作者：深睿医疗联合创始人 李一鸣

自2006年Hinton及其学生在《Science》发表了题为“Reducing the Dimensionality of Data with Neural Networks”的论文以来，虽然神经网络的概念重新回到大众的视野，但这项技术仍然没有得到大规模的使用。因为效果不理想的问题，使得包括学术界很多学者都心存疑虑。直到2012年ImageNet大赛冠军AlexNet的诞生，深度学习这个『炼金术』的大门才真正打开（向在NIPS2017获得“时间检验奖”Test of Time Award的Ali Rahimi致敬）。这一事件激发了工业界极大的热情，众多以深度学习技术为核心的初创公司如雨后春笋般在美国硅谷、以色列以及中国涌现出来。

深度学习技术的发展直接促进了自然语言处理（NLP）和计算机视觉（CV）两个领域技术方向的进步，语音识别、机器翻译、图像处理和识别上出现了诸多成功、成熟的应用。而医学影像分析作为计算机视觉技术在图像领域应用的一个分支，同样成为了研究热点。2017年中发表在Medical Image Analysis的一篇文献对深度学习技术在医学影像分析领域的研究进行了统计，其结果如下图所示：

可以看到，深度学习技术于2012年在自然图像领域取得突破之后，开始大规模进入医学影像领域。计算机视觉中的目标检测、实例分割、图像分类等几个主要技术在医学影像分析中都有应用，而且覆盖了如MRI、CT、X-ray、Ultrasound等不同模态的数据，也涵盖了各种不同的部位。不仅如此，上面给出的是学术论文数量上的分布，在论文的影响力方面，深度学习技术在医学影像分析中的应用也得到了很大的认可，简单罗列下近两年的一些重要研究结果就可见一斑。

如2017年1月斯坦福大学跨学科的研究团队在《Nature》上发表的“Corrigendum: Dermatologist-level classification of skin cancer with deep neural networks” ，这篇文章运用深度学习技术，采用了近13万的临床数据进行训练，并在 21 位经过认证的皮肤科医生的监督下，测试了它在活检证实的临床图像上的性能。在本次实验中，深度卷积神经网络在最常见癌症识别以及最致命皮肤癌识别浙两个任务上的表现都达到了所有测试专家的水平，证明了该人工智能的皮肤癌鉴定水平达到了媲美皮肤科医生的水平。

再如2018年2月加州大学圣地亚哥分校张康教授团队在《Cell》上发表的“Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning”论文，他用约10万张准确标注的视网膜光学相干断层成像术图像进行训练，在诊断眼疾时的准确性达到96.6%，其中灵敏性97.8%，特异性97.4%。这项工作引入了迁移学习的技术，可用于诊断视网膜疾病之外的其他疾病，并在用预训练好的眼科AI诊断模型上采用5000张胸部X线图像进行进一步训练，在区分肺炎和健康状态时，准确性可以达到92.8%。

与此同时，一大批人工智能医学影像初创公司涌现了出来。据公开数据统计，2017年国内医疗影像AI赛道共计融资超过20亿人民币，单笔融资过亿的就有数起，在整个医疗人工智能领域是股权投融资最活跃的方向之一，那么为什么医学影像AI能够获得众多创业者、投资者的认可，吸引了如此多的资本和人才汇聚到这个领域？

这里有几个前提：

深度学习技术在图像领域的突破使得在医疗影像中应用AI技术进行辅助诊断成为可能；

随着人口老龄化的加剧以及民众健康意识的提升，医学影像检查次数每年以超过30%的速度增加，而影像科医生每年的增长速度不到5%，这里面存在着严重的供需失衡；

据《医疗影像的市场图谱和行业发展分析》推算，2020 年我国医学影像市场规模将达6000 - 8000 亿人民币，其中诊断环节占20%左右，却也是一个千亿级别的市场。而美国2018年医学影像诊断的市场规模超过100亿美元。

那么，市场和价值都很明确，医学影像AI现阶段到底能解决什么问题？

现阶段的医学影像AI产品主要的应用模式是辅助医生进行临床诊断，从产品分类上属于工具型产品，而工具型产品的核心是高效地解决用户需求。

那么我们简单分析下工具型产品的优劣。传统的工具型产品的优势是用户需求明确，使用场景纯粹，落地容易，容易做到极致化的体验。但工具型产品也存在很大的劣势，因为使用场景单一，所以用户使用频率少；因为用户需求明确，所以一旦用户的需求获得满足，使用即停止。因此，这类产品使用时间短，用户粘性差，这都使得工具型产品往往在早期发展非常快，并且能够快速占领市场，但发展到一定的阶段，又会受限于规模化的商业变现。

而在医疗领域，工具型产品的变现模式非常清晰。目前医疗领域大部分的产品都属于工具型产品，如医疗器械，只要产品质量过硬，能够解决实际临床需求，并且可以切入到临床路径，就能够进行商业化变现，所以医疗影像AI产品主要需要跨越的门槛就是找到明确的用户需求和使用场景，并进行落地。

我们再来分析用户需求和使用场景，首先来看下我国恶性肿瘤的统计数据。

全球每年新发癌症病例1400多万，我国每年新发病例约430万，相当于每天都有1万多人确诊癌症。其中肺癌和乳腺癌分别为男性和女性的第一大癌，而肺癌更是我国乃至世界发病率最高、死亡率最高的癌症。由于肺癌和乳腺癌早期和晚期的五年生存率有明显的差异，早诊断早治疗能够显著降低死亡率，对于患者自身及其家庭乃至社会都有难以衡量的意义。

但令人遗憾的是，肺癌发病隐蔽，等到患者出现明显的临床症状（如咳嗽、痰中带血、胸痛、发热、气促、声音嘶哑等），已经到了晚期。数据显示，目前我国约75%的肺癌患者在确诊时已属晚期，五年生存率仅15%，而发生远端转移的肺癌患者五年生存率更是不到5%，超过半数的肺癌患者在确诊后的一年内死亡。因此肺癌的早期诊断对治疗极其重要。NLST（National Lung Screening Trial）的研究结果显示，对于高危人群进行肺癌筛查，可以有效的降低死亡率（Reduced lung-cancer mortality with low dose computed tomographic screening，New Engl J Med 2013）。

与肺癌相比，乳腺癌的治疗效果较好，而且不容易复发。美国癌症中心的数据显示，乳腺癌五年生存率为89%，其中0-I期五年存活率接近100%。但是在我国，由于缺少全国范围内的乳腺癌筛查项目，相较于美国大多数患者诊断时为0期、I期，我国乳腺癌患者多为II期，并且III、IV期比例也高于美国。有数据显示，即便在北京，82.1％的女性发现患乳腺癌时已有明显症状，在0期和I期的患者比例只有32%，而且我国乳腺癌的发病年龄明显低于国外，有2/3的患者为45岁以下的中青年女性，覆盖大规模人群的乳腺癌筛查迫在眉睫。

糖网（糖尿病性视网膜病变）也对筛查有迫切的需求。截止2015年，我国糖尿病患者人数高达1.1亿，居世界首位，而糖网是糖尿病常见的慢性并发症之一，也是糖尿病患者致盲的最主要眼病，发病率约31.7%。同时，糖网病早期往往没有任何临床症状，一旦有症状，病情已较比较严重，容易错过最佳治疗时机。研究表明，糖尿病患者每年进行1次眼底检查，可使失明发生率降低94.4％。

可以看到，上面三种重大疾病都存在着大规模人群筛查的需求，这需要大量的人力和资金的投入，而将AI技术应用到重大疾病的早期筛查，则可以很好的解决人力和资金的问题，同时提升整体筛查效率，从国家的层面也能很好的帮助优质医疗服务下沉，实现重大疾病早诊早治，降低医疗和社会成本。这才是当前影像AI应用的主要落地场景，也是当前医学影像AI真正可以解决的问题。

随着大家这两年来对于医疗AI的摸索和理解，各家公司的产品包括模式都在趋同。基于公开资料可以看到，各家公司发布的产品大部分集中在肺癌、糖网、乳腺癌等重大疾病的筛查和早期诊断，虽然医学影像AI存在较高的技术和资源门槛，但竞争同样非常激烈，还吸引了众多成熟企业加入，如阿里巴巴、腾讯、百度、平安科技、科大讯飞等。

这一领域的公司都有其各自的特点，不论是从非医疗领域跨界而来的巨头，还是从传统医疗领域延伸出来厂商，或者是从0到1的创业公司，在医疗影像AI领域耕耘持续考验着公司的技术能力、产品能力以及商务能力，任意方面的短板都会严重制约公司的发展。医疗影像AI是一个非常有前景，有价值的领域，以技术创新为核心，从产品体验着手，务实的解决医生在临床工作中面临的效率问题，让产品在临床工作中得到实际应用，进而形成依赖，是当下最切实可行的路径。