自2006年Hinton及其學生發表了題為『Reducing the Dimensionality of Data with Neural Networks』的論文以來，雖然神經網絡的概念重新回到大眾的視野，但這項技術仍然沒有得到大規模的使用。因為效果不理想的問題，使得包括學術界很多學者都心存疑慮。直到2012年ImageNet大賽冠軍AlexNet的誕生，深度學習這個『煉金術』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）。這一事件激發了工業界極大的熱情，眾多以深度學習技術為核心的初創公司如雨后春筍般在美國硅谷、以色列以及中國涌現出來。

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、圖像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圖像領域應用的一個分支，同樣成為了研究熱點。2017年中發表在Medical Image Analysis的一篇文獻對深度學習技術在醫學影像分析領域的研究進行了統計，其結果如下圖所示：

可以看到，深度學習技術于2012年在自然圖像領域取得突破之后，開始大規模進入醫學影像領域。計算機視覺中的目標檢測、實例分割、圖像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等不同模態的數據，也涵蓋了各種不同的部位。不僅如此，上面給出的是學術論文數量上的分布，在論文的影響力方面，深度學習技術在醫學影像分析中的應用也得到了很大的認可，簡單羅列下近兩年的一些重要研究結果就可見一斑。

如2017年1月斯坦福大學跨學科的研究團隊發表的『Corrigendum： Dermatologist－level classification of skin cancer with deep neural networks』 ，這篇文章運用深度學習技術，采用了近13萬的臨床數據進行訓練，并在 21 位經過認證的皮膚科醫生的監督下，測試了它在活檢證實的臨床圖像上的性能。在本次實驗中，深度卷積神經網絡在最常見癌癥識別以及最致命皮膚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，證明了該人工智能的皮膚癌鑒定水平達到了媲美皮膚科醫生的水平。

再如2018年2月加州大學圣地亞哥分校張康教授團隊發表的『Identifying Medical Diagnoses and Treatable Diseases by Image－Based Deep Learning』論文，他用約10萬張準確標注的視網膜光學相干斷層成像術圖像進行訓練，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，可用于診斷視網膜疾病之外的其他疾病，并在用預訓練好的眼科AI診斷模型上采用5000張胸部X線圖像進行進一步訓練，在區分肺炎和健康狀態時，準確性可以達到92．8％。

與此同時，一大批人工智能醫學影像初創公司涌現了出來。據公開數據統計，2017年國內醫療影像AI賽道共計融資超過20億人民幣，單筆融資過億的就有數起，在整個醫療人工智能領域是股權投融資最活躍的方向之一，那么為什么醫學影像AI能夠獲得眾多創業者、投資者的認可，吸引了如此多的資本和人才匯聚到這個領域？

這里有幾個前提：

技術升級

深度學習技術在圖像領域的突破使得在醫療影像中應用AI技術進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，醫學影像檢查次數每年以超過30％的速度增加，而影像科醫生每年的增長速度不到5％，這里面存在著嚴重的供需失衡；

市場規模

據《醫療影像的市場圖譜和行業發展分析》推算，2020 年我國醫學影像市場規模將達6000 － 8000 億人民幣，其中診斷環節占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。

那么，市場和價值都很明確，醫學影像AI現階段到底能解決什么問題？

現階段的醫學影像AI產品主要的應用模式是輔助醫生進行臨床診斷，從產品分類上屬于工具型產品，而工具型產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品的優劣。傳統的工具型產品的優勢是用戶需求明確，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，這類產品使用時間短，用戶粘性差，這都使得工具型產品往往在早期發展非常快，并且能夠快速占領市場，但發展到一定的階段，又會受限于規模化的商業變現。

而在醫療領域，工具型產品的變現模式非常清晰。目前醫療領域大部分的產品都屬于工具型產品，如醫療器械，只要產品質量過硬，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用戶需求和使用場景，并進行落地。

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計數據。

全球每年新發癌癥病例1400多萬，我國每年新發病例約430萬，相當于每天都有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，肺癌發病隱蔽，等到患者出現明顯的臨床癥狀（如咳嗽、痰中帶血、胸痛、發熱、氣促、聲音嘶啞等），已經到了晚期。數據顯示，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％，而發生遠端轉移的肺癌患者五年生存率更是不到5％，超過半數的肺癌患者在確診后的一年內死亡。因此肺癌的早期診斷對治療極其重要。NLST（National Lung Screening Trial）的研究結果顯示，對于高危人群進行肺癌篩查，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，而且不容易復發。美國癌癥中心的數據顯示，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的乳腺癌篩查項目，相較于美國大多數患者診斷時為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。有數據顯示，即便在北京，82．1％的女性發現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，覆蓋大規模人群的乳腺癌篩查迫在眉睫。

糖網（糖尿病性視網膜病變）也對篩查有迫切的需求。截止2015年，我國糖尿病患者人數高達1．1億，居世界首位，而糖網是糖尿病常見的慢性并發癥之一，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癥狀，一旦有癥狀，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％。

可以看到，上面三種重大疾病都存在著大規模人群篩查的需求，這需要大量的人力和資金的投入，而將AI技術應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質醫療服務下沉，實現重大疾病早診早治，降低醫療和社會成本。這才是當前影像AI應用的主要落地場景，也是當前醫學影像AI真正可以解決的問題。

隨著大家這兩年來對于醫療AI的摸索和理解，各家公司的產品包括模式都在趨同。基于公開資料可以看到，各家公司發布的產品大部分集中在肺癌、糖網、乳腺癌等重大疾病的篩查和早期診斷，雖然醫學影像AI存在較高的技術和資源門檻，但競爭同樣非常激烈，還吸引了眾多成熟企業加入，如阿里巴巴、騰訊、百度、平安科技、科大訊飛等。

這一領域的公司都有其各自的特點，不論是從非醫療領域跨界而來的巨頭，還是從傳統醫療領域延伸出來廠商，或者是從0到1的創業公司，在醫療影像AI領域耕耘持續考驗著公司的技術能力、產品能力以及商務能力，任意方面的短板都會嚴重制約公司的發展。醫療影像AI是一個非常有前景，有價值的領域，以技術創新為核心，從產品體驗著手，務實的解決醫生在臨床工作中面臨的效率問題，讓產品在臨床工作中得到實際應用，進而形成依賴，是當下最切實可行的路徑。