作者：同渡资本杨成魁

国内医疗AI热潮始于医学影像领域，早期企业成立于2016 年前后，经过2年左右时间，快速完成3轮融资，达到B轮数亿规模融资额，成为引领行业发展的标杆。反观海外，如美国、以色列等国家，该领域新创企业成立时间多在2013-­‐2014 年，比国内早2年左右，甚至有些标杆企业成立时间5年以上。但该领域投融资活跃程度相对不如国内。虽然，国外在数据量、市场、政策、应用潜力等方面并不比国内有优势，但是从研究和市场探索角度，国外的实践仍早一步，所以思路值得借鉴。

在公开渠道收集到的国外130 多家医疗AI 企业中，有20 余家医学影像AI 公司。大致分为综合影像 AI 公司和专病影像 AI 公司。

综合影像 AI 公司包括：Arterys 、ZebraMedical、Lunit、Enlitic、AIdocMedical、Predible Health，这些公司当前将 AI 技术同时应用在多个疾病领域，由于不同疾病诊断方式、设备不同，涉及多种影像数据类型，比如 X 线、CT、MRI 等，疾病种类会涉及肺、肝、骨、乳腺、心血管疾病等。

Arterys 是其中的佼佼者，成立于 2011 年，从心血管疾病开始，逐渐向肺、肝领域延展。2018 年 2 月，Arterys 的基于深度学习的 Liver AI 和 Lung AI 肿瘤影像套件首次获得 FDA 批准，能够帮助临床医生快速测量和追踪 MRI 和 CT 扫描中的病灶和结节，而且 FDA 该批准可以涵盖所有实体肿瘤。

早在此前的 2017 年初，Arterys 旗下的产品 Arterys Cardio DL 获得 FDA 批准，用于分析心脏 MRI 图像。这是 FDA 批准的第一个用于临床的基于云计算和深度学习的分析软件，可以帮助医生进行全自动而且可编辑的心室分割，提供心室功能的准确计算，它

的准确度可与有经验的医生进行的手动分割媲美。从 Arterys 的产品方案看，其并没有直接给出诊断结果，而是将深度学习技术用于辅助医生更精准、更快捷的做影像智能分析。Arterys 在融资方面也表现优秀，于 2017 年 11 月完成来自Temasek Holdings 等机构的 3000 万美金 B 轮融资。

专病影像 AI 公司包括：HeartFlow、IDx、MedyMatch、Viz、CureMetrix、Bay Labs、 Maxwell MRI、Manchester Imaging。

心血管疾病领域出现不少实践公司，其中 HeartFlow 是其中历史最久的公司，该公司成立于 2007 年，其主要产品方案是心血管血液动力仿真辅助诊断软件，通过 CT 扫描采集的三维的主动脉和心脏模型计算出血流储备分数（FFR），是冠心病医学诊断技术上的突破。

此技术早在 2014 年就获得了 FDA 批准，只不过近两年 HeartFlow 采用了深度学习技术，能够让医生更准确的评估心脏堵塞症状与血流情况，进而做出更快、更精准的诊断。该方案的临床意义在于，可以减少不必要的有创检查，降低医疗成本和患者负担。

HeartFlow 也在 2017 年底宣布获得了一笔 1.5 亿美金的 E 轮融资。另外一家 Bay Labs 公司则是将深度学习应用于心脏超声影像的辅助诊断。

除了心血管疾病的 AI 实践外，Viz 和 MedyMatch 分别从脑梗塞和脑出血两个角度辅助医生做脑中风的诊断。Viz 使用深度学习算法自动分析脑部 CTA 影像以识别可疑的大血管闭塞中风，该方案于 2018 年 2 月获得 FDA 批准。MedyMatch 则是基于脑部普通 CT 影像，运用深度学习技术自动分析扫描中存在的颅内出血（ICH）高度敏感，并在检测到  ICH  时提醒主治医生。目前，该方案已经进入FDA快速审批通道。

另外 IDx 专注眼科疾病，如糖尿病视网膜病变、青光眼、老年黄斑变性 AI 解决方案，FDA 已加快对其糖尿病视网膜病变 AI 系统的审查进程。Manchester Imaging的AI 软件能够自动检测出牙医肉眼难以观测的早期牙釉质龋齿征兆， 及时指导处理预防后续的牙齿腐坏。CureMetrix 和 Maxwell MRI 则分别围绕基于 X 线的乳腺癌辅助诊断和基于 MRI 的前列腺癌辅助诊断。

除了以上实践，笔者还观察到，位于加拿大的 Imagia 公司尝试用深度学习技术挖掘常规临床影像数据中可用于预测癌症患者预后的影像学生物标志物，以允许临床医生和制药公司预测患者的个性化疾病进展和治疗反应。

反观国内的发展，该领域也陆续出现了一些实践公司，初期以肺癌早筛和糖尿病视网膜病变筛查较常见，随着行业的变化，各家公司的发展思路和重点也发生了变化。比如深睿医疗，在肺癌早筛产品推出后，陆续开展胸部疾病、神经系统、乳腺癌等方向的研发，向综合影像 AI 平台方向发展。

经过两年多发展，行业头部创业公司逐渐形成，资本已向头部公司聚集，各公司基本完成 B 轮融资，有过亿的资金储备，在医疗资源获取、数据积累、品牌方面都具备了优势。加之腾讯、科大讯飞综合势力强劲的公司不断在该领域发力， 医学影像 AI 这个赛道变得异常拥挤、竞争日趋激烈。新进入者，如果在方向、

产品差异化上没有特别之处，将很难获得用户和资本的认可。但是，医疗领域的魅力就在于很难“赢者通吃”，还是存在许多新的机会等待创业公司去挖掘。

1、国内监管审批会加速，影像 AI 产品上市前质量评价体系逐渐形成。

美国在监管审批层面一直在摸索，和企业互动比较多，监管审批基础准备工作先于国内多年，所以陆续有 Arterys、Viz、Cognoa 公司的 AI 产品获批。同样是 2017 年 FDA 和 CFDA 都设置了专门针对医疗 AI 的审评部门，足以显示对医疗 AI 重视程度和开放态度。目前中检院已经召开 AI 标准测试数据集眼底和肺癌建设会议，公开征集标准测试数据集，建立测试数据集和客观评测方法，推进产品上市前质量评价。

2、行业头部公司将在医疗资源、医疗数据、人才、产品等方面展开全方位竞争， 随着产品 CFDA 注册加速，不得不考虑推进首款产品的商业化进程。

过去的两年，医学影像 AI 发展可谓一片繁荣，除了人机对战传出的各种胜利消息外，资本市场也水涨船高，企业估值一路上涨。如果说过去两年行业整体认知还停留在 AI 应用于医疗的潜力想象。那么今年，可见的产品能否经受住公开的测试，能否真正用于临床流程，以什么形式商业化，或许成为 C 轮投资人首要的关注点。如果这几点做不到，公司如何支撑起高企的估值。

如果整个行业都做不到，会不会引发阶段性的悲观情绪，传说中“泡沫破裂”会 不会再次重演。对此笔者的看法会稍微乐观些，医疗 AI 与移动医疗不同之处在于技术创新和模式创新。医疗 AI 这波发展是技术和数据引领的，门槛高，对医疗的变革体现在生产力方面，恰恰医疗更缺生产力，AI 之于医疗的价值更大。

而移动医疗，更多是在优化生产关系，生产关系受制度约束，不是单靠技术就能解决。另外一点是大环境不同，移动医疗那一波下行，诱发因素是股灾，资本收紧，政策方面利好消息也不多。但是当下的大环境是，人工智能国家战略推进，A 股对于人工智能等战略行业新政利好，包括国资在内的资本充足和活跃，整个大环境中短期内仍是利好医疗 AI 发展的。

3、新创企业将出现在更多细分领域，垂直做深或将成为主要战略选择

初期，AI 刚应用于医学影像领域，医生群体的接受度还不高，有些人还持怀疑、抵触的态度，但随着 AI 临床表现不断提升、医生 AI 研究学术上不断有高质量成果产出、加之大环境的影响，将有越来越多的医生由被动转为主动拥抱 AI，临床更多需求将释放，会产生更多细分领域的机会。

但需求多对于创业公司未必就是一件好事情，如果创业公司只是考虑拥有 AI 技术能满足临床很多需求并且都去尝试，不能形成自己优势的产品或服务，那这样的公司只是技术服务方，大的商业价值是很难形成的。面对行业头部公司及互联网巨头的竞争，只有差异化的开辟新领域，并且做深形成优势，才能更自如的应

对竞争。由于疾病的复杂性，临床上针对同一种疾病往往需要不同的诊断手段。也存在不同疾病可以使用同一种诊断手段。所以从 AI 应用实践角度，有两种切入思路。从疾病的角度入手，比如围绕乳腺癌诊断的钼靶、超声、MRI 形成诊断乳腺癌的一套 AI 方案。另一个角度从诊断手段入手，比如基于 CT 可以诊断肺部、肝部、脑部等多种疾病。但不管如何切入，痛点、数据基础、商业潜力等问题都要综合考虑。

除了医学影像 AI 应用外，医疗领域还存在一类可统称为医学图像的数据应用。这类数据虽不是设备直接成像的结构或功能影像，但是可以间接形成能够供计算机判读的数字图像，比如检验和病理科室显微镜下视野经数字化后形成的图像， 以及心电、脑电等电生理信号形成的图像都有机会借助 AI 来实现智能化的分析和解读。

比如 2018 年 2 月刚获得 2500 万美金投资的 Paige.AI，用 AI 来进行乳腺癌、前列腺癌数字病理图像的辅助诊断。但是病理领域的发展国内外差距比较大，在国外病理医生享有“医生的医生”的崇高地位，但国内病理相比其他科室在人员配置、信息化、受重视程度等方面并不占优势，有些医院甚至有科室设置，但并不能开展相关病理诊断。病理是金标准，重要性可见，但病理诊断复杂、医生稀缺， 正是 AI 可发挥优势的领域，但是实现路径如何，还是需要各公司探索，结合国家推行的第三方服务、远程病理等模式或是一条思路。Accel Partners 支持的印度 SigTuple 公司，将深度学习应用于医院检验科室的外周血涂片、尿液及精液的智能分析。但不同于服务医疗机构的 SigTuple，美国 Athelas 公司直接面向患者，提供家庭血检服务。患者只需使用 Athelas 提供的设备采集一滴指尖血，60 秒内就能获得实验室血液分析结果。该方案能够帮助肿瘤患者在家中监测恢复情况，以便医生优化治疗方案，同样也能尽早发现由于化疗增加的感染风险。

Athelas 通过深度学习技术优化了肿瘤疗法，也获得了 Sequoia 等资本的支持。法国Cardilogs 公司研发的ECG  Analysis Platform 利用神经网络技术，分析Holter中的数据，帮助心脏病医生快速、准确地分析心脏病，已经获得 FDA 和 CE 认证，将加速在美国和欧洲的商业化进程。国内乐普公司基于人工智能技术的心电图自动分析和诊断系统“AI-­‐ECG 平台”的医疗器械注册，也获得 FDA 受理，进行注册审查。该平台从 30 万例患者心电图检查数据中，获取了约  2500   万份心电图数据样本，用以训练深度卷积神经网络模型。

结合国内外该领域的发展，从疾病角度，重点关注心脑血管疾病，从诊断手段角度，重点关注超声诊断、消化内镜诊断。心脑血管疾病患者基数大、发病率高， 诊断难度大，而且发病后对诊断时效性要求高，影像是主要辅助诊断手段。超声凭借无创、无辐射，应用领域越来越广，但高水平超声医生依然稀缺，AI 或能弥补不足，但超声影像的不标准化增大了 AI 应用的难度，对于创业公司挑战更大。内镜是消化系统疾病诊断金标准，随着胶囊内镜技术的发展和应用，数据量大增，给人工诊断增加了难度和时间压力，AI 或可改观这一局面。另外，病理、检验、生理信号领域的 AI 应用也保持关注。

线下沙龙报名二维码