醫(yī)學(xué)影像AI以技術(shù)創(chuàng)新為核心 解決醫(yī)生在臨床工作中的效率問(wèn)題

自2006年Hinton及其學(xué)生發(fā)表了題為『Reducing the Dimensionality of Data with Neural Networks』的論文以來(lái)，雖然神經(jīng)網(wǎng)絡(luò)的概念重新回到大眾的視野，但這項(xiàng)技術(shù)仍然沒(méi)有得到大規(guī)模的使用。因?yàn)樾Ч焕硐氲膯?wèn)題，使得包括學(xué)術(shù)界很多學(xué)者都心存疑慮。直到2012年ImageNet大賽冠軍AlexNet的誕生，深度學(xué)習(xí)這個(gè)『煉金術(shù)』的大門才真正打開(kāi)（向在NIPS2017獲得「時(shí)間檢驗(yàn)獎(jiǎng)」Test of Time Award的Ali Rahimi致敬）。這一事件激發(fā)了工業(yè)界極大的熱情，眾多以深度學(xué)習(xí)技術(shù)為核心的初創(chuàng)公司如雨后春筍般在美國(guó)硅谷、以色列以及中國(guó)涌現(xiàn)出來(lái)。

深度學(xué)習(xí)技術(shù)的發(fā)展直接促進(jìn)了自然語(yǔ)言處理（NLP）和計(jì)算機(jī)視覺(jué)（CV）兩個(gè)領(lǐng)域技術(shù)方向的進(jìn)步，語(yǔ)音識(shí)別、機(jī)器翻譯、圖像處理和識(shí)別上出現(xiàn)了諸多成功、成熟的應(yīng)用。而醫(yī)學(xué)影像分析作為計(jì)算機(jī)視覺(jué)技術(shù)在圖像領(lǐng)域應(yīng)用的一個(gè)分支，同樣成為了研究熱點(diǎn)。2017年中發(fā)表在Medical Image Analysis的一篇文獻(xiàn)對(duì)深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像分析領(lǐng)域的研究進(jìn)行了統(tǒng)計(jì)，其結(jié)果如下圖所示：

可以看到，深度學(xué)習(xí)技術(shù)于2012年在自然圖像領(lǐng)域取得突破之后，開(kāi)始大規(guī)模進(jìn)入醫(yī)學(xué)影像領(lǐng)域。計(jì)算機(jī)視覺(jué)中的目標(biāo)檢測(cè)、實(shí)例分割、圖像分類等幾個(gè)主要技術(shù)在醫(yī)學(xué)影像分析中都有應(yīng)用，而且覆蓋了如MRI、CT、X－ray、Ultrasound等不同模態(tài)的數(shù)據(jù)，也涵蓋了各種不同的部位。不僅如此，上面給出的是學(xué)術(shù)論文數(shù)量上的分布，在論文的影響力方面，深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)影像分析中的應(yīng)用也得到了很大的認(rèn)可，簡(jiǎn)單羅列下近兩年的一些重要研究結(jié)果就可見(jiàn)一斑。

如2017年1月斯坦福大學(xué)跨學(xué)科的研究團(tuán)隊(duì)發(fā)表的『Corrigendum： Dermatologist－level classification of skin cancer with deep neural networks』 ，這篇文章運(yùn)用深度學(xué)習(xí)技術(shù)，采用了近13萬(wàn)的臨床數(shù)據(jù)進(jìn)行訓(xùn)練，并在 21 位經(jīng)過(guò)認(rèn)證的皮膚科醫(yī)生的監(jiān)督下，測(cè)試了它在活檢證實(shí)的臨床圖像上的性能。在本次實(shí)驗(yàn)中，深度卷積神經(jīng)網(wǎng)絡(luò)在最常見(jiàn)癌癥識(shí)別以及最致命皮膚癌識(shí)別浙兩個(gè)任務(wù)上的表現(xiàn)都達(dá)到了所有測(cè)試專家的水平，證明了該人工智能的皮膚癌鑒定水平達(dá)到了媲美皮膚科醫(yī)生的水平。

再如2018年2月加州大學(xué)圣地亞哥分校張康教授團(tuán)隊(duì)發(fā)表的『Identifying Medical Diagnoses and Treatable Diseases by Image－Based Deep Learning』論文，他用約10萬(wàn)張準(zhǔn)確標(biāo)注的視網(wǎng)膜光學(xué)相干斷層成像術(shù)圖像進(jìn)行訓(xùn)練，在診斷眼疾時(shí)的準(zhǔn)確性達(dá)到96．6％，其中靈敏性97．8％，特異性97．4％。這項(xiàng)工作引入了遷移學(xué)習(xí)的技術(shù)，可用于診斷視網(wǎng)膜疾病之外的其他疾病，并在用預(yù)訓(xùn)練好的眼科AI診斷模型上采用5000張胸部X線圖像進(jìn)行進(jìn)一步訓(xùn)練，在區(qū)分肺炎和健康狀態(tài)時(shí)，準(zhǔn)確性可以達(dá)到92．8％。

與此同時(shí)，一大批人工智能醫(yī)學(xué)影像初創(chuàng)公司涌現(xiàn)了出來(lái)。據(jù)公開(kāi)數(shù)據(jù)統(tǒng)計(jì)，2017年國(guó)內(nèi)醫(yī)療影像AI賽道共計(jì)融資超過(guò)20億人民幣，單筆融資過(guò)億的就有數(shù)起，在整個(gè)醫(yī)療人工智能領(lǐng)域是股權(quán)投融資最活躍的方向之一，那么為什么醫(yī)學(xué)影像AI能夠獲得眾多創(chuàng)業(yè)者、投資者的認(rèn)可，吸引了如此多的資本和人才匯聚到這個(gè)領(lǐng)域？

這里有幾個(gè)前提：

技術(shù)升級(jí)

深度學(xué)習(xí)技術(shù)在圖像領(lǐng)域的突破使得在醫(yī)療影像中應(yīng)用AI技術(shù)進(jìn)行輔助診斷成為可能；

供需失衡

隨著人口老齡化的加劇以及民眾健康意識(shí)的提升，醫(yī)學(xué)影像檢查次數(shù)每年以超過(guò)30％的速度增加，而影像科醫(yī)生每年的增長(zhǎng)速度不到5％，這里面存在著嚴(yán)重的供需失衡；

市場(chǎng)規(guī)模

據(jù)《醫(yī)療影像的市場(chǎng)圖譜和行業(yè)發(fā)展分析》推算，2020 年我國(guó)醫(yī)學(xué)影像市場(chǎng)規(guī)模將達(dá)6000 － 8000 億人民幣，其中診斷環(huán)節(jié)占20％左右，卻也是一個(gè)千億級(jí)別的市場(chǎng)。而美國(guó)2018年醫(yī)學(xué)影像診斷的市場(chǎng)規(guī)模超過(guò)100億美元。

那么，市場(chǎng)和價(jià)值都很明確，醫(yī)學(xué)影像AI現(xiàn)階段到底能解決什么問(wèn)題？

現(xiàn)階段的醫(yī)學(xué)影像AI產(chǎn)品主要的應(yīng)用模式是輔助醫(yī)生進(jìn)行臨床診斷，從產(chǎn)品分類上屬于工具型產(chǎn)品，而工具型產(chǎn)品的核心是高效地解決用戶需求。

那么我們簡(jiǎn)單分析下工具型產(chǎn)品的優(yōu)劣。傳統(tǒng)的工具型產(chǎn)品的優(yōu)勢(shì)是用戶需求明確，使用場(chǎng)景純粹，落地容易，容易做到極致化的體驗(yàn)。但工具型產(chǎn)品也存在很大的劣勢(shì)，因?yàn)槭褂脠?chǎng)景單一，所以用戶使用頻率少；因?yàn)橛脩粜枨竺鞔_，所以一旦用戶的需求獲得滿足，使用即停止。因此，這類產(chǎn)品使用時(shí)間短，用戶粘性差，這都使得工具型產(chǎn)品往往在早期發(fā)展非?？?，并且能夠快速占領(lǐng)市場(chǎng)，但發(fā)展到一定的階段，又會(huì)受限于規(guī)?；纳虡I(yè)變現(xiàn)。

而在醫(yī)療領(lǐng)域，工具型產(chǎn)品的變現(xiàn)模式非常清晰。目前醫(yī)療領(lǐng)域大部分的產(chǎn)品都屬于工具型產(chǎn)品，如醫(yī)療器械，只要產(chǎn)品質(zhì)量過(guò)硬，能夠解決實(shí)際臨床需求，并且可以切入到臨床路徑，就能夠進(jìn)行商業(yè)化變現(xiàn)，所以醫(yī)療影像AI產(chǎn)品主要需要跨越的門檻就是找到明確的用戶需求和使用場(chǎng)景，并進(jìn)行落地。

我們?cè)賮?lái)分析用戶需求和使用場(chǎng)景，首先來(lái)看下我國(guó)惡性腫瘤的統(tǒng)計(jì)數(shù)據(jù)。

全球每年新發(fā)癌癥病例1400多萬(wàn)，我國(guó)每年新發(fā)病例約430萬(wàn)，相當(dāng)于每天都有1萬(wàn)多人確診癌癥。其中肺癌和乳腺癌分別為男性和女性的第一大癌，而肺癌更是我國(guó)乃至世界發(fā)病率最高、死亡率最高的癌癥。由于肺癌和乳腺癌早期和晚期的五年生存率有明顯的差異，早診斷早治療能夠顯著降低死亡率，對(duì)于患者自身及其家庭乃至社會(huì)都有難以衡量的意義。

但令人遺憾的是，肺癌發(fā)病隱蔽，等到患者出現(xiàn)明顯的臨床癥狀（如咳嗽、痰中帶血、胸痛、發(fā)熱、氣促、聲音嘶啞等），已經(jīng)到了晚期。數(shù)據(jù)顯示，目前我國(guó)約75％的肺癌患者在確診時(shí)已屬晚期，五年生存率僅15％，而發(fā)生遠(yuǎn)端轉(zhuǎn)移的肺癌患者五年生存率更是不到5％，超過(guò)半數(shù)的肺癌患者在確診后的一年內(nèi)死亡。因此肺癌的早期診斷對(duì)治療極其重要。NLST（National Lung Screening Trial）的研究結(jié)果顯示，對(duì)于高危人群進(jìn)行肺癌篩查，可以有效的降低死亡率（Reduced lung－cancer mortality with low dose computed tomographic screening，New Engl J Med 2013）。

與肺癌相比，乳腺癌的治療效果較好，而且不容易復(fù)發(fā)。美國(guó)癌癥中心的數(shù)據(jù)顯示，乳腺癌五年生存率為89％，其中0－I期五年存活率接近100％。但是在我國(guó)，由于缺少全國(guó)范圍內(nèi)的乳腺癌篩查項(xiàng)目，相較于美國(guó)大多數(shù)患者診斷時(shí)為0期、I期，我國(guó)乳腺癌患者多為II期，并且III、IV期比例也高于美國(guó)。有數(shù)據(jù)顯示，即便在北京，82．1％的女性發(fā)現(xiàn)患乳腺癌時(shí)已有明顯癥狀，在0期和I期的患者比例只有32％，而且我國(guó)乳腺癌的發(fā)病年齡明顯低于國(guó)外，有2／3的患者為45歲以下的中青年女性，覆蓋大規(guī)模人群的乳腺癌篩查迫在眉睫。

糖網(wǎng)（糖尿病性視網(wǎng)膜病變）也對(duì)篩查有迫切的需求。截止2015年，我國(guó)糖尿病患者人數(shù)高達(dá)1．1億，居世界首位，而糖網(wǎng)是糖尿病常見(jiàn)的慢性并發(fā)癥之一，也是糖尿病患者致盲的最主要眼病，發(fā)病率約31．7％。同時(shí)，糖網(wǎng)病早期往往沒(méi)有任何臨床癥狀，一旦有癥狀，病情已較比較嚴(yán)重，容易錯(cuò)過(guò)最佳治療時(shí)機(jī)。研究表明，糖尿病患者每年進(jìn)行1次眼底檢查，可使失明發(fā)生率降低94．4％。

可以看到，上面三種重大疾病都存在著大規(guī)模人群篩查的需求，這需要大量的人力和資金的投入，而將AI技術(shù)應(yīng)用到重大疾病的早期篩查，則可以很好的解決人力和資金的問(wèn)題，同時(shí)提升整體篩查效率，從國(guó)家的層面也能很好的幫助優(yōu)質(zhì)醫(yī)療服務(wù)下沉，實(shí)現(xiàn)重大疾病早診早治，降低醫(yī)療和社會(huì)成本。這才是當(dāng)前影像AI應(yīng)用的主要落地場(chǎng)景，也是當(dāng)前醫(yī)學(xué)影像AI真正可以解決的問(wèn)題。

隨著大家這兩年來(lái)對(duì)于醫(yī)療AI的摸索和理解，各家公司的產(chǎn)品包括模式都在趨同?；诠_(kāi)資料可以看到，各家公司發(fā)布的產(chǎn)品大部分集中在肺癌、糖網(wǎng)、乳腺癌等重大疾病的篩查和早期診斷，雖然醫(yī)學(xué)影像AI存在較高的技術(shù)和資源門檻，但競(jìng)爭(zhēng)同樣非常激烈，還吸引了眾多成熟企業(yè)加入，如阿里巴巴、騰訊、百度、平安科技、科大訊飛等。

這一領(lǐng)域的公司都有其各自的特點(diǎn)，不論是從非醫(yī)療領(lǐng)域跨界而來(lái)的巨頭，還是從傳統(tǒng)醫(yī)療領(lǐng)域延伸出來(lái)廠商，或者是從0到1的創(chuàng)業(yè)公司，在醫(yī)療影像AI領(lǐng)域耕耘持續(xù)考驗(yàn)著公司的技術(shù)能力、產(chǎn)品能力以及商務(wù)能力，任意方面的短板都會(huì)嚴(yán)重制約公司的發(fā)展。醫(yī)療影像AI是一個(gè)非常有前景，有價(jià)值的領(lǐng)域，以技術(shù)創(chuàng)新為核心，從產(chǎn)品體驗(yàn)著手，務(wù)實(shí)的解決醫(yī)生在臨床工作中面臨的效率問(wèn)題，讓產(chǎn)品在臨床工作中得到實(shí)際應(yīng)用，進(jìn)而形成依賴，是當(dāng)下最切實(shí)可行的路徑。