近两年间看了国内外几支AI医疗影像的团队,仅针对AI阅片的应用来谈:
倘若是X光片,业内平均10万张片源,即可训练并收敛到较理想精度的神经网络,进而提供成熟的应用去替代放射科医生的阅片工作,当然,去上山下乡的提供精准读片服务并形成长尾收费,进而连接远程辅助诊疗服务,也是普遍的创业故事。
X光片的特征粒度粗,通常是判断骨折等一类的大特征。但CT/核磁共振等影像则不同,一般用于判断囊肿或细胞癌变等细微特征,例如CT影像的早期肺癌筛查,即疑似肺结节癌变特征,用AI的效率更高,如30名患者的9000张CT影像,需要4名放射科医生工作数小时筛查,AI只需30分钟;
通常每位来自三甲医院的肺结节筛查患者要产生200-300张CT影像,放射科室的医生每天至少阅读4万张片(按三甲医院每日接待200例患者来算)。
但由于癌变筛查是“细胞级的转移和病变特征”,每个癌变脏器的病例特征至少需要200万张片源去训练,再乘以多个脏器,是否就意味着AI模型的工作成效将进一步扩大呢? 然而,这200万片源可能跨越了15年期、来自50万人的病例、来自不同物理特性机器和不同介质材料的片源,在这一复杂语料之下,干扰项甚多,纵然获得了200万片源,也难以收敛为精确模型;
例外是:诸如“SIEMENS或GE”可以做的更好,因为其掌握着自身生产的所有机型和介质的物理属性。施加参数纠正干扰项,达到准确收敛的能力是具备的。
国内某一线AI医疗影像公司,商业模式很聪明,虽然BP里仍在谈癌变筛查,但其主要营收是在X光片,X光片更容易训练,且帮助国家解决了低级城乡医疗水平的问题,如前述的上山下乡提供精准读片服务并形成长尾收费,进而连接远程辅助医疗服务的故事,有稳定收入和市场潜力的。