AI-AI醫療影像在小數據多有突破，但仍仰賴商業模式和通路的突破

TAcc+新創分析師 許雅音

自2017年以來，運用AI技術辨識醫療影像的新創公司，已獲得22億美元以上的投資。但該領域，無論是技術上或商業模式上都有一些繞彎路的歷史，值得新創公司借鏡。

• AI醫療影像辨識的新創領域，重點不只在技術，更要著眼商業模式與通路合作夥伴 — 2021年1月，史丹佛大學研究團隊提出一個AI技術運用在醫療影像判讀的驚人研究結果：無論是否透過主流的大型圖像數據庫ImageNet強化演算架構 (Architecture improvements)，對於提升胸部X光片的判讀模型的表現非常有限；亦即2017年以來認為運用ImageNet數據庫結合深度學習(Deep learning)的方式進行預訓練(pretraining)能夠得到更優異性能的演算法的假設被打破了。探究其主要原因則是醫學影像與自然影像的本質差異，同時也突顯了小型資料庫的優勢。這樣的結果，除了影響後續探討其他領域醫學成像判讀的預訓練成效外 (例如骨骼、乳房、心血管、肝臟等)，也將使得其他運用ImageNet數據庫開發醫學影像辨識的技術與程序有所調整。

除了技術面的驗證與演進外，AI辨識醫療影像新創公司的商業模式，也嘗試過多種路徑，一開始多為採取一次性(perpetual, one-time)的銷售模式，但隨著營運的壓力，及Cloud-based AI解決方案的興起，愈來愈多新創公司改採取訂閱制(Subscription)或按次收費(fee-per-study (FPS) model)的商業模式，例如Caption Health開發的心臟掃描儀器透過軟體和硬體結合，打造易於學習的超聲波設備，醫院則是需要支付軟體許可的年費；而另一家新創公司Zebra Medical Vision 則是憑藉其AI1 (All in one)的解決方案，每次掃描與判讀，收取客戶1美元的商業模式進行推廣，雖然這類型的醫學成像商業模式在市場上尚未得到有力的證實，大量的小批量客戶的行政成本也有可能提高，但有望透過低價吸引足夠的客戶。在商業模式百家爭鳴的AI醫療影像辨識領域，唯有了解前人失敗的原因及不斷試誤，才能總結最適合自身的商業模式。

在AI醫療影像辨識領域，除了技術和商業模式外，也需注意到醫療領域是個特別的分野，策略合作是打入該領域通路的關鍵環節，大部分新創公司在切入市場時，應關切醫療產業價值鏈上的通路，並試圖與利害關係者取得夥伴和戰略合作關係。因此，想要在AI醫療影像辨識新創領域嶄露頭角，除了技術，還需要更關切商業模式，及通路合作夥伴。

參考資料：

• “AI trained on popular ImageNet dataset falls short during x-ray interpretation tasks,” HealthImaging, 2021.
• “Stanford Study Says Higher ImageNet Performance Does Not Improve Medical Image Interpretation,” Synced, 2021.
• “Market Analysis for AI in Medical Imaging Industry,” WISPRO, 2021