2020年10月9日-11日，“天府健谈CHS 2020第五届中国大健康产业升级峰会”正式召开，本次峰会由中国卫生信息与健康医疗大数据学会和四川省卫生健康委指导，成都市卫生健康委支持，中国卫生信息与健康医疗大数据学会全科医学与健康管理工作委员会与亿欧大健康联合主办。
中国大健康产业升级峰会已成功举办了4届，本届峰会以“分布式创新重构健康生态”为主题，采取1场主会场+4场分论坛+若干配套活动的形式，聚焦创新药、智慧医疗、非公医疗、健康管理、健康大数据应用等五个主题，聚集政、产、学、研、投各界上百位医疗行业大咖，共话大健康产业创新之道。
在10月11日的智慧医疗产业论坛上，长征医院影像医学与核医学科主任刘士远发表了题为“中国影像AI研发应用现状及趋势”的演讲。他的主要观点如下：
1.未来人工智能企业要想发展，真正要解决的实际问题是临床问题，只有解决临床问题的企业才能获得未来资金的关注、医生的关注，从而获得良好的发展。
2.未来人工智能在基层的应用空间更大，但人工智能尤其医疗环节的人工智能需要在标准化和结构化的前提下进行，而目前基层存在的问题是，人员参差不齐，质控难以标准化因此基层人员的培训、质量的提高非常关键。
3.医学影像AI目前在肺结节、冠脉等临床使用场景都有很好的应用体验，未来我们希望人工智能能以患者为中心，融合多模态的技术，覆盖临床全流程，包括早期筛查诊断、治疗的决策以及随访等各环节，来支持医生的工作。
以下为其演讲全文（有删减）：
首先非常感谢亿欧大健康邀请，能来参加这次智慧医疗产业论坛，从影像医生的角度，与大家分享医学影像人工智能发展的现状。
政策和投资推进医学影像AI发展
国家的政策利好频出。自2019年起，首先，关于新基建，国家在鼓励基于5G和大数据中心支撑的基础建设的投入，对医疗人工智能相关企业的发展可能是一大推动力；其次，科技部出台文件鼓励人工智能基于场景的、深度的社会融合，也就是说，鼓励人工智能进入实用的阶段，融入现实的工作和生活当中。
从学术角度，中国人工智能的研究在世界上和美国齐头并进，处于领先的地位，总体上发表的论文数量全球领先，近五年，医学影像人工智能论文大概发表了六千篇，在全球也是排在第二位的。
从技术角度，当前人工智能主要是深度学习，从深度神经网络到循环神经网络、卷积神经网络、生成对抗网络，目前图神经网络成为新一大热点，算法在不断进步。近两年又出了“内存融合技术架构”，将算法、硬件的平台和数据合二为一，这样可以大大提升数据处理的整体性能，不过人工智能现在还是感知智能的阶段，随着迁移学习、内脑学习进一步的发展，可能逐渐会向认知智能方向发展。
从投资角度，投资最热的时期为2016年到2018年，从2018年开始减少。2019年整个投资总额是2018年的30%，不过由于今年更多的公司在科创板上市，医学影像人工智能的发展有了资金的后续力量，起到了很好的延伸作用。总体来看，虽然今年投资总数和总额有所下降，但其实投资数额还是有一些集中的体现，加之投资人更加理性，单笔的融资数量并不低，包括数坤科技、视见科技、医准智能、科亚医疗等大众较为熟悉的企业，均在今年获得了投资。
从企业角度，创业和融资的趋势是平行的，比如融资在2017年达到顶峰，创业公司也是一样，自2012年起，医学影响人工智能的创业公司数量开始增加，到2016、2017年达到顶峰，之后就是逐年下降。今年前4个月内，只有4家新成立的初创公司这些数据说明，初创公司所谓最美好的阶段已经过去了，现在进入了深层的场景融合和发展。
疫情推动AI产品加速价值提升与落地
实际上，伴随今年这次疫情，医学影像与人工智能的结合在一线获得了良好的应用，这些正面的反馈，对企业的发展起到了强心针的作用。不过，未来人工智能企业要想发展，真正要解决的实际问题是临床问题，只有解决临床问题的企业才能获得未来资金的关注、医生的关注，从而获得良好的发展。
医学影像整体人工智能的市场已经形成，从市场估值角度，自2019年起，这个市场每年都保持在70%以上的增长，预计到2023年可能有17亿以上的市场规模。临床接受度上也在相应增加，受疫情影响，院端对AI医学影像产品的合作意愿及要求均在提升，现阶段需求主要集中在三级医院，渗透率在4.5%到7%之间，未来可能渗透率逐渐会达到15%或者更高。
从落地场景上看，未来人工智能可能在基层有更大的空间。不过目前基层人员参差不齐，质控难以做到标准化，所有的人工智能尤其医疗环节的人工智能，都需要在标准化和结构化的前提下进行，才只有这样，才能够促成人工智能的模型形成及使用因此说基层人员的培训、质量的提高，也是非常关键的。
医学影像人工智能的企业很多，初步估计初创企业大概57家，加上传统的设备生产厂商，约有110家企业在从事医学影像相关的人工智能研究。当然这里边包括已经拿到三类注册证的（Airdoc、推想科技、安德医智、科亚医疗），另外有一些企业也获得了认证和注册。
从临床使用的反馈来说，好的产品一定是受到医生欢迎的。从我们医院使用的关于肺结节人工智能的情况来看，2017、2018年基本在50-60%，2019年上升到70%左右，今年疫情当中处在一个停滞阶段，但恢复正常工作后数值迅速恢复到80%以上，80%以上是什么概念？这意味着，一线医生的十份报告中，至少有8份报告是依靠AI模型来帮助实现判断的换言之，一线医生对于肺结节的产品已作为常规使用。
医学影像AI七大趋势研判
整体上看，现阶段的AI模型相对集中，产品的种类、病种的聚焦方向过于拥挤。大多数集中在影像诊断，影像诊断为主要业务的占77%，其他的类似于云平台、病理诊断、放疗、辅助手术等各占5%左右；从病种来说，基本集中于肺部、眼部、心血管、乳腺。应该更多地泛化，鼓励公司更为广泛地开展产品的种类以及疾病的种类的研究，未来希望以患者为中心，融合多模态的技术，覆盖临床全流程，包括早期筛查、诊断、治疗的决策以及随访，各环节都有优质的产品能支持医院的工作。具体来看：
第一，单一产品向产品多样化扩散。各公司都在突破单一的产品种类，比如数坤科技，它的产品是以冠脉起家的，现在也投入到肺结节、肺炎等领域，北京推想是肺结节起家的，现在则囊括了还有肺炎、脑卒中、骨折、乳腺疾病，还包括科研平台，也都有。
第二，产品功能垂直深度加深，全栈式的解决方案。好的模型不单纯是病灶检出，在病灶的分割、量化、影像分析、定性分析、智能随访、结构化报告等方面应该都能提供信息，如果针对单一病种能够从病灶检出的全环节全栈式提供诊断信息，在临床上一定更加有生命力。比如说肺结节的AI诊察场景，除了发现病灶，还能定位、量化，能一键生成报告内容，能对良恶性提出预判，描写基本信息，帮助医生撰写报告。
新冠肺炎年初突发，也推进了各AI公司在这块的投入，其实肺炎的模型是典型的多任务模型，如何一站式提供多种信息？如病灶有无、病灶面积、密度、健全肺的比例以及一些预后的判断等等，这都是目前肺炎模型所能够提供的功能，它也大大提升临床的工作效率，比如传统人工的评估需要2-3小时，可能现在2-3秒就能完成，而且敏感性和特异性已经达到97%以上。
第三，单任务模型向多任务模型发展。比如一个病人去做胸部CT，不可能只针对肺组织，还要看心血管系统、纵隔、胸壁、横隔等，这些解剖部位的疾病也都要能够检出，这样才能满足临床的需求。
第四，软硬件一体化是人工智能技术落地的必然发展方向。一方面，AI算法与硬件融合，可以提升智能密度，从而能够提高整个模型的表现；其次，传统临床软件的使用和价值估计是主观的，尤其当决策者不是医生或者不是一线使用者，往往可能决策值是比较困难的，倘若有硬件的支撑，可能会让决策者在判断时有一个很好的硬件的支撑和依托；最后在使用上，有硬件会更加方便使用，让人机交互有更加满意和更好的体验。
软硬一体化中最有优势的是传统的设备企业，比如说西门子、飞利浦、GE、佳能、联影这些传统的医疗器械厂商，这些公司现在已经将人工智能产品融入到了它们的CT、磁共振、Pet等传统设备上，获得了很好的使用效果和用户的反溃除了传统的设备企业以外，初创企业也在将人工智能的产品用硬件做支撑，然后提供给用户，例如深思考的人工智能宫颈细胞辅助筛查系统。
第五，拓宽医疗服务边界，落地分级诊疗。分级诊疗是国家鼓励的方向，尤其是基层，优质的医疗资源非常缺乏，如何推动北上广或者成都这样的省会城市优质医疗资源下沉？人工智能基于云平台、基于5G的传播速度，可能是未来很好的解决方案。另外，可以把继续教育，知识库融入系统里面，比如基层医生在工作之余还可以打开知识链接，拍一个肺炎的片子，看看肺炎是什么概念、有什么种类、怎么鉴别，这样对于基层的整体培训，推进质控化的进层，是非常有帮助的。
第六，AI助力打造诊疗的闭环。医院内部包括院前、院中、院后，在疾病诊疗过程当中，诊前、诊中、诊后都需要人工智能产品的介入。现在的设备公司都在致力于全流程推进AI产品的研发，包括智能的扫描设备、智能诊断、智能的治疗决策，包括提供方案等。
第七，整体解决方案与平台化。目前这一块，可能传统的设备公司是比较有优势的，包括GE的Edison平台等等。由于现在厂商数量多，作为医院，并不了解各厂商AI模型表现形式和效果，现阶段可能会浪费比较多的时间去弄清楚，且同一个肺结节的模型，不同的厂家它的表现和输出效果也不一样。因此，医院需要整合所有上下游的产品用于临床，未来平台化整合和整体解决方案，基于平台整合入口和出口进行整体化的使用，从而提升使用的效果或者感受。
数据库建立、商业化、临床验证…医疗AI仍痛点重重
打造放射科的AI生态环境，是所有医生、决策者和AI公司都需要考虑的。虽然说现在医学影像、人工智能的发展已经到达了很好的阶段，临床使用体验也不错。但是依然还面临比较多的挑战。
产品层面上，是否符合临床场景？目前，基于部位检查要求的产品，并没有完全基于部位产品的输出，配合这种产品检测的第三方的标准数据库，真正用于检测的数据库还是不具备的。
监管层面上，不同层面的AI产品的风险度是不一样的，因此它的定义、分级和监管都应该是有所差别的，且临床验证规范不一，现在各厂商在根据自己的理解做临床的试验方案，但是公司之间差距很大。
商业层面上，公司的最终产品是什么？最终目的的盈利方式是什么？产品形态的呈现方式是什么？如何定价？怎么分级？如何对临床进行验证？这都需要进一步摸索。
安全层面上，数据的使用还是处于灰色的地带，如何做到安全合法的使用，健全医学影像相关的人工智能伦理方面的法律法规都是未来思考的方向。
医院层面上，如何建立评价标准和评测体系，都在一定程度上代表着未来AI是不是被临床接受。
