讓一個機器人透視你的身體，洞察你體內的蛛絲馬跡，比經驗豐富的老教授更快更準地找出你的沉疴暗疾，你是會覺得驚悚還是幸運？

　　在人工智能熱潮興起之初，吳恩達（Andrew Ng）、Jeffery Hinton等多位AI大佬放言，醫療領域AI會讓放射科醫生下崗失業。

　　在2019年的今天，才來談論AI+醫療，好像顯得有些不合時宜。畢竟，至少早在2017年起，智慧醫療的火焰已是如火如荼。

　　仿佛不遠的未來，你就能和機器人醫生面對面，由絕對精確的機器智能為你作出診療。

　　然而，時至今日，智慧醫療最大的突破，仍然主要限于基于計算機視覺技術的醫療影像輔助診斷之上。AI，距離完全取代醫生，可能還差了一個比鄰星到地球的距離。

　　在這一情況之下，聚焦于最為成熟的醫療影像AI領域，談談AI在做什么，AI公司在做什么，可能顯得更為重要。

　　聚焦：醫療影像+AI

　　從公司門口的人臉識別到你手機里欺世盜貌的美顏相機，再到讓李彥宏吃下罰單的自動駕駛，這些AI新浪潮的背后站著的，都是由深度學習驅動的計算機視覺技術。

　　從這里出發，當你在考慮AI如何應用在醫療中時，首先想到的可能就會是：

　　如何將在自然圖像下日趨成熟的深度學習算法應用于醫療之中？

　　這個問題不難回答。

　　即使你從未進過醫院影像科，也應該對CT、核磁共振（MRI）、B超等等檢查有所耳聞。這些檢查就像一臺特殊的照相機，借助射線和聲波為你體內的器官骨骼留下倩影，幫助醫生對人體內的真實情況作出判斷。

　　隨著低劑量螺旋CT、核磁共振等技術的發展和推廣，影像檢查正變得更為安全、高效、準確，也更廣泛地應用于定期體檢和疾病診斷之中。僅2016年，全球診斷成像設備市場價值就高達227億美元，增長率為2％。海量的醫療影像數據在幫助診斷之余，也讓影像科醫生的負擔日益加重。

　　就以常見的CT來說，在影像醫療領域，CT是一個大趨勢，所有的東西都能看清楚，但拍一次下來就有300多張影像，一個醫生看下來是非常消耗時間和精力的。所以衍生出來的一個問題就是——需要大量的醫生來“看片”。

　　深度學習AI算法的用武之地正在于此。

　　計算機輔助診療技術（Computer Aided Diagnosis: CAD）借助機器視覺算法，對醫療影像進行自動分析，幫助醫生鎖定病灶，提供診斷建議和依據。傳統上，基于人工設計規則的算法在功能、準確度和速度上均有較多局限。深度學習算法的引入，讓CAD的應用場景大大擴展。從早期癌癥篩查到心血管異常，從神經疾病診斷到骨骼肌肉損傷，CAD系統的AI化浪潮已是如火如荼。

　　風口回歸，競爭進入后半程

　　新技術的浪潮牽動千萬病人的健康，亦牽動資本涌動。

　　據估計，到2023年，AI+醫療影像的市場規模將超過20億美元。諸多創業企業、互聯網巨頭、醫療影像器械廠商紛紛投入重金，力求在這一戰場占據一席之地。

　　不過在2019年的今天，前兩年的資本風口漸漸回歸理性，賽程進入后半場。

　　截止至2018年上半年，AI醫療影像初創企業已經募集逾5億美元資本投入，資本從新興初創逐漸轉向晚期創業企業?？v觀這一領域，整個2018年上半年，僅有加拿大醫療影像企業Circle Cardiovascular Imaging獲得A輪融資，其他各企業均已進入B輪或之后的成熟階段。

　　從戰略方向上來看，企業也多由早期技術積累轉向產品落地，企業與醫院的合作、落地成為主議題，AI+醫療影像日趨成熟。

　　基于AI的醫療影像分析軟件市場規模

　　AI+醫療，還是醫療+AI？

　　與自動駕駛領域的“車廠對陣AI巨頭”的陣勢頗有相似，在醫療影像AI領域，傳統影像器械商和AI科技企業的雙向競技也正如火如荼。

　　以西門子（Siemens）、通用電氣（GE）等為首的傳統醫療影像器械廠商，正依靠其硬件和數據優勢，對其傳統影像分析算法進行“AI化”迭代升級，為醫院提供整合性更強的一站式解決方案。

　　西門子的AI-Rad系統針對胸部CT影像，提供多方面的測量、定位和自動報告生成功能。比如，借助影像分割技術，找出胸部CT影像中大動脈的像素級定位，實現對動脈直徑等多方面的自動化測量。該系統還利用目標檢測技術，對體內器官的各項異常進行定位和初步診斷。

　　在早期肺癌篩查中，AI可以準確地識別出肺部小結節的位置所在，并對結節進行初步分析，幫助醫生盡早做出診斷，大大提升早期肺癌的發現率。根據美國國家肺部篩查試點研究組的研究數據，借助肺結節早期篩查，逾20%的肺癌罹難者將有機會幸免于難。

　　除去AI技術上的轉型，器械廠商對AI的系統化整合，成為他們在競爭中脫穎而出的重要法寶。2018年底，GE發布了Edison AI開發平臺，實現數據、算法、硬件之間的無縫整合?，F時，平臺已經上線48個影像分析應用，為研發部門整合多來源、多模態的海量數據源，亦為醫院提供各細分領域的輔助診斷服務。

　　長遠來看，Edison的野心并不止于此。GE計劃將平臺對外開放，讓合作開發者加入算法研發，打造AI醫療影像的“AppStore”生態，促成AI醫療影像技術的更好發展。

　　相比傳統器械廠商的系統優勢，醫療影像領域的AI技術公司便更多依靠自身算法突破建立競爭護城河。

　　其中，較大規模的創業企業和AI巨頭企業們，選擇多領域發力，在各方面與傳統器械廠商展開正面角逐。

　　在美國市場上，以色列一家AI醫療影像公司Zebra Medical Vision推出了從骨骼、乳腺到肺部、心血管的多器官診斷產品，意圖建立自身生態。

　　中國創業企業亦然。作為國內醫療影像AI領域估值最高的推想科技，推出了InferRead全系解決方案，覆蓋腦部、肺部、骨骼等全部位影像診斷。

　　Zebra Medical Vision：骨骼診斷產品

　　較小規模的創業公司，則多聚焦垂直領域，在單一器官或單一病癥上建立自己的技術優勢。

　　英國一家初創企業Brainomix便是其中典型例子。它專注腦部影像分析，在中風的診斷與輔助治療中建立起自身的獨特優勢，找到自己的發展方向。

　　Brainomix：腦部影像分析系統

　　英偉達旗下孵化的一家初創企業ImFusion則獨辟蹊徑，借助AI影像生成技術，開創了從二維平面超聲影像生成三維立體模型的新方法。他們以對應病人的二維超聲影像和三維CT影像作為訓練數據，讓AI找到二維和三維影像之間的潛在聯系，從而幫助醫生更好地理解、感知病人體內的狀況。

　　專注于特定垂直領域，小企業更容易找到自身競爭突破點，卻也留下了產品功能單一化的缺憾，產品的落地應用大大受限。這一情況下，中小企業往往要與器械廠商或AI巨頭展開合作，將自身技術與生態平臺相融合，實現產品的大規模落地部署。

　　目前來看，AI+醫療影像領域仍將長期處于競爭與合作交織，技術和產品共同推進的百花齊放階段。

　　作為醫療影像領域的后發選手，中國在影像器械的賽道上，起步較晚，暫時缺席。不過，在AI算法的競技中，依托本土AI人才和海量醫療數據，以推想科技、匯醫繪影為代表的中國初創企業們已經成功找到自己的發展方向。不僅如此，騰訊、阿里、商湯等AI巨頭企業也紛紛向醫療影像領域持續發力，彎道超車未來可期。

　　競業者更是同盟軍

　　所以，在2019年的今天，AI會讓放射科醫生下崗嗎？

　　如今看來，雖然醫療影像AI已經取得長足進展，取代放射科醫生仍顯得言之甚早。

　　一方面，由于數據的限制，醫療影像AI的適用面仍然較窄。目前只有針對肺部結節、腦部腫瘤、骨科等少部分領域的AI技術相對成熟，大大限制了醫療影像AI的臨床應用。

　　另一方面，深度學習本身的“黑盒”、不可解釋的特性使得我們難以對其結果進行分析歸因。不論是出于安全性還是醫學倫理上的考慮，醫療影像AI在可預見的未來里仍只能扮演助理角色，難以成為最終的決策者。

　　除此之外，醫療影像的分析并不只依賴于圖像自身。醫生在對影像進行診療時會結合病人的病史、其他檢查、疾病的相關醫學知識進行綜合考量。

　　相比之下，醫療影像AI大多情況下只能依靠圖像內在的特征進行判斷，使得較復雜的、與影像形態不直接相關的病情分析效果不佳。

　　不過，作為醫生的助手，AI的精準檢測可以有效減少漏診情況，幫助醫生快速定位相關病灶。自動生成的影像分析等數據資料也可以為醫生提供良好的參考，大大提升他們的工作效率。這一點，在各醫院影像檢查數量均大幅增長的現在，顯得尤為重要。

　　除此之外，放射科醫生其實還扮演著AI的人生導師角色。深度學習算法需要大量的標注數據，這需要放射科醫生的鼎力支持。比如在肺結節篩查任務中，醫生需要預先標注成百上千張CT影像里的肺結節的具體位置、類型。借助這些訓練數據，算法才能最終找到這些結節的隱含特征，實現準確的檢測、分析。

　　目前看來，這場AI+醫療影像的變革，更多地是從普通馬到汗血寶馬式的漸進性進化，而非從馬匹到汽車的時代革命。

　　與其擔憂被取代下崗，放射科醫生更應理性看待AI熱潮，摒除“人工智能”這一名字的神秘光環，理解AI的長處與不足，讓它成為工作的重要助力。