深睿醫療完成C輪融資，AI醫療影像還要燒多久的錢？

據業內人士透露，本輪融資額為數億元人民幣，這無疑給沉寂了大半年的醫療AI行業帶來了振奮。

作者 | 保爾

來源 | IPO那點事

數據支持 | 勾股大數據

六月份，醫療AI終於在資本市場又有了蹤影，深睿醫療宣布完成C輪融資。本輪融資由陽光保險集團戰略領投，昌發展、絲路華創、山藍資本等跟投。

深睿醫療前身是北大信科學院人工智能實驗室項目，2017年轉化成公司。其兩年完成四輪融資，前三次融資分別是3500萬元A輪融資、1.15億元A+輪融資、B輪1.5億元融資（由君聯資本領投，聯想之星跟投）。

而此次融資具體金額未披露，但根據業內人士透露，本輪融資額為數億元人民幣，這無疑給沉寂了大半年的醫療AI行業帶來了振奮。

1

曾經廣受資本追捧的AI醫療影像市場

AI醫療影像市場曾經大熱，廣受資本追捧。

根據 Global Market Insight 報告顯示，按照人工智能+醫療的應用場景劃分，藥物研發在全球醫療 AI 市場中佔比 35%市場份額最大，智能醫學影像市場為第二大細分市場，並將以超 40%增速發展，在 2024 年達到 25 億美元規模，佔比 25%。

2011 年-2016 年 6 月，人工智能投融資總額達 14 億美元，醫學影像+人工智能融資項目共 16 項，融資金額達 1.49 億美元，其中 Butterfly Network2014年獲 1 億美元融資。2018 年 7 月，複星醫療向 Butterfly Network 繼續加碼 1.06 億美元。資本市場對AI醫療影像高度認可。

圖：2011-2016 年全球人工智能細分領域累積投融資額（百萬美元）

資料來源：VCbeat、國元證券研究中心

但是，隨著人工智能泡沫開始破裂，資本對AI醫療影像的投資斷崖下跌。每當浪潮退去，才能看清究竟誰在裸泳。隨著虛假的泡沫紛紛開始破裂，很多醫療AI企業並沒有活下去。深睿醫療作為優秀的醫療AI的代表，穿越過這次退潮，卻仍面臨窘境，前路漫漫不見衝刺線。醫療AI什麽時候才能真正落地，停止燒投資者們的錢？

2

AI醫療影像是個大生意

具體地來說，深睿醫療是做AI醫療影像，就是把人工智能技術應用到醫療影像上。

醫療影像是借助於如X射線、電磁場、超聲波等介質，把人體內部組織器官結構、密度顯示出來。比如我們常說的X光和CT，就是典型的醫療影像。稍微有點醫療經驗的人都知道，儘管拍片子就這麽一瞬間，但是取片子往往需要經過半天以上的等候。這是因為這些影像不是拍出來就算完成，需要經過診斷醫師“讀片”，去進行判斷，得出初步評估結果。

完成這一步，這個結果才回到你和診斷醫生的手中，進行進一步地運用。有些複雜的片子和繁忙的醫院，患者甚至需要數天的等候。

而AI醫療影技術，就是輔助甚至替代診斷醫生去“讀片”。它借助時下最為熱點的人工智能技術，根據X光片等影像提供的信息進行判斷，繼而對人體健康狀況進行初步評價。

圖：AI醫療影像應用範圍很廣

由於中國醫療系統的特點，AI醫療影像注定是門大生意。首先，醫療影像服務市場的蛋糕很大，是醫療器械市場規模最大的子行業。醫學影像行業因為產品單價較高，市場需求廣，中國市場空間達 846 億元。

再者，人均醫療資源亟需提升，“讀片醫生”供不應求。我國醫療影像數據以每年 30%的速度增長，而影像醫生的年增速僅為 4%，遠不能滿足市場需求，部分醫生超負荷工作。地域分布不合理，小城市和邊遠地區“讀片醫生”的資源往往很緊缺。而AI巨大的運算速率和27/7的能解決這些痛點。

圖：影像閱片數量增長過快和影像醫生數量不足的矛盾

另外，醫療影像 AI 閱片能做到比人工更高效和更高精度。而醫療影像 AI 可以快速從幾百張片子中定位病灶、減少讀片時間，提高工作效率並降低誤診率。對於患者而言，醫療影像 AI 幫助患者獲得更精準的診療結果、更適合的治療方案，節省醫療費用和時間支出。

圖：人工閱片與醫療影像 AI 閱片對比

而AI醫療影像的優點使得醫院和患者接受其的意願越來越高漲，但矛盾的是，落地的情況卻遲遲未達預期。這因為什麽呢？

3

“窮”得只剩下技術，AI醫療影像落地的三大難題

AI醫療影像團隊很多都做出來精準度較高的模型，但是為什麽商業化看起來還遙遙無期？因為除了AI技術，還有更多關鍵的命門。AI的深度學習是一門經驗科學。說白了，它像人一樣，就要從過去的數據和結果中，訓練和學習，從而構造出一個適合的模型，以在未來面對新的問題解答出新的結果。

毋庸置疑，AI技術是AI醫療影響產品的根基。深睿醫療哪怕不是國內最頂尖的AI醫療影像團隊，但也算是領先的團隊。其前身是北大信科學院人工智能實驗室項目，研發團隊優秀。

創始團隊核心人物分別為：董事長雷鳴（百度創始七劍客之一），CEO喬昕（原西門子東北亞副總裁、醫療及CT事業部總經理），曾就職於百度並曾在的CTO李一鳴（前高德搜索部和數據部總經理）和首席科學家俞益洲教授（ACM（美國計算機協會）傑出科學家）。這保證了深睿醫療擁有國內領先的人工智能深度技術。

儘管如此，人工智能在醫療影像仍未能達到高精度。這是由於目前的深度學習算法天生帶有局限性，只能從事指定類型的智能行為，有諸多的使用條件和範圍，例如運用人工智能識別糖尿病視網膜病變，除了需要專業人員標準化操作保障眼底照相機拍攝保質量圖像，還需要在使用之前排除許多不適用的狀況，如持續性實力喪失、視力模糊、增值性視網膜病和視網膜靜脈阻塞等症狀。而這些操作很有可能沒有給予醫生幫助，而是在增加工作量。

而且，只有算法的技術還不夠，對比之下，醫療影像應用場景非常複雜，使得AI難以滿足臨床需求。遇到模棱兩可的疾病影像，通常需要醫生在讀片時參考問詢患者，結合患者之前的病歷報告來綜合判斷，單一影像資料在臨床中往往不能作為某疾病的唯一判斷標準。例如不同人有不同表型，同病異症、異症同病以及合並症等，對於人工智能來說都是比較棘手的問題。如何用技術解決這些問題，企業還有很遠的路要走。

並且，光有技術，就像有巧婦而沒有米。沒有可以深度學習的材料，AI從何學起？因此，高質量可訓練的臨床數據是AI醫療應先的核心驅動力。有讀者讀到這裡就恍然大悟，就是要取得醫生已經診斷過影像嘛，只要這樣AI就能進行學習。的確是如此。只是取得這些影像，絕非易事。

一是醫療系統過去還沒有開始實施電子化，過去多年往往都是紙質上的記錄，這使得數據的可使用性不高；二是由於我國的特殊國情，儘管當前醫院都電子化，但是醫院間的信息往往互不相同，呈現孤島化的狀態，患者並沒有一份連續的個人電子病歷信息。這大大增加了高質量數據積累的難度。企業只能一家家醫院入駐合作，以獲得AI訓練所需要的海量數據。數據獲取的難度足以讓大批的AI影像企業駐足不前。

同時，AI醫療影像輔助診斷將面臨嚴格的監管。中國傾向“嚴出”，將醫療影像 AI 產品歸屬於需要高度監管的三類器械產品。

這幾個攔路虎使得AI醫療影像遲遲未能落地。儘管資本熱捧提供了大把資金，優秀的技術團隊力圖把深度學習模型做的美輪美奐，但是適用於臨床的產品並非紙上談兵即可。這不得不讓人懷疑，AI醫療影像真的到了適合落地的時刻了嗎？燒錢到底燒到什麽時候是個頭呢？

答案不得而知。只是連個商業化的模式都仍在摸索中，燒錢恐怕還是要繼續下去了。