刘士远：人才缺失、数据库建立与商业化是影响医学影像AI的三大要素

从2016年到现在，医学影像人工智能在将近4年的时间里发展迅速。早在2016年至2017年期间，影像AI产品主要集中的病种有糖网和肺结节，2018年逐渐扩大病种范围，包括骨龄、乳腺、脑出血、骨折等等。去年一些AI公司和医院也进行了临床验证、寻求多病种模型的研发和应用。

2020年上半年已经有三四家企业获得了三类医疗器械注册证（下称“三类证”）。随着卫健委对智能化医疗机构、智能化医院认证的开展，相信未来智慧医院、智慧科室的概念会深入人心，而且会真正实现智慧医院的全流程改造，这应该是不远的愿景。

中国的创业公司很多，涉及AI的医学影像初创公司将近70家，公司发展百花齐放，也良莠不齐。目前，有几家公司已获得CFDA三类证，比如针对脑肿瘤、冠脉FFR和眼底疾病等AI产品，多数公司产品已有二类证，有的还拿到了FDA和欧盟CE认证。

随着产品种类的丰富化，逐渐贴近于医生想要的临床场景，医院里面的医生和患者也越来越以积极的态度接受和使用AI。纵观整个资本圈或者人工智能圈，医学影像AI产品仍是关注热点。同时，各个公司在商业环节正积极探寻落地方式，部分地方政府进行了有效的落地探索。

诊断性产品是现阶段医学影像AI产品的主流

医学影像AI产品有些已经在临床常规工作中广泛使用，甚至一线医生对AI产品产生了依赖性。

以肺结节为例，2017年上海长征医院放射科一线医生使用肺结节AI模型的月点击率大概50%左右，2018年为60-70%。疫情期间虽处于停滞状态，但在2020年3月份恢复工作后，其使用率快速恢复到80%以上。

由此可得见，肺结节AI产品有着不错的临床使用效果，医生和AI工具的结合基本上可以达到不漏诊，尤其是对于6毫米以下的小结节。

现阶段，诊断性产品在AI产品的研发热度上位居首位，主要是影像诊断、病理诊断等。其次是临床决策、数据管理、挖掘及手术方案的制定。

放眼未来5-10年，临床治疗的决策、方案制定可能会跃居第一位，诊断会降至第二位，紧跟其后的是疾病预防、康复护理以及大健康等产业。

未来AI产品，要以患者为核心，多模态的数据为学习材料。基于深度学习融合的多种算法，争取覆盖医疗全流程、全病种各个环节，未来产品不会是单一形态，组合形态或者整体解决方案将会成为常态，也会在早期筛查、诊断、治疗决策、预后管理上面发挥越来越大的作用。

医学影像AI在未来会呈现多种发展趋势

第一，向产品多样化发展。

从产品分类上来看，目前，57家初创企业中，从事影像诊断的占77%，搭建云平台的只有7%，其它病例诊断、放疗、手术辅助等占5%，这些大部分都集中在影像诊断大分类上，总体而言太为拥挤。

从病种来看，主要集中在肺部、眼部、心血管，在病种上泛化不够。从产品的分类到病种上都需要进一步向多样化发展、扩大覆盖面。

第二，加深产品功能垂直深度。

以肺结节为例，理想模型不仅要检出病灶，还要实现图像的分割、量化、定性、随访等信息，最后出具结构化报告。在整个影像工作流程呈现全链条、全栈式的深度解决方案。

从冠脉的解决方案看，产品不仅包括图像处理功能，还包含疾病诊断和结构化报告，如果结构化报告符合质控要求，才能真正解决临床工作中的影像痛点。

第三，单部位向多部位发展或者单病种向多病种多任务模型发展。

临床影像检查是基于部位申请和实施的，一个部位包括多个器官，一个器官包括多种疾病。倘若影像AI临床上只能检测出单一器官里面的某一种疾病是远远不够的。

比如肺部不仅有肺结节，还有间质性增生、肺炎等等各种病变，肺的AI模型就需要检出肺部的各种病变。一个病人去做胸部CT，不可能只针对肺组织，还要看心血管系统、纵隔、胸壁、横隔等，这些解剖部位的疾病也都要能够检出，这样才能满足临床的需求。

基于部位的多病种、多任务模型，是未来临床场景的发展方向。

第四，软硬一体化是未来的发展趋势。

AI作为深度学习的模型，对于普通消费者来说不易感知，需要借助载体看到产品的形态。

AI算法与硬件融合，可以提升智能密度，降低50%-80%建设投入；而软件功能的有效释放则需要硬件、硬件系统架构支撑及人机交互界面，从而使得AI产品能够最为有效的满足病人的治疗需求和医生的诊断需求。

第五，基于互联网，实现优质医疗资源下沉。

互联网医疗辅以AI产品，能够通过互联网落地到基层，以此提升基层的诊断水平，实现大医院优质医疗资源的下沉和分级诊疗。

如果人工智能做到图像质控、报告质控、诊断质控，从而可以推进国家医疗服务质量的同质化建设。医生也可以突破时间和空间限制，最大程度地发挥作用，保证其质量、效率和安全性。

第六，打造诊疗闭环。

医疗不是单纯的诊断。从诊前、导诊、问诊、诊断、检查、治疗的完整过程，整个闭环都需要AI的参与。合理设计AI产品的全流程覆盖也是未来发展的一大需求和挑战。

第七，整体解决方案或者平台化解决。

目前硬件设备厂商和信息化厂商都在致力于打造智能化医院或科室的平台，以整合AI产品为入口。希望AI产品能够覆盖整个平台，包括流程优化产品、诊断产品、图像重建产品、疗效评价产品等，也希望通过智能化平台整合AI使用界面，解决目前入口多且使用不便的问题。

由于科室和医院层面使用的AI来源复杂，各个产品都有相对独立的界面，互相切换过程繁琐，不符合临床使用习惯和流程。因此，无论硬件、软件，在同一平台的一站式使用都可以大大提升工作效率。

第八，AI信息与结构化报告的整合。

关于结构化报告，把AI的信息整合到结构化报告里，满足临床治疗信息、治疗方案的需求，是未来AI公司的工作方向，也是实现商业落地的形式之一。

倘若能够把医生的诊断费和人工智能的产品使用费加上结构化报告进行一体化整合，形成创新的医疗服务项目，将来会得到医生和患者的青睐。

医学影像AI发展三大瓶颈

尽管医学影像AI目前发展趋势良好，但仍然存在发展瓶颈。

产品形态并未完全符合临床应用场景，种类也远不及临床常见部位和种类。

从监管层面来讲，还没有确定的AI产品分类和分级，临床验证也没有规范性的方法，验证方式也没有得到统一，这也使得论证的时候往往会存在很大的争议，导致工作重复或无效。

从商业层面来讲，AI产品的商业形式多样，定价困难，付费主体还未得到清晰确定；数据的所有权、使用伦理、安全性等问题也没有明确规范和清晰的法律法规可参考。

从医院层面来讲，AI产品CFDA三类证的签发，将推动AI产品的临床评价、标准规范、效果、风险和安全合规等体系逐步建立。

人才缺失、数据库的建立和商业化落地是目前影响AI发展的三大因素。

在全球人工智能领域人才缺乏的背景下。中国存在缺口500万左右，而目前中国只有5万左右人工智能人才，且水平参差不齐。培养一流AI人才已经成为国家的急需和战略方向之一。

另一个因素是数据库的建设。目前可公开的数据库很少，数据的标注标准也不统一。数据库建设是一个门槛很高的领域，需要行业学会的权威专家制定权威标准和规范，对图像进行分割、标注，在这个基础上建库，继而形成其它训练、检测等用途。由于缺少经济和人力的支持，面对相对较高的数据加工成本，导致数据库建设不足、进程缓慢。

最后是商业化，商业化是所有公司的痛点，面临的瓶颈也很多，各个公司正努力寻求落地方式。设备公司可以将AI产品整合到设备中进入医院使用，信息化通过信息化系统进入，另外有的通过科研合作、临床研究、临床验证进行临床使用。

未来医学影像人工智能前途是美好的，相信AI会得到更为广泛的使用。随着三类证的不断推出，商业化落地也会紧锣密鼓的实现，但这需要各个层面一起努力。政府相关部门应积极推动数据库的建设，建立AI产品的收费目录、推动医院标准化体系的建立和应用。同时也希望资本市场更加关注AI企业。AI医学类的产品需要长线发展周期，离不开持续性的投入和支持。