2 個月內先後完成兩筆 2 億融資，佔今年所有 AI 醫療行業融資總金額的四分之一。8 月 31 日晚間，當數坤科技宣佈完成 2 億元融資的訊息之後，AI 醫療影像診斷領域又一次得到外界的關注。本輪融資由啟明創投領投，中科創達、朗瑪峰創投、浦發矽谷銀行聯合投資。

一面是 “市場冷靜期” 的論調，一面是個別公司的紅火態勢。融資新聞之下，AI 醫療水下的故事同樣精彩。

醫療與 AI 如何結合？

AI 可以應用於醫療資料分析，以及不同階段的醫療照護協助。在醫療資料分析部分，依照資料特性可大致分為四種：

1）編碼資料（coded data）：知識含量最多，且經過編碼，最容易使用；

2）影像資料（images & videos data），AI 影像診斷其其中較為熱點的應用方向；3）自由文字（free text）：即人類的語言、論述方式及書寫內容，包含語意（semantics）和句法（syntactic），還有前、後文的內容（content）與文字（textual）問題。隨著自然語言處理（natural language processing, NLP）技術的進步，諸如 Siri、Alexa、Google Home 及 Apple 將推出的 HomePod，大致上都能簡單解讀人類需求，其中，運用在醫療領域的經典代表，就是 IBM 的 Watson for Oncology ，已進化到能幫人類讀書；

4）生理訊號資料（biosignal data）：包括心跳、血壓、呼吸等資料。憑藉著各種穿戴裝置與物聯網的蓬勃發展，已可以做到長時間持續性地量測序集，而隨之產生的大量資料，需要依靠 AI 才能有效率地分析，這正是所謂的 AIoT：Artificial Intelligence and Internet of Thing，人工智慧和物聯網結合的應用。

其中，深度學習技術的發展直接促進了自然語言處理（NLP）和計算機視覺（CV）兩個領域技術方向的進步，語音識別、機器翻譯、影象處理和識別上出現了諸多成功、成熟的應用。而醫學影像分析作為計算機視覺技術在影象領域應用的一個分支，同樣成為了研究熱點。

2017 年一篇發表在 Medical Image Analysis 的論文統計，AI 深度學習技術於 2012 年在自然影象領域取得突破之後，開始大規模進入醫學影像領域。計算機視覺中的目標檢測、例項分割、影象分類等幾個主要技術在醫學影像分析中都有應用，而且覆蓋了如 MRI、CT、X-ray、Ultrasound 等不同模態的資料，也涵蓋了各種不同的部位。

同年 1 月，斯坦福大學跨學科的研究團隊在 Nature 發表的一項研究成果運用深度學習技術，採用了近 13 萬的臨床資料進行訓練，並在 21 位經過認證的面板科醫生的監督下，測試了它在活檢證實的臨床影象上的效能。在本次實驗中，深度卷積神經網路在最常見癌症識別以及最致命面板癌識別浙兩個任務上的表現都達到了所有測試專家的水平。

2018 年 2 月，加州大學聖地亞哥分校張康團隊在 Cell 上發表學術論文，用約 10 萬張準確標註的視網膜光學相干斷層成像術影象進行訓練，在診斷眼疾時的準確性達到 96.6%，其中靈敏性 97.8%，特異性 97.4%。這項工作引入了遷移學習的技術，可用於診斷視網膜疾病之外的其他疾病，並在用預訓練好的眼科 AI 診斷模型上採用 5000 張胸部 X 線影象進行進一步訓練，在區分肺炎和健康狀態時，準確性可以達到 92.8%。

在此基礎上，2020 年 5 月中國醫學影像 AI 產學研用創新聯盟起草的《中國醫學影像 AI 白皮書》中介紹，AI 與醫療結合，主要包含影像裝置的影象重建、X 線胸片閱讀、眼底檢測、腦區分割、腦疾病診斷、器官分割 / 靶區勾畫、骨傷鑑定、乳腺疾病診斷、超聲輔助診斷、病理切片分析、骨齡分析等 11 個重點應用方向。

“肺”和 “眼” 病是重頭戲，但首個 “三類證” 卻誕生在 MR 腦腫瘤診斷

政策導向和科研熱度的背後，資本層面的追逐遊戲也正式宣鑼，據《醫療影像的市場圖譜和行業發展分析》推算，2020 年中國醫學影像市場規模將達 6000 - 8000 億人民幣，其中診斷環節佔 20% 左右，卻也是一個千億級別的市場。而美國 2018 年醫學影像診斷的市場規模超過 100 億美元。基於此，IT 桔子及 CB Insights 資料顯示，2020 年 1-8 月，全球總計發生 130 次醫療人工智慧領域融資，影像 AI 相關的投資事件總計 19 次、海外 10 次，國內 9 次，金額合計 15.6 億元。

而目前醫療領域大部分企業的產品產品都屬於工具型產品，如醫療器械，只要產品品質過硬，能夠解決實際臨床需求，並且可以切入到臨床路徑，就能夠進行商業化變現，所以醫療影像 AI 產品主要需要跨越的門檻就是找到明確的使用者需求和使用場景，並進行落地。而就使用者需求和使用場景而言，肺部疾病（肺癌、肺結節）、糖網（糖尿病性視網膜病變）等疾病對也對篩查、提前診斷有迫切的需求。

目前，從中中國人工智慧醫療影像產品研發的成熟度來看，肺結節的成熟度最高，其次是糖網篩查。

在中國的 AI 醫療企業中，主要產品用於肺部疾病（肺結節）診斷的包括聯影醫療、推想科技、深睿醫療、依圖醫療、科大訊飛、體素科技、匯醫慧影、點內科技、翼展影像、視見科技、騰訊覓影、青燕祥雲、杏脈、健培、連心等在內的二十餘家企業都已經在肺部疾病方面有所佈局。

僅次於肺部疾病的是眼底疾病。包括體素科技、Airdoc、健培、Deepmind、愛爾眼科，以及 IBM Watson、騰訊、百度等在內的十餘家企業已在該領域佈局。

主要用於診斷的眼部疾病主要是糖網（糖尿病性視網膜病變）。根據國際糖尿病聯合會（IDF）的統計資料顯示，截止 2015 年，中國糖尿病患者人數高達 1.1 億，居世界首位，而糖網是糖尿病常見的慢性併發症之一，也是糖尿病患者致盲的最主要眼病，發病率約 31.7%。同時，糖網病早期往往沒有任何臨床症狀，一旦有症狀，病情已較比較嚴重，容易錯過最佳治療時機。研究表明，糖尿病患者每年進行 1 次眼底檢查，可使失明發生率降低 94.4％。

之所以眾多的產品多圍繞在在肺結節和眼底疾病影像上，主要原因是肺結節和糖網存在公開的資料庫，相比於其他疾病，資料庫豐富而完整，這讓二者的市場更加成熟，就賽道的企業也出現了扎堆佈局肺結節和糖網診斷的現象，這讓外界常用 “大市場，小切口” 這一狀態形容 AI 影像診斷行業。

藉著這一認知，不少業內人士認為，國內第一張 AI“影像輔助診斷”的“三類證”（三類醫療器械註冊證）將在這兩類產品中誕生。

但事情的發展出人意料。今年的 6 月 12 日，國家藥品監督管理局釋出訊息，安德醫智旗下 BioMind“天醫智”的顱內腫瘤磁共振影像輔助診斷軟體通過了 NMPA 三類醫療器械審批，第一張 “三類證” 在 MR 腦腫瘤率先衝出重圍。

安德醫智中國區 CEO 李晶珏曾在接受動脈網採訪時表示，“許多人工智慧醫療產品遲遲不能通過審批，很有可能是卡在了臨床試驗這一環節。”很多醫療 AI 企業產品沒有進行有效的臨床試驗，尚未進入審批環節。也正是因為臨床試驗環節，產品不能體現非劣效性與優效性。

審批嚴格僅是 AI 影像輔助診斷髮展趨緩的根本原因之一，另外的重點在於，過飽和的肺結節和糖網市場，已經成為一片紅海。

2 個月融 4 億背後的原因

近年來， AI 已成為各大領域的當紅議題，尤其在醫療應用更是備受矚目，諸如 IT 大廠鴻海、臺積電、Google、Apple、亞馬遜等皆跨入醫療領域，可見 AI 與醫療的結合勢在必行。然而，當 AI 與醫療的結合遍地開花時，外界也掀起不少疑問：AI 會取代醫生嗎？針對這一問題，沒有人能給出十足肯定的答案，但對於 AI 醫療的發展來說，應用範圍及效果的限制已經影響了企業的商業模式。

中國醫療市場的特殊性，讓 AI 醫療探索落地的發展一直很艱難。AI 醫療商業模式的核心問題在於，此前 AI 醫療大熱的賽道 AI 肺結節篩查及眼部疾病篩查未能解決醫生的臨床痛點需求，AI 在識別圖片過程中標註的假陽性偏高，即使判定出了肺結節，也不能作為肺癌等疾病判斷的核心指標。

以谷歌推出的 AI 醫療診斷眼部疾病的應用情況為例，今年 4 月，外媒報道稱 “該產品不僅診斷結果不一致，而且實際操作方法和在實驗室裡壓根不一樣。內部研究都已經達到了 90% 的準確度，相當於人類專家水平。沒想到，落到臨床試驗，卻失敗了。” 可見巨頭谷歌都沒能徹底解決 AI 醫療所面臨個別問題。

而中國醫療市場的特殊性，一度導致投融資極為火爆的 AI 醫療在 2019 年迅速降溫，商業模式探索遭遇“瓶頸”，無論是投資人還是創業者，都對中國 AI 醫療未來的方向和策略進行了重新思考。據知情人士向生輝透露，幾家佈局 AI 醫療影像賽道的頭部創業公司當前已經減慢了地推肺結節篩查相關 AI 醫療裝置的速度。

該業內知情人士告訴生輝，“現在投資人都不敢投了，看不懂這裡的風向，肺結節和糖網診斷的供給端早就過剩了。”

與此同時，AI 醫療器械造價不菲，醫院不願意花大價錢去解決 “並非痛點” 的臨床需求，由於研究的病種類似、產品同質化程度高、業務集中度高，未來將會有蹭熱點的偽醫療 AI 公司消失或關掉 AI 部門。AI 醫療正從狂熱期轉向冷靜期，這會讓業務模式更清晰的企業浮出水面。於是 AI 醫療投資的熱門賽道由肺結節篩查轉向了其他的危重症或技術壁壘更高的領域。

對於數坤來說，不在紅海里掙扎是他們發展的主要思路。成立至今，肺結節和眼部篩查並不是他們佈局重點。2017 年 6 月，數坤科技成立，它並沒有像大多數企業一樣從肺結節入手，而是選擇從難度更大的心血管領域切入產業。“一方面，與肺癌、肺結節等疾病不同，心血管疾病的診斷流程更加複雜，心臟 CT 影象需要首先經過複雜的三維重建，之後診斷醫生根據三維重建的圖診斷出血管的起源、走形、血管壁的斑塊、管腔狹窄等情況。另一方面，心血管疾病的公開資料集比較少，收集資料就是一個很大的難題了，此外也沒有什麼開源模型，起步就很難。”數坤科技創始人馬春娥曾在虎嗅的採訪中表示。

據數坤科技的官網顯示，公司的產品主要針對心臟病、腦卒中、腫瘤三大病種。這一佈局思路和上文的大多數公司相比是完全不同的。

而根據融資稿件中，本輪融資的投資方的聯合採訪內容表示，他們看中的也是數坤不同於其他同類型公司，選擇將產品落地在相對而言 “無人問津” 卻市場巨大的疾病市場。

“不要擠到一片紅海中去，也不要扎堆‘下餃子’，這條路早就走不通了。”該知情人士對生輝說。