Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

郝雪阳作者

不让影像AI走医疗软件招标老路,同心医联用独有商业闭环已实现盈利

2019年5月7日,同心医联科技(北京)有限公司(以下简称“同心医联”)在北京召开战略发布会,推出"科技医疗平台"的升级战略。针对行业现状,同心医联倡导打破目前影像AI公司同质化重复竞争的窠臼。下一个阶段,应该以可落地的临床价值为追求方向。具体包括:

1、临床导向:回归影像技术的起源和本质,关注临床医生的需求,为患者提供更为精准的诊断和治疗建议为研究方向,而不是跟影像科超声科医生竞赛诊断准确率。同心医联通过互联网医院服务近5万名临床医生,将临床医生的需求作为所有技术研发的起点;

2、跨界融合:促进医学成像技术+AI技术+影像诊断+临床应用四个学科的跨界合作,才能开发出真正有临床价值的产品,解决医生和患者的实际问题。同心医联在全国拥有自营和合作影像中心超过300家,积累影像病历超过850万,具备了跨界融合的能力;

3、开放共赢:鉴于医学复杂性,一个团队不可能在所有疾病方向上都有所建树。各方重点发展自己专业方向的同时,可以互相合作,取长补短,共同促进医学新技术的临床应用。

同心医联目前已经推出38个独家智能诊断产品,主要服务于心脑血管和肿瘤患者。同时,已经与近100家世界一流大学和科研机构如清华、北大、中科院等,建立紧密合作关系,发挥各自专长,将新技术更好地应用于临床实践。

本次发布会上,同心医联还梳理了目前影像+AI行业的发展现状,并提出了独到的行业见解。

一、 影像AI技术现实挑战

影像AI行业一方面获取了大量资本追逐,另外一方面现实却冰冷无比。一家大医院往往有多家公司的肺结节诊断产品入驻,在实践中,影像科医生却甚少使用。 

原因在于,大部分影像AI公司,一开始都是从国外引入算法,通过公开数据集训练算法,做自己公司的模型。后续通过跟大型医院合作,获取数据来训练和应用模型。

为了吸引眼球和引起注意,部分公司还会组织人机大赛,组织影像超声专家和AI算法同台较量,看哪方诊断更快更好。这种比赛由于众所周知的原因,往往是AI算法胜出,博得大众关注,造成了技术很快可以取代医生的错误认知。

当前期概念宣传足够后,影像AI公司开始申请二类、甚至三类医疗器械许可证,计划以医学辅助诊断软件的名义,走代理商,按照招投标程序卖给公立医院。一个基于大数据的现代科技,变成了医疗信息化软件销售模式。 

深度学习虽然带来了全新的技术变革,但医疗专业度非常强,影像AI面对的技术问题需要从三个维度来考虑:

第一,不同的影像设备成像原理不一样,产生出来的数据也不同。例如X光和CT成像原理是相同的,图像相对简单清晰,所以目前影像AI公司主要扎堆在这个领域,而核磁MRI因为其成像原理不同,复杂多变,难度较大,所以影像AI公司做核磁研究的非常少,相反世界顶尖的科学家研究核磁AI的非常多,因为核磁有无穷的探索空间。 

第二是如何获取标准化的影像数据。由于我国医疗的标准化水平较低,反映在医疗各个环节后续问题都很大。一样的设备,在不同的医院,使用的是不同的影像扫描方法、序列和参数,产生数据质量的差异很大。

甚至很多基层医院的影像数据都不符合DICOM协议,在这种条件下,AI算法的鲁棒性问题是个大问题,特别是如果拿到医疗器械注册许可证之后,是不是能用一套算法包打天下,是个现实难题。 

第三是不同的疾病机理不一样,AI要解决的技术问题也差异很大。有些只是测一测病变有没有,病变大小,这个相对容易;但有些需要辅助诊断,或者做疾病预后评测,这个就难度大很多。

从实际临床角度出发,由于医学各个细分专业的不同,导致一个AI专家不可能解决所有问题。往往花费3-5年时间在一个细分领域(如心肌病、阿尔茨海默症、癫痫、帕金森等)有所成就,就已经难能可贵。 

目前,影像AI公司大部分都是从肺结节和眼底造影入手,因为这两个领域公开数据多、数据获取相对便利,肺结节影像直观、便于观察诊断。之后往往都是做骨折、骨龄测量、乳腺癌病理、脑卒中等方向,这些研究方向主要都是从技术成熟度角度出发,而非从医生日常应用场景出发。 

就算技术问题解决了,商业化问题仍然是一个拦路虎。医疗企业分为两类,第一类是公立医院的辅助者,这类企业最多,都是围绕公立医院提供产品或服务的;第二类是公立医院的替代者,包括民营医院、第三方医疗服务等机构。

第一类企业又分为两种,第一种是帮助医院挣钱的公司,比如医药公司,器械公司,耗材公司等,医院通过引入他们的产品可以创造更多的医疗项目,产生更多地经济收入,这种公司业务推广起来比较容易;第二种是帮助医院提升效率,比如医疗信息化厂商,通过IT手段改善医院目前临床流程和服务流程,提高运营和管理水平,这种公司业务并不能直接给医院创造新的收益,所以市场开拓起来困难重重,应收账款回款还特困难。 

同理,如果影像AI公司只是帮助影像科医生更快更好地做诊断,并不能创造出新的收入项目,更不可能真的精简影像科医生人力配置,市场前景不明确。

就算AI有一天真能取代影像科医生了,以中国15万影像科医生,平均年薪10万元人民币计算,总共不过是150亿的市场。相对于目前的资源投入,市场规模实在太小。

同心医联将影像技术和AI技术相结合,在自己的影像中心进行落地。同心医联按照医疗连锁管理模式,建立了成熟的影像标准化体系,保证数据获取标准化,同时应用在自身的影像中心,也避免了算法通用适配性和鲁棒性的问题。同时,在影像中心落地,可以有效将技术转化成产品,通过给患者解决实际问题实现商业闭环,同心医联已经于2018年实现整体盈利。

二、被误解的影像AI价值

那么,影像AI的价值到底在哪里? 

影像AI不应该只解决影像科的问题,应该侧重通过影像技术+AI技术解决临床问题,这样未来发展空间才是无限的。影像AI的应用领域可以分为两大方向: 

第一类方向是解决临床需求的,比如神经外科、心脏内科等科室需求的。医学影像自诞生之日起,就是通过成像技术解决临床需求的专业,医学影像是随着基础物理和生物医学工程技术的发展而不断发展的。

几乎所有的临床科室都会需要影像学的支持,如果影像AI能够解决临床各个专业的现实问题,那么所有医生都会有需求,即通过数字化分析提供精准诊断和有效治疗建议。

实践为何困难?原因在于,从生物医学工程、到计算机AI、到影像诊断学,再到临床需求,横跨了四个专业的知识鸿沟,如果不具备跨界整合的资源和能力,难度非常大。 

第二类方向是解决影像科本身需求的,这里面又分两种情况:

第一种是影像扫描问题,即获取影像数据时,如何提高效率和准确性的问题。这一点往往被大众忽视。比如一个照相机拍出来的照片基础不好,后面无论通过什么样的修图软件再去修图,效果也难称理想。

在国外,通过影像+AI技术进行快速成像,缩短检查时间减少辐射等方面已经取得了很多成果。国内的不重视,原因在于公立医院是主体,没有强烈的动力去提升效率,无论患者量多少,每天完成的工作量稳定,患者太多就排队;而民营医院患者不够多,也没有需求;再加上国内影像辐射对人体危害没有像国外那么重视。这些技术是能大大提高影像科运营效率的,非常有价值。

第二种才是影像诊断,例如肺结节影像辅助诊断。但实际上,影像科医生面临的真实场景是:一个患者来做肺部CT检查,影像科医生事先并不知道患者的病症是什么。所以拍出来的肺部CT,要对所有潜在病症进行诊断,肺部的常见病至少有10多种,如果只能看肺结节,并不是影像医生的最佳帮手。

好比一篇文章可能有潜在的十种语法错误,AI只能帮助标记出一种,剩下九种错误还得自己重新去阅读一遍文章筛查一遍,那么这个AI应用意义不大。

特别是医生还要把医学图像从医学影像存储和传输系统(PACS)导入AI系统,再把诊断结果倒回PACS系统这种来回折腾情况下。

影像医生的真实需求是,AI把这个部位所有疑似病变(无论是哪种病变,只要是不正常的)都标记出来,影像医生再诊断核对一遍,而不用100多张片子一张张重新看,这样效率就会大大提高。然而,实现这个需求对于算法和数据的要求都非常高,暂时还难以达到。

 同心医联拥有自己全套的影像科医生、技师、护士和市场团队,可以有效满足临床医生和患者的实际需求。同时,同心医联通过互联网医院配合临床医生,服务复诊患者的后续问诊、影像检查、随访管理和药事服务,保证形成所有技术可落地,形成服务闭环。

三、影像AI的未来发展

结合影像AI本身的技术特性和临床应用,未来影像AI的发展方向应该侧重以下四个方面:

一、以临床需求为导向,将影像技术和AI技术整合,与影像医生和临床医生紧密协作,做出能实际落地、对医生有价值的产品。

二、由于医疗的专业性,每家公司应该都要找到自己的专业领域和细分方向,而不是一窝蜂的做同质化产品,同质化产品未来会带来恶性竞争,也不利于行业长期发展。考虑到医疗研发周期很长,如果能专注自己的专业领域,随着数据不断积累和持续研究投入,竞争壁垒才会越来越高。

三、因为每家公司都不可能做全疾病病种、全影像设备的业务覆盖,开放协作、各取所长就会是一个必然趋势,这样才有助于医学整体进步,也有助于AI技术真实落地。

四、靠投资生存,公司始终是在“生死倒计时”。与现实结合,能够盈利才是正途。

相比于互联网医疗,AI技术有机会根本改变医疗供给端不足的问题,是更具深远影响的技术变革。然而这场技术变革,还是要回归初心,脚踏实地才能让理想变为现实。

动脉网
动脉网

专注医疗产业服务平台

产业同心医联医学影像
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

推荐文章
暂无评论
暂无评论~