2024年诺贝尔奖科学类奖项将其中物理学奖和化学奖均授予了人工智能领域的科学家，不少人惊呼：AI成为2024年诺奖最大赢家！特别是化学奖得主哈萨比斯和江珀开发的AlphaFold2模型，它解决了一个长达50年的蛋白质结构预测难题，对药物研发等领域产生了革命性影响。这些成就不仅肯定了AI在科学研究中的重要地位，也预示着AI技术正推动着科研范式的转变，在多个学科中成为解决复杂问题的关键工具。
AI医学影像持续发展
在医疗场景中，医学影像是其中最重要的数据模态，90%的医疗数据都是由影像组成，提供着人体内部结构和功能的直观图像，也是辅助手术、治疗规划等其它细分领域中必不可少的依据。可以说，打通AI医学影像不仅可以推动医疗大模型在该领域的应用，还能为其他医疗细分领域的技术落地铺平道路，实现多模态数据的整合应用。
从产业链角度来看，AI医学影像领域的上游主要是由软件开发商构成，设计开发针对具体医疗应用场景的软件系统，通过与硬件结合或直接销售软件产品来实现商业价值的转化，代表企业包括推想医疗、深睿医疗、医准智能等。中游则是老牌医疗硬件设备制造商，全球大部分医学影像设备市场被少数几家巨头垄断，如GE、西门子、飞利浦等跨国企业，迈瑞、东软医疗、万东医疗等少数国产厂商也占据了一定市场份额。他们自身在人工智能软件开发方面能力相对薄弱且需要巨大的研发投入，所以更倾向于与专业的软件开发企业合作。
AI医学影像软件，无论是通过独立的软件销售还是与硬件一体化捆绑销售，最终都会被应用于医院、科研机构、高校、第三方影像诊断机构等，以提高诊疗效率和准确性，推动医疗行业的整体进步。
AI医学影像企业多从单一疾病入手，从疾病应用领域来看，范围正在逐步扩大，其中以肿瘤和慢病领域为主。截至2023年6月，中国已上市92款包含自动检测功能的三类人工智能医学影像软件，覆盖心血管（27款）、肺部（24款）、脑血管（13款）、骨科（10款）、眼底（9款）、乳腺（2款）等疾病。
然而，当前的临床影像检查基本都是对单个部位进行申请和实施。但是在实际应用中，医生通常是对多个器官和多个部位进行综合筛查以诊断特定疾病。因此，现有的针对单一部位筛查的AI医学影像软件与实际需求之间存在一定差距。基于部位的多病种、多任务模型的AI医学影像技术研发是未来的发展方向。
商业模式尚未落地成熟
技术是门槛，落地是赛点。AI医学影像已经逐渐走出实验室，进入实际应用阶段，而清晰可靠的盈利模式和可持续的变现能力更是关键竞争要素，也是投资者关注的重点。目前来看，AI医学影像企业的商业化路径主要包括两条：
一是分成模式，也就是按使用量收费。企业提供医学影像诊断、阅片、质控等全套服务的专业第三方平台。该模式主要针对基层医院、民营医院以及第三方检测机构等，这些机构由于缺乏足够的专业人才和充裕的资金支持，影像诊断能力薄弱，但又承担大量常见病、多发病、慢性病的诊疗工作，从而产生了的影像外包的需求。
二是技术解决方案，即按医疗器械售卖。企业一次性出售AI医学影像解决方案的使用权限或者在使用期间定期收取使用费。这种模式主要面向采购预算较高的大型医院、体检中心等，这种一次性打包的方式更符合各级医疗机构的采购习惯。在这种模式下，企业可以与相关设备捆绑，如推出软硬件一体化产品，或与医疗器械厂商合作。例如，复星杏脉就与GE医疗达成过共同开发的战略合作；也可以直接销售软件系统，通过与代理商合作或自建销售团队的方式开拓市场。
目前，人工智能产品在医院的推广取得到了一定的成效。根据中华医学会放射学分会2023年的一项覆盖34个省市自治区的调查显示，74%左右的三级医院和32%左右的二级医院已经应用了人工智能产品。然而，在AI医学影像领域的实际商业落地过程中却仍面临一些挑战，产品尚处于商业化早期阶段。
首先在技术成熟度上尚未充足。从市场接受度来看，医院及医生更倾向于持保守和谨慎发态度。并且其尚无统一的收费规则和标准，大部分产品还处于免费试用阶段，仅少部分医院开始付费引入，但通常是以低于市场价格的代价来换取软件所需的医疗数据。
未来展望
AI医学影像具有广阔的发展空间，尤其是国内市场，与全球市场相比，有着较大的发展潜力。预计到2024年，AI医学影像渗透率将达到30%-40%。未来随着人均医学影像设备保有量的增加，AI医学影像产品的渗透率将有更大的发展空间。从市场需求来看，我国影像科医生供不应求，专业水平参差不齐，尤其是对于基层医院来说；而且影像医生工作量繁杂庞大，属于高强度重复性劳动，可以说，这为AI的应用提供了理想的场景。
获得器械三类证是AI医学影像市场准入的关键门槛，目前多家企业已获得该认证，并积极拓展海外市场。同时，尽管许多的AI医学影像产品集中于肺结节、眼底疾病等领域，但像乳腺癌等病种尚未得到充分开发，这表明市场仍蕴藏着巨大的潜力和创新机会。而依赖于单病种图像标注形成的模型，限制了应对复杂病种医学影像的能力，未来将发展基于部位的多病种、多任务模型AI医学影像技术。
当然，对于企业来说，前方的道路还很长。其中，获取高质量的数据和标注能力是AI医学影像公司商业化落地的重要一步。但是，高质量的影像数据主要集中于少数三甲医院，这些大型医院在数据共享上大多比较保守，并且不同影像设备收集起来的数据存在差异，难以实现标准化。另一方面，数据标注成本高，数据处理中八成时间都是在做预处理工作，训练的每张图片都需经专业人士标注，标注的准确性关乎结果，可谓挑战重重。因此，那些与大型医疗机构建立了深度合作关系并具备先进数据分析与处理算法技术的企业将占据先发优势。
医疗行业是一个特殊的行业，在医疗强监管的行业背景下，新技术的成熟需要时间，而医院及医生也需要时间去接受。AI医疗的路注定漫长。只有真正了解临床需求，能够解决行业痛点并拥有自己核心技术的企业才能在竞争中生存并最终脱颖而出。声明：本文章仅供一般性参考，并不构成针对任何证券或其他金融工具订立任何交易或采用任何对冲、交易或投资策略的邀约、推荐或建议。本文仅使用历史实际数据进行一般性论述，并未考虑任何特定人士或群体的具体投资目标、财务状况、特定需求等，亦非专为任何特定人士或群体编制。如有侵权，请第一时间联系删除。
本文章仅供一般性参考，并不构成针对任何证券或其他金融工具订立任何交易或采用任何对冲、交易或投资策略的邀约、推荐或建议。本文仅使用历史实际数据进行一般性论述，并未考虑任何特定人士或群体的具体投资目标、财务状况、特定需求等，亦非转为任何特定人士或群体编制。如有侵权，请第一时间联系删除。