医学影像AI进入后深度学习时代 市场规模不断扩大

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。

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技术进行辅助诊断即将普及，在后深度学习时代，医学影像AI现阶段能解决什么问题？其中又有哪些瓶颈？未来会带给我们怎样的想象？无数的问号等待揭晓。

医学影像AI的市场规模

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到6000 － 8000 亿人民币，其中即便诊断环节只占20％左右，也是一个千亿级别的市场。

根据Global Market Insight的数据统计：药物研发在全球医疗AI市场中的份额最大，占比达到35％；智能医学影像市场则为第二大细分市场，并将以超过40％的增速发展，在2024年达到25亿美元规模，占比25％。

目前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只有4．1％，放射科医师数量增长远不及影像数据增长。

除了既有市场带来的新需求，医联体建设的推进和第三方医学影像服务市场的发展也为市场带来了新的机会。

市场的供需不平衡，与AI技术在医学影像领域应用的巨大可能，推动了大量创业团队涌入医学影像AI的领域。有数据显示，中国人工智能＋医学影像的活跃企业已经超过 70 家。

据国家卫计委统计，我国病理注册医生在1万人左右，按照每百张床配备2名病理医生的标准计算，全国病理科医生缺口达4万人。所以通过AI的方式辅助影像科医师进行诊断将满足市场刚需。

智能影像识别分类多空间大

智能影像识别市场分类多、空间大，人工智能方法在医学图像处理中的应用十分广泛，涉及医学图像分割、图像配准、图像融合、图像压缩、图像重建等多个领域。

①放射类：通过射线成像了解人体内部的病变情况，形成影像。对该影像智能识别的目的在于标注病灶位置。

②放疗类：在制定放疗方案之前，医生需要通过成像设备对靶区进行定位，从而形成影像。对该影像智能识别的目的在于进行靶区自动勾画，由于放疗需要杀死细胞，病变区域勾勒的越准确越好，对智能影像识别准确率要求高。

③手术类：对CT等影像通过3D可视化等技术，进行三维重建，帮助医生进行手术前规划，确保手术的精确性。

④病理类：病理诊断是最终确诊环节，MRI、CT、B超等影像判读的正确与否要参考病理诊断的结果。传统的病历检验是医生在显微镜下直接读取病历涂片，现在数字化病理系统使得AI读片成为可能。

医疗影像AI算法的变化

医学影像并不是AI应用的第一个场景，许多企业的AI技术源于计算机视觉的迁移，并在此基础上根据病种的特征进行训练、优化。迁移算法的优势在于开发者可以迅速切入医学领域，能加速医疗AI产业的发展。

今年算法的变化主要变化在两个方面，一方面，传统迁移算法通过数据与实验不断优化，鲁棒性、准确率等指标都有明显上升；另一方面，部分AI影像企业拒绝使用开源算法，而选择针对AI影像自建算法。

两种模式有拥有各自的优势，但要完全突破现有AI技术的瓶颈，或许单单的算法并不能完全解决问题，从基因等其他因素出发，全方位的看待问题，或许是另一条出路。

变现场景和商业模式多样化

仅就医疗图像智能识别而言，潜在的变现方式包括：作为单独的软件模块向医疗机构销售、与PACS等系统合成向医疗机构销售；与CT、X光机等设备合作形成软硬件一体化解决方案向医疗机构销售；通过远程医疗等方式服务基层医疗机构；通过互医疗影像创业公司处于发展初期。

目前国内在该领域的创业公司大概为59家。随着行业的发展，市场参与者的数量将首先不断提升，最后由分散走向集中。随着行业数据整合与共享机制的建立、模型训练的成熟、商业模式的确立，以及部分企业CFDA认证的率先通过，先发企业将逐步建立技术壁垒和商业壁垒，推动市场走向集中。

从变现对象看，基层医院因为治疗水平，医疗资源缺乏，付费动力最强；而大医院虽然医疗资源丰富，但由于门诊住院量高，具备通过智能化应用提升工作效率的需求。

在此背景下，基层医院具备按次付费的需求基础，而大医院更容易接受软件服务费作为付费形式。随着第三方影像中心的崛起，将也会对智能影像诊断产生需求。

医学影像AI也有短板

①AI产品往往只是集中在少数几个病种，难以覆盖全部医学影像问题。

②众多人工智能企业和机构采用的训练数据集标准多样，系统偏差较大，行业缺乏医学图像和疾病征像的统一认识。

③业内缺乏对数据使用标准的判断依据，在现有的法律基础上寻找合规使用和分享数据的渠道，也是迫在眉睫的一件事情。

④在医学影像AI模型检测阶段，也会存在生产过程不规范，模型效果和安全性缺乏公正评价，缺乏产品检测标准库和评价体系，缺乏相关法律法规、质控检查和管理制度等问题。

⑤医疗健康是风口，人工智能也是风口，两个风口放在一起就可能出现泡沫。多数的医生是非常有经验的，AI对于他们来说更多的是辅助，主要作用在给他们进一步的确认、以及提高他们的诊断效率。

应对弊端的解决方法

国内监管审批会加速，影像 AI 产品上市前质量评价体系逐渐形成。2017 年 FDA 和 CFDA 都设置了专门针对医疗 AI 的审评部门，足以显示对医疗 AI 重视程度和开放态度。目前中检院已经召开 AI 标准测试数据集眼底和肺癌建设会议，公开征集标准测试数据集，建立测试数据集和客观评测方法，推进产品上市前质量评价。

初期AI刚应用于医学影像领域，医生群体的接受度还不高，有些人还持怀疑、抵触的态度，但随着AI临床表现不断提升、医生AI研究学术上不断有高质量成果产出、加之大环境的影响，将有越来越多的医生由被动转为主动拥抱AI，临床更多需求将释放，会产生更多细分领域的机会。

除了医学影像 AI 应用外，医疗领域还存在一类可统称为医学图像的数据应用。这类数据虽不是设备直接成像的结构或功能影像，但是可以间接形成能够供计算机判读的数字图像，比如检验和病理科室显微镜下视野经数字化后形成的图像， 以及心电、脑电等电生理信号形成的图像都有机会借助 AI 来实现智能化的分析和解读。

结尾

AI技术只是一种技术手段，而不是最终目标。未来医疗AI企业会逐渐整合，只有给医院一个相对完整的打包方案，至少帮科室解决一个领域的大部分问题，也许这个行业才能迎来春天。

在整个医学影像的云计算中，利用算法增加连接性，利用深度学习挖掘影像数据的价值，在更多的维度中挖掘原来浅关联或弱关联的关系，利用三者的关联大大提高医疗诊疗效率，并达到精准医疗。大量数据的积累、高性能的计算环境、优化的深度学习方法，三者资源互相结合并不断调配的模型，正是人工智能的魅力所在，也是未来医学的方向。