石安杰 赵泓维作者

【2020医疗AI报告】40多位被访人,告诉我们2020医疗AI发生的5大变化

一、前言

“眼望星空,脚踩实地”是每个创新创业者坚守的信条。

作为新基建的核心成员,AI可以为各个产业赋能,这意味着AI有着无限的市场潜力。医疗作为国民经济的重要组成部分,必然成为AI的用武之地。我国医疗AI经过多年的发展,2020年应用市场规模接近300亿元,过去5年CAGR超过40%,属于高增长行业,但这对于数万亿级的医疗市场来说,待挖掘的空间巨大。

蛋壳研究院通过采访23位创业者、10位投资人、5位医务工作者、2位器械评审专家、调研20家企业,我们发现2020年医疗AI的五大变化:

(1)变化一:由于新冠疫情突发,AI+公共卫生成为医疗新基建的重点,AI在疫情监测预警、影像筛查诊断、实验室检测、疫苗研发、医疗资源调控等方面积极发挥作用。

(2)变化二:医疗影像步入深水区,AI企业通过构建多部位多病种筛查诊断服务或围绕单病种形成多流程管理服务来实现突围。

(3)变化三:AI企业通过由AI影像系统、AI辅助诊断系统、AI辅助治疗系统构成的AI基层医疗服务综合解决方案赋能医疗体建设。

(4)变化四:AI医疗器械审批的组织、制度、流程都在加速变革,已有5家企业获得医疗器械三类证,且还有10余家企业的产品正在认证审批中,2020年开启了医疗AI商业化元年。

(5)变化五:AI企业从单打独斗向集成服务进阶,通过与影像设备商、信息化厂商、第三方医疗服务商、云服务商等不同生态主体合作,整合资源优势,为医疗机构提供集成化解决方案。

二、新基建打造医疗AI新格局

新基建构筑底层技术设施

2018年中央经济工作会议上提出了新基建的概念,从此“新基建”一词在媒体报道中时常出现。传统的基础设施建设主要集中在铁路、公路、机场等领域,因此,也称为“铁公机”。而“新基建”则更多集中于5G人工智能、数据中心、工业互联网等科技创新领域基础设施,以及教育、医疗、社保等民生消费升级领域基础设施。

2020年4月20日,国家发改委首次明确新型基础设施的范围,即新型基础设施是以新发展理念为引领,以技术创新为驱动,以信息网络为基础,面向高质量发展需要,提供数字转型、智能升级、融合创新等服务的基础设施体系。

新基建的构成体系及内容要点

图片来源:蛋壳研究院制图

跨设施、多技术融合,面向四大主体助力医疗新发展

医疗作为新基建建设的重要领域,可以充分利用相关设施和技术来加快自身的创新发展。可以看到,AI是新基建的重要构成要素,需要从如下3个方面在医疗领域取得突破:

1、跨边界以涌现新能力

AI是技术设施的组成内容,除了需要与云计算区块链等技术设施进行融合,还需要与5G、物联网、互联网等通信设施,数据中心、计算中心等算力设施进行融合。如AI同云计算融合,云计算平台可以根据授权在云中收集、存储和分析电子病历、检验检查、临床诊断等数据,为AI模型训练提供大量优质的数据支持,打造更好的医疗AI产品。

AI可以同5G融合,将诊断功能下放到有通讯条件的基层地区,提升基层医生的诊断治疗水平。AI也可以与数据中心、计算中心融合,利用强大的算力支持,开发单器官全病种的应用。

(1)AI与5G、云

从当前阶段来看,5G、AI、云的融合还未为医疗领域带来颠覆式的改变。5G的优势在于加速单位时间内AI可分析的数据量,云的作用在于帮助AI突破单一设备的限制,通过AI上云的方式可以让其连接更多终端。云与AI的结合早已在诸多医联体开始应用,尤其是新冠时期,基于医联体的远程CT辅助诊断。

通过这一方式,患者无需往返于大医院,仅在符合要求的基层医联体机构便可完成检查与诊断。这将有效分诊患者,降低三甲医院的工作负荷,减少患者往返医院时发生的感染事件,患者通过手机便可接收影像诊断相关信息,这将有效推进我国主动预防型公共卫生防控体系的建设。

(2)AI与物联网

对于医疗而言,物联网的价值在于能够将医疗数据的搜集从单一有限的医院延伸至居家、健身、旅行等每一个场景。对于医院而言,这些冗杂、琐碎的数据没有太大的价值,但对于特定的健康管理企业而言,经过清洗的数据能与患者的健康状况挂钩,并可基于此帮助患者完成疾病监控。

AI的介入可以帮助企业跟据患者身体情况完成模型的自适应,有效提高多模态数据的分析能力,进而提升相关应用分析的准确程度,同时降低单个用户的服务成本。基于这一高效的数据分析能力,健康管理企业能够与用户建立起实时、高频的联系,进而延伸为社群。社群运营商可以寻找药企进行相关的合作,这一模式正广泛应用于糖尿病管理、心血管病风险管理等场景。

2、多主体以打造新场景

AI赋能医疗的发展必须是向多主体提供智慧服务,面向医疗机构的智慧医院建设,涉及患者、医疗(包括门诊、住院)、护理、医技(含药事)、管理(含行政、业务)、后勤保障、教学科研、区域协调等领域的智慧化建设,是一个系统性的工程。

面向监管机构的智慧监管建设,涉及医疗数据、医疗行为、医疗费用、医疗人事等方面的监管,AI需要助力实现医疗数据的隐私保护和权限分配,医疗行为的科学性和合规性,医疗费用的合理性和真实性以及医疗人事组织的灵活性。

面向产业生态的智慧服务,为医药企业提供临床研究、注册申报、真实世界研究服务,助力器械企业研发医疗AI设备,为互联网医疗企业提供智能问诊、智能续方、智能患者管理服务,为保险企业提供智能分销、智能定价、智能理赔服务,为药店提供智能采购、承接处方、患者管理服务,为第三方医检企业提供影像、病理辅助诊断服务等。

面向患者的智慧管理建设,包括健康管理、在线复诊、慢病管理、康复护理、在线购药等服务。

新基建全面助力医疗产业发展

图片来源:蛋壳研究院制图

3、多层级以增强覆盖力

以往大部分AI产品都选择落户大三甲医院,因为这里有更多的医疗数据资源、更好的医生团队、更强的付费能力。但从中国医疗资源分布的现状看,基层才是更需要AI赋能的地方,基层医疗基础设施薄弱、医生人才匮乏、诊疗水平低下,通过AI可以辅助基层医生进行疾病诊断、疾病治疗、患者管理,缓解医疗资源分布不均衡的问题。

因此,AI在为大三甲医院赋能的同时,更需要向基层赋能。AI在不同层级医疗机构的功能应该是差别化的,针对大三甲医院,主要是规范诊疗流程,减少漏诊,减轻医生的工作负担、提升医院的科研实力;针对基层医疗机构,主要是提升医生的诊断水平,减少误诊,覆盖更多的疾病以及做好患者管理,让患者留在基层。

AI赋能三甲医院和基层医疗机构

图片来源:蛋壳研究院制图

平战结合,公卫防控体系建设加速进行时

公共卫生一直是我国医疗健康卫生事业建设的重点,包括对重大疾病尤其是传染病(如结核、艾滋病、SARS、新冠肺炎等)的预防、监控和治疗,对食品、药品、公共环境卫生的监督管制,以及相关的卫生宣传、健康教育、免疫接种等。

2010-2018年我国政府卫生投入情况(亿元),数据来源:中国卫生健康统计年鉴2018年,政府公共卫生建设投入已经达到1243.32亿元,10年间增加了2.14倍,而且公共卫生建设投入占卫生总投入的比重也呈现上升趋势。但从公共卫生投入占卫生总投入的比重看,公共卫生建设任重而道远。

公共卫生是医疗新基建覆盖的重要领域之一,特别是今年突发的新冠疫情,将公共卫生建设推入了快车道,多个省份提出的补短板建设三年计划中都将公共卫生建设纳入重点建设项目,从各省市公共卫生防控体系建设的内容看,AI可以在以下5个方面发挥重要作用:

(1)监测预警

基于传染病大数据构建传染病监测模型,可以对传染病传播路径进行还原,追溯病毒源头;对传染病患病群体进行动态追踪并自动提醒,划分出疾病高风险区;而且还能对传染病的未来发展趋势进行模拟预测,相关防控部门可以进行提前部署。

(2)筛查诊断

影像筛查诊断是医疗AI的主要功能之一,基于AI的图像识别、算法模型等,能够提升影像科医生阅片的速度和准确性,及早筛选出疑似病例并进行隔离治疗,降低扩散传播风险。

(3)实验室检测

AI在实验室检测的应用包括基于数字图像的细胞检测、形态定量分析、组织病理诊断和辅助预后判断等多个方面。在计算机重建细胞形态过程中,在压缩波形上应用机器学习而不用进行图像重构,实现高效的基于图像的无形态学细胞检测。在组织病理诊断过程中,通过开发基于不同细胞病理方向的AI分析模块,可以辅助诊断不同的肿瘤分型。

(4)疫苗研发

AI算法可以加快病毒识别、药理分析、候选物筛选、临床试验等。例如在本次新冠疫苗研发期间,LinearFold算法为全世界100多家新冠病毒研发机构提供技术助力,新型冠状病毒的全基因组二级结构预测从55分钟缩短至27秒,提速120倍,极大提升新型冠状病毒RNA空间结构预测速度,缩短疫苗研发周期。

(5)医疗资源调控

医护资源、床位资源、物资资源在疫情防控中需要动态调配,满足不同地区、不同医疗机构的战时需求。AI可以实时反映医护人员工作负荷、空余床位数、检验设备数量,结合对各地疫情变化情况的实时追踪,为医疗资源动态调配提供决策支持。

三、从喧嚣到潜行,应用场景迭代拓展

影像步入深水区,差异化发展寻求突围

(1)大市场、高误诊、多数据推动AI在医学影像的快速应用

医学影像是AI在医疗领域应用最多且最成熟的场景。我国一年医学影像的检查量超过75亿人次,根据火石创造《医疗影像的市场图谱和行业发展分析》报告分析,2020年我国医学影像市场规模将达到6000~8000亿人民币。

庞大的检查量带来的是影像数据的快速增长,目前影像数据的年增长率达到30%,而同期放射科医生的年增长率仅为4%,形成较大的供给缺口。放射科医生的短缺造成误诊率偏高,根据中国医学会公布的误诊数据,恶性肿瘤平均误诊率为40%、肺外结核的平均误诊率在40%以上,高出临床医疗总误诊率12个点。

同时,医学影像数据可获得性较强、易标注、标准化程度相对较高等特点,大大降低了AI的应用门槛。因此,医学影像成为AI目前的主要应用市场。

(2)同质化严重,集中在肺结节和眼底

动脉橙数据库显示,截止2020年7月底,国内医学影像+人工智能的企业数量达到89家,从影像辅助决策应用分布看,72%的企业涉及肺结节,53%的企业涉及眼科,成为影像检查应用最多的两个场景。

这主要是因为CT影像的清晰度越来越高,检查量也越来越大。同样眼底筛查人群规模大,仅糖尿病人群就超过3亿,且眼底相机的普及率高,基层医疗机构基本都配备。

另外,二者的数据量大、标注难度较小,AI企业在这两个场景进入门槛低,最容易出产品。大量的企业扎堆涉足肺结节和眼底筛查,推出相关产品,同质化现象严重,但真正能进入医院获得收入的不到10家。

AI医学影像辅助决策应用分布

数据来源:动脉橙数据库

(3)融资事件骤降,资本趋于理性

蛋壳研究院整理了过去5年AI影像领域的融资事件数(2020年统计到9月15日),整个融资事件数呈现倒U型走势。AI影像领域融资热潮在2018年达到顶峰,随后出现急剧性下跌,2019、2020年的同比降幅均超过50%,这说明AI影像的融资热潮已退却,投资机构对AI影像创新企业的筛选更加谨慎。

2015-2020年AI影像企业融资情况

数据来源:动脉橙数据库

究其原因,一方面是AI影像扎堆,大家的产品和服务同质化严重,后进入的企业较难获得投资机构青睐;另一方面,投资机构更趋向于有产品过审或在审的企业,这些企业未来可进入医院的招标采购,投资回报更有保障。


A轮融资是行业发展阶段的分水岭,行业内大部分企业处于A轮系列及以后轮次融资,表明行业产品或服务体系已经得到市场认可,有比较成型的商业模式,在市场上企业之间开始展开竞争。

从2020年获得融资的AI影像企业情况看,其融资轮次都在A轮及以后,说明AI影像行业进入发展期,企业将加快进行产品认证申请,以便在市场竞争中获得优势。

2020年1-9月获得融资的AI影像企业

数据来源:动脉橙数据库

面对同质化的竞争市场,医学影像企业必须突围,跳出深水区,走差异化发展路线。可以通过如下两个方向,形成差异化发展优势:一是多部位多病种筛查诊断,如产品覆盖胸部、眼部、头部、颈部等多个部位、多个器官的筛查诊断;二是围绕单病种形成多流程介入管理,如围绕心血管病,形成筛查、诊断、治疗、康复等多环节管理。

院内+院外,覆盖更多医疗健康服务环节

AI的应用主要集中在医学影像和辅助诊断环节,为了更好地发挥AI在医疗领域的作用,需要在目前的应用场景上进行拓展,包括院内场景拓展和院外场景拓展。

院内、院外AI应用场景的拓展

图片来源:蛋壳研究院制图

1、院内场景拓展:从筛查诊断到治疗支付

AI在院内的应用场景可以向辅助治疗、保险支付、医院管理拓展。

(1)辅助治疗

针对靶区勾画,AI基于大量三维、大尺度和高质量的影像数据、靶区数据以及专家经验数据,能够做到全自动化器官分割,只需要2-3分钟就能出结果(医生手动描绘耗时2-3小时),满足临床医生90%的需求,且整个勾画过程都是按照模型设定的路径,有利于消除医生之间的个体化差异。

对于术前规划,AI算法能够对影像上的器官和血管进行快速分割、三维重建,医生可以在虚拟现实环境中对器官、病灶及内部复杂的解剖结构做出个体化、全量化的分析,让术前规划更精准。

且在手术过程中,AI能将患者影像数据和实际解剖结构准确对应,利用VR、MR、导板等技术,通过三维数字建模及算法优化,对病灶进行精准定位。

手术机器人则是基于AI强大的视觉识别能力,结合3D立体视觉和机械臂自由度,达到定位准确、移动灵活,辅助医生更好更快地完成手术。

(2)保险支付

AI基于对大量临床指南、医保政策等数据的学习,构建医疗费用审核模型,对于提交的医疗费用数据进行匹配分析,筛出不合理的单据交由人工复核,为合理控费提供支撑。

同时,凭借积累的医学知识图谱和算法,能够全方位分析被保险人的发病率、检查检验频次、再次住院率、用药情况、康复效果等内容,综合得出其风险等级,保险公司据此推出个性化产品及收费方案。再结合大数据风控模型和保险理赔规则,根据客户发生的风险类型和伤害程度计算理赔金额,加快赔付流程。

(3)医院管理

在病历管理方面,NLP结合知识图谱,可以处理大量复杂的病历文本信息,并通过对病历管理制度的学习,搭建病历管理智能化系统,对未及时录入病历的医生进行到期提醒,标注病历录入漏掉内容,如果病历录入不一致或不合规,给与及时报警,保证病历录入质量。

2、院外场景拓展:药物研发、慢病管理、疫情防控成为新风口

院外场景的AI应用包括药物研发、慢病管理、智能随访、疫情防控等。

(1)药物研发

AI应用其强大的发现关系能力和计算能力能够挖掘那些不易被药物专家发现的隐性关系,构建药物、疾病和基因之间的深层次关系;能够对候选化合物进行虚拟筛选,更快地筛选出具有较高活性的化合物;能够从海量的临床试验数据中提取相关信息,将试验结果与病人情况进行自动配对,加快试验入组,并设计最优临床试验方案,缩短临床试验时间等。

AI在药物研发的应用场景,图片来源:蛋壳研究院制图(2)慢病管理

AI基于对体温、血糖、血压、血氧饱和度、心率等体征数据在不同数值所表示的体征情况进行深度学习,形成疾病风险识别算法模型,通过将设备采集的数据与关键定量指标进行对比分析,识别潜在疾病风险。

同时,AI通过NLP对大量慢病科普数据进行分析处理,可以为不同慢病类型患者推送定制化医学知识,方便患者自我学习。而且AI还可以对慢病患者的饮食、运动、睡眠、用药等行为进行动态监测与分析,对慢病患者的健康状态给与评价,帮助他们纠正不合理的行为,降低慢病恶化的风险。

(3)智能随访

AI可以依据随访要求定制随访模型,通过语音交互、视觉交互、手势交互等技术,实现人机问答,并且能够将随访数据进行分析处理,形成结果辅助医生决策。针对需要复诊的患者,AI可以依据患者的随访情况自动匹配相应的科室和推荐复诊时间。

(4)疫情防控

AI基于疫情大数据构建疫情监测模型,对死亡人数、确诊人数、疑似人数等数据进行动态跟踪分析,形成疫情地图;同时还能对确诊或疑似患者的行动轨迹实现还原,圈定可能的接触人群,实现有效隔离。而且通过AI构建的疫情风险评估模型,能够根据各地的疫情数据、个人的体温数据情况,做出风险评估,筛选出高风险区和高风险人群。

推进分级诊疗,赋能医联体

分级诊疗的本质是整合医疗服务的需求入口,通过小病进基层、大病进医院的服务方式,使得各级医疗服务机构能够更好地发挥自身应有的价值,提高医疗体系的整体服务效率。而医联体就是落实分级诊疗体系的重要举措。

2016年8月,卫计委(现为卫健委)在《关于推进分级诊疗试点工作的通知》中设定了医联体建设具体推进目标:到2020 年,在总结试点经验的基础上,全面推进医联体建设,形成较为完善的医联体政策体系。

所有二级公立医院和政府办基层医疗卫生机构全部参与医联体。医联体建设以县域医疗共同体(医共体)、城市医联体(城市医疗集团)为重点。截止目前,我国县域医疗共同体有3346个,城市医联体有1408个。

县域医疗共同体是以县级医院为龙头、乡镇卫生院为枢纽、村卫生室为基础的县乡一体化管理模式,与乡村一体化有效衔接,形成县乡村三级医疗卫生机构的分工协作机制。城市医联体以三级医院为牵头单位,联合若干城市二级医院、社区卫生服务中心等,构建“1+X”医联体,纵向整合医疗资源,形成资源共享、分工协作的管理模式。

医联体的核心工作是要提升基层医疗机构的医疗服务能力,这为AI与医联体的结合提供了良好的发展契机。通过构建由AI影像系统、AI辅助诊断系统、AI辅助治疗系统构成的AI基层医疗服务综合解决方案,为城市二级医院、社区卫生中心、乡镇卫生院、村卫生室等基层医疗机构赋能。

AI赋能县域医疗共同体和城市医联体建设

图片来源:蛋壳研究院制图

三、临床需求倒逼审批加速,5个产品获批三类证

多方参与,制度创新与组织创新并行

如前所述,影像筛查、疾病诊断、疾病治疗、费用支付、医院管理、药物研发、慢病管理、疫情防控等医疗场景都需要AI发挥作用,因此,临床需要获批拿证的AI产品。这些需求倒逼政策和监管创新,加速AI产品的审评审批。蛋壳研究院整理了AI审评审批相关政策,并做了系统性梳理。

AI医疗器械审批创新进程关键节点

图片来源:蛋壳研究院制图

AI医疗器械的审批创新最早可以追溯到2014年,当时CFDA印发《创新医疗器械特别审批程序(试行)》政策,鼓励推进AI医疗器械的审批进度。

到2018年年初,中国食品药品检定研究院以《医疗器械软件注册技术审查指导原则》、《移动医疗器械注册技术指导原则》、《医疗器械网络安全注册技术审查指导原则》三个原则作为建库基准,最终建立了包含6327例数据的眼底影像标准数据库与包含623例数据的肺部影像标准数据库,其标准化流程可以说是走到了世界的前面。借助标准数据库与相关标准流程,中检院可以实现对AI产品进行审评审批。

但迫于时代的局限性,这个数据库并没有沿用太久。背后的原因主要有以下几点:其一,数据来源于医院与企业的共同标注,由于当时缺乏数据行业标准,各家企业提交的数据差异太大,与真实世界情况发生偏移;其二,在测评过程中,企业既是数据的提供方,又是数据的考核方,其结果难以保证绝对的公平公正。当然,数据量、数据安全、数据利益归属等问题也一定程度上阻碍了这项工作的后续发展。因此,也没有企业成功通过这一数据库获批产品。

产品的逐渐成熟与审批的迟迟不过使得AI企业进退两难,一方面,AI产品形态确乎是医院科室未来不可缺少的一部分;另一方面,审批的阻碍导致企业缺乏有效的变现手段,持续的融资并非长远之计。

2019年6月起,NMPA开始频繁在医疗AI的标准制定上展开动作。6月29日,NMPA正式向AI企业发布了审批相关文件《深度学习辅助决策医疗器械软件审批要点》,以文件的方式将审批相关的具体指标确立下来。

在2019年7月17日,人工智能医疗器械创新合作平台的成立以及随后在博鳌举办的人工智能医疗器械创新合作平台会议对创新平台组织架构进行了扩充,至此,AI医疗器械的审评审批有了权威的组织,确保审评审批的公开性和公平性。在今年的世界人工智能大会上,人工智能医疗器械创新合作平台发布了包括医疗人工智能测评公共服务平台、糖尿病视网膜病变常规眼底彩色照相AI标准数据库、《基于胸部CT的肺结节影响辅助决策产品性能指标和测试方法》、《基于眼底彩照的糖尿病糖尿病视网膜病变辅助决策产品性能指标和测试方法》等多项成果。

AI医疗器械创新合作平台组织结构,图片来源:CMDE2020年7月WAIC(世界人工智能大会)大会上,人工智能医疗器械创新合作平台再发新进展。大会上,平台发布了包括医疗人工智能测评公共服务平台、糖尿病视网膜病变常规眼底彩色照相AI标准数据库、《基于胸部CT的肺结节影响辅助决策产品性能指标和测试方法》、《基于眼底彩照的糖尿病糖尿病视网膜病变辅助决策产品性能指标和测试方法》等多项成果。简而言之,本次发布一次性涵盖了数据库、平台、标准三个要素,第三方测评从结构上看已经可以实现,AI审评审批的推动力发生了质变。

因时制宜,审评审批要点动态完善

AI医器械三类证的申报流程包括注册申报资料准备和审评审批两个环节,总计11个部分,医疗器械注册是一项行政许可制度,是NMPA根据医疗器械注册申请人的申请,依照法定程序,对其拟上市医疗器械的安全性、有效性研究及其结果进行系统评价,以决定是否通过其申请的过程。结合前面AI医疗器械审批创新进程,可以将审评审批要点的变化分为3个阶段。

AI医疗器械审评审批要点变化

图片来源:蛋壳研究院制图

(1)第一阶段(2018.12-2019.7)

该阶段AI医疗器械申报以分类管理为基础,以风险高低为依据,确定医疗器械注册与备案的具体要求。在分类管理方面,按照应用范围不同,将深度学习辅助决策医疗器械软件细分为医疗器械数据、深度学习、辅助决策、医疗器械软件;按照软件独立性特点,分为AI独立软件(本身即为医疗器械的AI软件)与AI软件组件(医疗器械内含的AI软件)。在风险考量方面,包括假阳性假阴性的临床使用风险管理,而且设置了风险管理的要素、措施和要求。

(2)第二阶段(2019.7-2020.3)

该阶段的核心在于对数据库的建立进行深入探讨,具体包含数据库建立方向、建库模式、建设目标、平台服务模式、数据库监控五个方向。而且人工智能医疗器械创新合作平台会议提到的8种测试样本数据库,包括CT肺、CT肝、CT骨折、脑MRI、心脏MRI、冠脉CTA、心电、眼科,其中糖网AI标准测试数据库已由北京协和医院建成。

(3)第三阶段(2020.3-)

该阶段由于新冠肺炎疫情对于医疗AI辅助诊断的新需求,国家药品监督管理局医疗器械技术审评中心(CMDE)印发了《肺炎CT影像辅助分诊与评估软件审评要点(试行)》政策。政策明确了肺炎CT影像辅助分诊与评估软件按照三类证进行管理,且要求相关软件功能至少包含异常识别、量化分析(如病灶体积占比、CT值分布等)、数据对比(手动、自动均可)、报告输出等功能。此外,政策还对AI模型训练数据的数量、数据来源以及整个临床试验设计都做出了细致的规定。

三类场景、五个产品获得三类证

蛋壳研究院通过搜集在NMPA、CDME官网发布的相关数据,共计整理5个获得三类证的AI医疗器械产品,它们的应用场景涉及心血管疾病、颅内肿瘤、糖尿病3类疾病应用场景。

医疗器械三类证AI产品获批情况

数据来源:NMPA、CDME

从结果来看,科亚医疗、Airdoc、硅基智能三家企业均通过绿色通道之后获得了三类证审批,对于企业而言,想要加速审批流程,绿色通道或许是个不错的选择。

根据政策规定,蛋壳研究院梳理了企业要通过绿色通道的三点核心要点:

(1)找到合适的应用场景

现有的许多影像设备——CT、MRI、彩超、心电、脑电、X光等——都或多或少地应用了AI,但是要让AI真正发挥作用,企业绝对不能陷入“一个功能等于一个产品”的陷阱。例如患者出现发热头疼的时候,医生实际上不能判断患者患病的具体情况。患者做了MRI后,如果只是单一功能的产品,如脑出血检出,并不能满足医生的要求,医生需要至少针对某一部位“全病种”的AI产品。这是发展趋势,也是企业设计临床实验的可选路径之一。从现有情况来看,能够诊断多部位、多病种的产品才能符合医院的需求,进入审批流程。

(2)选取有效数据

从现有的算法机制来看,如果用基层医疗的有效数据培养AI产品,那么这个AI产品的最高水平只可能停留在通用于基层医疗,无法向大型医院延伸。对于乳腺癌、脑肿瘤等疾病的诊断,不同层次的医院相差太多,如果随意选用数据,很可能训练越多,准确性越差。所以,医疗AI要想在三甲医院落地,必须使用顶级医院的高质量数据,深度学习顶级专家的“金标准”临床经验,才能保证AI的准确性。

(3)制造算法门槛

过去很长一段时间,AI的医疗门槛或许没有那么明显——只要能够获得高质量的数据,企业便能后来居上,如今一切都已改变。很多AI企业发现,当我们逐渐向全病种迈进时,单任务的深度学习算法已经无法应对需求,多任务算法将是大势所趋。所以,除了继续争夺高质量、有效的AI数据,下一阶段,医疗AI企业必须在算法层面寻找突破。

四、商业模式进阶,打造竞争新生态

从野蛮生长到精耕细作,注重产品运营

大部分医疗AI产品所谓的“落地”,仅仅是将软件安装于医院某科室、与器械厂商完成接口对接、与药企达成合作……但距离商业化,仍然存在一定距离。因此,我们将这个阶段称之为产品投放阶段,也是医疗AI野蛮生长阶段。

产品投放阶段最早可追溯至蓝色巨人IBM旗下的Watson机器人,在这个阶段,钻研医疗AI的研发人员几乎都不是医疗出身,因此,设计出来的产品与医疗真实需求出现错位,存在非常大的改进空间。医疗AI产品进入医院,主要是为了使用医院相应的临床数据,完成产品测试,以寻求下一阶段的迭代方向。

所以,科研合作成为企业产品落地的主流商业模式,辅以渠道代理和医院关系,如企业成立论文团队,协助信息科、影像科医生完成SCI论文。2015年兴起的医疗影像辅助诊断软件即以该商业模式为主,即初期产品进入医院,使用大量经过医院医生标注过的影像数据,对AI影像辅助诊断软件进行训练,完成初期产品的打磨。

但这个时候打磨的产品局限在某个环节的需求,意味着相应的AI产品只具备某一特定功能,而不能较好地满足医生的临床需求。

随着与医院合作交流逐渐变多,企业开始理解医院的真实需求,并以此为核心重新制定产品研发策略。在这个阶段,越来越多的医疗领域专家开始进入AI企业任职,互联网思维下的AI与临床医学开始真正融合,医疗专家凭借多年的临床实践经验,深知医院需要什么样的AI产品。AI专家具备长期的技术积累,在方向明确的前提下,能够通过技术手段设计出相应的产品,实现产品研发以临床需求为导向,医疗专家与AI专家产生了良性化学效应。

时至2018年,诸多AI产品经过长时间的打磨,已经趋于成熟,企业的经营理念也发生了改变,在前期大量投放产品,铺设医院的基础上,尝试做落地产品的运营。

触发这一阶段的因素很多,除了产品的成熟外,政策的推进在很大程度上促进了医疗AI由野蛮生长向精耕细作过渡,开始朝着以运营创营收的阶段迈进。如审批政策的创新加快了AI产品的获批。

目前,已有5款产品获得医疗器械三类证,还有多款产品正处于审评审批通道,有望在年内获批拿证。如电子病历评级和互联互通评级,都要求医院向智慧医院转型,即医院内实现全院信息共享,并具备医疗决策支持功能,加快了医院对于临床辅助决策系统(CDSS)的建设,而AI与CDSS的结合有利于CDSS更好地满足相关政策要求。

虽然传统的CDSS系统能够在一定程度上满足评级需求,但AI+CDSS对于4、5、6级电子病历评级显然更具优势。利用深度学习、NLP、知识图谱等AI技术,在疾病的诊疗过程中,实现医学知识智能查询、相似病案推荐、检查检验推荐、治疗方案推荐等辅助功能,多层次支持医疗决策。

因此,政策实际上推动了AI+CDSS走向商业化,加之各地卫健委对于分级诊疗的逐渐重视,基层版的AI+CDSS也为AI企业带来另一片蓝海市场。

在这个阶段,绝大多数企业通过简单的产品投放难以获得持续稳定的收入,需要转变经营理念,注重精细化运营。企业需要向医院派驻专业的运营团队,指导医生如何更好地使用产品;针对医生在使用产品过程中遇到的问题,要建立快速响应机制,提出解决方案。

AI产品投放与精细化运营的对比

图片来源:蛋壳研究院制图

从单打独斗到集成服务,实现产业协同

在医疗AI的早期发展阶段, AI企业、医疗设备商、信息化厂商、云服务商等产业参与者彼此割裂。单打独斗造成AI企业对行业认知不足、数据获取来源和数量有限、产品销售渠道单一。

医疗AI行业经过几年的发展,竞争的主赛场正在由“单打PK”逐渐变为“抱团竞技”。企业需要形成整合资源、优势互补、抱团取暖的意识;应该转变观念、找准定位、通过平台模式实现协同发展;应当跨界合作、共同创新,降低创新成本和风险。各个医疗AI企业正在与影像设备商、信息化厂商、医疗服务商等建立合作关系,形成新搭档来参与行业竞争。

(1)AI企业+影像设备商

影像设备商利用自身硬件设备、医院资源、市场渠道等优势搭建生态平台,医疗AI企业通过参与遴选入驻平台,成为生态平台的开发者和应用者。通过对相关影像设备商AI平台建设情况的梳理,目前主要以国内大型医疗设备商和影像研究机构为主。

产品需求阶段:影像设备商分发客户对AI产品的需求,AI企业根据自己的产品定位和技术优势,从生态平台认领需求进行产品研发。

产品研发阶段:对接医院资源,影像设备商在医疗行业深耕多年,拥有大量的优质医院客户。在AI模型的训练中,可以对接不同区域、不同类型的医院,这些医院为AI企业提供大量数据。而且这些医院拥有大批专家资源,可以为数据提供标注服务,帮助AI企业研发出泛化能力较强的AI产品。

产品验证阶段:影像设备商的医院客户可以成为AI产品的首批试用者,它们的患者群体规模大,产品将应用到不同病情的患者,然后去验证它的准确度。最后,医院再将试用过程中出现的问题和试用结果反馈给AI企业,帮助企业更好地进行原型产品的升级迭代。

产品销售阶段:影像设备商具有完善的产品销售渠道,AI企业可以借助这些渠道开展产品销售,既提高了企业的产品销量,同时又节约了渠道开发和渠道代理成本,增加了企业利润。

医疗AI企业通过与影像设备商合作,可以共享它们的客户、合作伙伴、销售渠道等资源,为产品需求、产品研发、产品验证和产品销售寻求闭环服务。

AI企业与影像设备商的合作模式

图片来源:蛋壳研究院制图

(2)AI企业+信息化厂商

医疗AI企业将深度学习、图像识别、NLP、知识图谱等技术与医院信息化厂商提供的信息化系统相结合,可以增强信息化系统的数据分析能力和信息决策能力,将大大提高信息化系统的运行效率。

AI企业与信息化厂商合作模式

图片来源:蛋壳研究院制图

通过开放接口,将AI系统与PACS、CDSS、HIS等信息化系统实现对接,让AI具备的核心能力能够融入到信息化系统日常运行中。具体可以实现如下4方面服务:

AI+PACS:PACS是进行医学图像的获取、显示、存贮、传送和管理的综合系统,AI可以实现影像分割、器官勾画、阅片筛查、影像质控等,提高阅片的效率,减轻医生的工作负担。

AI+CDSS:CDSS运用可供利用的、合适的计算机技术,针对半结构化或非结构化医学问题,通过人机交互方式改善和提高医疗诊断决策效率的系统。AI能够大量处理非结构化数据,形成知识图谱,为医生提供知识查询、相似病案推荐、辅助诊断等,还可以对医生的诊断流程进行规范提醒,提高诊断的规范性和准确性。

AI+患者管理:患者管理也是医院信息化建设的重要内容之一,包括诊后随访、医嘱管理、慢病管理、患者咨询等。AI可以与患者进行智能问答,解答患者常规疑问,更好地帮助患者进行自我管理,节约医生患者管理时间,医生的主要精力可以更多地放在疾病的诊治上。

AI+HIS:HIS主要是利用电子计算机和通讯设备,为医院所属各部门提供病人诊疗信息和行政管理信息的收集、存储、处理、提取和数据交换的能力,并满足所有授权用户的功能需求。AI可以在收费划价方面提供智能核准、费用结算等;AI还可以根据DRGs相关规定,对诊疗项目和收费进行智能监控,减少过渡治疗现象的发生。

(3)AI企业+第三方医疗服务商

第三方医疗服务企业主要是指与AI企业合作共同为医疗机构或个人提供医疗服务的企业。它们主要提供疾病诊疗服务、医药服务、健康体检服务、健康管理服务、医院管理服务、药物临床试验服务等,而AI企业则主要基于语音识别、图像识别、NLP、知识图谱等技术,为医疗服务企业赋能,提高服务的质量和效率。

(4)AI企业+云服务商与通讯运营商

能够让医院成为付款方固然是上乘的选择,但从实际来看,基层医疗场景才能让AI发挥出它们真正的价值。从现在影像类AI的产品设计思路来看,其最低付费方可下达至县级医院。阻碍AI继续向下延伸的因素有两个,首先是基层的影像工作者有限,少有具备阅片能力的影像工作人员可以留在基层。更为重要的是,基层医疗机构没有资金实力为企业付费。

以上为《医疗AI创新的道与智:回归需求,整合价值》报告节选内容,报告中我们还对医渡云、灵医智惠、深睿医疗、猎户星空、睿心医疗、HLT(开心生活科技)、科亚医疗、德尚韵兴医准智能、数坤科技10家医疗AI企业进行案例解析。

动脉网
动脉网

专注医疗产业服务平台

产业医疗AI
相关数据
IBM机构

是美国一家跨国科技公司及咨询公司,总部位于纽约州阿蒙克市。IBM主要客户是政府和企业。IBM生产并销售计算机硬件及软件,并且为系统架构和网络托管提供咨询服务。截止2013年,IBM已在全球拥有12个研究实验室和大量的软件开发基地。IBM虽然是一家商业公司,但在材料、化学、物理等科学领域却也有很高的成就,利用这些学术研究为基础,发明很多产品。比较有名的IBM发明的产品包括硬盘、自动柜员机、通用产品代码、SQL、关系数据库管理系统、DRAM及沃森。

https://www.ibm.com/us-en/
相关技术
区块链技术

区块链是用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。 中本聪在2008年,于《比特币白皮书》中提出“区块链”概念,并在2009年创立了比特币社会网络,开发出第一个区块,即“创世区块”。

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。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

基准技术

一种简单的模型或启发法,用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

假阳性技术

假阳性是指模型因为种种原因把不应该分类成特定情况的人/物错误地分类到了该分类的情况。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

虚拟现实技术

虚拟现实,简称虚拟技术,也称虚拟环境,是利用电脑模拟产生一个三维空间的虚拟世界,提供用户关于视觉等感官的模拟,让用户感觉仿佛身历其境,可以及时、没有限制地观察三维空间内的事物。用户进行位置移动时,电脑可以立即进行复杂的运算,将精确的三维世界视频传回产生临场感。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

云计算技术

云计算(英语:cloud computing),是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

假阴性技术

假阳性是指模型因为种种原因将应该分类成特定情况的人/物错误地分类到了其他分类的情况。

查询技术

一般来说,查询是询问的一种形式。它在不同的学科里涵义有所不同。在信息检索领域,查询指的是数据库和信息系统对信息检索的精确要求

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

Airdoc机构

Airdoc成立于2015年,由来自微软、谷歌、雅虎、新浪、强生、辉瑞等顶尖公司的核心技术产品团队联合组建。Airdoc基于数百万交叉标注的视网膜影像和人工智能技术研发了Airdoc人工智能视网膜健康风险评估产品。该产品可以通过视网膜发现发现早期慢性疾病在视网膜上的异常表现,对于疾病的早发现、早干预、早治疗起到重大促进作用。同时,基于视网膜的检查快速并且无创,可以定期检查视网膜来判断慢性疾病的管理状况。Airdoc产品在医疗机构、配镜连锁、体检机构的应用已经遍布世界各地,每天为数以万计的用户提供健康风险筛查服务

https://www.airdoc.com/english/index.html
相关技术
三维重建技术

三维重建是指利用二维投影或影像恢复物体三维信息(形状等)的数学过程和计算机技术。

5G技术

第五代移动通信系统(5th generation mobile networks),简称5G,是4G系统后的延伸。美国时间2018年6月13日,圣地牙哥3GPP会议订下第一个国际5G标准。由于物理波段的限制,5G 的网络也将会与其他通信技术并用,包含长距离的其他传统电信波段。

量化技术

深度学习中的量化是指,用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

医准智能机构
德尚韵兴机构

浙江德尚韵兴图像科技有限公司是由浙江大学创新技术研究院和浙江大学知名专家、教授共同投资成立一家高科技公司,公司主要致力于图像的三维重建、数字化操作技术、视频与图像的各类应用处理、图像辅助定位、图像定量化分析等方面的研究、开发和应用。

官网,http://www.de-image.com
推荐文章
暂无评论
暂无评论~