前言：医疗影像被认为是人工智能最有可能落地的领域之一，2017年被认为是医疗影像+AI的集中爆发的一年，现在2019年已过去一半，该领域内公司发展出现明显的分化，有的持续获得融资不断扩展自己的领地，有的则已经趋于沉寂。本篇文章就该领域现状做了一些剖析，希望能给处于该行业或者有意进入该行业的读者一些帮助。
文章目录：
一、医疗影像常见类型应用场景
二、典型“医疗影像+AI”产品
三、商业模式及头部企业汇总
四、“医疗影像+AI”落地的短期风险和机会
一、医疗影像常见类型应用场景
本文中按照影像产生科室和设备类型分为超声影像、放射影像、放射治疗、病理分析、内镜影像这几类来进行场景描述。
1. 超声影像
超声影像可以清晰显示脏器及周围器官的各种断面像，同时具有价廉、简便、迅速、无创、无辐射性、准确、可连续动态及重复扫描的优点，成像速度快的特点。因此易于推广应用，常作为实质脏器及含液器官的首选方法，非常适合于心脏，大血管及胆囊的显示和测量。
2. 放射影像——X线、CT、核磁
X光：
X光是观察骨骼简便的检查方式，价格也相对较便宜。如果怀疑四肢、脊柱等部位出现急性外伤，伤到了骨骼，有突发急性疼痛或是难以控制的慢性疼痛，一般会优先选择X光。
CT：
CT检查对中枢神经系统疾病、头颈部疾病的诊断、大血管检查等有很大的价值。
核磁：
核磁共振对脊柱、关节、肿瘤、感染性疾病、淋巴结和血管结构之间的相互鉴别，有独到的优势。
3. 放射治疗
作为肿瘤三大主要治疗方式之一，放疗在肿瘤治疗中的地位越来越重要。随着三维适形和适形调强等精确放疗技术的发展和广泛临床运用，其中精准的靶区范围的确定和勾画在放疗中非常重要。
4. 病理影像
病理诊断是医学诊断的“金标准”，病理报告中会提供病人罹患的疾病的具体类型、肿瘤的分级、分期等各种信息，然后临床医生会根据这些信息来制定治疗和用药的方案。
5. 内窥镜影像
内窥镜是集中了传统光学、人体工程学、精密机械、现代电子、数学、软件等于一体的检测仪器。常用于食道、胃及十二指肠、小肠、大肠、胰腺、胆道、腹腔、呼吸道、泌尿道疾病的检查。
6. 眼底影像
眼底检查是检查玻璃体、视网膜、脉络膜和视神经疾病的重要方法。许多全身性疾病如高血压病、肾病、糖尿病、妊娠毒血症、结节病、某些血液病、中枢神经系统疾病等均会发生眼底病变，甚至会成为病人就诊的主要原因，故眼有“机体的橱窗”之称，检查眼底可提供重要诊断资料。
二、典型“医疗影像+AI”产品
1. 疾病筛查和辅助诊断
疾病早筛对于民众及国家均具有重大意义，而影像学检查是疾病早筛的重要环节。医疗人工智能的引入有助于提升影像学科工作效率，减轻医务人员工作负担，减少误诊漏诊现象的发生，为大规模疾病早筛行动的开展提供有力技术支持。
该领域算是”医疗影像+AI”最早涉及、最主流领域了，相应的该领域也是竞争最激烈、上线产品最多的，几乎当前获得大额融资的企业都涉及该领域，可是说是一派“百家争鸣”的局面。
核心功能：
基于深度学习技术训练模型，对病灶进行分割检出。
病灶定量分析，主要是一些形态学参数。
基于分类算法，对病灶进行分类比如结节、肿瘤等。
病灶定性，比如肿瘤的良恶性倾向性分析判断。
生成结构化报告，基于AI诊断结果和临床使用习惯自动生成报告。
代表产品：
肺结节筛查系统-推想科技
乳腺癌筛查系统-依图科技
脑卒中筛查系统-深睿医疗
2. 病理分析
病理医师的诊断依赖于经验，培养病理医生的周期非常长，从一个初级诊断医生到一个经验丰富的高年资诊断医生大约需要10年时间。此外，病理工作风险高、责任大， 专业吸引力相对较低，且由于从业后工作强度太高，很多学病理的医生都没能坚持到最后。
AI的引入可以为医生为低级别医院经验欠缺的病理医生提供诊断建议、提供教学帮助、AI分担医生繁重而简单的工作（如寻找淋巴结的转移癌、病原体等，定位后人工复核）以及计数指标的判定、免疫组化阳性强度的判定以及分子病理的判定等。
核心功能：
对数字化的病理切片，自动完成检测-识别-分割。
智能分辨细胞阴阳性，区分癌细胞与正常细胞并标注。
对框选区域/全场图进行定量分析。
自动结构化报告生成。
代表产品：
D-PathAI AI辅助诊断系统 -迪英加科技
宫颈癌早期筛查系统-腾讯觅影
病理智能辅助诊断系统（宫颈癌、乳腺癌、胃癌）-清影科技
3. 图像后处理
临床上很多影像检查生成的影像不足以直接用来评估病情，需要对影像进一步处理。
典型的就是CT血管造影（CTA，CT angiography）检查，这种检查是将CT增强技术与薄层、大范围、快速扫描技术相结合，通过后处理技术生成一系列后处理影像。这些影像科可以清晰显示全身各部位血管细节，具有无创和操作简便的特点，对于血管变异、血管疾病以及显示病变和血管关系有重要价值。
然而，后处理过程具有复杂、耗费长的特点，一个CTA检查的后处理时间在20~60分钟之间，使用AI技术之后可以让整个后处理时间大大减少。
核心功能：
自动完成图像重建
图像推送和胶片打印
血管斑块和狭窄程度量化分析
自动生成结构化报告
代表产品：
冠心病智能辅助诊断产品-数坤科技
ACD冠脉全自动诊断-医真云
4. 靶区勾画
中国的放疗资源非常稀缺，据统计：目前全国只有3000个有执照的物理师，而且绝大多数集中在大城市的大型三甲医院。基层医院虽然可以通过租赁的方式获得放疗设备，但缺少物理师使得基层医院的放疗设备大多成了摆设。
如果操作不当放疗射线会对病人造成极大危害，因此每一个放疗方案都需要严格画靶，确认放疗射线的靶向位置和剂量，及其穿透路线，避免伤及正常的组织器官。每一位病人每次放疗前都需要拍300-400张CT，传统方法完全依赖肿瘤医生在患者的医学影像上手动标识器官和肿瘤，效率十分低下。
基于深度学习算法的智能勾靶功能，可以全面提高靶区勾画的效率和准确度，将原来要几个小时的工作量缩短到几十分钟。
核心功能：靶区勾画
代表产品：
RAIC-锐克肿瘤信息系统-连心医疗
ARPlanner-全域医疗
智能治疗计划系统DeepPlan-慧软科技
5. 生长发育评估
骨龄”是骨骼年龄的简称，是青少年儿童骨骼发育水平同骨发育标准比较而得出的发育年龄，它比年龄、身高、体重更能精确反映出身体的成熟程度。
临床上通过骨龄检测来判读儿童发育状况，对一些儿科内分泌疾病诊断也有很大帮助。在发达国家，骨龄检测早已是青少年儿童体检的必经环节，而中国目前还没有健康儿童的骨龄数据库，临床应用的骨龄检测方法也各有弊端，或因流程复杂或因不够精准而无法满足临床要求。
基于深度学习技术几秒内就能输出AI骨龄结果。
核心功能：
精准骨龄结果
结构化呈现影像具体评分
生长发育报告生成
代表产品：
儿童生长发育智能诊断系统-依图医疗
儿童生长发育AI评估系统-深睿医疗
三、商业模式及头部企业汇总
1. 商业模式分析
TO B（医院/体检机构）：
医院采购算是现在最主流的落地模式了，因为主要的收益者是科室或者医生，也是最传统落地模式，基本上主流的AI+医疗影像公司的主要模式。
TO C（患者、居民）：
TO C无疑是比TO B更具备爆发式增长潜力的，很多企业也在通过寻找患者刚需+AI影像的点进行尝试，比如用电子胶片代替传统胶片进行远程阅片，按照次数收费就是现在比较好的一个方向。
TO G (政府)：
分级诊疗政策推行以来，基层医疗机构的地位越来越重要，各种政策性补助资金也越来越多。
拿影像设备来说，全国各地乃至县镇级医院共安装了各种型号的CT机数千台，但是光有机器没有人和技术很大程度上制约了基层医疗机构的发展，AI的引入无疑是“雪中送炭”，AI影像企业可以和政府合作把具备三甲医院水准的产品部署到基层实现政府和企业的双赢。
TO M(药厂/医疗器械)：
传统医疗器械公司在医院有着比较好的渠道和设备优势，AI公司与医学影像存档与通信系统PACS厂商、医疗器械厂商合作，依托于其他产品中，通过设备销售带货的方式获得收入。
例如：柏视医疗的鼻咽癌放疗临床靶区自动勾画系统已嵌入飞利浦星云探索平台。
TO I (保险) ：
商业健康险近两年呈井喷的趋势，未来在所有保险产品和品种中，与健康相关的保险会越来越占据主流的地位。AI医疗影像企业可以通过和保险机构的合作，帮助保险机构实现费用智能控制。
2. 头部企业汇总
传统医疗器械厂商：
通用电气医疗（上市）
飞利浦医疗（上市）
西门子医疗（上市）
佳能医疗（上市）
东软医疗（战略融资）
联影医疗（B轮）
互联网巨头：
腾讯优图/腾讯觅影
doctor you(阿里健康)
百度灵医
医疗影像创业公司：
汇医慧影（战略融资）
依图医疗（战略融资）
万里云（战略融资）
深睿医疗（C轮）
推想科技（C1轮）
图玛深维（B轮）
体素科技（B轮）
数坤科技（B轮）
德尚韵兴（B轮）
一脉阳光（B轮）
健培科技（B轮）
翼展科技（B轮）
四、医疗影像+AI”落地的短期风险和机会
1. 短期风险
1）CFDA认证难：
2018 年 8 月 1 日起，我国新版《医疗器械分类目录》正式生效，文件将医用软件按二类、 三类医疗器械设置审批通道。
目前我们所看到的AI 产品，大多应属于第三类医疗器械人工智能辅助医疗影像诊断作为一个新的领域，政府也处在在探索阶段，认证难成了阻碍“医疗影像+AI”公司商业化之路上的“拦路虎”。
当前大部分企业采取增删诊断功能的办法，同时申报二、三类器械，多家企业已经率先获得了二类证书，但目前尚未有一款产品获得三类证书。相信随着政策的日益完善，各公司AI产品标准数据库的建立，CFDA认证难的问题在未来几年内将会解决。
2）数据获取难：
开放的数据集，是肺结节产品扎推涌现的直接原因，也为后来者提供了“弯道超车”的机会，但不是所有产品都有公开的数据集。
从公开数据集、临床数据到金标准数据，难度逐渐递增。相比于三甲医院对医疗影像AI产品的需求，医疗影像AI产品捆绑医院的需求更为强烈，如何拿到医院数据对AI进行训练成为各家产品实现差异化竞争的关键。
短期内，数据获取难问题不会消失，当前各“医疗影像+AI”公司目前都是通过与医院影像科室以科研合作的形式获取数据。所以任何进入“医疗影像+AI”领域的公司必须具备一定的医院影像科“资源”，这也就不难解释为何该领域公司很多创始人或者高管都来自GPS厂家了。
3）医生习惯不易改变
虽然现在的AI产品都标榜自己可以帮助医生节省时间、提供诊断效率等，但是对医生而言，已经习惯了原有的诊疗方式，要完全接受这种“人机结合”的诊疗方式显然还需要有一定的适应和接受过程。不过随着时间推移，相信未来的医生会逐渐习惯无处不在的AI产品。
4）影像科地位尴尬
目前市面上“医疗影像+AI”领域公司都是采取和影像科合作，主要影像科作为辅助学科在这个医院体系中话语权不多，不如其他临床科室受重视，在采购经费申请上也相对困难一些。
2. 短期机会
1）政策支持
国务出台系列政策支持医学影像行业的发展。
从 2013 年到 2017 年，国务院、发改委、国家食品药品监督总局、卫计委不断出台政策支持医学影像行业的发展。
针对性政策涉及：医学影像设备、独立影像中心、线上影像平台、影像信息化，包括鼓励公立医院采购国产医疗设备、扶持民营医院新增设备需求；加强医疗信息化建设基础，构建云端医疗数据库，推动医疗大数据的应用开发等；全面推进分级诊断，鼓励民营资本流入建设独立检查检验中心、远程医疗等。
2）影像数据量足够大大且医生短缺
有数据显示：目前我国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率约为4.1%，其间的差距是23.9%，放射科医师数量增长远不及影像数据增长。
这意味着放射科医师在未来处理影像数据的压力会越来越大，甚至远远超过负荷。
3）人工智能+医疗概念备受资本青睐
有数据显示：2016 年是人工智能+医疗在国内形成投资风口的元年，有 27 家企业在 2016 年进行融资，其中 16 家企业融资金额在千万级人民币或美元以上，医疗大数据公司碳云智能融资金额高达 10 亿人民币。截至2017 年 8 月 31 日，国内 83 家企业的融资总额已经接近 42 亿人民币。
而医学影像已经成为人工智能在医疗应用最热门的领域之一。国内有 83 家企业将人工智能应用于医疗领域，其中涉足医学影像类的企业数量达到 40 家，远高于其他应用场景的企业数量。
3）AI技术的成熟
深度学习能够自动寻找特征，非常适用于“AI+ 医疗影像 ” 诊断。 大量深度学习平台及框架开源降低基础算法实现的技术门槛，这些开源包大幅降低了应用深度学习算法的难度，创业公司也可以利用这些开源包将深度学习应用到医学影像诊断领域，基础算法的实现门槛大幅降低，可更加高效的专注于应用层面的算法优化。