| huozm32831 |
2022-05-05 11:16 |
曾几何时，业界普遍认为影像识别是医疗AI新势力的全部，但现实似乎并非如此。影像识别产品虽然被广泛应用，但在商业化上依然刚刚起步，虽然未来可期，但短时间内比较难像互联网产品一样爆发式增长。
在这样的背景下，已经有越来越多的影像AI企业，将目光投放到智能医疗硬件领域。2022年4月26日，智能医疗企业睿心医疗研发的血管介入手术机器人完成临床注册动物实验，影像AI企业在智能医疗硬件领域再下一城。
那么，智能硬件会是医疗影像AI企业商业化的捷径吗？
01
第一阶段胜利
图像识别、语音识别、自然语言处理，是人工智能的三大分支领域。2012年之前，图像识别的研究相对落后，因此影像产品很难进行商业化。相反，语音医疗和自然语言理解已经开始大范围应用。
在语音医疗领域，代表企业就是Nuance。2005年到2012年，Nuance陆续收购了十几家医疗领域提供语音技术解决方案的企业，在2011-2013年医疗业务营收大幅的增加。在医疗影像刚刚起步之时，Nuance的产品和服务就已经覆盖了全美72%的医疗机构，且客户遍及全球30多个国家。2022年，大力布局医疗健康的微软，以197亿美元收购了Nuance。
IBM Watson，可能是古早智能医疗行业的代表企业。2015年，拥有一定自然语义分析能力的IBM将医疗作为人工智能科研转化的核心，我们今天熟悉的Watson Health在这一年正式问世，开始在世界范围内掀起医疗AI的热潮。2016年8月，东京大学医学研究院利用Watson判断一位女性患有罕见的白血病，而这只用了10分钟的时间，展示出了强于人类的疾病诊断能力。2021年，商业化无力Watson成为了IBM的累赘而被嫌弃。
△IBM Watson
反观国内，基于自然语言处理的数字疗法在2021年爆火，近百家企业布局数字疗法。2022年零氪科技子公司众曦医疗科技，首个数字疗法产品TH-002获NMPA二类医疗器械证书，成为我国乃至全球第一款针对早期肺癌患者的特异性数字疗法产品。
人工智能的黄金十年，要从2012年说起，医疗影像AI也由此萌芽。这一年ImageNet图像识别挑战赛上，深度卷积神经网络算法大放异彩，以绝对优势获得第一。全新算法腾空出世，图像识别的技术瓶颈得以突破，引发新一轮人工智能革命。
2015年，影像识别科研能力逐渐成熟，并且为众多社会公司提供了算法能力支持。鹰瞳科技、汇医慧影都是成立于这一年。据悉在2012年之前，很多学习图像识别的学生，毕业甚至连对口工作都找不到。
行业初期，虽然人工智能理论上可以在医疗供给端帮助医生，但国内医疗领域对于人工智能的认知基本上是零，彼时产品研发的面临的挑战和压力可想而知。
在如今众多头部企业的努力下，通过科研入手，从而让医学专家接受，从而愿意接受医疗影像产品的落地。比如，推想医疗的陈宽为了证明人工智能如何在影像识别中发挥作用，带着团队租住在四川省人民医院外的一栋破旧的居民楼里数月，终于训练出了推想第一个可用于医疗影像的AI模型，直接用产品让一众医生接受了人工智能。
医疗AI产品的规模临床，离不开药监局的审核。彼时医疗AI仍处于新产品，在没有参照物对比时，新势力们和审评专家只得抱着一腔热忱，推动产品的审评。2017年，国务院印发并颁发《新一代人工智能发展规划》，智能医疗成为了国家战略。在此背景下，资本也开始涌向众多新势力，医疗影像AI新势力们迎来了政策和资本风口，从而更好的反哺研发，也可以推动产品的审核。
2018年三月份，中检院就已经完成了一些领域的标准化数据库的建设。2019年中，审评中心颁布深度学习产品审评指导原则，同年各家已经基本完成了临床试验。2019年，美国企业IDX的糖尿病性视网膜病变识别产品获得了首张FDA三类医疗器械证书，正式打通了医疗影像AI产品的审核道路。
念念不忘，必有回响。2020年的医疗，享受到红利的不仅仅是体外诊断行业，智能医疗同样受益匪浅。在疫情的影响下，药监局同样加速了医疗影像AI产品的审核，临床试验、专家会、审评等必要环节都已完成，从而出现了一年9款影像AI产品集中过审的盛况。
对于众多医疗AI新势力来说，伴随着产品的过审，第一阶段取得了胜利。
02
影像AI持久战：商业化
医疗产品的研发是长期的工作，无论是横向发展，还是纵向发展，都需要持续投入精力研发。鹰瞳科技创始人张大磊曾表示，把产品做出样子需要10年，做到极致、让市场和用户认可需要20年。将产品变成一件临床人人都需要而且可持续的事情，可能需要50年。
今天的医疗AI，已经出现了明显的技术代差。对于已获得NMPA证书的企业而言，毫无疑问是获得了一定时间上的先机，像深睿医疗和联影智能这样获得5张NMPA三类证书的企业，在接下来的竞争中占据更大的优势。在技术代差逐渐明朗的时代，商业化则成为企业绕不开的道路。
对于如今医疗AI影像产品来说，商业化的过程大概需要两步，首先是先卖出去，抢占市场；而后，产品进入医保，保证持续的营收。
医疗AI影像产品的商业化是一项巨大的挑战。2017年，谷歌旗下DeepMind计划将自己的糖网人工智能算法用在印度，「WIRED 商业大会2017」上，Google 的一个项目负责人表示，该技术正开始应用到印度的一些眼科医院。然而，因为印度的混乱的医疗环境，以及产品检测病种单一，导致这一项目夭折。
△DeepMind产品
好在相比印度，我国医疗AI产品有着更好的氛围，产学研用各个链条上都在推动医疗AI产品的落地。特别伴随着产品的过审，新势力的营收大幅度增加。推想医疗2020年营业收入2770万元，同比增长318%，2021年Q1营收2213万元，同比增长357%；数坤科技2020年营收2477.1万，同比增加3142%，2021年上半年营收5262万元同比增加781%；与此同时，行业也出现了首家营收破亿的企业，2021年“医疗影像AI第一股”鹰瞳科技交出了1.15亿人民币的营收。
医保一直是最大的医疗支付方，打通医保一直是众多医疗AI新势力的梦想。对于能够赋能医生，助力健康中国的人工智能，我国医保一直是持积极的态度。但在此之前，医疗AI产品应该要先进入物价收费目录。
在产品过审前，医疗影像AI产品就曾经出现在地方物价收费目录当中。2019年推想医疗的肺结节人工智能产品获得山东省政府的认可，批准了全国第一个肺结节人工智能辅助诊断的物价收费项目。同时，也有更多医院也开始做这样的探索，2019年底北京大学第一医院向北京市卫健委申请了人工智能辅助诊断的物价收费并得到批准，开启了北京人工智能可收费的新篇章。
2020年后，医疗AI在物价的步伐上明显加速。以科亚医疗为例，2020年初拿到三类证书后，便开始推动产品进入医保，已经进入到11省的物价环节，医疗人工智能产品进入医保的步伐走的更加深远。
或许在不远的将来，众多患者可以享受众多智能化服务。但对于众多新势力来说，这也是一场持久战。
03
智能硬件，
是商业化捷径吗
今天的医疗AI看似商业化路径很多，有针对医院端、政府端、体检端、保险端、企业端等。但在深潜atom看来，主要就是分成院内和院外两大渠道。
院外市场，对于医疗AI新势力来说，企业都是比较灵活的。这一部分的客户，诉求比较明显，能够满足甲方的诉求，双方的合作就更容易推动。比如鹰瞳科技与众多配镜连锁企业的合作，就是基于此。
但目前的医疗影像AI产品，大多都是以大影像为主，需要依赖大型医疗器械，这意味着院内才是大部分影像AI企业的主要商业化战场。
体检中心可能是现阶段最好的应用场景。大健康时代，消费者对于体检的要求正在逐步提高，医疗AI产品的成熟，恰好满足了这一部分市场需求。特别是以爱康国宾和美年健康为主的民营体检机构，新势力一旦与其达成战略合作，服务量就可以快速提升。
对于医院来说，销售则是一步一个脚印。目前医疗影像AI产品主要是与大设备绑定，或者是招投标。疫情以来，基层医疗的硬件配置基本上已经到位，也为影像AI产品提供了巨大的市场空间。
医疗费用主要有，挂号费、医药费、检查费、治疗费、住院费以及一些其他费用为主，但影像AI目前能够参与的主要就是检查环节，但这一部分费用本就是很小的一部分。因此，想要在这个环节抠出AI的费用十分困难。
国信证券经济研究院预计，2030年人工智能医学影像市场规模（医疗健康场景）将达423亿元，与药品和耗材等费用不可同日而语。那么短时间内，影像AI企业商业化是否可以借助其他产品，比如借助硬件？
△智能影像产品临床
智能医疗企业与硬件的结合由来已久，比如讯飞医疗推出了智医助理。2021年，智医助理全科辅助诊疗已在全国超280个区县、超2000个乡镇级医疗机构、为3万多家基层医疗机构累计提供了3.4亿次辅诊服务，日均提供诊断已达到77万。
在智慧影像领域，汇医慧影可能是最早投入智能硬件的企业。智慧影像云平台、人工智能辅助诊断平台是汇医慧影的两个重要产品，可以将影像云、AI、云胶片一体化，而胶片机则是在该模式下的重要产品。
此外，其他企业对于硬件也在加快。有的与主营产品结合纵向深入，比如睿心医疗的血管介入手术机器人与睿心分数结合，可以构建一个前后连接的整体生态系统，提高其核心竞争力；也有横向联动，硅基仿生的CGM产品，可以与糖尿病性视网膜病变识别产品结合，可以更好的实现慢病管理。
智能医疗企业研发智能硬件似乎已经成为了常态，那么销售业绩如何呢？2021年，鹰瞳科技的筛查软硬一体机Airdoc-AIFUNDUS(1.0)，在41家医院、36家社区诊所中卖出了1870万的佳绩，未来可期。
对于医疗企业来说，研发智能硬件具有先天优势，在软件的研发上更加驾轻就熟。关键在于能否补齐硬件，这将会是耗时、耗钱的。理论上说，通过自研硬件可以摆脱上游器械的掣肘，但企业更应该综合思考。自研硬件，是否可以放到商业化上，又是否可以更好的服务用户。
在深潜atom看来，对于大影像识别产品来说，在这个赛道，传统硬件厂商是难以撼动的，自研产品价值不大，更应该思考的是如何共赢。对于小影像识别产品来说，发展硬件是有必要的，关键就在于企业是否能够同时控制的住软硬件产品的研发和推广。
无论是否自研硬件，对于医疗AI来说，大规模临床、造福广大人群一直是最终的目标。以终为始，必然能够找到最适合自身发展的医疗解决方案。 |
|