自2020年1月首张NMPA发布的影像AI三类证出炉后，短短20个月，已有约20款影像AI产品相继获得注册准入。不过，审批难题的破解并不意味着影像AI已经跑通市常
通过审评审批、
IPO评价AI发展的局限性
2021年算得上医疗AI的上市年，科亚医疗、鹰瞳科技、推想医疗、数坤科技四家企业相继提交招股书，鹰瞳科技也于11月成功上市，成为医疗影像AI上市的第一股。
不仅如此，各家交出的业绩增长也因审评审批的通过而显得相当亮眼。鹰瞳科技2020年全年营收较去年涨了5成；推想医疗年增长318%；数坤科技甚至翻了32倍，半年营收便超过了5000万。
不过，相对于每家企业动辄上亿的年投入而言，骤增的数据并没有收获投资人的青睐，以上市的鹰瞳科技为例，上市前一夜暗盘便已跌幅约10%，在流动性较差的港交所，鹰瞳暂时没有在股价上显示出突破。
圆桌之上，郑冶枫主任将AI审评审批后的落地困境归纳为两点：商业、技术。
“说到审评审批，腾讯的肺炎AI也在今年通过了NMPA认证。但从整个AI产业来看，AI的商业模式、技术能力都存在一些问题。美国的医疗AI商业化很成功，不少AI产品还通过了医保准入，一部分原因在于，美国放射检查的设备费用和诊断费用是分开的，人工费用尤其高。反观国内，放射检查费用很低，不会单独计算，且大部分是设备费用。这是为什么现阶段美国AI可以独立收费、独立报销的原因。”
美国部分参保AI产品示例（数据来源：Medicare.gov）
“技术上的问题与AI的商业模式困境有一定关联。从目前通过NMPA审批的AI产品来看，AI只能在特定的一个或几个问题上进行解决，但对于影像科医生而言，肺部的慢性肺阻、肺积水，肺以外的骨折、心脏相关疾病，影像科医生在阅片时看到的所有疾病都需要报告。所以，单点功能的AI不一定能降低医生的工作量，反倒有可能适得其反。换句话说，AI还需要全面的开发，全方位的升级。”
除此以外，深度学习的分布迁移并没得到很好的解决，周少华补充了一个鲁棒性伤的问题：“AI可以解决当前医院的数据分布，但对于新医院的数据分布，AI往往不能表现到训练时的最佳状态。”
五年以来，尽管医疗AI跨过了一道一道砍，但从目前来看，AI行业仍需要技术与商业的同步发展。这个时候，AI需要新的推动力。
作为动力，
AI产学研需要革新吗？
在学者们看来，以创新为核心的产学研能够一定程度解决AI面临的两个问题。不过，AI的产学研模式本身或许存在一定问题，必须进行自身优化才能匹配AI的发展。用彭汉川院长的话来说：产学研需要实现真正意义上的创新，并让研发尽可能贴近临床需求。
从全球人工智能论文增速来看，我们能够看到近今年高达50%的增速，但海量的增长也会存在一定问题。
李纯明教授表示：“深度学习论文如今同质化严重，很多论文的确提出了方法，但方法创新不足，大同小异，造成大部分文章相似度很高，审稿的时候要拒都得拒，要收都得收。这种情况可能导致一些问题，比如为了满足大量审稿需求，就必须增加审稿人，这就有可能带入素质相对较差的审稿人，进而导致很多质量较差的文章被录入进来。这是一个恶性循环。”
因此，要让产学研支持AI发展的形式跑通，审稿者应加强审查，而创业者也需主动寻求创新，毕竟，最终检验创新成果的不是企业发了多少论文，而是有多少医院愿意购买企业的设备。
其次，不能完全依靠学术界的研究思维来做AI。郑冶枫认为：学术界研究自由，工业界研究受限，但能解决最贴近临床的问题。单一看待两种研究方式都存在局限性，更好的方式是将其融合，以工业思维定好贴近临床需求的研究目标，并不断关注学术领域的创新，及时发现学术界有用的尝试。
最后是要与医生达成良好合作的关系。如果把医学看成一种服务，医生是为数不多在服务对象面前处于主导地位的职业。所以，与医生合作时要注意倾听，不然医生就会“每天都很忙”。
此外，如蒋田仔教授所说，医生比产业者更了解哪些东西做出来是有价值，哪些是没有价值的。因此，要从临床需要出发构建AI，满足实际需求，这是核心，也是基矗
圆桌之上，郑冶枫主任举了这样一个例子。
“主动脉瓣膜微创置换手术是一个危险系数很高的手术。老年人心脏瓣膜会钙化，严重了就需要置换。以前医生需要开胸置换瓣膜，死亡率算下来有10%，后来出现了微创手术后，死亡率大大缩小，患者早上做了晚上就回家。”
“然而，做这个手术时要医生找到瓣膜的位置，需要患者注射显影剂。但显影剂对肾有伤害，所以我们跟医生沟通，医生需要一个导航系统，减小患者造影剂的摄入，也为了精细化了解人工瓣膜植入人体后运动的具体位置，决定什么时候可以展开。毕竟，一旦人工瓣膜没在合适的位置展开，就只能开胸把瓣膜取出来。所以，导航很重要。”
“当时我们想了很多方法，也跟医生进行了多次沟通，最终的方案是用X光把人体转一圈拍摄，这一方法得到了双发的一致认可。而对于我而言，整个过程让我充满了成就感的。”
所以，人工智能作为医疗设备之一，同样需要研发者也医生一步一步沟通，慢慢找到答案，以互联网的思维做好产品，在将其交给医生适用，这样的产品，很难走通。
深度学习会被替代吗？
在近年的发展之中，我们常用深度学习与人工智能一词混用，让人不免产生“深度学习=人工智能”的错觉。
蒋 仔教授表示：深度学习是一种方法，不等于人工智能。深度学习要发挥作用，需要大量数据，这不能解决所有问题，特别是对于很多疾病而言，这里只有小样本。
彭汉川也表示，大量问题并不适合深度学习解决，比如数据的传输问题怎样解决传输速率，怎么高效收集存储数据，都不是深度学习适用分类问题。因此，研究人员需要构建整体逻辑，不能只考虑中间的分类问题。
不过，众人均认可深度学习仍会持续一段时间热度。2020年后，深度学习相关论文发表速度逐渐放缓，前面5年增长30%-50%，现在回到个位数。可能是因为疫情，也可能是市场饱和了。
80年代神经网络便已出现，但到90年代，替代技术的出现导致其被掩埋。但至少到现在，尚无可替代的技术走出来。
