变现场景和商业模式多样化
仅就医疗图像智能识别而言，潜在的变现方式包括：作为单独的软件模块向医疗机构销售、与PACS等系统合成向医疗机构销售；与CT、X光机等设备合作形成软硬件一体化解决方案向医疗机构销售；通过远程医疗等方式服务基层医疗机构；通过互医疗影像创业公司处于发展初期。
目前国内在该领域的创业公司大概为59家。随着行业的发展，市场参与者的数量将首先不断提升，最后由分散走向集中。随着行业数据整合与共享机制的建立、模型训练的成熟、商业模式的确立，以及部分企业CFDA认证的率先通过，先发企业将逐步建立技术壁垒和商业壁垒，推动市场走向集中。
从变现对象看，基层医院因为治疗水平，医疗资源缺乏，付费动力最强；而大医院虽然医疗资源丰富，但由于门诊住院量高，具备通过智能化应用提升工作效率的需求。
在此背景下，基层医院具备按次付费的需求基础，而大医院更容易接受软件服务费作为付费形式。随着第三方影像中心的崛起，将也会对智能影像诊断产生需求。
医学影像AI也有短板
①AI产品往往只是集中在少数几个病种，难以覆盖全部医学影像问题。
②众多人工智能企业和机构采用的训练数据集标准多样，系统偏差较大，行业缺乏医学图像和疾病征像的统一认识。
③业内缺乏对数据使用标准的判断依据，在现有的法律基础上寻找合规使用和分享数据的渠道，也是迫在眉睫的一件事情。
④在医学影像AI模型检测阶段，也会存在生产过程不规范，模型效果和安全性缺乏公正评价，缺乏产品检测标准库和评价体系，缺乏相关法律法规、质控检查和管理制度等问题。
⑤医疗健康是风口，人工智能也是风口，两个风口放在一起就可能出现泡沫。多数的医生是非常有经验的，AI对于他们来说更多的是辅助，主要作用在给他们进一步的确认、以及提高他们的诊断效率。
应对弊端的解决方法
国内监管审批会加速，影像 AI 产品上市前质量评价体系逐渐形成。2017 年 FDA 和 CFDA 都设置了专门针对医疗 AI 的审评部门，足以显示对医疗 AI 重视程度和开放态度。目前中检院已经召开 AI 标准测试数据集眼底和肺癌建设会议，公开征集标准测试数据集，建立测试数据集和客观评测方法，推进产品上市前质量评价。
初期AI刚应用于医学影像领域，医生群体的接受度还不高，有些人还持怀疑、抵触的态度，但随着AI临床表现不断提升、医生AI研究学术上不断有高质量成果产出、加之大环境的影响，将有越来越多的医生由被动转为主动拥抱AI，临床更多需求将释放，会产生更多细分领域的机会。
除了医学影像 AI 应用外，医疗领域还存在一类可统称为医学图像的数据应用。这类数据虽不是设备直接成像的结构或功能影像，但是可以间接形成能够供计算机判读的数字图像，比如检验和病理科室显微镜下视野经数字化后形成的图像， 以及心电、脑电等电生理信号形成的图像都有机会借助 AI 来实现智能化的分析和解读。
结尾
AI技术只是一种技术手段，而不是最终目标。未来医疗AI企业会逐渐整合，只有给医院一个相对完整的打包方案，至少帮科室解决一个领域的大部分问题，也许这个行业才能迎来春天。
在整个医学影像的云计算中，利用算法增加连接性，利用深度学习挖掘影像数据的价值，在更多的维度中挖掘原来浅关联或弱关联的关系，利用三者的关联大大提高医疗诊疗效率，并达到精准医疗。大量数据的积累、高性能的计算环境、优化的深度学习方法，三者资源互相结合并不断调配的模型，正是人工智能的魅力所在，也是未来医学的方向。
