對于中國這樣一個人口大國來說，醫學影像的市場潛力可謂十分巨大。據統計，截至目前中國醫學影像的檢查總數已經超過了75億，而且隨著設備越來越復雜、信息量越來越大，以及圖像從二維走向三維、靜態邁向動態，數據量每年也在呈現飛速增長的態勢。不過，從中美兩國的醫學影像數據年增長率來看，中國以30%的增長率落后于美國的63%，而放射科的專業人才年增長率更少，目前為止整個中國的影像科和病理科人才加在一起也僅8萬左右。這種海量圖像數據帶來的挑戰，加之專業醫療人才的稀缺，使得本土AI醫療影像檢查/篩查的需求日益迫切。

AI究竟能何種程度上提升檢查/篩查效率？比如我們做的X射線胸片的篩選，從大概12萬的病例做檢查，覆蓋了肺部常見的9種疾病，其中挑選了4種典型的疾病，相當于是胸片的預篩。我們可以通過AI的方法把徹底沒有病的這部分快速篩出來，將健康的部分篩出去，可以大大降低醫生的負擔，從不同的疾病把醫生的工作量從76%降低到35.9%，同時它的漏診率也達到了一個相當低的水平。”

而從實際應用來看，放射治療的前期一般都要做相應的靶區規劃以及靶區的分割，就是將靶區給勾畫出來。如果按照傳統的辦法，十分費時費力，但采用深度學習的方法，我們就可以將分割時間縮短到傳統分割方法的5%，同時分割的成功率從90.1%提高到97.8%，這是目前我們對外售賣的產品上已經能夠達到的實際效果。

盡管“AI+”的效果如此明顯，但缺乏統一標準的應用再好也難成大器，這也成為困頓本土AI醫療影像技術邁出市場化關鍵一步的最大障礙。尤其是對醫療這一特殊而復雜的行業來說，不同病人的病理指征通常不同，而且可能針對同一種疾病，各醫生給出的意見也各有差別。這種變幻莫測的復雜狀況，也極大提升了當前醫療影像技術與AI結合的難度。

標準之后，要深入解決AI醫療影像技術的落地難題，還需要更多的去挖掘高質量的基礎數據。縱然，中國借助于如此龐大的人口優勢，多年來已經獲得了海量的醫學影像數據，但實際上這些基礎數據中真正能夠為AI所高效利用的部分并不多，大樣本和高質量的數據獲取依然是本土AI醫療影像技術的缺憾，這會造成診斷精確度低、投入高回報差甚至信任缺失等嚴重問題。也正是因為這些精準高質量數據難以獲得，吸引了一大波AI創業公司蜂擁而入醫療影像市場淘金。

事實上，普通的醫療影像數據可以說遍地都是，但醫學上很多疾病數據實際上是很少的。一家醫療單位可能僅有一兩百病例符合標準，甚至可以說沒有一家醫院敢說自己擁有幾千例這樣的符合標準的圖像數據。可能一家醫院有數萬病例，但基于不同的疾病、檢查方式、研究目的區分之后，數據一下子就會變得很少。醫療數據不像購物那么簡單，醫療數據很多是不確定的，很難打通，這種情況下，具備完整信息的病人資料就尤其寶貴。拿肺癌或其他腫瘤來說，在大醫院，滿足要求的可能只有10%-20%，這已經算不錯的；在二甲等地方醫院，很多病人做了檢查之后，就去上級醫院看病去了，有完整資料的病人可能只有1%-2%。

正是因為缺乏有效數據的訓練，使得如今的醫療機構利用AI來做醫療影像篩查頗具成本壓力。現在，能看的病不多是AI面臨的一個很大的問題。比如一個放射科醫生能看100種病，可能AI現在在其中7種、8種病上已經比醫生看得更出色，但是還有剩下的92、93種病它其實是無能為力的。所以，真正要達到解決問題，徹底降低醫生的負擔，減少對醫生的數量需求，應該說現在還遠遠沒有到這個時候。

這也就會出現醫療機構還得專門雇一個專業醫生，并攤付額外的成本的現狀。此時，究竟AI對于醫療機構到底是負擔還是幫襯，值得商榷，所以現在很多AI醫療影像設備放在醫院其實是吃虧的，如何將其變成一個剛需是需要考慮的問題。如果全中國的‘AI+醫療公司’能夠形成聯盟，大家可以相互分工，各有所長，而不是都做同一件事情，最后形成某種意義上技術共享，達成一個真正意義上的醫院不需要再雇傭DR醫生的水平，這就變成剛需了。

為輔助醫療機構解決數據標注這一大問題，匯醫慧影打造了全周期的AI平臺，我們的全周期AI平臺目前基本上實現了在臨床過程中醫生可以去使用人工智能技術去做輔助診斷，在診斷過程當中平臺可以生成結果化的報告設計，讓數據比之前隨便寫的報告更加規范化，這些數據到數據銀行，數據銀行會提供一些標注工具，讓它的數據更加規范清晰，然后再轉回到我們的算法平臺。目前，這個算法平臺有一部分現在已經開放給醫生使用，而且算法平臺會根據圖像不斷產生各種各樣算法模型出來，再經過臨床驗證以后，它可以再次恢復到臨床使用場景，所以它是一個數據和臨床應用的全周期。