【AICon】探索RAG 技术在实际应用中遇到的挑战及应对策略!AICon精华内容已上线73%>>> 了解详情
写点什么

大浪淘沙!2019 年,医疗 AI 才刚刚开始赚钱

  • 2019-11-28
  • 本文字数:5360 字

    阅读完需:约 18 分钟

大浪淘沙!2019年,医疗AI才刚刚开始赚钱

最近几年,在政策助力、资本加持下,医疗 AI 迅速进入了高潮期,巨头相继入局,创业公司密集成立,创新性技术层出不穷的同时,医疗 AI 产品也在众多场景开始了规模化落地。热潮渐渐归于理性之后,医疗 AI 现在迎来了商业化的关键时期,迎来了自己的终极大考——变现。

但值得注意的是,医疗 AI 的商业化并没有想象中那么顺利,在推进过程中还遇到了不少的问题和挑战,目前绝大多数医疗人工智能公司尚未实现盈利。有专家认为,现在的整个行业进入到了大浪淘沙的阶段,优胜劣汰。本文是医疗 AI 系列专题的第 3 篇之「落地篇」,将对目前医疗 AI 当前的应用落地进展、商业化探索进行全面分析,并与行业专家一起探讨医疗 AI 商业化落地中存在的问题和解决方案。

医疗 AI 十年,“撞墙”、“碰壁”的时候已经过去了

“变化是翻天覆地的”。


回忆起十年前自己刚进入医疗 AI 领域时的情形,平安集团首席医疗科学家谢国彤充满感慨。谢国彤还记得,刚开始做医疗 AI 时,有时候出去跟医院院长、主任介绍人工智能,他们第一反应是‘啥是人工智能’,‘这个东西跟我有什么关系’,‘你是想卖什么东西?我们听不懂’…


如今处处“撞墙”、“碰壁”的时候已经过去了。作为一路的亲历者,谢国彤表示,相较过去,政府、医生、患者对医疗 AI 的接受程度都提高了不少。


他还观察到了一个有趣的现象,现在去参加一个医学领域会议,进去后可能不觉得是在参加医学的会,“卷积神经网络”、“强化学习”等人工智能的技术概念成了医生间讨论频频挂在嘴上的热词。这反映出,医生们真正被医疗 AI 触动到了,他们逐渐意识到,这将是未来的发展方向。


火石《2017 年医疗人工智能产业图谱》显示,从 2009 年开始,我国医疗人工智能公司创业数量开始增多。大约在 2015 年、2016 年前后,医疗 AI 加速进入“快车道”,并形成一个创业高峰,一大批创业公司在这个时期密集涌现。据亿欧智库统计,截至 2019 年 7 月,在中国市场活跃的医疗人工智能企业共 126 家 ,在 2015 年、2016 年这两年共有 52 家医疗 AI 创业公司成立,占到了过去十年来公司总数的 41%。


政策利好是促使医疗 AI 迅速发展的最大助推因素之一,自 2015 年以来,国家颁布了一系列促进人工智能、医疗 AI 发展的政策。


2015 年 7 月,国务院发表了《互联网+行动指导意见》,意见指出要大力发展智能制造及人工智能新兴产业,鼓励智能化创新。次年 6 月,《国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见》发布,意见表示,要研制推广数字化健康医疗智能设备。支持研发健康医疗相关的人工智能技术、生物三维(3D)打印技术、医用机器人、大型医疗设备、健康和康复辅助器械、可穿戴设备以及相关微型传感器件。


人工智能的第三次高潮令医疗这个传统的垂直领域焕发新春,医疗也被视为人工智能最重要的落地场景之一,再加上政策助力,资本涌入,医疗 AI 俨然已经发展成一个新的创投风口。在最近这两三年里,医疗 AI 又迅速进入了高潮期,技术创新不断,落地应用开始发力。

落地大提速、部署量级提升

应用落地已初具规模

经过几年快速发展,医疗 AI 赛道上的创业公司在落地应用阶段已经取得了很大进步。谢国彤表示,整体来看目前医疗 AI 行业的落地应用情况,尽管在一些细分方向上的发展还谈不上“爆发”,但至少达到了一定量级,在医疗影像系统、辅助诊疗等领域已经开始了规模化部署。


此外,与几年前相比,落地速度也有明显的提速,这主要得益于国家医改在控费、质量上的提升,政府、医院、患者接受度普遍提高,以及层出不穷的创新 AI 技术。


医疗人工智能有医学影像、辅助诊断、疾病预测、药物研发、健康管理、医院管理、医学研究七大应用场景。其中,医学影像、疾病预测是医疗 AI 创业公司布局最热门的两个方向,据亿欧智库统计,截至今年 7 月,有 57 家公司开展医学影像业务,41 家公司开展疾病风险预测业务。


据谢国彤介绍,平安的医疗 AI 领域全景图覆盖了疾病管理的全生命周期,主要在疾病预测模型、医疗影像系统筛查/诊断、辅助医疗、疾病管理等四个场景做布局。平安目前有 40 多种疾病预测模型,可预测心脑血管、糖尿病、呼吸系统疾病、肾病等;拥有 50 多种影像模式,目前已积累了 8000 多万例调用;在辅助诊疗方面,平安有全球最大的辅助诊疗应用系统,支持 1500 种疾病的诊断和治疗推荐,覆盖 13000 家医疗机构。此外,平安建立了 20 多种疾病管理相关的模型,包括高血压、糖尿病、冠心病等常见慢性疾病。


在医学影像场景,各家公司又以肺结节、眼底检测为密集布局的方向。腾讯觅影将包括肺癌、食管癌、乳腺癌等癌症早筛套餐及糖尿病性视网膜筛查作为落地的重点。以肺癌早筛为例,腾讯觅影开发的早期肺癌智能筛查系统,可对肺部 CT 图像利用多任务 3D 卷积神经网络算法实现早期肺结节检测,识别正确率达到 85%以上。腾讯优图实验室总监郑冶枫向 AI 前线表示,腾讯觅影目前已落地 100 多家医院,服务 160 万病人,其中有 10%是高危人群。


Airdoc 创始人张大磊介绍,其研发的视网膜检测产品 ——人工智能健康风险识别系统目前已经开始临床应用,合作机构包括三甲医院、体检中心、眼镜店等。今年 5 月,平安智慧医疗主打的眼底检测产品“OCT 眼底疾病筛查系统”完成多中心临床试验,临床前研究在复旦大学附属眼耳鼻喉科医院、上海交通大学附属第一人民医院、同济大学附属第十人民医院的三家临床中心进行,AI 筛查模型的敏感性 97.6%,特异性 99.2%。

“榔头”不一定能解决“钉子”的问题

采访中,上述专家均肯定了人工智能技术为医生、患者带来的重要价值。不过,当创新的医疗 AI 技术试图变革沉疴众多的传统医疗体系,这其中必然有一些需要磨合的地方。


谢国彤认为医疗 AI 在落地过程中遇到的最大的“坑”就是过于技术驱动。现在医疗 AI 从业者多是 AI 背景出身,技术人往往有个思维习惯,“我的工具一定能解决你这个问题,我是个榔头,你都是钉子,我都能解决你这个问题”。但事实上,医疗 AI 是“医疗”在先,“AI”在后,AI 是为医疗的场景需求服务的,而不是将一个技术强行塞给医生,医生就会使用。


郑冶枫亦表示,一些 AI 辅助诊断工具进入到医院之后的使用情况取决于医院、取决于医生。医生、患者往往倾向于使用一些免费试用的项目,一是成本低,二是能帮助做一些他们做不了的检查。


过于技术驱动,对医疗的需求和数据等各种环境理解不深刻,在推进产品落地过程中就容易出现一些乱象,诸如一些厂商对深度学习技术用于自动诊断过分追捧,事实上,由于病例数据缺失、医生个性化诊断等因素,目前的医疗数据还不支持单依靠深度学习就能作出诊断和治疗。


对于 AI 诊疗可能存在的漏诊、误诊问题,从概率的角度看,这还无法杜绝。因此现阶段 AI 一定要跟医生结合在一起,而不是替代医生。郑冶枫认为,当下最好的解决方案就是不断迭代算法,降低漏诊率,提高诊断正确率。


“在应用过程中,医疗 AI 落地应用是整个行业的企业都为之努力的方向,但作为一个比较新兴的行业,包括政府相关部门、医院和企业在内的众多角色都在努力摸索人工智能的最佳落地形式”,张大磊表示。

医疗 AI 商业化才刚刚起步

今年大家才刚刚开始赚钱

整体来看,医疗 AI 产品的落地应用已经在向着规模化靠拢,为后续商业化打下了基础。“如果你的东西没有真正被人家用起来,谈商业化是不现实的”,谢国彤强调。


经过了前两年高潮期的突飙猛进,医疗 AI 现在迎来了商业化的关键时期,变现才是医疗 AI 的终极大考。尤其自 2018 年下半年以来,受经济形势放缓、资本凛冬等因素影响,还在烧钱阶段的医疗 AI 被泼了一盆理性的冷水。


AI 前线接触到的上述三位专家均一致认为,目前整个医疗 AI 行业的商业化才刚刚开始。


谢国彤最早在 2015 年尝到了 AI 商业化带来的价值,彼时,整个行业入局者不多,能够赚到钱的企业也凤毛麟角。他认为,从今年起,医疗 AI 的商业化才开始起步,一个标志性的变化是,在某些领域,AI 的应用已经逐渐融入到医生的诊疗流程中。因为 AI 这一工具只有真正融入到诊疗流程中间去,成为诊断和治疗中间一个不可缺失的环节,它才有价值,有了价值才可能收费。最近几年,一些政府、医院、药厂、器械厂商开始为医疗买单了,但规模还没有很大,因此整个趋势是刚刚开始。


由于医疗行业的特殊性和监管问题,在中国,医疗 AI 商业化必须拿到国家药监局的证书,目前还没有公司拿到三类证,因此很多产品并不在医院的收费项目内,大多在试用阶段。郑冶枫告诉 AI 前线,腾讯的医疗 AI 产品尚未开始商业化,目前还在临床试用阶段,通过免费的形式,获得规模化使用,听取医生的使用建议。现阶段腾讯优图考量的主要问题是算法完善,不断迭代算法以提高诊断准确率。


总体而言,医疗 AI 行业的商业模式、盈利模式还在探索阶段。现在业内绝大多数医疗人工智能的公司尚未实现盈利,现有的商业模式主要围绕支付方展开,为其提供 AI 服务,如与政府、医院等合作进行传统的信息化部署、与药厂合作帮助其做患者管理、与保险公司合作等。


不过,谢国彤强调,信息化是医疗 AI 在商业化过程中容易存在的一个误区。很多公司想从信息化上赚钱,希望医院为 AI 硬件/ 软件买单,目前信息化市场大概有 400 亿规模,但整个医疗服务市场是 6 万亿规模,市场前景广阔。“从整个商业化角度作考虑,如果只盯住信息化的那 400 亿,分不到太多东西,如果能够跟 6 万亿的医疗服务接触更紧,会越大”。


作为医疗影像识别领域的佼佼者,Airdoc 从 2018 年开始实现了规模营收,营收来源主要是公立医院、体检中心、保险公司等。谈到目前医疗 AI 商业化所处的阶段,他觉得,真正大规模的商业化还没开始,整个行业能挣到 10 亿以上的水平,可能还得在 3-5 年以后。


张大磊表示,尽管人工智能让健康供给端产生了变革,但在商业化的过程中仍需要解决支付方的问题,这个支付方是医院还是患者或者是医保或者是其他相关部门,目前各家都在各自探索的过程中,这是一个大的行业和政府相关部门共同推进解决的问题。

“紧箍咒”必须要戴

在医疗 AI 产品应用落地并向商业化推进的过程中面临着诸多挑战,医疗数据质量参差不齐、信息孤岛问题、专业人才缺乏、注册审批难…


注册审批是其中的一个高门槛。现在很多公司的产品大多拿到了二类证,三类证还没人拿到,注册审批不但证件难拿,审批速度也很慢。郑冶枫坦言,监管问题尤其对于医疗影像的发展影响较大,不过他预估到今年年底或明年年初,会有公司拿到药监局批文并推动产品合法上市。


“医疗 AI 做的是人命关天的事,必须要有‘紧箍咒’,才能避免被滥用”,谢国彤表示,“现在有很多过于技术驱动的产品,从医学角度来说,它们并没有那么可靠,但如果让在它们没有任何监管下使用,我觉得太可怕了”。


导致监管审批速度慢的一个很大原因是,医疗 AI 是一种新事物,不可一下子把标准放的很松。事实上,美国 FDA 也在“摸着石头过河”,如果放大到整个(中)国家来看,监管的过程是必不可少的。


目前市面上存在的各种医疗 AI 产品可谓五花八门,各家都在“王婆卖瓜、自卖自夸”,医院、患者在部署、使用这些产品时往往会遇到“选择困难症”。现在,行业内还缺乏一种公平、客观的评鉴体系为医疗 AI 产品制定标准、规范。


同质化严重也是很多医疗 AI 创业公司身上的“通病”,大批公司扎堆医学影像,而医学影像公司又扎堆做肺结节影像产品、眼底检测产品,在一定程度上,这也拖慢了盈利进程。红海里竞争激烈,前有巨头强势,后有对手追赶,如果产品没有差异化,将很难有实现商业化的优势。


“科技大厂做,初创企业也做,最后看谁能够活下去。这是一个长跑,最后要看这个公司能够持续多久”。据谢国彤观察,那些过于技术驱动、过于红海扎堆的的初创公司有很多生存状况堪忧。


资金雄厚、场景丰富,巨头入局医疗大健康有着天然的优势。在谢国彤看来,在这场医疗 AI 的长跑中,平安最大的优势是在业务、数据、场景、用户这些 AI 应用所有必要的环节已形成商业闭环。

到了大浪淘沙的时候了

现在的医疗 AI 行业很热闹也很乱,资本裹挟,热钱涌入,尽管医疗是一个抗周期的行业,但伴随着去年而来的资本寒冬,以及放缓的经济形势,资本也更加谨慎,不少医疗 AI 公司因为遭遇融资难题而深陷生存漩涡,优胜劣汰或将惨烈上演。这反映出来的本质问题是,很多医疗 AI 公司在商业模式上并没有走通。


“未来三到五年,对于很多初创公司来说,是很重要的节点,能不能够真正实现商业化,能不能扛过去”,郑冶枫表示。


采访最后,谢国彤向 AI 前线分享了他对未来医疗 AI 行业发展的两个判断:


现在的医疗 AI 正式进入到了大浪淘沙的阶段。那个纯靠 PPT、一个想法就能融到钱的时代已经过去了,那些泡在红海里、产品定位没有特异性、没有切到市场需求的公司会倒掉不少。而那些真正有竞争力的产品和公司会真正进入到落地应用的深化阶段,展现出医疗 AI 的价值,才能导向一个好的商业化。


未来几年,医疗 AI 发展的重点是深入落地应用下去。据统计,目前中国的基层医疗有 97 万家、800 多万医护人员,他们绝大多数还没有接触到 AI 的服务,市场规模的空间和前景还相当广阔。这需要医疗 AI 不断深入下去、不断下沉到基层去,让 AI 从那个“以前只是出现在论文上的问题”成为医生、患者和护士等群体每天使用的工具,成为疾病防控、诊断、治疗和管理中不可或缺的环节。


延伸阅读:


《2019 年,医疗 AI 的热潮将会退去》


《热潮渐冷,“弹药”不足,医疗AI行至深水区》


公众号推荐:

2024 年 1 月,InfoQ 研究中心重磅发布《大语言模型综合能力测评报告 2024》,揭示了 10 个大模型在语义理解、文学创作、知识问答等领域的卓越表现。ChatGPT-4、文心一言等领先模型在编程、逻辑推理等方面展现出惊人的进步,预示着大模型将在 2024 年迎来更广泛的应用和创新。关注公众号「AI 前线」,回复「大模型报告」免费获取电子版研究报告。

AI 前线公众号
2019-11-28 09:466129
用户头像
刘燕 InfoQ高级技术编辑

发布了 1112 篇内容, 共 489.8 次阅读, 收获喜欢 1966 次。

关注

评论 3 条评论

发布
用户头像
好棒‘
2019-12-11 17:44
回复
真棒
2019-12-11 17:44
回复
@
2019-12-11 17:44
回复
没有更多了
发现更多内容

2022年提高远程工作效率的三大实用技巧汇总

行云管家

远程办公 居家办公 办公软件

WeTest平台产品&技术合作伙伴招募

WeTest

使用 Sanic 框架进行 Python Web 开发

宇宙之一粟

Python 4月月更 sanic

免费下载|KubeMeet 城市站实录合辑,N 场容器开源分享打包看

阿里巴巴云原生

“东数西算”超级工程利好云计算,多云管理背后却暗藏汹涌!

行云管家

云计算 多云 东数西算 云管

计算机存储层次简析

懒时小窝

计算机基础

从容器化到资源池化,数栈云原生技术实践探索之路

袋鼠云数栈

大数据 flink 云原生 k8s

云图说丨叮咚,您有一份短信通关攻略待查收

华为云开发者联盟

短信 签名 消息 签名模板 MSGSMS

好的测试数据管理,到底要怎么做?

禅道项目管理

测试 数据 数据管理

一文读懂 TsFile

Apache IoTDB

TASKCTL ETL作业类型的插件与维护管理

TASKCTL

kettle 元数据 ETL 自动化运维 调度任务

聚焦供应链布局,新能源汽车企业重塑产业核心竞争能力

数商云

数字化转型 供应链 新能源汽车

教你用ab命令进行并发与压力测试

华为云开发者联盟

并发 压力测试 ab测试 ab命令 请求次数

科创人·富士康CDO史喆:To B产品切忌臃肿,数字化不分对错只求更好

科创人

MSE 微服务治理发布企业版,助力企业构建完整微服务治理体系

阿里巴巴云原生

“双碳”下的建筑业:未来10年必须重视这5大方向

WorkPlus

jackson学习之十(终篇):springboot整合(配置类)

程序员欣宸

Java web 4月月更

IoTDB 服务绍兴安瑞思90%业务,助其提升百倍查询速度

Apache IoTDB

macOS系统病毒常见的两种传播途径

火绒安全

macos 终端安全 勒索病毒 蠕虫

YonMaster开发者认证线上赋能培训班定档4月18日

YonBuilder低代码开发平台

来也科技收购Mindsay背后:新旧势力交锋智能自动化备受关注

王吉伟频道

RPA 收购 机器人流程自动化 来也科技 Mindsay

thinkphp5框架新建页面相关规范详解

CRMEB

Redis是怎样通讯的?

ooooooh灰灰

redis 后端 协议 4月月更

【Zeekr_Tech】汽车软件RTOS-之AUTOSAR OS多核控制简介

Zeekr_Tech

Linux 软件架构

知识管理的目的及意义——提高社会资源的配置效率

小炮

知识管理

Prime Video 如何使用机器学习来确保视频质量

亚马逊云科技 (Amazon Web Services)

计算机视觉 Amazon Prime Video WACV

STM32+华为云IoTDA,带你设计一个属于自己的动态密码锁

华为云开发者联盟

stm32 iotda 华为云IoT 密码锁 Qt框架

Tiger DAO VC:将你的风险投资变成DAO组织协同

小哈区块

hyengine - 面向移动端的高性能通用编译/解释引擎

阿里巴巴终端技术

编译 移动端 引擎

java高级用法之:JNA中的Function

程序那些事

Java Netty 程序那些事 4月月更

5. 堪比JMeter的.Net压测工具 - Crank 实战篇 - 接口以及场景压测

MASA技术团队

C# .net 微软 测试 压测

大浪淘沙!2019年,医疗AI才刚刚开始赚钱_AICon_刘燕_InfoQ精选文章