1987年，Alexander Waibel提出的时间延迟网络（Time Delay Neural Network， TDNN）可追溯为历史上第一个CNN算法。但受限于有限的算力、数据，CNN并没有因此成为学者们关注的重点。直至19年后，加拿大多伦多大学GeoffreyHinton重新定义深度学习，CNN的表征学习能力才重新成为众人关注的热点。

而后，CNN的数据挖掘，机器学习等能力在图像处理上的应用逐渐成熟，有心之人逐渐开始意识到，这样一项新兴技术，可能在医疗上存在充分的发展空间。

所以，第一批进入医疗影像AI的人，是一群互联网人。

2015年起，一大批医疗影像AI公司陆续成立，涌向影像AI这一蓝海市场。但直到进入之后，众人才醒悟：没有足够的医疗认知，如何越过深厚的壁垒？回忆起当时的场景，推想科技陈宽苦笑到：“那时，我自己都不愿看自己做的产品。”

转变从2017年开始。当一批批互联网人不断跟医生共同工作，深入了解医生工作的流程，加之国家开始逐渐意识到AI的重要性，AI产品开始逐渐进入临床试点。医生与创业者之间的互助桥梁得以建立，AI企业在接下来的两年中经历了快速的发展。

2019年是医疗人工智能走向通用的一年，我们能看到，更多面向智慧医疗的企业涌现出来。而健康管理、社区管理乃至医美也都开始小心翼翼地尝试引入AI。

对此，动脉网对人工智能进行了调研，一组数据或许能帮助我们更清楚地了解2019年整个医疗AI的发展状况。

透过数据看医疗AI2019发展

据动脉网知识库数据显示，截取2018年12月24日至2019年8月20日这一时间段，全球医疗AI融资事件数总计107次，总募资额为139．58亿元（不包含投资金额为“未披露”的融资事件），其具体轮次分布与融资金额分段如下图所示。

通过这张图表，我们可以明显看到，2019年的医疗AI融资事件聚集于B轮与C轮。相比之下，没有企业成功IPO，天使轮事件也仅有4次。整个事件分布呈“中间大，两头小”的状况。这或许意味着，头部人工智能企业已经建立了充分的壁垒，新企业进入存在一定难度。

同样扩大的还有医疗AI企业的规模，从上图可以看到，50人规模以上的人工智能企业占据了仅1／4的数量，优质资源明显聚集。

在这之中，影像AI企业可谓其中最早参与人工智能的企业，从这些企业的动态中，我们也许可以窥见整个行业的端倪。那么这部分企业发展如何呢？

如上图所示，加上2018年末完成B轮的体素科技、完成C轮的推想科技，头部的影像企业悉数拿到了新一轮的资金。

如今2019年已过半载，头部影像企业的肺结节、乳腺筛查等产品已经足够成熟。借由数据、医院布局逐步建立起自己的壁垒，相应的AI产品步入审批中的临床阶段。

在等待审批的过程中，头部企业均在不断挖掘已有资源的潜在价值，各自探寻AI潜在的商业化可能。现在最关键的问题在于，谁将成为影像AI的付费方？

医、药、患，谁可能是影像AI的付费方？

长征医院影像医学与核医学科主任刘士远曾表示：“未来影像科的工作一定是智能化的，报告是结构化的。”潜在含义下，AI必定成为影像科的一部分，但并不在今天。

将目光从影像科移开，AI是否还存在发展的空间？答案是肯定的，药企、患者、保险公司都有可能是AI影像的潜在支付方，而医院也并非仅放射科愿意为影像AI的产品付费。

先谈医院。不同的医院对于产品的需求各不相同，AI产品想要切入三甲医院，必须抓住三甲医院医生的两个关键需求——效率需求和科研需求。如今已经成熟的CT肺、CT肝、脑MRI产品均是为了满足医生对于阅片效率的追求，但这仅占影像科医生工作时间的一部分。更贴近医生的需求为科研需求——在大数据时代协助医生去掌控数据。

而对于医疗能力略逊一筹的乡镇级医院，AI企业可为其搭建私有云、连接医联体的云PACS，也可在院内以教学的方式培养医生的阅片能力与出具报告能力。这一部分市场虽然庞大，但由于医院自身规模的限制，智慧医院的建设支出也会存在相应限制，进而影响到对于AI企业的支付意愿。而对于AI辅助工具的付费意愿，乡镇级医院仍强于三甲医院。

最有可能付费医疗机构包括私立专科医院、混合制医院以及第三方影像中心，这三类医院既缺乏与三甲医院相抗衡的医疗资源，需要AI进行补足，又缺乏老百姓对于制度的信任，需要AI为医院的技术力量增添色彩。

总的来说，向医院出售搭载AI的设备，搭建云PACS平台，或是出售非AI的影像相关服务（如数字胶片）将在很长一段时间内，承担AI企业的主要收入来源，而AI辅诊业务的商业化仍有一段路要走。

再谈药企。AI影像类企业能够满足药企的三类需求，一是充当CRO的角色，对病理数据再处理；二是借助大数据工具对临床试验中的患者进行筛选，三是通过社群合作的方式帮助药企进行精准数字化营销。

最容易获得变现的渠道来源于数字化营销，AI影像企业可与医学部合作，进行真实世界数据研究，协助完成药物治疗效果验证和标准化诊疗模式验证；也可与市场部、销售部合作，搭建学术平台，协助药品销售。

由于这三类业务不需要影像AI企业获取药监局的审批，而是依赖于他们在长期布局中整合的资源，所以这些合作将有可能人工智能影像企业的重要收入来源之一。

相对与上述两种模式，让患者成为稳定的付费对象则困难得多。尽管在许多三甲医院，基于AI的MDT会诊以及辅助诊断已经进入了医院的收费目录。但由于AI技术内核的不确定性，企业很难要求医生向患者推荐使用AI产品。

同时，由于市场教育的不足，在选择AI服务与非AI服务时，绝大部分患者还是倾向于选择无AI内核的传统服务。但随着技术、政策、患者认知的推进，患者很有可能在未来成为稳定的支付方。

那么，影像头部企业都是如何在困局中寻求发展的呢？动脉网采访了近十家影像AI头部企业，试图梳理出其中的逻辑。需要注意的是，下述的部分企业涉及了多项突破，而本文只选取每个企业的一部分创新业务作为案例讲解。

以医疗机构为突破点

医疗机构是AI企业启程的起点，几乎所有的AI影像类初期产品都是为了服务医生打造。所以，即便这些产品仍没有盈利，但却为新的产品的推进埋下了伏笔。在保证已有产品不断迭代的前提下，各家企业正从影像出发，不断向外延伸。

推想科技：从随医者完善AI，到携医者共筑AI

“临床并非医者发挥价值的唯一途径。医疗作为一门经验学科，医者更希望能将更多的时间用于经验整理与对未知可能的探索，并将其梳理成论文，以供更多志同道合者交流学习。”推想科技营销总裁席渭龄曾表示。

随着与医生合作的不断推进，推想研发人员对医生就诊流程、就诊需求的理解更加深刻，进而懂得如何帮助医生规范数据结构和利用数据，定制化算法模型进行科学研究。将这样一套思维具象化，造就了如今的InferScholar CenterAI学者科研平台。

仅统计RSNA投稿状况，该科研平台在2019年助力多家临床合作医院共完成RSNA投稿超过300篇，涉及方向包括人工与AI比较、病理、效能评估、扫描参数、高低剂量比较12％。

通过这种方式，推想有效地转化了研究人员在与医生交流的经验，极大拓展了深度学习在医疗领域的价值和应用场景，实现了人工智能从“辅助临床诊断”到“辅助临床科研”。

透过这样一个基于AI的科研平台，推想能够为医院全科室，全病种提供原创性的人工智能科研服务。平台有几十种AI算法和单病种数据管理能力，可服务于整个医院的科研，教学和产业转化。而对于推想而言，这种模式将协助他们获得更多的医疗资源，赋予AI更强大的创造力。