侵權投訴
訂閱
糾錯
加入自媒體

跳出輔診與新商業路徑探尋,這些醫學影像AI的頭部企業在如何構建新生態?

2019-08-30 10:58
動脈網
關注

1987年,Alexander Waibel提出的時間延遲網絡(Time Delay Neural Network, TDNN)可追溯為歷史上第一個CNN算法。但受限于有限的算力、數據,CNN并沒有因此成為學者們關注的重點。直至19年后,加拿大多倫多大學GeoffreyHinton重新定義深度學習,CNN的表征學習能力才重新成為眾人關注的熱點。

而后,CNN的數據挖掘,機器學習等能力在圖像處理上的應用逐漸成熟,有心之人逐漸開始意識到,這樣一項新興技術,可能在醫療上存在充分的發展空間。

所以,第一批進入醫療影像AI的人,是一群互聯網人。

2015年起,一大批醫療影像AI公司陸續成立,涌向影像AI這一藍海市場。但直到進入之后,眾人才醒悟:沒有足夠的醫療認知,如何越過深厚的壁壘?回憶起當時的場景,推想科技陳寬苦笑到:“那時,我自己都不愿看自己做的產品。”

轉變從2017年開始。當一批批互聯網人不斷跟醫生共同工作,深入了解醫生工作的流程,加之國家開始逐漸意識到AI的重要性,AI產品開始逐漸進入臨床試點。醫生與創業者之間的互助橋梁得以建立,AI企業在接下來的兩年中經歷了快速的發展。

2019年是醫療人工智能走向通用的一年,我們能看到,更多面向智慧醫療的企業涌現出來。而健康管理、社區管理乃至醫美也都開始小心翼翼地嘗試引入AI。

對此,動脈網對人工智能進行了調研,一組數據或許能幫助我們更清楚地了解2019年整個醫療AI的發展狀況。

透過數據看醫療AI2019發展

據動脈網知識庫數據顯示,截取2018年12月24日至2019年8月20日這一時間段,全球醫療AI融資事件數總計107次,總募資額為139.58億元(不包含投資金額為“未披露”的融資事件),其具體輪次分布與融資金額分段如下圖所示。

通過這張圖表,我們可以明顯看到,2019年的醫療AI融資事件聚集于B輪與C輪。相比之下,沒有企業成功IPO,天使輪事件也僅有4次。整個事件分布呈“中間大,兩頭小”的狀況。這或許意味著,頭部人工智能企業已經建立了充分的壁壘,新企業進入存在一定難度。

同樣擴大的還有醫療AI企業的規模,從上圖可以看到,50人規模以上的人工智能企業占據了僅1/4的數量,優質資源明顯聚集。

在這之中,影像AI企業可謂其中最早參與人工智能的企業,從這些企業的動態中,我們也許可以窺見整個行業的端倪。那么這部分企業發展如何呢?

如上圖所示,加上2018年末完成B輪的體素科技、完成C輪的推想科技,頭部的影像企業悉數拿到了新一輪的資金。

如今2019年已過半載,頭部影像企業的肺結節、乳腺篩查等產品已經足夠成熟。借由數據、醫院布局逐步建立起自己的壁壘,相應的AI產品步入審批中的臨床階段。

在等待審批的過程中,頭部企業均在不斷挖掘已有資源的潛在價值,各自探尋AI潛在的商業化可能。現在最關鍵的問題在于,誰將成為影像AI的付費方?

醫、藥、患,誰可能是影像AI的付費方?

長征醫院影像醫學與核醫學科主任劉士遠曾表示:“未來影像科的工作一定是智能化的,報告是結構化的。”潛在含義下,AI必定成為影像科的一部分,但并不在今天。

將目光從影像科移開,AI是否還存在發展的空間?答案是肯定的,藥企、患者、保險公司都有可能是AI影像的潛在支付方,而醫院也并非僅放射科愿意為影像AI的產品付費。

先談醫院。不同的醫院對于產品的需求各不相同,AI產品想要切入三甲醫院,必須抓住三甲醫院醫生的兩個關鍵需求——效率需求和科研需求。如今已經成熟的CT肺、CT肝、腦MRI產品均是為了滿足醫生對于閱片效率的追求,但這僅占影像科醫生工作時間的一部分。更貼近醫生的需求為科研需求——在大數據時代協助醫生去掌控數據。

而對于醫療能力略遜一籌的鄉鎮級醫院,AI企業可為其搭建私有云、連接醫聯體的云PACS,也可在院內以教學的方式培養醫生的閱片能力與出具報告能力。這一部分市場雖然龐大,但由于醫院自身規模的限制,智慧醫院的建設支出也會存在相應限制,進而影響到對于AI企業的支付意愿。而對于AI輔助工具的付費意愿,鄉鎮級醫院仍強于三甲醫院。

最有可能付費醫療機構包括私立專科醫院、混合制醫院以及第三方影像中心,這三類醫院既缺乏與三甲醫院相抗衡的醫療資源,需要AI進行補足,又缺乏老百姓對于制度的信任,需要AI為醫院的技術力量增添色彩。

總的來說,向醫院出售搭載AI的設備,搭建云PACS平臺,或是出售非AI的影像相關服務(如數字膠片)將在很長一段時間內,承擔AI企業的主要收入來源,而AI輔診業務的商業化仍有一段路要走。

再談藥企。AI影像類企業能夠滿足藥企的三類需求,一是充當CRO的角色,對病理數據再處理;二是借助大數據工具對臨床試驗中的患者進行篩選,三是通過社群合作的方式幫助藥企進行精準數字化營銷。

最容易獲得變現的渠道來源于數字化營銷,AI影像企業可與醫學部合作,進行真實世界數據研究,協助完成藥物治療效果驗證和標準化診療模式驗證;也可與市場部、銷售部合作,搭建學術平臺,協助藥品銷售。

由于這三類業務不需要影像AI企業獲取藥監局的審批,而是依賴于他們在長期布局中整合的資源,所以這些合作將有可能人工智能影像企業的重要收入來源之一。

相對與上述兩種模式,讓患者成為穩定的付費對象則困難得多。盡管在許多三甲醫院,基于AI的MDT會診以及輔助診斷已經進入了醫院的收費目錄。但由于AI技術內核的不確定性,企業很難要求醫生向患者推薦使用AI產品。

同時,由于市場教育的不足,在選擇AI服務與非AI服務時,絕大部分患者還是傾向于選擇無AI內核的傳統服務。但隨著技術、政策、患者認知的推進,患者很有可能在未來成為穩定的支付方。

那么,影像頭部企業都是如何在困局中尋求發展的呢?動脈網采訪了近十家影像AI頭部企業,試圖梳理出其中的邏輯。需要注意的是,下述的部分企業涉及了多項突破,而本文只選取每個企業的一部分創新業務作為案例講解。

以醫療機構為突破點

醫療機構是AI企業啟程的起點,幾乎所有的AI影像類初期產品都是為了服務醫生打造。所以,即便這些產品仍沒有盈利,但卻為新的產品的推進埋下了伏筆。在保證已有產品不斷迭代的前提下,各家企業正從影像出發,不斷向外延伸。

推想科技:從隨醫者完善AI,到攜醫者共筑AI

“臨床并非醫者發揮價值的唯一途徑。醫療作為一門經驗學科,醫者更希望能將更多的時間用于經驗整理與對未知可能的探索,并將其梳理成論文,以供更多志同道合者交流學習。”推想科技營銷總裁席渭齡曾表示。

隨著與醫生合作的不斷推進,推想研發人員對醫生就診流程、就診需求的理解更加深刻,進而懂得如何幫助醫生規范數據結構和利用數據,定制化算法模型進行科學研究。將這樣一套思維具象化,造就了如今的InferScholar CenterAI學者科研平臺。

僅統計RSNA投稿狀況,該科研平臺在2019年助力多家臨床合作醫院共完成RSNA投稿超過300篇,涉及方向包括人工與AI比較、病理、效能評估、掃描參數、高低劑量比較12%。

通過這種方式,推想有效地轉化了研究人員在與醫生交流的經驗,極大拓展了深度學習在醫療領域的價值和應用場景,實現了人工智能從“輔助臨床診斷”到“輔助臨床科研”。

透過這樣一個基于AI的科研平臺,推想能夠為醫院全科室,全病種提供原創性的人工智能科研服務。平臺有幾十種AI算法和單病種數據管理能力,可服務于整個醫院的科研,教學和產業轉化。而對于推想而言,這種模式將協助他們獲得更多的醫療資源,賦予AI更強大的創造力。

1  2  下一頁>  
聲明: 本文系OFweek根據授權轉載自其它媒體或授權刊載,目的在于信息傳遞,并不代表本站贊同其觀點和對其真實性負責,如有新聞稿件和圖片作品的內容、版權以及其它問題的,請聯系我們。

發表評論

0條評論,0人參與

請輸入評論內容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁,請輸入驗證碼繼續

暫無評論

暫無評論

文章糾錯
x
*文字標題:
*糾錯內容:
聯系郵箱:
*驗 證 碼:

粵公網安備 44030502002758號

电竞投注竞彩app