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，雖然神經(jīng)網(wǎng)絡(luò)的概念重新回到大眾的視野，但這項技術(shù)仍然沒有得到大規(guī)模的使用,。因為效果不理想的問題，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『煉金術(shù)』的大門才真正打開（向在NIPS2017獲得「時間檢驗獎」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硅谷、以色列以及中國涌現(xiàn)出來,。

　　深度學(xué)習(xí)技術(shù)的發(fā)展直接促進(jìn)了自然語言處理（NLP）和計算機視覺（CV）兩個領(lǐng)域技術(shù)方向的進(jìn)步,，語音識別、機器翻譯,、圖像處理和識別上出現(xiàn)了諸多成功,、成熟的應(yīng)用。而醫(yī)學(xué)影像分析作為計算機視覺技術(shù)在圖像領(lǐng)域應(yīng)用的一個分支,，同樣成為了研究熱點,。2017年中發(fā)表在Medical Image Analysis的一篇文獻(xiàn)對深度學(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，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,，開始大規(guī)模進(jìn)入醫(yī)學(xué)影像領(lǐng)域。計算機視覺中的目標(biāo)檢測,、實例分割,、圖像分類等幾個主要技術(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，簡單羅列下近兩年的一些重要研究結(jié)果就可見一斑,。

　　如2017年1月斯坦福大學(xué)跨學(xué)科的研究團(tuán)隊發(fā)表的『Corrigendum： Dermatologist－level classificaTIon of skin cancer with deep neural networks』 ,，這篇文章運用深度學(xué)習(xí)技術(shù)，采用了近13萬的臨床數(shù)據(jù)進(jìn)行訓(xùn)練,，并在 21 位經(jīng)過認(rèn)證的皮膚科醫(yī)生的監(jiān)督下,，測試了它在活檢證實的臨床圖像上的性能。在本次實驗中,，深度卷積神經(jīng)網(wǎng)絡(luò)在最常見癌癥識別以及最致命皮膚癌識別浙兩個任務(wù)上的表現(xiàn)都達(dá)到了所有測試專家的水平,，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。

　　AIi1iAAJvXgFFl-c023.png" alt="o4YBAFvr4f2AIi1iAAJvXgFFl-c023.png"/>

　　再如2018年2月加州大學(xué)圣地亞哥分校張康教授團(tuán)隊發(fā)表的『IdenTIfying Medical Diagnoses and Treatable Diseases by Image－Based Deep Learning』論文,，他用約10萬張準(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,，在診斷眼疾時的準(zhǔn)確性達(dá)到96．6％，其中靈敏性97．8％,，特異性97．4％,。這項工作引入了遷移學(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，準(zhǔn)確性可以達(dá)到92．8％,。

　　與此同時,，一大批人工智能醫(yī)學(xué)影像初創(chuàng)公司涌現(xiàn)了出來。據(jù)公開數(shù)據(jù)統(tǒng)計,，2017年國內(nèi)醫(yī)療影像AI賽道共計融資超過20億人民幣,，單筆融資過億的就有數(shù)起，在整個醫(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領(lǐng)域,？

　　這里有幾個前提：

　　技術(shù)升級

　　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的提升，醫(yī)學(xué)影像檢查次數(shù)每年以超過30％的速度增加,，而影像科醫(yī)生每年的增長速度不到5％,，這里面存在著嚴(yán)重的供需失衡,；

　　市場規(guī)模

　　據(jù)《醫(yī)療影像的市場圖譜和行業(yè)發(fā)展分析》推算，2020 年我國醫(yī)學(xué)影像市場規(guī)模將達(dá)6000 － 8000 億人民幣,，其中診斷環(huán)節(jié)占20％左右,，卻也是一個千億級別的市場。而美國2018年醫(yī)學(xué)影像診斷的市場規(guī)模超過100億美元,。

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

　　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)勢是用戶需求明確，使用場景純粹,，落地容易,，容易做到極致化的體驗。但工具型產(chǎn)品也存在很大的劣勢,，因為使用場景單一,，所以用戶使用頻率少；因為用戶需求明確,，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，但發(fā)展到一定的階段,，又會受限于規(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)量過硬,，能夠解決實際臨床需求，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景,，并進(jìn)行落地。

　　我們再來分析用戶需求和使用場景,，首先來看下我國惡性腫瘤的統(tǒng)計數(shù)據(jù),。

　　全球每年新發(fā)癌癥病例1400多萬，我國每年新發(fā)病例約430萬,，相當(dāng)于每天都有1萬多人確診癌癥。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,，對于患者自身及其家庭乃至社會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,，目前我國約75％的肺癌患者在確診時已屬晚期,，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治療極其重要。NLST（NaTIonal Lung Screening Trial）的研究結(jié)果顯示,，對于高危人群進(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,，由于缺少全國范圍內(nèi)的乳腺癌篩查項目,，相較于美國大多數(shù)患者診斷時為0期、I期,，我國乳腺癌患者多為II期,，并且III、IV期比例也高于美國,。有數(shù)據(jù)顯示,，即便在北京，82．1％的女性發(fā)現(xiàn)患乳腺癌時已有明顯癥狀,，在0期和I期的患者比例只有32％,，而且我國乳腺癌的發(fā)病年齡明顯低于國外，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）也對篩查有迫切的需求。截止2015年,，我國糖尿病患者人數(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,，糖網(wǎng)病早期往往沒有任何臨床癥狀,，一旦有癥狀，病情已較比較嚴(yán)重,，容易錯過最佳治療時機,。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題,，同時提升整體篩查效率,，從國家的層面也能很好的幫助優(yōu)質(zhì)醫(yī)療服務(wù)下沉，實現(xiàn)重大疾病早診早治,，降低醫(yī)療和社會成本,。這才是當(dāng)前影像AI應(yīng)用的主要落地場景，也是當(dāng)前醫(yī)學(xué)影像AI真正可以解決的問題。

　　隨著大家這兩年來對于醫(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,。基于公開資料可以看到,，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,，但競爭同樣非常激烈，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,，不論是從非醫(yī)療領(lǐng)域跨界而來的巨頭，還是從傳統(tǒng)醫(yī)療領(lǐng)域延伸出來廠商,，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嚴(yán)重制約公司的發(fā)展,。醫(yī)療影像AI是一個非常有前景，有價值的領(lǐng)域,，以技術(shù)創(chuàng)新為核心,，從產(chǎn)品體驗著手，務(wù)實的解決醫(yī)生在臨床工作中面臨的效率問題,，讓產(chǎn)品在臨床工作中得到實際應(yīng)用,，進(jìn)而形成依賴，是當(dāng)下最切實可行的路徑,。