投稿|眼底AI日渐成熟,医疗产业为何“毫无反应”?

投稿|眼底AI日渐成熟,医疗产业为何“毫无反应”?
文章图片

图片来源@视觉中国

文 | 锦鲤财经
曾经爆火的AI医疗产业 , 现如今已然褪去了神秘的色彩 , 相对成熟的眼底AI技术突出重围 , 一直活跃在人们的视线中 。
众所周知 , 视网膜是人体中唯一一个能以无创方式直接观察血管和神经细胞变化 , 以此作为多种慢性病指标的机体组织 。因此 , 作为一种辅助检查的手段 , 视网膜影像一直被列为医疗影像的研究重点 , 在AI医疗产业中也有举足轻重的地位 。
据鹰瞳科技招股书数据显示 , 在人工智能医学影像市场中 , 人工智能视网膜影像发展最快 , 2019年至2021年的年复合增长率为171.0% 。
AI医疗在商业化战场上屡屡碰壁 , 一直无法触及诊疗核心 , 除了发展的技术跟不上时代的节奏以外 , 从本质上来说 , 也无法完全取代医生的主导地位 。就连眼底AI发展前景广阔 , 也仍未走出逐年亏损的怪圈 , “烧钱”一直是AI医疗撕不掉的标签 。
那么 , 医疗AI产业处在这不尴不尬的位置上 , 是否能成为新兴行业的指路明灯?
01 眼底AI如何破局?圈内有一个共识 , 想要发展AI医疗最难的部分就是数据库的建立 , 毕竟每家医院信息系统中的数据质量参差不齐 , 而创业初期的企业只能向一家或者几家医院 , 通过付费购买或者科研合作的方式达成合作 , 但很大概率只能获得部分并不完整的数据 。
而眼底AI领域就没有这个后顾之忧 , 根据资料显示 , 2018年3月 , 中检院眼底图像数据库建库工作完成 。在此基础知识之上 , 2020年8月 , 鹰瞳科技和硅基智能的“糖网辅助诊断软件”第一批通过药监局审批、取得第三类医疗器械证书 。紧接着致远慧图、微医医疗器械有限公司的产品也相继获得认证 , 其中还有几款产品获得了欧盟CE认证 。
可以说 , 眼底AI的发展稳扎稳打 , 逐步建立起了以视网膜影像为基础的诊断系统 。根据了解 , 通过捕捉并分析视网膜图像 , 不仅可以识别视网膜黄斑变性、病理性近视、视网膜脱落等眼科疾病 , 也能诊断糖尿病、高血压、心脑血管病等全身性疾病 。
从根本上说 , 虽然眼底AI不能完全代替眼科医生进行诊断 , 但起到了明显的预防作用 。
根据《2017年中国卫生和计划生育统计年鉴》获悉 , 中国有4亿左右慢性眼病患者 , 而只有3.6万名眼科医生 , 门诊量超过1.1亿 , 住院患者超过450万结合整个医疗环境来说 , 眼底AI的出现让很多慢性疾病实现了“早筛早治” , 进一步结合医生的诊断结果 , 让很多病人得到了及早的治疗 。
除此之外 , 术业有专攻 , 眼科医生对于糖尿病、内分泌等其他专科疾病的诊疗并不一定准确及时 , 而非眼科医生对眼底影像阅片能力毕竟有限 , 尤其是眼底疾病病灶微小、不同病灶间区分度低 , 全国范围内拥有阅片能力的医生相对较少 。而眼底AI的辅助诊疗 , 在一定程度上可以成为医生的“帮手” 。
眼底AI之所以可以在人工智能影像市场中脱颖而出 , 与企业落地场景的多样性也有很大的关系 。不管是肺部影像、心血管影像或是胸腔影像 , 一般都会选择落地大型医院 , 绑定硬件设备来销售 , 而眼底AI的选择范围更加广泛 , 既可以选择三甲医院 , 也可以从视光中心进行小范围突破 。就像鹰瞳科技的眼底筛查软件 , 选择用一个低成本要求的眼底相机 , 实现对基层医疗体系的渗透 。
但眼底AI的走势良好 , 不赚钱却摆在了明面上 。比如 , 鹰瞳科技的招股书显示 , 2019年、2020年以及2021上半年 , 其实现收入3041.5万元、4767.2万元和4947.7万元 。去年11月 , “医疗AI第一股”鹰瞳科技成功着陆 , 但上市即破发 。
只能说 , AI医疗产业尚且年幼 , 再加上最近经济形势低迷 , 新兴业态的发展处于停滞状态 , 想要有所发展必定先要突破固有商业模式 , 积极创新 , 才有新的转机 。
02 人工智能+医疗 , 齐头并进?或许是受西方电影桥段的影响 , 人工智能一直是人类终极形态的代表 。
近几年 , 人工智能的发展也是突飞猛进 , 其研究表明 , 2012至2018年6年间 , 在最大规模的人工智能模型训练中所使用的计算量呈指数级增长 , 其中有3.5个月的时间计算量翻了一倍 。其次 , 资本也持续看好中国人工智能产业发展 , 到2020年 , 中国人工智能产业融资规模达到1402亿元 。
尤其是交通场景和医疗场景受到了广泛关注 , 特别是企业纷纷表示未来会重点布局人工智能 。
在iiMedia Research数据显示 , 超八成中国网民看好人工智能的未来发展前景 , 其中交通场景和医疗场景分别占比45.2%和40.5% 。八成受访企业表示对人工智能重视程度较高 , 近六成企业表示未来会重点布局人工智能 。
疫情的到来 , 更是让中国医疗器械市场规模持续扩大 , 特别是人工智能在医疗行业起到至关重要的作用 。iiMedia Research数据显示 , 2020年中国医疗器械市场规模达到7341亿元 。其中 , 手术机器人、AI临床辅助系统等智能医疗工具为抗击疫情发挥重要力量 。与此同时 , 中国人工智能医疗器械相关专利数量进一步增长 。
投稿|眼底AI日渐成熟,医疗产业为何“毫无反应”?
文章图片

不可置否 , AI医疗产业的发展 , 结合了医、学、产等多方面力量 。除了资本的助推 , 也离不开相关院系的科研力量 。2017年3月25日 , 浙大睿医人工智能研究中心成立 , 领头人吴朝晖教授曾表示 , “我们会利用浙大基础优势 , 以开放姿态和各大医疗机构及学科带头人合作 , 打通数据源 , 建立多学科、多机构协同机制 , 争取早日在医学人工智能的关键性技术上取得突破 。”
但结果却并没有朝着预期发展 , 国内医疗AI市场规模增速极为缓慢 , 甚至于在走下坡路 。据统计 , 2020年中国医疗AI市场整体规模约为265亿 , 而从2015年风口突起至2020年上半年 , 医疗AI总融资规模就超过了350亿 。
2021年 , 医疗AI企业虽然迎来了上市大关 , 但全力商业化两年的成绩单依然难过二级市场的法眼 , 接连败北 。3月 , 科亚医疗向港交所递交IPO申请 , 到9月 , 上市状态变成了“失效”;6月 , 鹰瞳科技也递交IPO申请 , 11月 , 上市即破发;7月 , 依图科技的IPO状态变成了“终止” , 8月 , 依图医疗团队被深睿收购 。
不止国内的AI医疗产业铩羽而归 , 在医疗领域“火力全开”的谷歌健康也陷入重重危机之中 , 不得不大规模裁员重组 。
谷歌在AI领域本就已是巨头 , 谷歌健康成立后 , 还聘请医疗领域资深人士David Feinberg就任主管 , 仍未将谷歌与医疗AI相关的创新业务做起来 。2021 Q1季度财报显示 , 谷歌包括人工智能DeepMind、智能医疗Verily在内的创新业务 , 仍然处于亏损状态 。
人工智能和医疗场景的结合 , 不仅是对技术的考验 , 更是对现实情景的多方考验 , 只可惜 , 偌大的医疗领域无法拯救人工智能的应用深度 , 更何况 , 医疗AI本身也在苦苦挣扎 。
03 AI医疗 , 困于算法人工智能本身的特点就决定了它无法面临错综复杂的医疗场景 , 想要完全脱离人工而独立进行诊疗 , 其实很难达到 。图灵奖得主Yoshua Bengio也曾说过 , 在医学文本文件中 , 人工智能系统无法理解其模糊性 , 也无法了解人类医生注意到的微妙线索 。
可以说 , 算法还有待优化 , 用更全面的数据加固已有的模型 , 才能逐步让AI医疗应用到更多场景中 。
追溯到2020年 , 吴恩达在斯坦福HAI研讨会的演讲中曾分析 , 医疗领域AI研究的算法难以投入到生产 , 因为一部分数据训练出的模型 , 难以泛化到其他情况 。这一说法在谷歌健康的“糖尿病视网膜病变筛查”业务中有所证实 。
此前 , 谷歌发表在《美国医学会期刊》的文章中提到 , AI算法使“糖尿病视网膜病变筛查”的准确率达到了90% , 理论上几秒就能出结果 。但当理论与现实结合时 , 却出现了极大的反差 。2020年 , 谷歌与泰国公共卫生部门就这项业务展开合作 , 最终由于算法对检查照片的要求极高 , 准确率远不如预期 。
除此之外 , 从上传照片到出结果所需要的时间 , 还取决于当地医院的网络信号是否良好 , 病人通常需要很长的时间才能拿到结果 。
很显然 , AI医疗对环境以及照片像素等外界因素的依赖程度极高 , 一旦出现预期外的事件发生 , 将无法发挥自身的效用 。就连相对成熟的眼底AI算法 , 尚且无法适应各种状况的发生 , 更何况本就发展受限的其他领域 。
AI医疗在应用中的受限因素有很多 。
首先 , 基本地域限制 , AI在实际场景并不通用 , 本质上来说 , 适用性较高的AI基本都是定制化研发 。例如 , 儿童骨龄智能辅助诊断软件在诊断上就有一些问题 , 这个参照南方地区身高作为标准的软件 , 并不适合平均身高突出的当地 。
其次 , 基于技术限制 , 市面上AI在心血管中的诊疗工具集中在影像功能 , 高门槛的技术难点让不少企业望而却步 。相较于视网膜、肺部影像扫描图像基本处于相对静止状态 , 心脏以及冠脉极端复杂的网状结构的图像更难捕捉 , 图像的合成和三维重建十分困难 。AI在心血管领域需要更加精密而庞大的算法 , 来诊断与预测种类极为丰富的心脏病症 。
最后 , AI医疗被应用于真实医疗场景 , 大量的训练数据是前提 , 但数据准确性和全面性却并未得到保障 。比如 , 在美国医疗媒体STAT公布的IBM公司内部文件中显示 , 沃森系统的训练 , 使用是虚拟患者的假想数据 , 推荐的治疗方案是基于纪念斯隆-凯特琳癌症中心专家的方案;且训练数据不足 , 8种癌症中 , 训练数据量最高的肺癌只有635例 , 而最低的卵巢癌仅有106例 。
【投稿|眼底AI日渐成熟,医疗产业为何“毫无反应”?】不难看出 , 算法的优化根本跟不上医疗情景的变化 , 很多医疗AI在实景操作中并派不上用场 。而投入巨大的人力物力 , 却得不到相应的回报 , 让资本对AI医疗产业的热情骤减 , 也让这个赛道显得越发落寞 。

    推荐阅读