深度學習技術進入瓶頸期、產品同質化現象嚴重、商業化問題遲遲無解，行業需要重新審視AI和醫療兩者的角色和關系。

我們如何通過AI的眼光來看待醫療行業的過去與未來？

人工智能+醫療，被不少專家認為是AI最具前景的應用領域，也是落地實現難度最大的方向。2014年以來，AI技術的發展逐步進入垂直細分領域，醫療影像以其標準化程度相對較高而被認為是最早能夠實現AI醫療落地的場景之一。

一直以來，產學融合與醫工交叉都是醫療AI的本源。而隨著深度學習技術進入瓶頸期、產品的同質化現象嚴重、商業化問題遲遲無解，當下這個行業需要重新審視AI和醫療兩者的角色和關系。

黎明前的黑暗，還是寒冬的開始？

醫療是一個很特殊的行業，特殊到醫療行業的每次變革似乎都是“從外向內”的外部推動。醫療行業的這種“遲鈍感”并不是說醫生和院長很“學究”，而是這個行業實在需要太多的敬畏和踏實。

不管是AI或者醫療大數據項目，本質上還是需要優質的數據。此前，有觀點認為，“中國市場大、數據多，所以將來奇跡一定會發生在中國。”

但是，醫療大數據真的是“大數據”嗎？

現實情況可能并非如此。首先，大醫院的臨床數據很可能不適用于縣級醫院。其次，每家醫院的信息化工作都涉及幾十個廠家，對數據的采集、存儲都有各自的標準。而不同醫院系統、醫院不同系統的割裂性之間又讓信息的共享遭遇阻礙。再者，醫療數據泄露的風險，讓醫院不敢把所有的數據都開放出來給企業。

南方醫科大學副教授劉再毅曾說，醫院影像科每天產生很多數據，但其中能用的連1%都不到。

北京中醫藥大學東方醫院教授、信息管理處處長韋云也表示，我國醫療大數據的利用率仍然太低。“醫療大數據已經做了十幾年，但現在各個醫院的大量信息還是完全沉默在那里。”

數據難關之外，AI技術的發展也到了一個“瓶頸期”。

電子科技大學教授李純明曾在接受雷鋒網采訪時談到，深度學習吸引人的地方在于，原則上它在不同的應用中均可以使用同樣的訓練算法框架。只需替換訓練數據和相應的標注進行訓練，即可得出一個具有某種輸入輸出關系的多層神經網絡。但這種看起來一勞永逸的框架，在實際應用中還有一些局限。

最近，中國科學院院士、清華大學人工智能研究院院長張鈸在接受《經濟觀察報》采訪時表示，歷史上，人工智能曾因公眾期待過高而幾經回落。盡管產業層面還有空間，但目前基于深度學習的人工智能在技術上已經觸及天花板。

人工智能在語音識別、圖像識別、圍棋三個領域顯現了強大的潛力，但是AI技術的應用邊界和條件已經逐漸清晰。

張鈸的觀點在醫學領域同樣適用：醫學AI將進入后深度學習時代。

另外，醫療AI在商業化上的難題也還沒有得到很好的解決。經過了三年多的發展，影像AI領域內的公司很多還沒有清晰的商業模式與盈利場景，醫院的付費意愿很低。

商湯科技副總裁張少霆認為，在中國的現實環境下，“人工智能+醫療”的需求是“實打實存在的”，但“人工智能+醫療”本身的商業價值如何挖掘依然是個難題。

曾在創業公司擔任副總裁的張京雷說，為什么醫療AI的2B、2C模式沒有跑通？最深層次的原因在于創業思維。有一些公司從誕生的第一天起，就是從IT的角度切入醫療，但是單純從IT角度來解決醫療問題一定是失敗的。

沈定剛教授和張京雷的觀點不謀而合。

沈教授曾在去年雷鋒網舉辦的CCF-GAIR大會上演講時表示，做影像AI，必須知道我們要解決什么問題，然后找相應的技術來解決問題，而不是有了技術再找問題。

學術界和企業界，都對醫學AI的商業化提出了自己的看法。可以肯定的是，醫療AI的發展絕不是一蹴而就的，它是一個系統性的工程，需要足夠的勇氣和智慧。

醫療AI的重重困難，讓人不禁想問：現在，是醫療AI黎明前的至暗時刻，還是凌冽寒冬的開始？

道阻且長，多方合力

理想和現實之間，有很長的一段路要走。

為了推動醫療AI的發展，監管機構一直在不斷完善產品的上市審批制度。其中，第一步就是建立標準庫。

第二軍醫大學長征醫院影響醫學與核醫學科主任劉士遠，與中國食品藥品檢定研究院合作建設了肺結節標準數據庫。這些肺結節圖像數據采集來自不同的醫院，患者數量達到1萬，并且取得倫理委員會許可。

在建設過程中，數據庫會遵循廣泛性、兼容性和醫學圖像的標記的三大原則，最終形成沒有公司痕跡、沒有機器痕跡的標準檢測數據庫。

除了劉教授所在的中國醫學影像AI產學研用創新聯盟，國家層面推進評審標準落地的速度也在不斷加快。

2017年，國家藥品監督管理局醫療器械技術審評中心正式成立人工智能工作組，來研究人工智能醫療器械，該中心是直接負責醫療產品審評的部門。

2018年4月，在原國家衛生計生委指導下，中國電子、中移動、中科院分別牽頭成立的三大健康醫療大數據集團，承擔國家健康醫療大數據中心、區域中心、應用發展中心和產業園建設等國家試點工程任務。

2018年9月13日，國家衛生健康委員會發布《國家健康醫療大數據標準、安全和服務管理辦法（試行）》，涉及健康醫療大數據從標準管理、安全管理、服務管理、監督管理等諸多方面，給數據共享吃下了一顆“定心丸”。

除了從頂層設計的角度來看行業，學術界也提出了幾種解決醫療數據小樣本問題的方法。沈定剛教授提出，“我們要嘗試把大數據已經學習好的東西遷移到小數據里面。在分布式的學習方面，可以考慮在多中心訓練時，貢獻用于優化的梯度或者是在模型訓練結束后，通過模型的集成達到模型共享的目標以及將上述兩種方法結合起來。”

此外，醫生對于AI的態度也有所變化。今年1月份，劉士遠教授為了去學術年會講課，對科室里肺結節軟件的點擊率進行了統計。他發現，軟件產品的點擊率最高的達到88%，也就是說一線寫報告的醫生有很大的可能去使用AI產品。醫生與AI產品的關系從以前的懷疑、否定，到現在學著接受，并把AI當成學生，給出十分中肯的意見，這是一個十分良性的過程。

行業玩家閃轉騰挪

作為這場用技術變革行業的主體，盡管盈利問題尚未解決，但醫療AI玩家也在通過不同的業務模式獲得收入。

醫療AI行業的公司主要有三類：創業企業、互聯網巨頭、傳統醫療企業。三者的側重點和優勢不同，商業模式也不盡相同。

創業企業可以為醫院提供輔助診療等服務，為保險公司提供服務、達到控費目的，為體檢機構提供健康管理、用戶管理等服務。

例如，醫療人工智能公司Airdoc就與醫院、保險公司、制藥企業等合作，投資方復星國際的執行董事兼聯席總裁陳啟宇表示，復星看中的是Airdoc慢病篩查系統的技術及院外場景。除了商業保險，還有一個潛在付費方就是政府醫保。Airdoc的張大磊表示，理論上來講，政府醫保應該是Airdoc最大的客戶，公司也在考慮這方面的變現方向。

而互聯網企業的的優勢在于C端流量，利用自身平臺屬性與互聯網技術來進行布局。

與創業企業相比，醫療 AI 產品大多只是為其產業鏈布局而服務。以騰訊的產品為例，在陸續發布了一系列“互聯網+醫療”產品后，騰訊嘗試將多條產品線進行融合，打造城市級“互聯網+醫療健康”解決方案。互聯網巨頭并不著急變現，醫療AI的項目也往往是與“智慧城市”的項目掛鉤，項目一旦成熟，帶來的收益將不至于經濟層面。

傳統器械商是第三股重量級玩家。飛利浦中國CTO王熙曾在接受雷鋒網采訪時表示，醫療AI首先需要打好行業標準的根基，標準更多的是在體現在臨床層面和醫學路徑上，包括數據質量的把控、數據共享、AI產品監管、臨床測試等一些環節。

這些環節是器械商們更擅長的事情。因此，他們的變現之路也更加從容：銷售渠道比較成熟，醫療人工智能可以作為設備的附加品產生效益。此外，數據標準化的能力也能打動醫院這些付費方。

微軟亞洲研究院副院長張益肇認為，AI醫療不是簡單的用技術去找醫院合作。“要想技術落地，要歷經千辛萬苦找對場景，還要說服政策制定者、監管部門、醫院采購者、科室主任、臨床醫生、病人等無數當事人證明技術的有效性、安全性和可行性。最后，你還要明白你的產品誰來買單。?這個行業出成果需要花時間，企業家和投資人要更有耐心。