大的吸引力？国内外巨头和初创企业争相入局，视网膜影像AI这块蛋糕够分吗？答案或许还要从它的技术和医学原理说起。

02 被低估的价值

视网膜，人体眼球后壁部的感光层，也是人体中唯一一个能以非侵入方式观测血管和神经的部位。血管和神经的性状变化可以用于多种慢性病的检测，包括高血压、糖尿病、ICVD、帕金森氏病及贫血症等等。通过一张视网膜照片，理论上能够发现的常见疾病和病变就多达200余种。

但是，眼底检测需要较高的阅片技术门槛，在我国，能看眼底病的专业眼科医生有限，仅1000余名，使得眼底拍照+人工阅片识别疾病的模式难以普及。

对于拥有眼科专家的大三甲医院来说，视网膜影像AI有效解决了全流程无需专业医生值守、处理自动化等临床痛点，减少了医生的重复性操作；而对于绝大多数缺少眼科专家的医疗机构来说，视网膜影像AI更是能赋予其眼底病及慢性病检测从无到有的能力。

除了在院内场景的应用，视网膜影像AI在民营体检、视光中心、保险公司、药店等院外大健康场景也展现了极大的应用价值，国内头部企业已有规模布局，在一些场景下开展应用的速度甚至超过了在医疗场景下的应用。

在院外场景下，AI应用扮演了更为重要的角色。首先，视网膜影像AI的应用可以提高B端的综合服务能力和水平，实现产品升级和服务转型。例如过去仅从事眼镜销售的眼镜店，可以实现向专业检查、视光服务场所的转型。

其次，视网膜影像AI在院外场景的应用，也为传统诊断在2C场景的应用带来了崭新方向。过去需要在大医院才能做的眼底检查，如今在家门口的体检中心、眼镜店，甚至未来居家也能够完成，在手机上就能看到AI对自身健康状况作出的评估。产品的可及和流程的简便，能有效提高患者的早筛意愿，无疑将进一步释放眼健康管理、慢病防控的压力。

与此同时，不少地方政府也发现并认可了视网膜影像AI的应用价值。在厦门翔安区，当地卫健局推出了一项“60岁以上老人接种新冠疫苗送体检筛查”的服务，居民在疫苗接种的观察间隙接受视网膜影像AI的检测，前后不到2分钟，便能拿到筛查结果。此举不仅提高了老年人疫苗接种率，对于疾病早诊早治，降低整体卫生支出也有重要意义。

在我国专业医师供给数量不足，医疗资源分配不均的基础国情背景下，视网膜影像AI可以通过无创、高效的方式检测并持续管理常见慢性病。如若能在疾病早期筛查风险，必将有更多的人从这场技术变革中获益。

03 谁将站稳新蓝海？

国家糖尿病联盟（IDF）数据显示，目前我国糖尿病患者人数超1.4亿，且这一数据仍在快速增长。检测需求端正在高速增长，而专业医师供应不足，这就亟需视网膜影像AI的介入来解决供需矛盾。

基于较大的应用价值和临床需求，视网膜影像AI的市场前景被不少咨询机构和投行看好。弗若斯特沙利文数据显示，中国人工智能视网膜医学影像市场预计将自2020年的人民币0.45亿元增至2030年的人民币340.10亿元，年复合增长率高达81.55%。而在大健康场景下，由于市场仍有大量需求未被满足，预计从2020年到2030年，视网膜AI大健康市场的年度复合增长率将达到90.7%，增速超过医学影像市场。

这块数百亿的大蛋糕怎么分？我们来看看目前的竞争格局。

截至目前，美国有Digital Diagnostics和Eyenuk两家企业的视网膜影像AI产品获得美国食药监管局FDA认证；国内自2020年8月鹰瞳科技获批国家药监局医疗器械三类证以来，已累计有4家企业拿证。通过公开数据对比，国内企业在产品性能、产品适配性，以及开发算法的种类等方面已处于领先。

而值得注意的是，早早便入局，且财力与技术储备均雄厚的国内外互联网巨头，至今仍未开发出通过注册的相关产品。

2021年，谷歌以医疗和谷歌云为主的其它业务亏损额高达53亿美元，视网膜AI则仍处于理论状态，无任何实际产品落地；IBM则于今年1月宣布出售AI医疗业务Watson Health，宣告了医疗布局的彻底失败。

在整个AI医疗赛道，美国互联网巨头无疑拥有先发优势，和更强的硬件算力，但他们似乎都缺少一点商业化应用的突破能力，不得不“起了个大早，却赶了个晚集”。

前任IBM研究院首席医学科学家Martin Kohn曾对外界大倒苦水——高管热衷于开发“华而不实的东西”，以拉升公司的想象空间，但做出来的东西不符合市场的真实需求。

谷歌的困境与此类似，谷歌视网膜AI系统在泰国的实验表明，产品的临床效果与实验室效果大相径庭，AI需要高质量的眼底相片，而诊所采集的图像模糊，这使系统拒绝了相关图像的诊断。

深究起来，医疗AI需要人工智能的算力，但其本质终究是医疗产品，需要为场景寻找合适的技术，而谷歌和IBM受限于互联网科技基因，切入医疗AI的始发点，是为技术寻找合适的场景，这是供需双方匹配矛盾的根本原因。

如果从医学影像的发展历程看，临床痛点始终是技术发展的源动力。从1972年，CT应用于临床检测领域开始，利用机器取代人的经验，安全、无创地判断患者的健康状态，就成为医学领域的集体追求。

美国互联网巨头的经验证明，技术难以跨越医疗需求先行发展，在实验室中反复验证的精确理论，总会在临床应用中遇到棘手的现实问题。无论谷歌还是IBM，都更倾向于解决医疗AI的“高精尖”问题，寄希望于让AI深入医疗产业链的全流程，毕其功于一役。结果是，IBM的AI医疗助手被医生吐槽“没有实用价值”，谷歌的视网膜AI产品只能面向标准的精确样本，对复杂样本没有检测能力。

反观国内，几家初创企业已率先进入商业化阶段，并在医疗和大健康场景中积累数据、优化算法，实现了“弯道超车”。

究其原因，或许是国内初创企业的医疗基因为其弥补了这一缺陷，使得产品在保持技术先进性的同时，能够最大程度满足临床的真实需求。而由于我国的病例基数大，覆盖范围广，产品历经不同地区、不同民族、不同硬件机型、不同检测环境等维度的锤炼，因此也更具临床应用的优势，能够适用于多种应用场景。

随着国内视网膜影像AI产品进入商业化初期，行业格局将向率先拿证、率先商业化的先发企业倾斜，直至形成规模效应。

一款成功的医疗AI产品，必然经历产品研发、临床试验、注册审批、商业应用、数据积累、算法优化等流程，其周期至少长达两年。这意味着，越是先启动的玩家，就越是有利于卡位行业生态，对追赶者形成适配性、精确度都更优的产品优势，及市场规模优势。

未来，机会必将会优先垂青行业的先行者，但究其根本，谁能比竞争对手更加洞悉市场需求，谁更能解决终端场景的真实问题，谁就能掌握市场的主要份额，占领这片新蓝海。

参考文献：

[1]王笛，赵靖，金明超，刘婧，熊伟. 人工智能在医疗领域的应用与思考[J]. 中国医院管理，2021（6）.

[2]闵栋，王豫，徐岩，方林. AI+医疗健康：智能化医疗健康的应用与未来[M].机械工业出版社，2018（10）.

投稿医疗AI