更多投研资料点击进入知识星球
。
转
星球内每日更新内容超300条
发文章至朋友圈或微信群，即可免费获得一周调研纪要合辑
Q:Al在泛医学影像领域主要有哪些应用场景方向?
A:Al在泛医学影像领域主要有四个应用场景方向。首先是赋能医疗器械设备,比如在医疗器械的成像与扫描方面，通过
Al
提升设备本身的功能，像加速成像、降低扫描噪音等，从而优化设备性能，使成像更快、更高效，且能在同等高效的情况下获得更好的图像质量。其次是赋能诊断，也就是通过
Al
实现各种针对临床应用场景的辅助诊断工具，这一方向从
2017-2018年开始逐步成为热点，目前在一些特定临床领域已相对成熟，在大型三甲医院、头部医院、二级医院甚至底层医疗机构都产生了一定的用户粘性。然后是赋能数据，
Al
在医疗数据方面的赋能主要体现在数据指控，包括检查中的类实时指控以及事后指控，事后指控在很多省份对于放射科、超声科等影像科室有硬性要求，需要按照季度或月度对规定的指控数据进行收集和治理，以往多由科室医生手工完成
,存在主观性、不确定性和随机性，且工作量大，现在可通过信息化、数字化手段以及
Al
实现更多自动化；同时，数据还涉及从影像到临床病例的跨模态信息挖掘，对头部医院科研和药企都有很大价值，且有相应商业模式。最后是赋能治疗，例如常规放疗靶区规划以及术前规划等，很多是原来做辅助诊断的公司逐步扩充的方向，在影像学角度对图像的
Al
处理要求更精细，不仅能做术前模拟、术后评估，还能结合医疗机器人在术中做导航，不过在建立收费项以及与医疗机器人协同发展方面还存在一些需要克服的问题。
Q:目前在赋能数据方面，具体有哪些应用形式和参与主体?
A:在赋能数据方面，主要应用形式集中在数据指控和信息挖掘。数据指控又分为两种，一种是检查中的类实时指控，这种指控能够在检查过程中实时进行数据把控，然后反馈到
EAG科室或临床诊断科室，以便及时调整和优化检查流程与结果。另一种是事后指控，这更多是院级、科室级甚至区域级的需求。目前很多省份对放射科、超声科等影像科室有事后数据指控的硬性要求，规定要按照季度或者月度，依据指南规定的指控数据进行定期收集和治理。以往这项工作大多由对应科室的医生手工完成，然而手工操作存在诸多弊端，比如存在主观性，不同医生的判断标准可能存在差异；有不确定性，结果容易受到各种因素干扰；数据还具有随机性，难以保证数据的稳定性和可靠性；而且工作量不小，对医生来说既耗费精力又不能产生直接价值。现在通过信息化和数字化手段，以及借助
Al
技术，能够实现更多的自动化操作。特别是随着大语言模型的发展，其在终端部署的成本急剧下降，使得数据指控中涉及的跨模态场景落地成为可能。在参与主体方面，各个区域卫健部门以及头部医院是推动数据指控的重要力量，它们提出要求并监督执行。同时，一些专注于医疗数据处理和
Al
技术应用的企业，也在积极开发相关产品和服务，帮助医院和科室实现数据指控的自动化和智能化。
Q:在赋能设备方面，有哪些公司在开展相关工作，具体的工作内容和目标是什么?
A:在赋能设备方面，头部的医疗影像器械厂商如联影、东软医疗等都在积极布局。从2018年开始，这些厂商在影像设备的各个业务单元(BU)组建了自己的
Al
团队，虽然团队规模不大，但已经着手开展相关工作。它们的工作主要围绕设备成像环节，致力于解决两个关键问题，一是提速，通过
Al
技术优化成像算法，加快成像速度，减少患者等待时间，提高设备的使用效率；二是增效
,这里的增效指的是在同样高效成像的情况下，获得更好的图像质量，比如降低图像噪点、提高图像分辨率等，从而为医生提供更清晰、准确的影像资料，辅助医生做出更精准的诊断。除了设备厂商自身，像深透医疗这样聚焦
AI
方向的公司也在为设备全栈赋能，尤其是在核磁领域。深透医疗专注于利用
Al
技术提升核磁设备的性能，通过独特的算法和技术手段，使核磁成像在速度、质量等方面得到优化，为医疗影像诊断提供更优质的支持。这些公司的努力，推动了医疗影像设备在智能化、高效化方向的发展，提升了整个行业的技术水平和服务质量。
Q:赋能治疗目前处于怎样的发展阶段，有哪些主要的实现方式和面临的挑战?
A:赋能治疗目前处于逐步起步并开始被逐渐认可的阶段。主要实现方式是很多原本做影像辅助诊断的公司进行业务扩展。在影像学角度，对图像的
Al
处理要求更加精细。例如原来可能只是进行肺结节、骨折等简单的检测，而现在要做赋能临床的工作，就需要进行全肺分析、全肺细噪重建和分割等更精细化的操作。从具体流程来看，在术前可以利用
Al
进行手术模拟，帮助医生提前规划手术方案，预演手术过程中可能出现的问题，制定应对策略；术后可以通过
Al进行评估，判断手术效果，监测患者恢复情况。在术中，结合医疗机器人实现导航功能，提高手术的精准度和安全性。不过，目前赋能治疗面临一些挑战。一方面，在临床上虽然对其有一定的认可，但在建立收费项方面还存在问题，如何合理地制定收费标准，使其符合医疗市场的规律和患者的接受程度，需要进一步探索和解决。另一方面，与医疗机器人协同发展是一个关键问题。因为术中导航需要医疗影像
Al
公司与医疗机器人紧密配合，如果医疗机器人行业发展没有达到一定程度，例如机器人的精度、稳定性等技术指标不够完善，或者机器人的普及程度不高，那么赋能治疗中术中导航这一环节必然会受到限制，影响整个赋能治疗的发展进程。
Q:AI在泛医学影像的四个领域(诊断、设备、数据、治疗)技术成熟度如何,能否满足临床需要，临床接受度以及在国内医院的落地渗透情况怎样?
A:从技术成熟度和临床应用的多个维度来看：
-诊断领域:
在已挖掘的临床方向，如胸部
CT相关的肺结节检测、
EBCT捕浊，血钙化积分，心脏冠脉
PA方向，以及头顶头颈卒中涉及的
GTA后处理、出血和缺血关注，还有冠脉骨折等。目前不管是头部
Al
公司还是第二梯队的公司
,在这些方向上基本能满足临床要求。以辅助诊断角度而言，其灵敏度基本能达到90以上，特异度好一点能达到90以上，一般的也有80-85以上。从临床接受度来说，自影像
Al
推广应用多年以来，在上述提到的场景中，临床已经产生了粘性。影像科医生在相关诊断写报告时，只要使用过
Al
的，基本都离不开它了，因为它在提高效率和避免漏诊方面能带来很大价值，在国内医院的落地渗透情况良好，覆盖率较高。
-设备领域:
主要应用场景聚焦于缩短扫描时间，以及在相同扫描时间下通过算法提高图像质量。虽然没有一个绝对的目标，例如从
2018-2019年最初提高5%-10%的扫描效率大家觉得不错，到现在能提高到30%,并且还在探索更好的可能性。从物理学每日纪要学习关注公众号有道调研角度，虽然无法达到仅通过10%的改造就能完全通过
Al
重建出满足体量的效果，但至少目前对于设备厂商来说是能产生价值的。以核磁为例，因其扫描时间长，若能缩短时间，且本身无辐射，对设备厂商和医院都有益，医院能增加检查量。不过目前并非每一家设备厂商都在积极推进
Al
赋能设备并产品化，国内可能仅有一两家在实际做，其他厂商可能更多处于宣传阶段，实际应用点还相对早期，投入较少。
-数据领域:
此前主要基于传统信息化方案做一些流程优化，从
Al
赋能角度对数据清洗、跨模态整合等做的较少。但随着大语言模型在语言类方向的技术突破和应用落地，今年在跨模态方面可能会成为一个分水岭，逐步会有创新融入。在数据指控以及临床决策数据模型建立等方面，会形成可落地的场景，不过目前整体还处于发展阶段，距离成熟还有一定距离。
-治疗领域:
通过
Al
在影像学上赋能术前、术中、术后等环节，技术上没有问题，但临床接受度方面还需要一个用户培养的过程。部分用户认可其价值，但也有部分用户觉得还处于比较前期的阶段。如果能让用户使用习惯与治疗各个环节产生更多粘性，前景会比较好。目前
Al
在治疗领域的落地抛开影像学方案，还有术中直接检测方案，通过
Al对术中病理切片进行检测，比原始的术后反馈或术中冰冻检测效率更高。整体来说，
Al
在治疗领域挖掘到的落地技术点还不够，目前处于比较前期的阶段。
Q:目前
Al
医学影像在临床当中应用最多、最成熟的是哪些版块和场景
?
A:在临床应用中，辅助诊断版块是应用最多且最成熟的。
-肺结节相关:
肺结节的检测与分类是应用最为广泛的场景之一。在肺部疾病的诊断中，肺结节的准确识别至关重要。通过
Al
技术，能够快速、精准地检测出肺结节，并且对其进行分类，判断其良恶性的可能性。这大大提高了诊断效率，减少了医生的工作量，同时也降低了漏诊的风险。其在市场上的覆盖率极高，在临床使用中粘性很强，检查量也较大。
-
骨折检测
:
各类骨折的检出，尤其是肋骨骨折，在临床中应用也十分广泛。
Al
可以快速准确地识别出骨折部位，为医生提供详细的骨折信息，辅助医生制定治疗方案。由于骨折是常见的病症，检查需求大，所以骨折检测的
Al
应用在临床上也得到了广泛的使用，覆盖率和临床使用粘性都达到了较好的状态。
-冠脉相关:
在冠脉方面，过去依靠手工结合后处理去做冠脉血管分割，需要耗费医生半个小时到一个小时甚至更长时间。而现在借助
Al,10分钟以内甚至更短时间就可以完成血管分割以及血管狭窄的分析，实现了自动化操作。大大提高了诊断效率，在临床中也得到了较为广泛的应用。
-头颈相关:
与头顶头颈卒中涉及的
GTA后处理、出血和缺血关注等相关的Al
应用，也在临床中发挥着重要作用，和冠脉的情况类似，在相关病症的诊断中为医生提供了有力的支持，应用也较为成熟。总体来说，在辅助诊断领域的肺结节、骨折、冠脉、头颈这四个方向，已经是各家影像
Al
公司重点布局的领域，在市场上覆盖率很高，临床价值得到了充分体现，唯一有待突破的是
Al
相关的收费问题。
Q:目前Al影像市场的参与者除了设备公司外主要还有哪些?从竞争力角度看,哪类公司未来可能在行业中抢夺更多市场份额?
A:目前涉足医学影像
Al
领域的参与者主要有以下几类：
-设备类厂商:
虽然众多设备厂商都有涉足
Al
领域，但在辅助诊断方面做得好的只是极个别。设备厂商在硬件制造上有优势，但在
Al
辅助诊断的研发投入、数据积累等方面，多数厂商与专业的
Al
医学影像企业存在差距。例如在数据获取上，设备厂商若没有专注投入，很难与医院建立深度科研合作，获取多中心、多样化的数据源，以满足
Al
算法对数据多样性和泛化性的需求。
-纯粹的创新类AI医学影像企业:
这类企业在产品成熟度上表现突出。首先
,医学领域的数据门槛较高，这类企业全身心投入，在数据方面积极与医院建立良好的科研合作，获取多中心数据源，解决了数据的多样性和泛化性问题。其次，它们在研发上投入大量成本，持续优化算法和产品性能。再者，积累了较多的专利资源，在技术创新上拥有一定优势。从产品力角度看，除个别企业外，传统
Al
医学影像企业在该领域表现出色。
-头部互联网巨头:
这类巨头有技术实力涉足
Al
影像领域，但在该领域的投入存在犹豫摇摆的情况。原因在于它们认为
Al
影像赛道的蛋糕不够大，所以投入程度不稳定，时而觉得该投入，时而又有其他考量，导致在这个领域缺乏持续发展和积累，目前在影像方向基本没有突出的成果。从发展阶段来看，最初影像
Al
成为热点时，
Al医学影像公司起主导作用；之后热度退烧，资本和关注度下降，器械类公司开始起主导作用；现在进入第三阶段，器械类公司和
Al
类公司需要紧密合作，才能让整体解决方案产生更好价值。目前市场上产品同质化现象较为严重，市场集中度不高。后续发展中，市场的优胜劣汰有助于提升市场集中度，推动行业进入正向发展阶段。综合来看，随着行业发展，那些能够持续投入研发、深度挖掘临床需求、优化产品性能、解决数据和专利等核心问题的企业，无论是
Al
医学影像企业还是与
Al
紧密合作的设备厂商，都更有可能在未来抢夺更多市场份额。
Q:视网膜Al检测有可能成为刚需吗?
A:视网膜
Al检测方向，临床需求是存在的，临床切入点也成立，就像辅助诊断一样，在技术和临床实测角度是可行的。但目前存在一些问题需要考量。—方面是市场规模问题，虽然有需求，但整体市场规模大小还需要进一步评估，这会影响其商业价值的大小。另一方面是商业转化时的商业模式问题，如何将技术转化为实际的商业盈利，包括如何定价、如何与医疗机构合作、如何获取收益等，都需要探索合适的商业模式。虽然这个赛道有不少企业投入研发，但目前整体商业转化背景下，仍有较大的潜力可挖掘，还有很长的路要走，需要进一步探索合适的商业模式和市场推广策略，以实现其商业价值和满足临床刚需。
Q:某大型三甲医院CT报告要三天之后才能出，这是Al部门介入后还需要的时间，还是医院自身存在问题?
A:一般情况下，无论是基层医院还是三甲医院，
CT
报告隔天就能出具。在不考虑排队和检查量堆积的情况下，写一份
CT报告半天内就能完成，因为实际诊断所需时间并不长。很多医院一台
CT机器一天的检查量较大，可能达到几十甚至近一百，所以当天检查的报告可能需要第二天才能出具，但通常不会需要三天这么长的时间。如果出现三天才出报告的情况，可能是医院策略上的原因，比如医院有特殊的流程安排，需要结合其他检查综合判断，或者是医院内部管理、人员调配等方面出现了问题，而并非正常的检查报告出具时间。
Q:目前AI医学影像公司的盈利模式大概是怎样的?医院端使用Al的付费意愿如何?未来哪种盈利方式可能会成为主流?
A:在
Al
医学影像公司发展初期，收费问题一直是困扰行业的难题。当时推广产品时，企业需要做大量的演示
(demo),向医院详细描述产品的价值点，以说服医院使用。虽然到现在收费问题仍未彻底解决，但情况已有所不同。如今
Al
医学影像产品在临床中已经形成刚需，临床科室结合诊断需求，对这类产品有实际使用需求。目前
Al
医学影像公司的一种盈利模式是将产品作为独立产品在医院内进行销售。销售方式包括医院招标采购，即院方直接发起项目招标
,Al医学影像公司参与投标；也有企业自主推广销售的形式。每年都有许多这样的销售案例，这种独立销售模式已经在市场中广泛存在。从医院端的付费意愿来看，由于产品已成为临床刚需，医院对其有一定的接受度。但收费问题的未完全解决，仍在一定程度上影响着医院的付费决策。未来，随着行业的发展和规范，可能会出现更加多元化和成熟的盈利模式。比如，除了产品销售，或许可以探索按使用次数收费、与医院合作分成(根据
Al
产品为医院带来的效益进行分成
)等模式。同时，随着
Al
技术在医疗领域的深入应用和价值的进一步凸显，解决好收费标准和模式问题，将有助于推动
Al
医学影像公司盈利模式的成熟和行业的健康发展。
Q:Al医学影像公司除了将产品独立销售外，还有哪些盈利模式?
A:除了独立销售产品，
Al
医学影像公司还有以下盈利模式：
-与设备厂商协作捆绑销售:
在当前市场中，医院采购大型影像设备，如
GPT
时，通常会有
Al
影像辅助的需求。对于基础的需求，医院会要求配备肺结节、骨折等基本的
Al
影像辅助功能；而条件较好的医院，可能还会要求具备冠脉、头顶等每日纪要学习关注公众号有道调研更复杂的
Al
影像辅助功能。基于此，设备厂商在销售设备时，会根据医院需求，与
Al
公司合作，将
Al
影像辅助功能与设备捆绑，作为一个整体打包出售。这种合作是双向选择的过程，设备厂商会从成本、效果、质量等多方面评估选择合适的
Al
公司，
Al
公司也会评估与设备厂商的合作是否符合自身发展需求。通过这种合作模式，
Al医学影像公司能够借助设备厂商的渠道，将产品推向更多医院，实现盈利。
-参与医疗信息化、数字化建设:
国家大力推进医疗信息化、数字化建设，在这一过程中，智能化是不可或缺的部分，而
Al
则是实现智能化的关键。无论是区域信息化平台，还是医联体项目，在面向基层医疗、下沉市场的数据互联互通、远程医疗等场景中，都离不开
Al
的应用。一些
AI
厂商不仅专注于
Al
技术研发，还涉足信息化解决方案领域。他们能够提供从数据采集、数据质控、分析、诊断报告，到远程会诊以及运营等全流程的闭环服务。在区域一体化解决方案中，这些
AI
厂商凭借自身技术优势，将
Al
深度融入各个环节，满足了医疗信息化建设中对智能化的需求，从而获取收益。
-SaaS模式(软件即服务)收费:
这种模式从
AI
医学影像起步时就已存在
,但在国内，相对其他几种盈利模式，SaaS
模式的发展较为困难。国内市场对
SaaS收费模式的认可度较低，导致其推广和应用面临一定阻碍。不过，尽管存在困难，该模式依然在市场中占有一席之地。
Q:医院采用影像
Al
进行检测，在患者收费标准化的情况下，医院的收益和成本情况是怎样的
?
A:在患者收费相对标准化的情况下，医院采用影像
Al
进行检测，主要有以下几方面影响：
-提高效率:
影像
Al
能够快速处理和分析影像数据，大大缩短了医生诊断所需的时间，提高了诊断效率。例如，原本医生需要花费较长时间去识别影像中的病变特征，有了影像
Al
的辅助，能够快速标记出可能存在问题的区域，医生可以更有针对性地进行判断，从而加快了整个诊断流程。
-降低成本:
从人力成本角度来看，如果医院科室原本存在医生数量不足的情况，借助影像
Al
可以在一定程度上缓解人力压力。原本需要更多医生完成的诊断工作，现在通过
Al
辅助，少量医生就能完成，从而节省了人力成本。
-
增加检查量
:
在诊断效率提高后，医院能够在相同时间内处理更多的检查病例，增加检查量。检查量的增加在一定程度上可以为医院带来更多的收入。不过，设备扫描量相对固定，除非医院因为诊断医生不够而限制了扫描量，否则在设备扫描能力范围内，诊断效率的提升有助于充分利用设备资源，增加检查量。
-临床价值考量:
在医院项目立项时，科室主任的意见起到关键作用。科室主任在考虑是否采用影像
Al
时，虽然会关注盈利方面，但临床真正的价值也是他们考量的重要因素。影像
Al
能够辅助医生做出更准确的诊断，提高医疗质量
,这对于医院的长远发展和声誉提升具有重要意义，即使不能直接带来经济创收，从临床评估角度来看，也是不容忽视的。
Q:Al相对传统医疗信息化的进步体现在哪些方面?
A:传统医疗信息化厂商主要解决数据的数字化以及部分场景的数据互联互通问题。然而，在
Al
相关的数据维度，无论是文本数据还是影像数据，传统信息化厂商大多没有投入大量资源进行深入开发。这主要是因为传统信息化业务，如
PACS(图像存储与传输系统),已经占据了较大的市场份额，厂商担心投入Al
领域会面临诸多不确定性，所以在
Al
研发上较为犹豫，真正投入大量资源做的厂商较少。相比之下，
Al
在以下方面展现出明显的进步：
-智能化集成与工作流优化:
Al厂商在数据互联互通的基础上，能够更好地满足智能化需求。其平台可以无缝集成自身的
Al
应用，不像传统信息化厂商需要依赖第三方进行两个系统之间的整合。这使得
Al
系统在工作流的易用性和一体化设计上更具优势，使用起来更加顺畅，能够有效提升工作效率。例如在影像诊断流程中，
Al
系统可以直接在影像处理环节嵌入智能分析功能，医生无需在多个系统之间切换，就能快速获取
Al
辅助诊断结果。
-Al能力全方位赋能:
AI
厂商能够将
Al
能力赋能到医疗信息化的各个阶段。在辅助诊断方面，不仅可用于院内诊断，还能在医联体内上下级医院之间会诊时发挥作用。在数据指控、音视频规整等方面，
Al
也能与信息化流程紧密结合。以筛查场景为例，传统信息化方案虽能提供数据支持，但缺乏
Al
分析能力。而
AI
厂商可以将
Al
技术融入筛查流程，实现从数据采集到分析的全流程智能化
,极大地提升了筛查效率和准确性。
-体化方案设计:
AI
厂商在做信息化方案时，从产品设计的角度出发，更注重将
Al
嵌入到所有定制化、数字化的流程中，形成一体化方案。在功能上，能够新增更多
Al功能点，无论是从工作流的角度，还是可用性的角度，都为医疗信息化带来了更多的提升。不过，目前
AI
厂商提供的信息化方案，大部分还只能满足非头部医院，如基层卫生院、二级医院等的精细化结合
AI
的需求。对于头部医院，由于其检查体量大、业务复杂，在信息化维度还存在一些技术门槛需要攻克，以满足其更高的要求。
Q:目前Al影像公司真正的护城河体现在哪些方面?是数据积累、算力还是其他方面?
A:Al影像公司的护城河在不同发展阶段有所不同。在早期或早中期阶段，技术专利最为重要，其次是数据，最后是渠道。当时
Al
刚刚起步，相关模型也是初出茅庐，技术成熟度较低，整个行业都处于技术的摸索阶段。各公司主要凭借独特的技术专利来建立竞争优势，拥有先进技术的公司能够率先开发出更有效的
Al
影像产品，吸引市场关注。然而，在现阶段，数据积累成为最重要的护城河因素，渠道资源排第二位，技术专利则退居第三。如今在影像方向，技术成熟度已达到一定水平。若要实现进一步突破，往往不再局限于影像领域单一方向，而需要一手纪要关注工众号有道调研跨模态等技术的协同突破。就目前聚焦的影像应用和产品来看，虽然各公司都有各自的技术创新，但在技术层面存在一定程度的同质化现象。只要拥有数据，各公司都能实现一定的效果，只是在效果表现上略有高低之分，差距并不显著。在数据方面，积累高质量数据并非易事。以某些罕见病为例，如果一家
Al
影像公司想要在该疾病的影像诊断领域有所建树，就需要通过科研合作积累大量相关数据。若缺乏良好的科研合作关系和临床渠道，数据积累将变得异常困难。没有充足的数据，就难以构建出优秀的模型。虽然可以获取一些公开数据，但基于这些数据构建的模型在面向
B
端
(企业客户)实现产品化时，往往会面临诸多困难，无法满足企业实际应用的需求。在渠道方面，随着行业的发展，商业转化和商业模式成为各公司关注的重点。在追求差异化竞争的过程中，渠道资源的重要性日益凸显。拥有广泛且优质渠道的公司，能够更顺利地将产品推向市场，接触到更多的潜在客户，从而在市场竞争中占据有利地位。在规模性的公司中，技术都已经积累到了一定程度，产品之间的差异更多体现在细节和优化上，而非产品能否使用。例如，有的公司产品能达到95分，有的可能是92分或90分。对于新进入的公司,如果没有数据积累，就很难在市场中立足；但一旦拥有了数据，在当前技术水平下，经过一定时间的研发，还是能够开发出满足市场需求的产品。所以，综合来看，现阶段数据积累是
Al
影像公司最重要的护城河，其次是渠道资源，技术专利虽然也重要，但相对而言重要性有所下降。
Q:从数据角度来讲，设备厂商是不是相对较好的数据源头?
A:从数据角度来看，设备厂商并非像人们想象中那样是理想的数据源头。数据包含多个维度，形成高价值数据不仅仅依赖于影像数据本身，还涉及数据清洗和数据标注等环节。与大语言模型现在多采用无监督、弱监督甚至深度强化学习等方式不同，目前影像领域大多还是采用有监督学习的方式。这就意味着除了原始影像数据，还需要进行大量的数据标注工作，而数据标注需要专业的临床资源支持。设备厂商在数据积累方面存在一定局限性。虽然设备厂商的设备在医院中使用，但出于数据安全和隐私等敏感问题的考虑，设备厂商不会在设备上设置数据留存的“后门”随意收集影像数据。设备厂商能够积累的数据,主要是在短时间内用于发现设备自身存在的问题时回流收集的数据。然而，从疾病维度来看，这些数据远远不够。相比之下，一些
PaaS(平台即服务)厂商在数据积累方面可能更具优势，它们能够通过与医疗机构的合作，更全面地获取各类影像数据，并进行有效的整理和标注，从而为
Al
影像模型的训练提供更丰富、高质量的数据支持。所以，综合来看，设备厂商在数据积累方面并不具备明显优势，不是相对较好的数据源头。
Q:从行业目前的监管来看，整个Al影像产品的国内NMPA(国家药品监督管理局)审批流程目前大概有哪些关键要求?这两年对于行业审批的标准上有没有一些变化?
A:在
Al
影像产品的国内
NMPA审批流程方面，不同的影像细分领域情况有所不同。对于放射科影像领域，已经有较多产品获批。像肺结节、骨折、头颈冠脉等常见病症相关的
Al
影像产品，由于并非全新赛道，在临床试验设计、各个阶段的核查以及前期的形式检验等方面，行业内已经较为熟悉。在有同类产品的情况下，部分产品甚至可以直接进行免临床比对，这在一定程度上简化了审批流程。但即便如此，整个审批过程的投入仍然较大，不仅需要投入大量资金用于研发、临床试验等环节，时间成本也不低。不过，总体来说，只要企业愿意投入，这类产品的审批并不存在无法推进或做不成的问题。然而，对于放射影像领域一些新兴的疾病方向，情况则有所不同。当企业申请首张该疾病方向的
Al
影像产品注册证时，在临床试验、试验后的核查以及形式检验等环节，都会涉及到诸多细节问题需要解决。这些新兴方向由于缺乏成熟的审批经验和参考案例，审批过程相对复杂，企业需要花费更多的精力和资源来满足审批要求。除放射影像领域外，在病理数字病理和超声这两个方向，虽然目前都已经有一张三类证获批，但整体仍处于比较早期的阶段。
Al技术本身，尤其是深度学习模型，在一定程度上被视为“黑盒子”,其内部运行机制和决策过程难以完全解释清楚。在临床试验过程中，当需要对试验数据和
Al
结果进行临床解释时
,往往会面临较多困难，需要花费更多的周折来向监管部门说明产品的安全性和有效性。不过，国家对
Al
技术的发展持鼓励态度，出台了很多政策支持创新。在一些创新类产品或特定领域，监管部门会为企业开辟绿色通道，加速审批流程。但总体而言，
Al影像产品的审批仍然需要企业投入大量的成本，包括资金、时间和人力等，审批周期也相对较长。
Q:Al影像产品从研发到商业化的周期大概是多久，企业需要投入多少资金?
A:通常情况下，
Al影像产品平均单周期需要2-3年时间。从资金投入方面来看，若将从研发阶段开始，直至申请医疗器械注册并送审，以及整个临床试验过程中的各项成本都计算在内，企业投入的资金体量以千万为单位，至少要达到数千万。这其中涵盖了研发人员的薪酬、研发设备的购置、临床试验的组织与实施、数据的收集与处理等多方面的费用。例如，研发人员的招募和培养需要大量资金，高端的研发设备采购价格不菲，临床试验可能涉及多家医院的合作，这些都构成了高昂的成本。如此巨大的投入和较长的周期，对企业的资金实力和耐心都是极大的考验。
Q:超声和病理贴片这两块与今天主要讨论的影像商业化情况相比，目前处于什么样的进展?
A:先来看病理方向。影像领域在
Al
应用方面发展较快，原因在于影像科信息化起步早，早在二十多年前就已开始推进，到现在已经成为医院里信息化定制做得最好的科室之一，数据标准也相对完善。同时，影像本身有统一的
DICOM标准，这使得
Al
在影像领域的落地和推进较为顺利。然而，病理领域情况有所不同。虽然现在都在推行数字病理，可实现病理数字化，但在数字病理扫描之前，病理制片染色环节存在差异。由于每个医院使用的染液、制片流程不尽相同，导致标本存在区别，经过数字病理扫描后，所得到的数字化图像在背景色彩构成等方面也会有所不同。这就对
Al
提出了更高要求，在数据的泛化性、数据前处理等方面都需要更精细的处理。而且，病理数据格式目前也缺乏良好的标准化。尽管有些专利到期后，病理行业未来可能会出台新的数据标准，但就目前而言，各家仍有各自的数据格式。虽然像徕卡等外企的数据格式通用性较好，大家会去兼容，但整体上数据格式的不统一还是给
Al
应用带来了阻碍。所以，尽管数字病理这几年推广力度较大，但
Al
在病理领域的落地场景发展相对较慢，目前聚焦的应用场景也比较少。不过，病理领域对
Al
的需求其实很大，它期望通过
Al
实现全栈的解决方案，解决更多临床问题。因为只有
