HMH（ Hardin Memorial Health ），是一个位于美国肯塔基州的大容量核医学医疗机构（ 以治疗癌症著称 ），它每年为超过 400000 名患者提供服务。
在 HMH 的急诊室，每年要接待超过 70000 名患者。多达三分之二的患者需要某些影像诊断，这些影像诊断在治疗决策中往往起着关键性的作用。
医生们通常无法仅凭医学影像就给病人确诊或是在确诊后提供最佳的治疗方案，他们往往需要了解 “ 图像背后 ” 的患者故事。比如：患者服用过什么药物？患者之前接受过哪些外科手术？患者有什么不良生活习惯？患者的生活环境有什么不良因素？
(资料图片)
然而，这些关键的信息，往往会在治疗过程中被患者有意无意的 “ 掩盖掉 ”。
根据美国医疗数据管理公司 Health Data Management( 2016 )的数据，多达 80% 的对确诊和治疗有利的患者相关信息都在医生所能诊断之外的非结构化信息源中。（ 比如：生活习惯，生活环境，工作环境等等 ）
所以，想要不耽误诊疗，了解非结构化信息是必不可少的。但，搜寻和分析这些信息，工作量是非常巨大的，患者配不配合、表现如何对这方面影响很大，这会消耗医务工作者大量的时间和精力。
一个简单的例子是，医生怀疑患者得了癌症，但却找不到患者的病灶在哪里。
在患者的表现不可控的情况下，这成为了一个无解的难题。
为了解决这个难题，在去年五月份，来自哈佛大学 Faisal Mahmood 教授课题组的研究者将 AI 技术和医学诊疗再次糅合在了一起。
通过训练一个卷积神经网络（ CNN ）模型，这些研究者仅依靠读取患者的病理切片，便能实现对原发灶不明癌症的溯源，不再需要额外信息。
图源：Nature
原发灶不明癌症（ cancer of unknown primary site，CUP ）是一类病理学已证实患者为转移性癌症，但通过目前的诊断手段无法明确其原发部位的癌症。
由于 CUP 原发灶不明的特性，很多患者都是做了一大堆检查也没查明白，最后选择接受局部治疗或干脆接受全身化疗。在耗费大量时间和财力之后，这些患者中约有 80% 预后不良，平均总生存时间只有 6-9 个月。
哈佛的研究者通过让 AI 学习大量患者的苏木精伊红染色（ H＆E ）病理切片，以 Weak Supervise 的方式训练出了一个 CNN 模型（ TOAD ）。
在读取一张病理切片后，TOAD 能够对人体的 18 种组织进行预测打分，通过对预测分数进行排序，以找到癌症最可能的组织来源。
图源：《 AI-based pathology predicts origins for cancers of unknown primary 》
实验结果显示，TOAD 在测试数据中的准确率最高可以达到 98.1%，最低也有 93.7% 。
这，就是 AI 诊断的意义，用更少的信息去做更准的诊断，防止误诊，也节约宝贵的治疗时机。
AI 技术和医学技术的融合，显然是一个充满未来的发展方向，科技巨头们纷纷开始布局。
国内外现状
从数据上来看AI诊疗方面有着巨大的市场前景。
根据美国市场调研公司 MARKET RESEARCH 的数据来看：
2021 年诊断市场中的 AI 市场规模为 7.0823 亿美元，预计到 2030 年将达到 99.444 亿美元，从 2022 年到 2030 年的复合年增长率为 33.7% 。
在巨大行业增长面前，科技公司纷纷下海。
2019 年，Google 旗下的 DeepMind 的健康团队与 Google Health 合并，致力于 “ 打造支持护理团队并改善患者治疗效果的产品 ”，挖掘人工智能在癌症诊断、预测患者结果、避免失明等方面的潜力。
2022 年 3 月，他们提出了一种基于人工智能的乳腺癌识别解决方案。值得注意的是，该算法超过了所有与之对抗的人类放射科医生，准确率平均高出 11.5% 。虽然该方案现在只针对乳腺癌，但针对其它癌症的版本也即将推出。
巨头 IBM 也同样加入了这个赛道，专门组建了自己的健康部门 Watson Health。这个项目将用 AI 覆盖患者治疗的全流程，包括诊断、治疗方案、恢复方案，甚至还能帮助相关药物更快地推向市场，并且使药物的研发成本削减 50% 以上。
除了巨头，也有很多初创 AI 公司也参与了进来。
比如 Enlitic，该公司收集了大量的放射学图像数据并让 AI 学习，可以在几毫秒内解读一张医学影像，速度是普通放射科医生的 10000 倍，并且他们的 API 可以无缝集成到美国现有的任何卫生软件系统中。
Enlitic 识别胸片中的病变部位
在 Enlitic 的帮助下，放射科医生的阅片速率会提高 21%，并且该公司的模型可以早于活检 18 个月检测到恶性肺结节。
与 Enlitic 类似，伦敦一家叫 Behold.ai 的公司通过自己的 AI可以在胸 X 光片中定位到患者的身体异常情况，算法的准确率超过 90% 。
Behold.ai 绘制的胸片热力图
目前，Behold.ai 已与英国国家健康服务中心（ NHS ）进行合作，在多个英国国家健康服务中心所投资的医疗机构中部署了其 AI 解决方案。
而在国内方面，很遗憾，根据 Frost & Sullivan 的分析，中国 AI 诊断市场在 2021 年仅有 3.7 亿元人民币。（ 这里面还包括了诸如体检的大健康类市场份额，实际用于临床的会更少 ）
也就是说，基本没什么市场，属于刚起步的阶段。。。
不过，Frost & Sullivan 预测中国 AI 医学影像市场将在 2030 年增长至 629 亿元人民币，10 年年复合增长率为 76.7% 。
由于行业都在起步的阶段，所以我们只能挑出一家看起来还行的专注单一赛道的公司跟大家讲讲。
中国行业一隅
根据国际糖尿病联合会的数据显示，在 2019 年，全球约有 4.63 亿 20 岁到 79 岁的成年人患有糖尿病，到 2045 年，预计这一数字将上升至 7 亿人。这一疾病造成了至少 7600 亿美元的医疗支出，占到了全球成年人总医疗支出的 10% 。在国内，糖尿病及其并发症在国人十大死因中占居第五。
糖尿病能造成的并发症有很多，其中一项是 “ 糖尿病视网膜病变 ”，糖尿病可以引起眼底微血管瘤、硬性渗出、棉絮斑、新生血管、玻璃体增殖、黄斑水肿甚至视网膜脱离等一系列并发症。
不过，很多患者眼睛出现问题时，去医院会优先看眼睛方面的医生，而患者的主诉一般也是与眼睛不适相关，并不知道病症跟糖尿病有关。
这就引发了一个问题：在患者主诉的影响下，医生往往会给患者做大量的眼部检查，甚至眼部治疗，但最后患者的问题没有被解决。
除非遇到行业经验特别丰富的医生能对症下药，很多患者的状态是花了一大笔钱，花了大量的时间，最后错过了最好的治疗时期，没有解决自身的问题。
于是，许多公司将自己的目光放在了这个赛道上。
Google 曾经创建了一个包含 12.8 万张眼底扫描图像的数据集，训练出了一个检测糖尿病视网膜病变的模型。在同样的赛道上，有一家中国公司：鹰瞳科技。
这家公司自 2021 年 7 月以来，在《 柳叶刀 》、《 Science Bulletin 》、《 英国眼科学杂志 》等国际医学顶级期刊上发表了多项研究成果，并在 2021 年年底上市，被称为 “ 中国 AI 医疗第一股 ”。
2020 年，该公司收入 4767 万元，较去年同期增加 1722 万元，同比增长57% 。2021 年其收入 1.1 亿元人民币，同比增长 142% 。
作为一家 AI 诊疗科技公司，该公司的研发投入很高，长期保持在收入的 50% 以上，其中 2020 年的研发投入占总收入的 90%，而在其上市的 2021 年，鹰瞳科技的研发费用则上升到了 6427 万元，同比增加 52%，占当年总收入的 55.7% 。
在这样极度重视研发的环境中，鹰瞳科技的客户量也在飞速增长，其客户数量从 2020 年的 85 个增长到 2021 年的 244 个，增幅 187% 。
目前，已经有 50 家基层医疗机构购买使用了 Airdoc-AIFUNDUS( 1.0 )辅助诊断产品，并且今年以来仍有北京及其他四个省份的医院表示有采购意向。
另外，鹰瞳科技的保险客户超过了 40 家，头部保险公司基本均有覆盖。同时，鹰瞳的产品在视光门店和药店渠道分别覆盖了 1000+ 个及 700 个。
现在，鹰瞳的产品已经不仅限于糖尿病视网膜病变的辅助检测，Airdoc-AIFUNDUS 的 2.0 版本增加了高血压视网膜病变、视网膜静脉阻塞及年龄相关性黄斑变性（ AMD ）三个适应症，这在国内是第一款可以用于诊断多病种的 AI 诊疗产品。
随着适应症的扩展以及国家近些年对于青少年眼睛健康管理和中老年慢性病的关注程度逐渐加强，相关市场份额也许会有进一步的拓展。这对国内 AI 诊断企业来说，在业务上，也许是一个突破点和业务增长点，但政府单子，不是那么容易吃得到的。
就算能和政府建立稳定的合作关系，这样的合作能给 AI 诊断相关企业带来多少的利好，也非常难确定。
毕竟，就像前面提到的，国内市场规模现阶段非常非常小。
写在最后
虽然国内的 AI 诊断行业现在看起来十分孱弱，但好在依然有一部分钱和公司在这方面进行投入，不至于被甩得太远。
医生，是这个社会很宝贵的资源，他们的精力有限，能让 AI 诊断辅助医生进行诊断，提高效率和准确率是一件很美好的事。
那些被省下来的精力，可以被用于进行 AI 现在还做不了的事，比如医患沟通，比如多做几台手术，比如进行医学相关的科研，甚至医生可以去协助 AI 去训练出更厉害的医疗相关模型。
这样，或许更有意义。
营业执照公示信息