醫(yī)學影像智能識別：醫(yī)療與AI結合成功案例
醫(yī)學影像智能識別：醫(yī)療與AI結合成功案例
醫(yī)學影像識別有望成為AI較快落地的領域
“人工智能+醫(yī)療”駛入快車道。
“人工智能+醫(yī)療”快速發(fā)展。醫(yī)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(yè)可以發(fā)揮重要作用。
同時，我國醫(yī)療資源短缺，供給嚴重不足，人工智能在醫(yī)療行業(yè)的應用可以提升醫(yī)生工作效率，變相提升醫(yī)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(yī)療”快速發(fā)展，根據中國數字醫(yī)療網統計，2016年中國AI+醫(yī)療市場規(guī)模達到96.61億元，增長率為37.9%，中國AI+醫(yī)療市場規(guī)模在持續(xù)增長，2017年超130億元，增長40.7%，有望在2018年市場規(guī)模達到200億元。
人工智能在醫(yī)療行業(yè)的各環(huán)節(jié)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(yī)生實現患者藥物依從性的監(jiān)督。
4. 其他環(huán)節(jié):保險機構費用智能控制;人工智能參與到藥物研發(fā)過程中，可以縮短時間、提高效率。
AI+醫(yī)療的各類應用場景:
產業(yè)仍處于發(fā)展初期，數據整合與共享是驅動行業(yè)發(fā)展的核心因素。AI+醫(yī)療發(fā)展的核心在于“算法+有效數據”。
目前產業(yè)發(fā)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(yè)發(fā)展的核心因素。
目前，國內大多數醫(yī)療數據存儲在醫(yī)院，一方面，醫(yī)院內部的臨床數據中心建立尚不完善，醫(yī)院內部數據互聯互通程度和共享程度尚低;另一方面，醫(yī)療數據涉及病人隱私，共享機制和規(guī)范缺乏，導致很多AI+醫(yī)療應用由于缺乏數據而止步不前。
隨著醫(yī)療數據互聯互通程度的提升和共享機制的建立，AI+醫(yī)療行業(yè)發(fā)展將加速。
智能影像診斷是“人工智能+醫(yī)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(yī)療應用包括兩個:
1. 基于醫(yī)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(yī)院小范圍推廣。
而基于醫(yī)學影像的智能識別，全球該領域的創(chuàng)業(yè)公司達1000多家，是適合AI技術發(fā)揮其所長的醫(yī)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(chuàng)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(yī)學圖像識別比賽或活動當中，學校和商業(yè)研究團隊分別在不同病種上取得了不錯成果。
醫(yī)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(yī)學影像數據的年增長率約為30%，而放射科醫(yī)師數量的年增長率為4.1%，其間的差距是25.9%，放射科醫(yī)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(wèi)計委統計，我國病理注冊醫(yī)生在1萬人左右，按照每百張床配備1—2名病理醫(yī)生的標準計算，全國病理科醫(yī)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(yī)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(yōu)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(yōu)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(yōu)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(yī)學圖像處理中的應用十分廣泛，涉及醫(yī)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(yī)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(zhàn)斗部門”，在制定放療方案之前，醫(yī)生需要通過成像設備對靶區(qū)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(qū)自動勾畫，由于放療需要殺死細胞，病變區(qū)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(yī)生進行手術前規(guī)劃，確保手術的精確性。
4. 病理類:病理診斷是最終確診環(huán)節(jié)，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(yī)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(yè)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(chuàng)業(yè)公司涉足;
而病理科醫(yī)生缺口大(我國病理注冊醫(yī)生在1萬人左右，按照每百張床配備1—2名病理醫(yī)生的標準計算，全國病理科醫(yī)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(chuàng)業(yè)公司也在病理類影像智能識別發(fā)力。
醫(yī)療影像服務市場每年規(guī)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(guī)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(guī)模合計700億元，而普通的CT和核磁共振，每年市場規(guī)模合計1500億元。
所有成像類型的市場規(guī)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(guī)模在百億級別。
2、行業(yè)發(fā)展初期市場相對分散，未來有望逐步走向集中
行業(yè)發(fā)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(yī)療影像數據來源于醫(yī)院。且三級醫(yī)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(yī)院系統中。
根據衛(wèi)計委，2017年6月，全國三級醫(yī)院數量為2286家。創(chuàng)業(yè)公司除了通過公開數據集進行訓練，也跟大醫(yī)院進行合作，簽訂聯合科研的協議，和醫(yī)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(chuàng)業(yè)企業(yè)都有跟熟悉的醫(yī)院合作進行產品研發(fā)的可能。
目前市場上大部分公司的數據來源是2-3家醫(yī)院，這在數量和質量相對較少。以CT為例，醫(yī)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(yī)療AI公司研發(fā)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(yī)學影像智能識別：醫(yī)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(yī)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(jié)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(yè)參與的公司著力選擇多發(fā)病種進行產品研發(fā)，但不同病種不同模型的特點，決定了行業(yè)發(fā)展初期參與者相對分散的形態(tài)。
3. 變現場景、商業(yè)模式多樣化: 僅就醫(yī)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(yī)療機構銷售、與PACS等系統合成向醫(yī)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(yī)療機構銷售;通過遠程醫(yī)療等方式服務基層醫(yī)療機構;通過互醫(yī)療影像創(chuàng)業(yè)公司處于發(fā)展初期
根據動脈網，目前國內在該領域的創(chuàng)業(yè)公司大概為59家。我們認為，隨著行業(yè)的發(fā)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(yè)數據整合與共享機制的建立、模型訓練的成熟、商業(yè)模式的確立，以及部分企業(yè)CFDA認證的率先通過，先發(fā)企業(yè)將逐步建立技術壁壘和商業(yè)壁壘，推動市場走向集中。
從產業(yè)鏈上下游看數據與場景等核心商業(yè)要素
醫(yī)療影像智能診斷不僅需要醫(yī)療影像數據，更需要經過專業(yè)人員標注過的醫(yī)療影像數據。基于此，從事醫(yī)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(yī)療影像數據產生于醫(yī)院和第三方影像中心，短暫存儲于醫(yī)療設備而長期存儲于PACS系統中，而標注醫(yī)療影像數據需要與專業(yè)的醫(yī)務人員合作。
影像科醫(yī)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(yè)的影像科醫(yī)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(yè)鏈一體化，成為醫(yī)療影像智能診斷的廠商的核心競爭力之一。
大型醫(yī)院、基層醫(yī)院、第三方影像中心均有可能是醫(yī)學影像智能診斷的上游“脫敏數據資源方”，而各類醫(yī)療機構、醫(yī)療設備、PACS系統，也有可能是醫(yī)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(yī)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(yī)療機構合作有助于打磨產品業(yè)內廠商數據獲取方式包括跟大醫(yī)院合作、跟基層醫(yī)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(yī)院合作:我國絕大多數的醫(yī)療影像數據來自于三甲醫(yī)院等大醫(yī)院。
醫(yī)療影像智能診斷AI公司與大醫(yī)院合作，一方面有利于得到大量的脫敏的數據和行業(yè)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(yōu)勢的醫(yī)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(yī)院被視為彰顯自身實力的背書。
2) 與基層醫(yī)院合作:與大醫(yī)院不同，基層醫(yī)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(yī)療向基層醫(yī)院提供“幫忙閱片”的服務，從而在醫(yī)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(yī)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(yè)包括:萬里云等。
根據萬東醫(yī)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(yī)院用戶，實現天均2000名患者的遠程閱片診斷，業(yè)務范圍覆蓋全國基層醫(yī)院、民營醫(yī)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(yè)，如銳達影像、匯影醫(yī)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(chuàng)業(yè)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(yè)也可選擇自建或與其合作，部分第三方影像中心也將業(yè)務向智能讀片延伸;
(3) PACS系統從院內向云端發(fā)展。近年來，區(qū)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(fā)。
相關企業(yè)通過拓展云PACS業(yè)務或者與其合作，獲取AI+醫(yī)療影像行業(yè)的參與機會，相關廠商包括:杭州聯眾、心醫(yī)國際、海納醫(yī)信。
綜上，從數據的角度，大醫(yī)院具備優(yōu)勢科室與一定量的已標注數據，與大醫(yī)院合作有助于在大醫(yī)院的優(yōu)勢學科訓練出優(yōu)質產品，但對于小眾病種，需要跟很多家醫(yī)療機構合作才能訓練出好的模型。
而與基層醫(yī)院進行遠程閱片合作的優(yōu)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(yè)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(yī)學影像產品還是作為三類醫(yī)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(yī)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(yè)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(yè)處于發(fā)展初期，變現模式處于探索階段，我們認為，行業(yè)潛在的變現方式包括:
作為單獨的軟件模塊向醫(yī)療機構銷售、與PACS等系統集成向醫(yī)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(yī)療機構銷售;通過遠程醫(yī)療等方式服務基層醫(yī)療機構;通過互聯網醫(yī)療等方式直接服務于患者。
目前基本成型的AI+醫(yī)學影像產品大多正處于醫(yī)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(yè)務模式可進一步向產業(yè)鏈上游和下游進行拓展。
從變現對象看，基層醫(yī)院因為治療水平，醫(yī)療資源缺乏，付費動力最強;而大醫(yī)院雖然醫(yī)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(yī)院具備按次付費的需求基礎，而大醫(yī)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。
