中國醫療AI公司遇「C輪死」魔咒:2018 如何破局

（原標題：中國醫療AI公司遇「C輪死」魔咒：2018 如何破局 |《財經》封面）

在多個研究中，人工智慧已經成功擊敗人類醫生，但在大規模落地前，醫療人工智慧還有很多課要補。行業的狂歡和泡沫，是任何一個新技術浪潮的必經之路。最後勝出的，必是那些創造了真實價值的技術和產品。

ail=660x2147483647&quality=80&type=jpg" data-type="gif" data-w="720" _width="100%" src="http://cms-bucket.nosdn.127.net/28477e6321e5419b81bc8ff2933e254820180305191948.gif" data-order="0" data-fail="0" style="margin: 0px auto; padding: 0px; max-width: 100%; width: 670px; height: auto !important; box-sizing: border-box !important; word-wrap: break-word !important; visibility: visible !important; display: block;" />

《財經》記者 賀濤 劉浩南 張利/文 王小/編輯

在2017年那場史詩級的圍棋對決中，人類戰力最強的棋手柯潔以0∶3敗於阿爾法狗，人類終被自己的模仿品——人工智慧（AI）超越。接下來，它會在哪個領域戰勝人類？猜測落在醫療上。?

人工智慧在多個醫療細分領域曾與人類醫生交手，2016年5月至今，比分結果是AI 6勝、3平、2負。醫生已然落於下風。

2017年歲末，史丹福大學教授吳恩達領導的機器學習小組開發出一種名為CheXnet的算法，能夠更敏銳地捕捉胸部X光片中的肺炎跡象，在診斷肺炎的比拼中，也一舉擊敗四名放射科醫師。

這些火種足以讓產業界信心爆棚。谷歌、IBM、英特爾等國際巨頭和國內的「BATK」（百度、阿里、騰訊、科大訊飛），都加緊布局，一大批初創公司也噴湧而出。

人口老齡化加劇、慢性病患者群體增長、優質醫療資源緊缺、公共醫療費用攀升等多重壓力，使AI入醫療被寄望成為這一全球性壓力的洩壓閥。洩出的壓力也正是機遇的源頭。尤其在中國，人口數量成為優勢，醫療數據的基礎大，可以給醫療AI提供充沛的燃料。業內的普遍看法是，在該領域，國內企業有彎道超車的機會。

然而，AI的泡沫已然吹起，醫療能否獨善其身？這將取決於研究成果能否儘快進入臨床，並獲得大範圍應用，給醫療帶來切實改進，以撐起領域公司的估值，衝破「C輪死」的魔咒。

擊敗四名放射科醫師，CheXnet只經歷了一個月的診斷學習。

AI已經在預測中風和心臟病發作、預測嬰兒自閉症的風險上表現出明顯優勢；在外科手術和阿爾茨海默病預測中略勝一籌；在治療腦腫瘤、先天性白內障診斷和皮膚癌診斷上，跟人類醫生打平。「這些示範性的案例，就是一輪又一輪大額度融資的信心來源。」億歐智庫醫療產業分析師尚鞅告訴《財經》記者。過去一年，資本對醫療AI的熱情展露得非常明顯，因為落地的可能性被印證了。

此前的人機對戰都在研發階段，直到一年前，美國批准了第一個用於臨床的醫療AI產品，它可以分析心臟核磁共振圖像，準確度可與有經驗的醫生相媲美。進入臨床，是AI向產業化邁進的一大步。

2017年，國內醫療AI行業公布的融資事件近30起，融資總額超過18億元。融資額最高的一筆是AI醫學影像公司匯醫慧影數億元B輪融資。

「能夠在如此短時間內讓投資界集體高潮，一定是出現了商機。」易凱資本有限公司健康產業組聯席負責人李鋼分析。

就醫，最核心的部分是診斷。替代醫生診斷，是醫療AI的一個終極目標。現階段的小目標是，能夠讓AI為醫生的診斷及治療方案提供建議，輔助診療。

（如何讓人工智慧和人類醫生一起，實現任何單一方都無法提供的臨床效果，才是關鍵。圖/視覺中國）

AI輔助醫生做事，先從那些繁瑣的、重複性工作起步，提升診療效率。企業和研究團隊分頭趟開兩條路：一條基於自然語言處理，根據病歷和症狀診斷疾病；一條基於計算機視覺，通過識別醫學影像診斷疾病。

IBM公司開發的「沃森」（Watson），是第一條路徑代表。它四年學習了200本腫瘤教科書、290種醫學期刊和超過1500萬份的文獻後，嘗試在14個國家的多個腫瘤治療中心臨床應用。在輸入患者的年齡、性別、體重等基本情況和癌症分期、局部復發、化療方案、病理分期、癌症轉移等具體內容後，短短十多秒，沃森就會給出治療方案，在肺癌、乳腺癌、直腸癌、結腸癌、胃癌和宮頸癌等方面為醫生提供診斷建議。

腫瘤醫生的智能助手沃森落地中國非常迅速，其國內代理商——百洋智能科技在去年5月曾透露，一年內將有150家地市級的三級綜合醫院引進沃森。然而，沃森面臨的問題是，雖然速度快，但給出的解決方案可能還不是最好的。

第二條路徑，AI可將複雜、高維度的醫學影像數據，降維使其更易處理，因而可以快速、準確地從醫學影像中發現病症的信息，輔助醫生診斷。

醫學影像在醫療數據總量中佔比約80%，包括CT、核磁、超聲、病理、內窺鏡、眼底等，因而，醫學影像的計算機處理向來是一個龐大的產業。

全球知名風投調研機構CB Insights對美國106家醫療AI初創企業分析顯示，影像和診斷成為資本熱湧的重點領域。IBM和阿爾法狗的開發者DeepMind都在推進AI醫學影像的應用，阿里、騰訊也不甘人後。

實際上，AI的觸角已無處不在。運用語音識別和自然語言理解，醫生在診療過程中即可完成病歷編寫，能提高醫生工作效率，美國大概有72%的醫院已經實現用語音收集醫療信息，科大訊飛、雲知聲等均有此項業務。

一些初創公司，還喜歡擠入慢性病管理，即運用人工智慧算法，對慢性病患者進行實時健康監測及幹預，甚至據此生成健康管理建議，主要針對糖尿病、心血管病等需要即時幹預的慢性病患者。

而一年多前，很多一線醫生還不知道AI這個字母組合是什麼意思。「在過去的12個月，關於醫療AI的各種信息，很多一線醫生都在聽和看，這是一個很好的趨勢。」上海長徵醫院眼科主任醫師魏銳利對《財經》記者說。

2017年11月，由獨角獸工作室等聯合發布的《醫療人工智慧醫生認知情況調研報告》顯示，77%的醫生至少聽說過一種醫療人工智慧應用。

催逼AI箭上弦，本質上還是好醫生稀缺。藍馳創投合伙人陳維廣，在投了春雨醫生之後，他多次接到朋友的請求，讓幫忙找好醫生。對醫療的需求提升，是全球普適的驅動因素，而人口老齡化就是那塊巨大的背景板。

像一副擺好的多米諾骨牌，全球人口老齡化加速，老齡化社會之後就是醫療資源匱乏。美國人口普查局報告顯示，至2015年，全球65歲及以上人口超過6億。這一年，中國65歲及以上人口約1.44億。

英特爾醫療與生命科學部亞太區總經理李亞東介紹，目前全球約30%的醫療資源為65歲以上的人群所佔用，50%的醫療資源為55歲以上的人群佔用。

國內對AI最現實的期待是，紓解三甲醫院爆滿的困境，協助提升縣鄉鎮的醫療水平，以免漏診、誤診。

一個十分明顯的趨勢是，AI往醫學影像領域扎堆。

動脈網數據顯示，國內83家醫療AI企業中，一半涉足醫學影像。「（這一領域）正處於黃金期，除提高效率之外，它能找到人力無法找到的病徵，今後完全取代醫生讀片是完全可能的。」海銀資本創始合伙人王煜全向《財經》記者分析。

技術驅動因素之外，還有一個重要的底層邏輯在運行。「離開臨床數據，AI沒法思考。」北京大學腫瘤醫院信息部主任衡反修在很多會議上強調這一金句。

AI的開發很像教孩子，需要花時間訓練它，給它餵大量數據，同時告訴它什麼是錯的，什麼是對的。通過這種有監督的學習，AI才能成長。

就像早期阿爾法狗的訓練一樣，醫療AI的訓練也得有「棋譜」——以醫學影像為例，就是大量由醫生標註出重要信息的影像數據集。不過，圍棋有統一規則，而人的病例複雜得多，因此，獲得高質量的、經標註的影像大數據集，需要大投入。

萬裡雲醫療信息科技（北京）有限公司CEO黃家祥認識一位AI醫療創業公司的創始人，剛融到幾千萬元投資時十分開心，但不到一年就發現，差不多一半的資金得用在數據標註上。

（創意設計/黎立）

相對於基因、病理等的數據，獲取醫學影像數據更容易一些，且本身就是結構數位化的，加之原來就有一些公開的標註數據集，所以一大批創業公司才蜂擁進入影像領域。

基於同樣的邏輯，在AI醫療技術的開發中，最重要的不是AI技術哪家強，而是看誰能與醫院建立良好合作，因為醫院手中既有醫療數據，又有能對數據進行標註的醫生資源。

實際上，中國的醫療大數據一直存在應用障礙，信息孤島現象明顯，國內95%醫院的電子病歷還未全院流通。換句話說，醫療大數據的地基尚未打好。

在醫療過程中，很多最基本的醫療術語尚不能統一，如闌尾炎和盲腸炎或食管癌和食道癌，說的是一個病，但錄入資料庫後，計算機會把它分成兩種病。

醫療數據不準確、不完整，增加數據挖掘難度的同時，也降低了數據本身的價值。河南省安陽市腫瘤醫院每年完成2200臺－2500臺的食管癌手術，穩居世界第一。但該院院長徐瑞平教授坦陳，「我們做了這麼多手術，在國內食管癌的（學術）地位並不高。」原因就是數據質量不高，後期對病人的隨訪不夠，導致數據不完整。

要想讓AI深入，就需要協調電子病歷、化驗和影像系統、醫生記錄和醫療保險索賠材料等多方的大數據，這明顯是個難上加難的任務。

即使在先行者美國，也有同樣困境。《數字美國》報告顯示，美國有近四分之一的醫院和超過40%的醫生尚未採用電子健康記錄系統。即便有電子記錄系統，也沒有與病人或其他提供者無縫共享數據，因為這些系統無法互通操作,病人需要反覆講述他們的病史。

況且，醫療AI在全球都面臨著一些獨特的高難度障礙：醫療數據的敏感性和嚴格的保護隱私規定，限制了AI醫療所要求的高質量聚合數據的收集。如美國醫院對患者隱私有很多保護，醫院數據不能輕易開放給AI公司。

嘉御基金的創始人衛哲注意到一個趨勢，很多國外從事醫療行業的公司在尋找中國的合作夥伴，因為中國人口同樣眾多，隱私的保護卻沒有那麼嚴格，有機會讓醫療數據迅速地集中起來。

真正決定中國產生後發優勢的，依然是數據夠大。李鋼觀察到，現階段中國醫療AI產業對美國風向的跟從效應明顯。但未來，人口與數據的優勢將可能使中國企業狂飆。

AI公司多數都在幫醫生做科研，或在提高診斷效率方面做嘗試，真正深入到臨床流程的很少。對AI將會在多大程度上替代醫生，業界有兩種不同態度：AI工程師雄心勃勃，認為阿爾法狗的勝利就是最好的證據；醫生們則疑慮重重，至少還不擔心自己的飯碗會被AI搶走。

《醫療人工智慧醫生認知情況調研報告》顯示，外科和影像科醫生對AI的知曉率高於平均水平，但對AI的整體滿意度也低於平均水平。不滿意主要集中在AI未能減少醫生的工作量，其次是對原理的質疑以及準確率不高。

很多使用過閱片AI的影像科醫生，沒有體會到工作量降低。魏銳利表示，AI分析過的影像，醫生還得重新覆核一遍。因為擔心漏診，也就是提示有患病可能的影像，沒有被識別出來。

所有醫療影像AI公司都會宣稱自己的產品比醫生閱片速度快得多，準確率要高，但沒有誰敢說能夠杜絕漏診問題。這讓醫生難以完全信賴閱片AI。一旦醫生覺得有風險，他就得審核AI看過的所有圖像。

漏診的產生，問題很可能出在訓練數據上。黃家祥介紹，很多AI創業公司都是靠公開的數據源起步的，訓練的數據量非常有限；還有些公司跟一兩家醫院合作，把伺服器放到醫院去訓練，也能訓練出一個AI模型來，而且對於單一病種，測試效果可能也不錯。但如果換了另外一個不同的數據集來測試，很可能就「水土不服」了。

一些AI創業公司會辯解稱，自家的AI產品與醫生相比，降低了漏診率。對這種說法，Wision AI的聯合創始人劉敬家不以為然，中國目前沒有關於醫生漏診的準確數據，如何得出AI的漏診率比醫生低的結論？

（所有醫療影像AI公司都會宣稱自己的產品比醫生閱片速度快得多，準確率要高，但沒有誰敢說能夠杜絕漏診問題。圖/視覺中國）

「目前來講，AI所取得的成果還遠遠沒達到預想的目標。」魏銳利說。放眼看，大多數公司的AI產品還處於研發階段。

華蓋醫療基金董事總經理施國敏曾撰文稱，人們腦補的人工智慧替代醫生，哪怕僅僅是輔助，在產品層面也尚未出現。

現階段的AI都是弱人工智慧，其主流的深度學習方法存在一個明顯的缺陷，即它的過程無法描述。換句話說，AI算法的整個過程猶如一個專用的、無法打開的「技術黑箱」，所謂可用不可見。它既沒有普遍的適應性，也無法拆解出具體的智能化業務規則，而且高度依賴於參與訓練的海量數據。

深度學習的特點是有問必答，只要有數據輸入，就有結果輸出。但劉敬家分析，如果沒有金標準對結果進行校驗，很可能輸出錯誤的結果，而且很容易蒙蔽人。

醫學是注重證據的學科。頂級醫學期刊《新英格蘭醫學雜誌》去年發表文章，對深度學習在醫學預測領域的應用進行了分析，認為那些沒有探明的醫學邏輯支撐，妄想通過堆砌更多維度的數據而有所發現的行為，最終會陷於蝴蝶效應的困境之中。也就是初始條件的微小變化，都可能累計出結果的巨大變化。

「技術黑箱」中僅有數學公式推導，卻沒有明確的理論解釋其決策過程。

醫生們擔心，這種思維用於簡單的類似於醫學影像標準等的工作尚無大礙，一旦涉及更為複雜的醫療決策輔助，甚至醫療方案的整體評估建議，不考慮決策過程完全以結果為導向去輔助醫護人員，會讓醫護人員陷於被動，甚至暴露在難以控制的決策風險中。

美國醫療媒體STAT在2017年10月連發兩篇調查報導，分析沃森的「超級功能」中存在的技術缺陷，並指出美國現有法律框架對於醫療AI監管的疏忽之處。

美國一些醫生和消費者團體認為，正是因為AI算法具備「技術黑箱」的特點，監管方需要對像沃森這樣的醫療AI輔助診斷系統進行更加仔細的檢查和監管。

這個新興領域排頭兵，在中國還將面臨政府部門從不同的角度和方面來管制醫療健康領域，往往出現政策之間的不協調，或者部門之間的利益衝突和權力衝突，使得這些創新創業者難以應付。中歐國際工商學院衛生管理與政策中心主任蔡江南為《財經》撰文稱，由於缺乏對於制度和政策的了解，許多創新和創業項目往往包含了制度風險和政策風險，一旦政策執行過程中出現橡皮筋的上下波動，這些項目就可能夭折。

活過2018年，是很多醫療AI公司的決心。

融資青黃不接、技術迭代的瓶頸，以及商業模式斷裂，哪一條都有可能拖垮靠技術吃飯的初創企業。

李鋼觀察到，當細分行業龍頭融資紛紛達到億元級別後，其中領先企業融資最困難的階段就近在眼前了。

這是因為，對風險偏好較高的風險投資者而言，細分行業龍頭需要的融資額已經超過他們能夠投資的體量；而對於較大體量的私募基金而言，這些行業龍頭依然處於商業化的探索階段，沒有亮眼的財務數字卻頂著極高的估值，實在無法下手。由於億元級別的融資相當於B輪融資，因此，這個規律被稱為「 C輪死」魔咒。

現在，AI醫療影像行業的頭部企業，已經進入C輪的那道缺口之中。

黃家祥也認為，2018年對於很多醫療AI公司來說都是一個巨大的挑戰，「可能會淘汰掉一批，不光是融資層面的，還包括一些成長不上去的」。

親身遇到的案例，也加深了黃家祥這一判斷。一個人工智慧團隊用了約兩周時間，從一個公開的數據源，訓練出一個初步的AI產品，這一團隊找到萬裡雲求助一些脫敏的測試數據，黃家祥提供了一部分數據，對方測出了90%的準確率。

看上去技術門檻似乎並不高，幫助了一些創業企業在短時間內取得一定的成果。然而，「沒法實現商業價值，就只是一個基礎的研究成果，只能用來秀一秀。」黃家祥十分篤定，這讓很多人錯誤地判斷了形勢，第一步好邁，但往後走還有沒有資源支撐更加重要。

醫療AI跟阿爾法狗一樣，需要不停迭代升級。這意味著，要不停用數據去訓練AI，並且有醫生持續地參與，在真實的應用場景中去支撐AI的持續成長。

一位醫療AI公司創始人對《財經》記者說，一些公司遇到技術迭代的瓶頸，卡住了，「乾脆不繼續推進，保持低投入、不推廣，等著被收購」。

市場集中進程在快速完成，是接受《財經》記者採訪的多位資本分析師都認同的醫療AI趨勢。「谷歌、騰訊等巨頭對初創企業甚至中型公司形成的壓制會越來越明顯，在接下來的一年，競爭會非常激烈。」王煜全分析稱。

巨頭的動作有跡可循。2017年8月才發布的騰訊覓影，後發制人地進入「國家隊」，在科技部公布的「首批國家人工智慧開放創新平臺名單」中，明確「依靠騰訊公司建設醫療影像國家新一代人工智慧開放創新平臺」，從發布成立到進入「國家隊」的這三個月裡，騰訊覓影就與十多家三甲醫院建立了聯合實驗室，篩查目標病種也從早期食管癌拓展到肺癌、乳腺癌等多病種。

巨頭們從觀望轉變為全面投入，小公司們要不殺出一條血路，要不坐等被收購或擠死。「很多初創公司從創立之際就是坐等巨頭開個好價的，『大魚吃小魚』接下來會頻繁發生。」尚鞅如此解讀2018年的醫療AI市場。

另一方面，管理也隨著市場發展開始「劃車道」。2018年8月1日，新版《醫療器械分類目錄》將開始實行，其中新增了與AI輔助診斷相對應的類別。

按照分類規定，申報二類醫療器械，診斷軟體通過算法，提供診斷建議，僅有輔助診斷功能，可不直接給出診斷結論；如果對病變部位進行自動識別，並提供明確診斷提示，則按照第三類醫療器械管理。

醫療AI公司想走醫院採購這條路，必須通過相應的認證。這就需要公司獲得大量真實的臨床應用數據，為申報提早準備。

多數醫療AI公司還處於打磨產品階段，商業模式並不清晰，與醫院的合作多為提供產品試用，收不到錢。阿里健康副總裁柯研告訴《財經》記者，現在市面上的很多AI公司單純融資，無論估值多高，沒有收入來源和場景，商業模式是斷的，「再過三年沒有商業模式，會走向邊緣」。

在醫療人工智慧領域，最核心的要素是場景。場景大於數據，數據大於算法。至於未來誰埋單，柯研說，「我們相信，只要有場景，最後一定會有人心甘情願付這個錢。」

國內的醫療AI公司，主要與大城市的三甲醫院合作，但優質醫療從業者密集的三甲醫院，沒有迫切需求。真正需要AI緩解的，是資源緊張的中小型醫院，這部分市場潛力還遠遠沒有開發出來。

放眼整個行業，一個逐漸清晰的場景就是，影像AI會率先支撐基層醫療。基層醫院用影像AI篩查以後，發現一些有問題或者看不準的病例，再交由上級醫院的醫生來確診。

再看遠些，醫療AI技術如果能夠突破應用關，將頂級醫生的診斷能力標準化後，交給基層醫院，為基層醫生提供輔助診斷，會在很大程度上改善醫療資源的緊張狀況。

麥肯錫全球研究所預測，大面積使用人工智慧診斷疾病可能不會太快發生，即使早已入局的巨頭們，也不過是入門級水平，這並不妨礙AI會成功滲入，成為醫療的底層技術，就像之前的IT技術一樣。

人工智慧和人類醫生比誰更聰明，可能還會持續。《新英格蘭醫學雜誌》認為，這種爭論沒有意義，如何讓人工智慧和人類醫生一起，實現任何單一方都無法提供的臨床效果，才是關鍵。

行業的狂歡和泡沫，是任何一個新技術浪潮的必經之路。最後勝出的，是那些創造了真實價值的技術和產品。

（本文首刊於2018年3月5日出版的《財經》雜誌）

本文來源：財經網 責任編輯：鍾齊鳴_NF5619