圖片來源@視覺中國

文丨火石產業大腦，作者丨張澤，編輯丨張艷玲

?

近年來，隨著技術在醫學影像診斷領域的滲透，以及醫療創新相關政策的鼓勵，致力于提升醫療機構服務水平的醫學影像新業態開始嶄露頭角，尤其是以AI醫學影像產品為代表的診斷服務，以及為影像科、放療科等做整體賦能的科室運營服務，成為當前醫學影像發展熱點。

那么，AI是如何賦能醫學影像發展的？

01、AI產業概述

人工智能（AI）是利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統。人工智能產業包括數據資源、計算引擎、算法、技術、基于人工智能算法的技術進行研發及拓展應用的企業以及應用領域。人工智能產業生態如圖1所示。

經過60多年的演進，特別是在移動互聯網、大數據、超級計算、傳感網、腦科學等新理論、新技術以及經濟社會發展強烈需求的共同驅動下，人工智能加速發展，呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等新特征。

圖1：人工智能產業生態示意圖? 來源：根據公開資料整理

全球來看，歐美等發達地區人工智能產業布局較早，尤其美國在算法、芯片和數據等核心領域，積累了強大的技術創新優勢，各層級企業數量全球領先。

據國際數據公司（IDC）估算，2020年全球人工智能市場規模約1565億美元，同比增長12.3%；在《全球人工智能支出指南》中，IDC預測全球人工智能相關支出將在未來四年翻一番，到2024年達到1100億美元。我國人工智能行業核心產業市場規模2020年超過1500億元，預計在2025年將超過4000億元，其中以圖像識別及語音識別為核心的模式識別市場規模最大。

目前，基礎層的核心技術大部分掌握在國外企業手中，為我國企業自主開展研發帶來了不利的壁壘封鎖，限制了產業整體發展。近期，國內以北上杭深等為代表的地區相繼加大對傳感器、底層芯片及算法等基礎層的研發力度，取得了一定的技術積累，但其他地區切入基礎層仍存在較高壁壘。相比國外應用技術發展，國內人工智能企業的應用技術主要集中于計算機視覺（含模式識別技術）、自然語言處理，基礎硬件占比偏小。行業應用層，國外以AI+、大數據及數據服務為主，國內則集中于AI+、大數據及數據服務，以及智能機器人、無人機等智能終端。

未來，美國仍然是全球人工智能產業發展的主導者，憑借著數量眾多、實力雄厚的科技企業、高校、科研機構，美國從人工智能的底層技術到應用市場都擁有巨大優勢。我國已經是人工智能應用大國，人工智能產業發展已上升至國家戰略層面，全國各地相關政策進入全面爆發期，影響力穩步提升。

未來，我國人工智能產業發展有以下幾大趨勢：

第一，人工智能產業仍將保持爆發式增長。得益于人工智能技術的不斷升級以及商業模式的推陳出新，我國人工智能產業需求將進一步放量；產業規模整體爆發式增長的背景下，基礎層、技術層和應用層的各細分領域也將保持同步增長態勢，尤其應用層各產業領域的增長表現最為搶眼。

第二，初創型公司優勢逐漸體現。科技巨頭公司憑借強大的技術和資本壟斷能力，在目前代表著全球人工智能產業發展的最前沿，強勢保持人工智能科技創新與產業發展的優勢地位。然而，全球近幾年興起有千余家人工智能初創企業，半數以上已經獲得投資機構青睞，數量以美國和中國居多。初創公司聚焦于行業某細分領域并深入探索，與科技巨頭在某些領域相比存在一定的比較優勢。

第三，智能化應用場景從單一向多元發展。目前，人工智能應用領域多處于專用階段，例如人臉識別、視頻監控、語音識別等都主要用于完成具體任務，覆蓋范圍有限、產業化程度有待提高。隨著智能家居、智慧物流等產品的推出，人工智能的應用終將進入面向復雜場景，處理復雜問題，提高社會生產效率和生活質量的新階段。通過海量優質的多維數據結合大規模計算力的投入，以應用場景為接口，人工智能產業將構建起覆蓋全產業鏈生態的商業模式，滿足用戶復雜多變的實際需求。

第四，模式識別是當前人工智能領域發展的熱點。隨著計算機視覺技術和自然語言處理技術的成熟，圖像識別、語音識別、文本識別等模式識別技術應用范圍越來越廣，市場潛力巨大。隨著模式識別技術的成熟，智能醫學影像以人工智能深度學習技術為依托，將成為人工智能落地最快的領域之一。

02、AI賦能醫學影像發展

自2012年深度學習技術被引入圖像識別數據集之后，其識別率近年來屢創新高。2015年百度在ImageNet比賽中識別錯誤率僅為4.58%，高于人類水平。在各類醫學圖像識別比賽或活動當中，學校和商業研究團隊分別在不同病種上取得了顯著成果。

表1：科研、商業團隊針對不同病種開發的AI產品識別準確率

來源：東方證券研究所

智能圖像診斷數據結構化程度高、處理難度小。醫療大數據有80%來自于醫療影像數據。影像數據具備結構化程度高，數據處理難度小的優勢，非常適合機器學習。

表2：智能圖像診斷和輔助診斷比較

醫生資源短缺將促進AI智能影像識別的應用落地。

目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率為4.1%，其間的差距是25.9%，放射科醫師的數量增長遠不及影像數據的增長。以病理切片為例，據國家衛健委統計，我國病理注冊醫生在1萬人左右，按照每百張床配備1-2名病理醫生的標準計算，全國病理科醫生缺口可能達3萬-4萬人，目前，全國有近40%的手術未進行病理切片分析。所以，通過AI的方式輔助影像科醫師進行診斷將滿足市場剛需。

圖2：借助圖像識別和深度學習提升診斷效果

圖3：人工智能醫學影像診斷準確率提高

AI讀片相對于人工讀片具備比較優勢。

人工讀片具備主觀性高、重復性低、定量及信息利用度不足、耗時及勞動強度和知識經驗的傳承困難等問題；而人工智能讀片的優勢體現在高效率低成本。隨著產品的成熟帶動識別率的提升，人工智能讀片的精準度也將形成比較優勢。

表3：人工智能讀片與人工讀片的比較

來源：健康界

我國醫學影像數據量正以30%的年增長率逐年增長，然而影像科醫生數量的增長速度慢且工作效率不足，給醫學影影像成果判斷造成一定的壓力。此外，目前醫學影像數據大部分仍然需要人工分析，最明顯的缺陷就是不精準，依靠經驗所做的判斷容易造成誤診。

人工智能依靠強大的圖像識別和深度學習技術，可很好地解決醫學影像大數據人工處理中存在的兩大問題，大大提高數據分析的效率和準確性，減輕醫生的壓力，同時提高診療的效率和準確率。

03、AI醫學影像產業鏈分析

AI醫學影像屬于高端醫療器械領域，具有多學科交叉、知識密集、附加值高等特點，其產業鏈各環節涉及基礎工業、制造業、影像學、醫療機構、互聯網等多個行業。當影像數據積累到一定規模，

影像產業鏈可延伸至人工智能領域，出現影像智能診斷應用，其反向作用于影像診斷設施及服務。

圖4：智能影像診斷產業鏈 來源：36氪研究院

產業鏈上游是影響醫學影像發展的一些相關行業，例如化工、金屬、互聯網、通訊等行業，其技術進步將推動醫學影像行業發展或變革。

核心元器件是醫學影像設備上游供應鏈環節中的命脈，其發展情況決定著行業的技術高度。目前，我國大部分醫學影像設備生產商均不具備核心元器件自主研發生產能力，各類零部件基本依靠外購自不同廠商，整機生產過程實際為組裝集成過程。當核心元器件價格上漲時，將直接增加行業內企業的總體生產成本，縮短盈利空間。因此，是否擁有核心元器件的自主生產能力以及相對于上游供應商的議價能力成為區分醫學影像設備制造企業競爭力強弱的關鍵。

中游是開展醫學影像診斷服務的基礎設施，包括醫學影像成像設備和影像信息化。目前此領域的市場規模最大。

下游涉及各級醫療機構與衍生服務機構。各級醫療機構包括公立醫院、民營醫院、遠程影像平臺及獨立影像中心。衍生服務機構包括維修托管公司與醫療器械租賃機構。公立醫院是醫學影像設備企業的主要客戶，線上影像平臺及獨立影像中心則是未來市場主要增長力量。

公立醫院與民營醫院：

因醫學影像設備造價高，折舊慢，三級公立醫院設備更新需求不強，近年來市場趨于飽和。為提升基層醫療衛生服務能力，“分級診療”政策在各地的實施將刺激來自基層醫療機構的設備采購需求，具有價格優勢的國產制造商將憑借政策紅利脫穎而出。同時，在國家鼓勵社會辦醫的背景下，數量保持穩定增長的民營醫院急需性價比高的醫學影像設備，為本土企業質優價廉的中低端醫學影像設備提供了機遇。

獨立影像中心：

中國優質醫療資源集中于三級醫院，分配嚴重不均，獨立影像中心可以實現優質醫療資源的整合分配。受制于政策、成本等因素，部分基層醫療機構沒有配置大型醫學影像設備的能力，難以滿足臨床需求。獨立影像中心可以減輕三級醫院負荷，提高基層醫療機構服務能力，解決現階段中國醫學影像服務的痛點，幫助醫學影像服務行業快速發展。在政策的鼓勵下，獨立影像中心迎來發展機遇。

現階段中國獨立影像中心市場尚處于初步發展階段，未來伴隨各種慢性疾病患病率的增長、老年人口數量的上升等因素，市場發展空間廣闊。獨立影像中心屬于重資產模式，需要大量采購醫學影像設備，獨立影像中心行業的爆發將驅動醫學影像設備行業的發展，成為未來中游行業增長的關鍵因素。

線上影像平臺：

線上影像平臺通過云服務平臺提供遠程閱片服務，將專家與患者需求對接，同時提供影像診斷培訓、資訊等的線上學習平臺等服務。在患者巨大影像檢查需求的推動下，依托于云計算、大數據等新技術，線上影像平臺在近三年成長迅速。盡管線上影像平臺屬于輕資產模式，不附帶影像設備，但其彌補了大醫院影像科人手不足的問題，提高了影片診斷效率，促進了下游市場的消費需求，中游市場將在一定程度上因此受益。

衍生服務機構：

近五年來，醫學影像設備市場的增長促進了下游服務機構的興起，相關服務機構陸續衍生出新的服務模式，維修托管公司及醫療器械設備租賃商應運而生。維修托管公司的出現降低了影像學設備的整體維修成本，具有取代整機制造商服務模塊的趨勢；醫療器械設備租賃商可以幫助解決醫療機構資金短缺的困境。新模式的加入延伸了產業鏈，隱形增加了中游環節的價值，擴大了整體產業的規模。

04、AI醫學影像發展瓶頸

數據是AI醫學影像所需的核心資源，僅掌握算法而缺乏足夠數量和質量的數據無法獲得較好的訓練效果。目前，醫學影像人工智能數據生產環節存在較多的問題亟待解決。

一是缺乏有效的標準訓練數據。

同其他行業相比，醫學影像高質量數據獲取方面有著天然的劣勢：一方面，高質量影像數據集中在三甲醫院，不同醫療機構的數據很少能夠實現共享，缺乏有效的數據互通機制；另一方面，中國雖然醫療數據量特別龐大，但其中80%的數據均是非結構化數據，限制了人工智能在醫學影像行業的進一步應用。此外，訓練數據集應根據適用范圍包含體檢、篩查、門診和實驗室等不同場合的圖像，使用的設備、設置、劑量能夠代表不同地區不同條件的實際水平，目前國內尚無規范化設計的有效數據庫。

二是缺乏統一的行業標準。

由于監督學習的技術本質，算法訓練與產品測試使用的數據集對全生命周期的質量控制和風險管理有著重要意義。在獲取數據的基礎上，深度學習結合先驗知識對模型進行訓練，訓練集需要事先標注。不同機構數據質量和規模參差不齊，由于缺乏統一的標注掃描技術及處理手段、行業統一標準和共識，易引起產品質量風險和“水土不服”，亟需加強引導和規范。應加強訓練數據集標注者隊伍的資質，統一圖像征象認識、標注方法、分割方法、量化方法等，避免產品在實際應用過程中存在較大偏差。

三是競爭格局分散，以初創型公司為主。

目前醫療影像行業下游參與者眾多，競爭格局分散，未來在場景+數據+算法上有優勢的企業在智能診斷市場將更有優勢。根據火石創造《2017年中國醫學影像產業圖譜》數據顯示，我國醫療影像行業下游參與者眾多，包括醫學影像信息系統（相關公司209家，市場規模較?。?、遠程影像服務（相關公司90家）、獨立影像中心（相關公司14家）、醫學影像＋人工智能（相關公司23家）。遠程影像服務是近兩三年才推出來的，初創型企業占多數，而且90家相關企業中，以醫學影像信息系統的廠商居多，單純只做遠程影像的診療系統的公司比較少。醫療影像中心也是近年才開始推出的，市場基本上是從零起步，其中我國涉及獨立影像中心只有10家，其他的是和醫院或者醫聯體合作建立醫學影像中心。

四是缺乏有效的保護和監管。

各家醫療單位的數據不愿開放和分享，很大程度上是基于信息安全的因素。目前沒有法律規定何種數據可以開放使用，數據的歸屬和倫理問題尚不明確。同時，數據的使用缺乏有效的保護和監管機制。解決上述問題有幾種途徑：首先，加強行業法律法規的制定；其次公司數據庫的圖像質量應該標準化，同時可溯源；再次，通過合理的數據分享機制，建立標準化、大樣本的數據中心，為人工智能提供適合訓練的高質量數據，使其在醫療領域的應用具備更多的可能性。

05、中美醫學影像行業對比

我國醫療影像行業遠落后于美國，差距主要表現在以下幾方面：

（1）診斷設備研發和創新不足，市場被外資品牌壟斷；

（2）影像信息化建設較晚且尚未完成，目前影像數據共享程度低，不能有效支持遠程會診、轉診、影像數據開發應用等；

（3）我國第三方獨立影像中心市場幾乎空白，而美國已出現多個連鎖品牌的獨立影像中心巨頭；

（4）影像教育及認證制度不完善，影像醫師診斷水平參差不齊；

（5）閱片免費，影像醫師收入低，作為臨床科室的輔助科室，價值不被認可現象嚴重。

表4：中美醫療影像行業對比

總體來看，我國影像產業發展機會較多，未來產業結構也將進一步豐富。

通過與美國影像行業的發展現狀相比，筆者認為，我國第三方獨立影像中心、遠程影像診斷、影像設備、信息化等領域均有發展機會。

06、AI醫學影像未來發展趨勢

1、人工智能對行業升級的作用將更加顯著

醫療行業數據量迅速增長，加速了人工智能醫學影像的產品技術優化，推動人工智能醫學影像行業的升級，由于人工智能可在數據中進行復雜模式的識別，并以自動化方式提供定量評估，人工智能醫學影像在臨床工作流程中，可為醫生提供輔助，有助于形成更準確的放射學評估。

基于技術類別，人工智能在醫學影像領域衍生出兩大基礎應用：（1）數據感知，即通過圖像識別技術對醫學影像進行分析，獲取有效信息；（2）數據訓練，即通過深度學習海量的影像數據和臨床診斷數據，不斷對模型進行訓練，促使其掌握診斷能力。

人工智能醫學影像對比傳統醫學影像的優勢明顯，因此產品面世早期，廣受各級醫療機構青睞，醫生對人工智能醫學影像設備的使用需求不斷提升，人工智能醫學影像行業因此發展前景廣闊。目前，中國有超過百家企業將人工智能應用于醫療領域。

人工智能醫療應用領域中，醫學影像是投資金額最高、投資輪次最多、應用最成熟的熱門領域，

但由于法律法規風險、評價標準不明確等因素，2020年之前，我國尚未有一張三類AI軟件注冊證，產品大多停留在申報階段，產品應用領域主要集中在CT（肺結節）、眼底彩照（糖尿病視網膜病變）等。未來，資本市場對人工智能醫學影像的高度認可與大力支持，將會加速相關技術成熟與應用場景落地，助推醫學影像設備產業轉型升級。

2、市場發展初期相對分散，未來有望逐步走向集中

當前AI醫學影像市場比較分散，原因主要有：

一是數據分散。

我國第三方醫學影像中心大多數醫療影像數據來源于醫院，但大量影像數據額分散在不同的三級醫院體系中，因此智能醫學影像模型難以得到有效的訓練，即使實驗室準確率高，也很難在實際應用中取得很好的效果。

二是病種分散。

雖然底層代碼可以復用，但不同病種需要不同的標注數據訓練不同的模型。例如：谷歌Deepmind跟Moorfields眼科醫院合作訓練糖尿病視網膜病變識別；阿里與萬里云合作進行肺結節CT影像檢測，未來有望擴大到乳腺癌、糖尿病等領域。雖然行業參與的公司著力選擇多發病種進行產品研發，但不同病種不同模型的特點，決定了行業發展初期參與者相對分散的形態。

三是變現場景、商業模式多樣化。

僅就醫療圖像智能識別而言，潛在的變現方式包括：作為單獨的軟件模塊向醫療機構銷售、與PACS等系統合成向醫療機構銷售；與CT、X光機等設備合作形成軟硬件一體化解決方案向醫療機構銷售；通過遠程醫療等方式服務基層醫療機構；通過互聯網醫療等方式直接服務于患者。由于場景和商業模式的多樣化，不同公司在不同賽道上發展。

然而，隨著行業的發展，市場參與者的數量將首先不斷提升，最后由分散走向集中。

隨著行業數據整合與共享機制的建立、模型訓練的成熟、商業模式的確立，以及部分企業CFDA認證的率先通過，先發企業將逐步建立技術壁壘和商業壁壘，推動市場走向集中。

?

更多精彩內容，關注鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App