据了解，2018年上半年AI影像仍然为医疗领域最热赛道，上半年融资数量达15起，融资金额13.1亿元，远高于文本挖掘与知识图谱、制药科技其余两个赛道。到目前为止，国内医疗影像AI公司就不下百家 ，其中活跃的就有推想科技、图玛深维、健培科技、体素科技、依图科技、深睿医疗、汇医慧影、视见医疗、华润万里云等。
据新京报“寻找中国创客”记者报道，在AI产品扎堆的影像领域，一个三甲医院可能同时安装10余家AI公司的产品，医生真正使用的只有一两家。国外也有类似的景象，比如，今年5月世界知名AI公司IBM Watson传出其医疗部门进行了大幅度裁员，裁员比例达50%至70%。
为什么这么多企业集中发力追的风口却没有被吹起来?
一、产业环境尚未成熟，应用落地还差临门一脚
说人工智能在医疗领域的应用已经成熟没人会信，尤其是AI影像在产业环境的成熟上表现的更为羸弱，这具体表现为3个方面：
1、产品效果存疑，病人隐私难保障。
对于AI影像相关的一些产品不少医生依然表示质疑。上海市儿童医院影像科主任杨秀军就曾说道，“我们每天有大概600～700个病例收录在PACS/RIS系统中，其中包括普放DR影像、CT影像、MRI影像及DSA影像等，这些数据暂时没有被二次开发，目前，仅满足我们的临床和会诊需求，包括查阅、调阅、教学、科研等。”“有很多软件拿过来展示，我一看就是JUST PLAY”。而上海市第一人民医院影像科主任王悍也表示，自己所在的科室没有使用任何人工智能影像产品，一是参观过使用人工智能产品的医院，并未发现产品能够提高医生的工作效率，反而会影响医生的诊断思路;二是病人的隐私得不到保障。对于数据安全，国家卫计委前副主任金小桃也曾表示，个人的健康医疗信息属于隐私保护范围，要依法严格管控保护，绝不能公开或泄露。
2、商业合作深度不够，合作仅仅停留在科研层面。
因为机器需要更多的学习次数，AI需要海量的数据和医生的结果判断来不断“喂食”，而现在最大的困难是：更多数据的积累。因为我国医院数据库的开放问题，医疗数据尚未实现互联互通，国内医疗影像数据应用还处于起步阶段，数据格式难以统一。众多医疗影像公司以科研的合作方式从医院获得影像数据，但是仅仅依靠几家医院影像数据远远不够，而且医院与医院之间的影像学数据因为医院层级的不同往往数据也有很大差异。以图玛深维医学科技有限公司为例，据IT时报报道，截至4月份，图玛深维已经与国内100多家大型三甲医院达成合作，但这种合作仍然停留在科研层面。
3、相关注册、准入、监管法律法规体系尚未形成，市场准入资格难获取。
虽然AI影像发展迅猛，但一直有个问题制约行业发展，那就是国内尚无一家公司获得医疗器械注册证。到目前为止，国家食药监总局给图玛深维、深睿、推想、点内等企业颁发了二类证，还没有出现获得三类证书的企业。也就是说，现在此类企业的产品仅具有辅助诊断功能，提供明确的诊断提示的产品需获得三类证，“小助手”类产品的需求自然远不及能够实际诊断的产品，最有价值的产品肯定还是在诊断环节。据IT时报黄峰表示，自己曾与一些AI+医疗影像创业公司的老总交流，了解到这些公司基本没有收入，更不用谈盈利。由于没有准入资格创业公司当前只能将产品作为科研项目拿到医院试用，现在盈利为时尚早。AI医疗作为全新产品之前并无审批此类产品的经验和标准数据库，医疗是一个严谨的行业，AI医疗产品还处于发展阶段，如果以医疗AI产品为主要业务的公司长期不能通过CFDA，公司发展必将出现问题。
商业变现之前，市场化还得面临四个问题
国内目前AI影像大部分集中在肺结节筛查这一块，主要通过图像识别进行阅片，从而标记出结节，减少医生阅片的时间。北大人民医院杜湘珂医生表示：“AI并不能完全代替医生，医生看病不仅仅看图这么简单，AI完成的仅仅是诊断环节中一部分的工作。同时，AI的盈利与消耗也是巨大的现实问题。”目前来看AI在影像科应用时确实出现了以下问题。
1、应用不达预期，医院与AI影像公司还需更多磨合。
据“新经济100人”报道，2017年1-2月推想科技的产品已经在武汉同济、上海长征、大连中山医院上线，而后续问题也在这一段时间集中暴露：虽然医院安装了推想科技的产品，但是打开率和使用率不高，很多医生不爱用甚至拒绝使用。部分医院影像中心的电脑系统和AI服务器不兼容，打开服务器非常慢，而且在阅片过程中经常出现卡顿，本来应该减少医生工作时间的AI似乎看上去并没有达到目的。
2、企业扎堆肺结节，AI在识别图片过程中标注的假阳性过高。
中国是肺癌大国，肺部影像数据充足，加上全球针对肺结节识别的研究最为成熟，因而大部分企业扎堆肺结节领域。AI测量显然是比医生肉眼观察测量要精准许多，然而目前AI仅仅作为肺结节辅助筛查系统，仍然需要医生进行二次审核。在Litjens et al.的报道中，深度学习算法的灵敏度达到了100%，但假阳性率也高达40%，由于部分肺与血管交界区域影像不是很清晰，系统容易识别为病灶，而这在临床学上是没有意义的。由于假阳性过高，医生在二次审核时花费的时间过长，不仅需要判断AI是否发生漏诊，还需要排除假阳性的存在，这样医生的使用意愿就变得很低，这不是替他们节约时间而是增加任务。
3、医生个性化差异大，使用习惯各不相同，拥抱AI or抵触AI，落地医院最终需要考虑“买单”问题。
AI医疗虽然是个风口，但是这次的合作单位跟以往企业不同，和医院合作更需要考虑到每个医生的感受，毕竟合作的主动权掌握在医院。虽然不少AI产品已经落地医院，但是初步效果并不佳，除了考虑到产品本身问题，还需要考虑到用户问题。图玛深维CEO钟昕曾表示医生群体中对于人工智能持三种态度：一部分接受与支持，认为人工智能会为医疗带来好的变革，这类人群以大医院的医生为主;另一部分排斥，部分医生认为人工智能带来的影响是好还是坏尚无法评判，因而对新技术的普及十分抵触;有些医生则是漠不关心，部分医生认为人工智能真正能顺畅地在临床实现应用并带来价值还很遥远，对于人工智能的普及持“事不关己高高挂起”的态度。尽管AI已经成为大趋势，但是合作伙伴的独特性让AI公司不得不考虑用户买单问题。
4、大医院人员较足，但对手竞争激烈医院选择权很大;而基层医院，设备落后人员短缺，成本过大付费意愿不强。
对于大型三甲知名医院，各大AI公司将它们作为在商业道路上最先抢占点。因为大型三甲医院患者数众多，数据样本大且多样化高，但是大医院每年进修、规陪人员众多，而且设备先进，使用的意愿没有那么强烈。在合作意愿上，大医院有更多的选择性，当然会选择性价比更高的AI公司。初创公司在与大医院的合作上会变得更加激烈，一些产品性能体验不佳的公司就会成为泡沫。而面对迫切需要AI来帮助医生减轻负担的基层医院，AI公司会考虑到数据较少，样本多样化不高，占领基层必然需要更大的人力资源，运营成本。而且初期面对价格较高的AI产品，基层医院收入不足，医院付费意愿不高。是先占领三甲还是面向基层是大部分初创公司正在面临的问题。
从目前来看，就肺结节领域来说，AI仅作为肺结节筛查的辅助工具，肺结节只是所有肺部疾病的一个小病种。而国内公开宣称进行AI肺结节筛查的公司就有几十家，想要在这个领域拿到准入资格，可想而知会面临一场激烈的竞争，离AI能成功盈利还有很长一段距离。
哪里才能开花结果?
智能相对论分析师易敏认为至少需要考虑三个方面。
1、快速抢占三甲还是走向基层?目前来看，三甲医院竞争异常火热，对于早先获得资本融资的公司有足够的资金当然选择抢占三甲医院。抢占大型三甲医院意味着获得更多的数据，三甲医院每日门诊量在2000～4000之间，患者人数众多意味着数据化的多样性，如果在大型三甲医院迅速占领了市场，意味着先在数据上向前迈了一大步。而相对来说，基层医院更需要，当前国内基层医院面临的问题是：医生紧缺，工作量大，设备老化，医生诊断率相对三甲医生要低。从上面这些问题分析，基层医院对AI影像有更迫切的需求，比如翼展科技在人工智能方面的探索便聚焦到基层医院，与昌都地区人民医院试点合作，它希望能在基层医院场景下快速实现人工智能诊断。
2、除了肺结节，AI影像还能去哪里发光发热? 目前国内推出的AI辅助诊断软件已经有多家，大多数AI公司都是从肺结节项目切入，对其他领域的研发相对较少。放射科和其他科室原本可以用AI项目解决的研发需求和临床需求都没有被满足。邵逸夫医院放射科表示，即使肺部筛查产品也没有做到尽善尽美，他们期待能够在甲状腺结节、乳腺结节、肝脏占位、前列腺等异常病变的筛查方向研发出更多的产品。由此可见医生们的需求很多，但是产品同质化严重，只有不断创新，让产品多样化，在更多领域找到突破口产品才会加速落地。
3、一旦CFDA落地，如何快速完成商业化?技术成熟后如何找准商业化模式，是众多AI初创公司需要认真探索的问题。对于西门子，GE这类型大型医疗设备公司，它们已经在医疗领域深耕多年，相对于初创公司，它们有更为成熟的营销模式，比如采用捆绑营销：向医疗器械厂商寻求合作，将软件与硬件设备捆绑销售，或将产品功能嵌入硬件设备当中。
当然，产品的多领域发展离不开最终哪些用户买单，如果全部分摊到患者头上无疑偏离了AI的初衷，而医疗机构为此付费意愿并不强烈，因此众人买单是更可行的一种商业模式。一方面可以面向体检中心以及第三方医学影像中心，出售软件的使用权限，或收取一定的服务费用;一方面费用可由患者支出(汇医慧影的电子胶片就是由患者买单。);而另一方面后期AI影像筛查系统确实给医生减轻不少负担，医院也是买单的客户;如果后期产品能够降低大病发生几率，减少医保开支，政府也可能是买单的对象。而对于最终各大公司会选择哪种方式“买单”目前仍在探索之中。
总之，AI影像正在经历一场“盛世危机”，谁是真AI，谁是假泡沫，只有经过市场验证，才能看出谁是那个没穿底裤的“裸泳者”。而对于多数创业项目来说，首先得保证方向对，才可能抵达终点，看到曙光。
