為什麼大多數醫療影像AI都躺在醫院吃灰？

8月1日上午10時，武警總醫院CT科，十餘位影像醫生正在閱讀醫院前一天200多例患者的CT圖像。

醫生小劉在電腦上打開一個檢查單，上面有患者信息、症狀、檢查項目等。 點擊進入影像頁面，一家醫療AI公司提供的肺部篩查產品給出了10條可疑病灶，如右肺上葉、尖段、3.1mm、20.19m³、實性結節。 根據提示和自己的判斷，小劉書寫報告，全程約8分鐘，這樣的病例他一天大約要看30份。

以前，小劉需要閱讀每個病人的幾百幅影像，逐個找出結節。 現在AI幫他找出肉眼不容易發現的小結節，只需要根據系統提示檢查核對，漏診率大大下降。

這類醫療影像AI產品為智能CT輔助篩查系統，行業內推出這一產品的有推想科技、匯醫慧影、圖瑪森維等幾十家創業公司。

尋找中國創客記者調查發現，在AI產品扎堆的影像領域，一個三甲醫院可能同時安裝10餘家AI公司的產品，醫生真正使用的只有一兩家，因為AI找到結節後尚不能輔助診斷， 且目前產品多集中在肺結節查找上，同質化嚴重。 而這些需要深度學習的AI產品，少了醫生的糾錯與補充，模型迭代也會變慢。

未來，影像AI的出路在哪兒？ 多名業內人士表示，醫療影像AI公司僅靠單一產品，在醫院盈利難度較大。 未來創業公司可以開發短平快的優勢盈利模塊，與設備廠商合作相互賦能或在體檢機構、基層醫院推廣使用AI影像產品。

AI“雙重審核”，降低醫生漏診率

2014年以來，AI技術的發展逐步進入垂直細分領域，醫療影像以其標準化程度相對較高而被認為是最早能夠實現AI落地的場景之一。 一時間，幾十家創業公司湧入影像AI賽道，其中不乏已經拿到C輪融資的獨角獸企業。

武警總醫院CT科主任王貴生早在16年前讀博士時候，就接觸到了美國推出的影像AI產品，用於肺結節的輔助測量，但主要是做科研，臨床並沒有推廣起來。

直至2016年底，美國一家科技公司聯繫到武警總醫院，將一個肺結節篩查AI產品的試用版安裝到了科室的電腦裡。

“當時的系統特別慢，需要先把影像資料導到服務器上，然後它給出格式化報告再導出來。它的敏感性高但特異性差，發現東西但不知道是啥，費半天勁只是標 出來了結節，更有價值的判斷並沒體現，後來就不用了。”王貴生回憶。

真正落地到武警總醫院的是2018年引入的兩個產品，分別來自深睿醫療和推想科技。 雖然功能和之前美國的產品大同小異，但操作時間縮短了不少。

據介紹，在武警總醫院這樣的綜合型三甲醫院，一天做CT的病人約270個，科室有7名醫生讀片子、寫報告，5名醫生審核，每位醫生平均每天要看30多個病人 的片子，一個病人約有500多幅圖像，每個圖像需要二級或三級審，至少要過三遍。

AI產品的出現一定程度上減輕了醫生負擔。

王貴生表示，一個片子閱讀加寫報告約要5分鐘—8分鐘，用了AI產品之後，時間上並沒有明顯的減少，但係統提示過以後，漏診的概率低了。 因為在血管密集的地方或者人眼疲勞時會漏掉結節。

另一方面在於AI對結節大小體積的測算比人工準確，尤其是對於橢圓形的結節，醫生慣用最大的橫線和垂線計算得出，由於它不規則，難免有誤差，AI的測量 則相對準確。

某三甲醫院影像醫生小宇介紹，其醫院目前使用了依圖科技和推想科技兩家公司的產品。

“最初我們很期待，但用了之後發現不太習慣，加上剛開始系統可能不穩定、準確率也不高或漏診或多篩，作用沒有想像中那麼大 。 用AI看一遍，自己再檢查一遍，也沒有節省時間。 ”

後來，隨著醫生和公司雙方的反饋更新，有了較大改觀。 第一家公司進來以後發現大家積極性不高，提出了一些激勵制度，如果補充標註結節會給醫生資金上的獎勵，雖然沒有真正實施，但小宇認為： “有了AI相當於一個雙重審核，我們平時找起來很吃力，容易漏掉的小結節，AI正好擅長 。 ”

產品同質化嚴重，閒置率高

在走訪中，記者發現，雖然一些醫院同時安裝多家公司的AI產品，但真正使用的只有一兩家，甚至一家都未使用，存在大量閒置情況。

武警總醫院的多名醫生表示，他們平時會從根據使用習慣、系統的穩定性等只用一家，比較少去切換比對。 廣東省第二人民醫院也表示引入了圖瑪森維、騰訊、推想科技的產品，日常用的也是1家。

某匿名行業內人士透露，因為使用體驗並不理想，有的醫院是使用一段時間就不用了，“篩查不精準，或者調用軟件時導致系統崩潰，這讓醫生不願意花費時間。”

醫療類媒體動脈網也曾報導，邵逸夫醫院放射科合作的醫療AI公司達到了10家，重慶醫科大學附屬第一醫院合作了7家，但一位醫生大多只用一款產品。

為什麼會出現產品閒置的情況？

主要在於AI 雖然 能幫助找出結節，但在進一步的良惡性判斷與報告意見出具方面，AI尚不能給出結論。 而且，目前市場上的產品多集中在肺結節上，同質化嚴重。

一位影像AI領域從業者透露，肺結節出產品容易而新病種攻克難度大。

具體而言，肺結節公開數據最多，很多數據集可以直接下載，而且肺結節影像相對直觀，不管是創業公司還是上市公司，過去兩年都相繼推出類似產品；而新病種研發需要大量 深度學習模型訓練，獲取單病種數據難度大，還需要與大量專家合作進行精標註，新病種的驗證週期也非常長。

在各家創業公司的研發端，除肺部篩查產品之外，也在開發適用於腦部等其他部位的AI應用，只是大多數產品還沒進入到臨床應用階段。

推想科技創始人兼CEO陳寬認為，雖然大家都在做肺結節，但是在醫院的使用情況截然不同。 同質化不重要， 醫生的信任度與點擊量才是判斷產品的標準。

“未來公司將開發胸部、腦部更多的模塊，形成產品矩陣，讓醫院更加依賴於我們的產品體系，當然，AI產品的發展與成熟還需要與醫院醫生互相配合培養，還需要時間。” 陳寬說。

只是錦上添花，醫院購買意願低

經過了三年多的發展，影像AI領域內的公司依然處於打磨產品的階段，沒有清晰的商業模式與盈利場景，醫院的付費意願很低。

王貴生表示，就目前看，拿肺結節產品來收費肯定是不可能的，因為各公司都能做到而且都在免費使用。

在他看來， AI產品盈利能力受限的根本原因還在於現階段的產品對醫生來說並不是剛需，有了是錦上添花，沒有也不耽誤事， 就像是滴滴，用它方便叫車，但沒有也能出行。

小宇也表示，找到結節只是第一步，醫生要做的是對它定性，看沒有變成肺癌的風險，而目前AI還沒有這樣的功能，讓醫院買單難度太大。

美國AI醫療服務商More Health聯合創始人胡泊認為，影像AI產品難以真正落地使用，其中除了技術問題，還有責任問題。 如果AI給出的結果錯誤，誰來承擔這個責任，這需要相關的政策和法律支持。

同時，企業的良性發展問題尚未解決。 目前大部分企業在燒錢，中國大部分機構或醫院不願意為軟件買單，找到可帶來現金流的產品是難題。

此外，國內數據有不連續性和多樣性，每個醫院的標準不一樣，一個患者可能去四五家醫院，數據不連續，大部分醫院現在還是信息孤島，想要打通短期之內很困難。

“中國如果在數據的規範和安全以及流通性上如果能做出更好的舉動的話，醫療AI發展會比美國更快，畢竟中國的患者更多，數據更多。”胡泊說。

開發盈利模塊，往基層拓展

從醫生的角度，王貴生認為，AI除了篩查結節降低誤診率之外，測量、對比、了解結節密度的改變也對醫生很有幫助，“比如，肺結節大小的改變其實是體積的 改變，如果AI能給出準確的體積改變與前後對照，價值是較大的，這類問題也是AI的優勢。”

他表示，AI公司如果想讓醫院買單，應該把它最優勢的機器運算發揮起來，將人腦做不到或誤差率非常大的東西細化、產品化，拿這些模塊來補現在免費的模塊 ，產品的系列多了就好賣了。

此外，AI公司可以跟設備廠商結盟依附於醫療設備， 將付費方和受益方形成一致，這可能是一個更快的盈利方式，傳統廠商也能增加賣點。

在小宇看來，產品如果真的做得好的話也是有場景的，“ 如患者較多的體檢機構，或者是縣級醫院開展一些體檢項目，肺癌篩查專項就可能落地。 ”

胡泊也認為最有發展前途的是在基層醫院提供這些人工智產品，因為AI解決了兩個問題：降低成本和可複制。 在醫療資源、醫生水平和經驗相對不足的地方，讓軟件來提供輔助，可以大大提高它的工作效率和準確度。

不過，長期關注醫療領域的火山石資本副總裁劉凱認為，醫療影像AI更適合設備廠商來做。

“設備廠商扮演的角色和AI公司的商業模式都存在不確定性，銷售軟件給醫院的市場規模並不是很大，基於前兩個不確定性去博一個市場不夠大的領域，需要謹慎。”

在他看來，西門子等設備廠商有很多技術儲備，影像要先從設備裡出來，設備廠商能拿到更多更一手的資料，如果由他們來做醫療影像AI，比第三方公司拿最後的 片子加標註更容易。