在閱讀此文之前，辛苦您點擊一下“關注”，既方便您進行討論和分享，又能給您帶來不一樣的參與感，感謝您的支持！
國家衛生健康委等五部門去年發了個文件，說要在2030年實現基層診療智能輔助應用全覆蓋。
這個政策背景下，人工智慧醫療影像算是人工智慧在醫療領域落地最早的場景之一。
但現在行業里有個挺怪的現象，明明能創造不少價值，商業回報卻一直上不去。
AI醫療影像的技術發展其實挺快的，90年代剛起步時，也就是計算機輔助診斷的初級階段，能做的不多。
2017年卷積神經網絡技術一突破，這行才算真正跑起來。
當前頭三甲醫院里，AI影像輔助用得不少，光拿到恩德瓦三類醫療器械註冊證的產品就有100多款。
技術進步確實肉眼可見，臨床價值方面，AI影像真沒少幫忙。
以前影像科醫生看一份病例，怎麼也得近30分鐘，現在AI輔助下5到10分鐘就能搞定。
像肺結節檢測、骨折識別這些常見項目，漏檢率比人眼還低。
不光診斷快，治療環節也能插上手，比如放療時的靶區勾畫，以前要幾小時，現在幾分鐘就完事。
這效率提升確實挺明顯的，不過說到經濟價值，就有點讓人摸不着頭腦了。
有人算過，全國14萬三級醫院影像科醫生，要是AI能幫他們省一半時間，一年能創造約130億價值。
但現實是，2020到2024年整個行業商業收入加起來還不到30億。
這種落差，估計不少人都沒想到。
AI醫療影像的“叫好不叫座”困局
造成這種落差，技術同質化是繞不開的問題。
現在搞個能實現基礎輔助功能的“小模型”，門檻真不高，幾千例標註數據就能訓練出來。
就拿胸肺診斷這個場景來說，數坤、推想、深睿這些企業都在做，再加上其他玩家，100多款獲批產品擠在一個賽道里。
更麻煩的是，不少企業為了搶市場，一開始就搞“免費試用”，結果醫院用習慣了，付費意願反而越來越低。
付費機制的缺失，更是讓AI影像產品“落地難”。
現在AI輔助診斷還沒進醫保目錄，患者肯定不會主動掏錢。
醫院這邊呢，三乙及二級醫院影像科全年檢查收入也就百萬級，買CT、核磁共振成像這些硬件設備都得精打細算，軟件採購預算自然得往後排。
科室層面也有自己的小算盤，AI影像不是非用不可的剛需，採購優先級根本拼不過那些直接提升檢查能力的設備。
企業的日子也不好過，就拿鷹瞳科技來說，2024年收入1.5億元，光銷售費用就佔了近50%，最後還凈虧損2.6億元。
這還算是行業里有點名氣的，那些非頭部企業，年收入能到千萬元級就算不錯了，研發成本都未必能覆蓋，只能靠融資輸血維持運營。
這種“研發投入多、盈利見不到”的模式，能撐多久真不好說。
從技術到生態，破局的三個關鍵點
要打破這個困局，技術得先往上走一步。
現在主流的CNN模型，局部細節看得准，但缺了點全局視野。
比如看全身正電子發射計算機斷層掃描時，它很難把骨轉移和原發腫瘤的關係捋清楚。
而Transformer模型就不一樣，自注意力機制能讓它“顧全大局”，還能處理影像、文本、基因這些多模態數據。
這意味着AI影像可能從“輔助診斷”慢慢向“獨立診斷”靠近，疾病良惡性判斷準確率能再提一截。
數據是另一個必須啃下的硬骨頭，Transformer模型訓練，沒十萬到百萬級的標註數據根本玩不轉。
可像葡萄膜黑色素瘤這種罕見病，全國一年也就幾萬例病例，數據從哪兒來？更別說影像、病理、基因這些數據還得對齊，跨機構共享又受隱私法規限制。
好在現在有不少新思路，比如用自監督學習減少對標註的依賴，聯邦學習讓數據“可用不可見”，或者用合成數據填補罕見病樣本的缺口。
最後還得靠生態重構
政策層面，咱們國家正在推區域醫療數據平台建設，這對數據標準化是好事。
行業內部也得抱團，醫院聯盟、企業和科研機構可以一起搭數據治理體系，比如搞個三甲醫院聯邦學習合作網絡。
長遠來看，AI影像不該只停留在單一環節，得往全流程診療大模型發展，從篩查、診斷、治療到隨訪，形成一個完整的閉環。
AI醫療影像的價值創造，現在就卡在“技術同質化-商業變現難-數據壁壘”這個循環里。
未來能跑出來的企業，大概率是那些把Transformer技術吃透、數據治理能力強的玩家。
其實醫療AI遇到的這些問題，對其他AI垂直領域來說，說不定也是個參考，畢竟數據協作和商業化路徑，很多邏輯是相通的。
【免責聲明】：本文創作宗旨是傳播正能量，杜絕任何低俗或違規內容。如涉及版權或者人物侵權問題，請私信及時聯繫我們（評論區有時看不到），我們將第一時間進行處理！如有事件存疑部分，聯繫後即刻刪除或作出更改。