作為匯醫慧影的聯合創始人兼COO，郭娜是AI醫療影像賽道最早的入局者之一。她感受到的這一次行業“升溫”是由于“影像AI第一股”的爭奪戰在2021年正式打響：瞄準眼底造影分析的鷹瞳科技在年初提交了IPO申請并已通過聆訊，以“肺結節”影像分析切入賽道的推想醫療，率先推出“數字心、數字肺”的數坤科技也先后于8月、9月在港股遞交招股書。

　　CT、核磁共振、腦電圖、心電圖這些人人都熟悉的檢查環節，正在被AI重塑。現在患者去醫院檢查“拍完片子”，根據“片子”給出判斷結果的，可能已經是AI而非醫生了。

　　盡管有多家企業同時沖擊IPO，對于AI醫療影像來說，不看好的聲音也從未停止。對比其他AI賽道，雖然在尋找落地場景方面少走了一些彎路，但“盈利難”的利劍還是始終懸在企業和行業頭頂。從已經公開的招股書中來看，2021年上半年，四家之中收入最高的數坤科技營收5262萬元，但同期凈虧損已達8742萬元。與此同時，國外大廠折戟的聲音不斷，Google Health成立不到三年即宣告解散、IBM Watson Health成立六年后仍未盈利。

　　2018年，北極光投資的創始人鄧鋒曾在“第二屆中國醫療健康產業投資50人論壇年會”上向推想科技的創始人陳寬提了兩個問題：第一，AI醫療領域的壁壘到底有多高?如果新出一個團隊，幾個人花三個月下來就和你差不多，這個是不是壁壘就不是這么高呢?第二，這個產品的商業模式到底是什么樣的?

　　走到扎堆上市的階段，“企業的核心壁壘究竟在哪兒”這個問題再次被提起。從結果來看，現在的AI影像企業在市場占比上沒有拉開明顯優勢，技術水平方面，十九張三類證的“分配”也很平均，產品解決的問題也大多都尚且停留在“提效”層面，總體上還并沒有出現絕對的“領頭羊”，商業模式也尚不明晰。

　　但可以給出明確回答的是，影像AI產品是無法由“幾個人花三個月”完成的，擋在這其中的壁壘——數據、算法、人力，都需要大量的資金支持和時間投入。目前進入這個賽道的投資機構包括紅杉、高瓴、啟明、高盛等明星機構，持續獲得資本支持的公司也確實“跑得更快”：數坤科技成立四年，融資金額超20億;科亞醫療2020年更是連融五輪，已披露融資金額超7.5億元。

　　二級市場的反應如何?易凱資本執行董事沈煜霄認為企業紛紛申報IPO對行業來說是件好事。但也有人有不同意見，“一家公司左一個2個億的研發投入、右一個2個億的產品成本，但是收入卻只有2000萬”，市場會不會認?

　　甲子光年通過多方采訪及拆解四份已公開的招股書，得出以下結論：

　　國內醫療資源失衡，AI進醫院是必然趨勢。

　　影像AI會在不同場景發揮不同功能：在三甲醫院作為提高效率的工具、在基層成為輔助診斷的“助理醫生”。

　　數據能力是AI醫療影像企業的核心能力。

　　醫療影像AI的商業模式尚不明晰，距離進醫保還隔著千山路。

　　多家企業啟動上市不意味著行業成熟，企業間甚至還不會在市場上直接碰面;選擇上市的首要原因是研發端需要持續投入。

　　昨日重現?

　　郭娜總忍不住提醒，AI醫療影像并不是今天才火的。

　　“當年我們這個‘小賽道’里，光做肺結節的就曾經有過兩百家企業，”郭娜回憶起2017年的“盛景”，強調說，“兩百家，你敢信么?”

　　2017年是AI醫療影像迅速攀上的第一個“峰點”，點燃引擎的是當時市場對AI的過熱情緒。

　　2016年6月，在人人都知道AI會下棋之后三個月，IBM就推出了Watson Health醫學影像協作計劃，希望AI能通過對影像結果的精密分析來提高臨床診斷的效率和準確度。這種需求在國內也同樣存在，而且痛點更深、需求更切。國外的放射科醫生可能每天只需要看10位病人的影像結果，但國內三甲醫院的醫生，往往一天平均需要看近200位患者的影像結果。

　　這里面的原因是，中國的基層患者們都會跋山涉水、從縣城去大城市看病。而他們這么做的原因，是他們所在的縣城醫院里，鮮有高水平的讀片大夫。要培養一個高水平的放射科醫生，需要八年、十年甚至更長的時間。這就造成中心城市、三甲醫院的醫生超負荷工作。

　　有什么辦法能讓患者在家門口也能享受優質的醫療資源?醫改推行的“分級診療制度”，就是為了解決這一問題。人們已經為此嘗試了很多種方法，比如“遠程會診”。但是，“遠程會診”的問診流程還是由三甲醫院的醫生來完成，醫療資源并沒有因此而增加，好醫生的工作負荷卻不減反增。

　　安德醫智BioMind董事長梁偉民指出，問題的關鍵“還是在于怎么快速提升基層醫院的診療水平”。2017年，幾個AI出身的年輕人找到學醫出身的梁偉民，說他們想“改善中國的醫療資源結構”。梁偉民將自己關在家里研究了一星期后得出結論，“AI很可能是醫療資源不均衡的解決辦法”，于是決定投資并加入安德醫智BioMind。如果將AI訓練到具備專家醫生的水平，再讓AI進基層醫院，讓縣城的患者也能看上三甲醫院的大專家，那基層患者看病難、三甲醫院超負荷的問題就能得到有效解決。

　　這樣的熱血故事也曾經點燃了資本的熱情。根據IT桔子數據，2018年，AI醫療賽道融資總額超百億元人民幣，融資事件近百起。政策也一直是助推行業發展的重要因素，2016年的“十三五規劃”中就已經提出要推進人工智能技術、開展醫學大數據分析和機器學習的技術研究，重點支持機器智能輔助診斷。2021年推出的“十四五規劃”中，人工智能被劃入“新基建”范疇，智慧醫療被列為重點試點領域。新冠疫情催生的數字化浪潮，更是將AI醫療推上峰頂。

　　市場也因此一度非常熱鬧，尤其是一些三甲醫院的影像科里，很快擺上了各式各樣的AI影像服務器。但當AI公司爭先恐后將“半成品”安裝進醫生的電腦里時，準確度不高讓AI成了“雞肋”。全景醫學影像集團的科研管理中心總監高欣博士回憶說，剛開始用的時候，AI的準確度普遍只有50%到60%。盡管有AI，“醫生自己還得再看一遍”，而且還是幾款產品對比著看。

　　除了準確度，高欣還格外看重AI公司對于數據處理的專業度與規范度。隨著使用時間越來越長，大部分服務器又被搬走，高欣電腦里的AI分析軟件也一個一個被卸載，最終留下來的那個，是他認為“數據做得最好的”。

　　一些公司試圖通過免費策略來搶占市場，但是并沒用。資本的大舉進入沒能“催熟”AI，行業熱度在快速登頂后、又更快速地俯沖下滑。在這一次的一上一下之間，那“兩百家”擠進來的公司中的一大批歸于沉寂。

　　“太著急。”郭娜說起過去幾年的行業發展時總是提到這個詞。在她看來，AI走進基層去輔助診療的方向和邏輯都是正確的，但這件事情“需要時間”。

　　上癮與雞肋

　　“有點上癮。”高欣說，使用過AI產品的醫生，大概率會迷上這個技術。

　　“沒有AI之前，寫一份肺部的閱片報告需要五分鐘，現在AI自動生成，只需要兩秒。”在高欣看來，AI將醫生從重復、機械性的工作中解放出來，尤其為需要負責撰寫大量報告的住院醫師提高了工作效率，醫生的精力可以得到更好的分配。從2017年到2020年，一些AI產品的準確度從60%左右逐漸提高至90%。

　　讓醫生“上癮”的不僅只是AI能快速生成報告，更重要的還是AI快速閱片、降低漏診誤診率的能力。每個患者的肺部的CT檢測造影結果有300多層，醫生需要逐層檢查、排查病灶，平均一天需要看100到200位病患的造影結果。可想而知，不僅負擔極大，也存在一定漏診的可能。他們確實需要AI能來幫忙減輕負擔，更精確地指出病灶位置及大小。

　　在放射科醫生稀缺的基層醫院，對有閱片能力的AI需求更迫切，但是由于基層醫院本身技術水平受限，AI的落地使用成了難題。基層醫院所缺少的，是根據影像結果做出診斷、給出治療方案的醫生。如果AI還沒有和三甲醫院醫生同樣的閱片水平，并沒有解決基層醫院醫生稀缺的核心矛盾。

　　如同高欣，在中心城市或三甲醫院的醫生們，更傾向于認為AI醫療影像未來的作用，“提效”的可能性大于做輔助診斷。能做到輔助診斷的AI，開發難度一定更大，需要的時間更長，要取得臨床醫生的信任也更難。高欣就認為，現階段的AI產品，都只能起到“提高效率”的作用，還不可能直接幫助醫生做診斷，AI是無法取代醫生的。

　　但提高醫生的效率，是不是AI的終極價值?梁偉民認為，AI存在的意義并不僅僅是幫助放射科的大夫減輕工作量，而是要更多地服務于臨床。“給醫生提供更多有價值的信息”。如同放射科在醫院里的存在一樣，AI的價值最終也應該是為臨床服務，為臨床醫生賦能，造福更多的病人。

　　為臨床診斷提供輔助決策，在治療難度更大的病種時價值更大。一個腦卒中患者，發病之后的黃金救助時間只有四到六個小時，就近就醫是患者的唯一選擇。盡管2018年，相關的臨床研究進一步將腦卒中的救治時間窗口從6小時突破至24小時，但醫療資源相對貧乏的地區，腦卒中的救治率還是較低，遠遠低于北上廣。《中國衛生健康統計年鑒》發布的數據顯示，2007~2017年間我國農村腦血管病年平均粗死亡率約145/10萬，高于城市的124/10萬。

　　相比于靜態的肺部CT造影，腦部的核磁共振MRI影像是動態的，環境更加復雜、閱片難度更大，對醫生的要求也更高。如果進入基層醫院的腦部核磁共振的AI影像產品能做到以量化的形式計算出腦內動脈瘤破裂的位置，并估算后續不同治療方案所面臨的不同風險等級，短時間內給出更準確的病情判斷、更優的治療方案，患者得到治愈的可能性就更高。

　　相比之下，單一的“提效”工具只能告訴臨床醫生腫瘤是惡性還是良性，無法進一步給出診斷結果，產品的天花板相對低，價值也有限;而如果AI可以根據檢測結果給出治療建議，例如手術與放療孰優孰劣，AI產品就從“影像科”走出來，走到了臨床階段。

　　“這是AI能真正為臨床提供價值的地方。”梁偉民說，即AI不僅會是輔助檢測的工具，還能成為直接提出治療方案意見的輔助診斷“醫生”。“在醫療體系內，只有做到輔助診斷，產品才能真正走進基層醫院。”沈煜霄說。

　　疫情加速器?

　　2020年的疫情，又推了AI醫療影像一把，對于肺部造影和分析的強需求將影像AI快速推到了政府、市場和個人的眼前。

　　據不完全統計，行業內的近30家AI影像企業在3月內有十余款AI產品快速落地于各個省市的多家醫院。其中有一直在肺部造影方面深入研究的推想醫療、依圖醫療、深睿科技，也有之前一直在顱內發力的安德醫智BioMind。“16天，我們的產品就緊急上線了。”梁偉民說，當時就是要“搶時間”。截止到2020年3月中旬，安德醫智BioMind共向各新冠定點醫院投放了逾140臺緊急研發的CT影像新冠肺炎輔助診斷產品。

　　“進院進程”被疫情按下了加速鍵，比如依圖醫療的產品就迅速落地于武漢、溫州、浙江、重慶等多個地區的醫院，而在此前，這些醫院還不是依圖醫療的客戶。不過對于AI產品的考核，在疫情得到初步控制后才得以進行。2020年7月，由工信部科技司指導、中國信通院負責執行的“肺炎AI影像輔助診斷產品評測”的結果公布，參評的17家AI公司中，大部分企業產品都能較好地篩查出“是否肺炎”，但在具體對于“是否新冠肺炎”的鑒別診斷上，僅有3家的準確率、靈敏度、特異性在80%以上。

　　匯醫慧影則將產品賣到了海外。除了幫助國內的醫生，匯醫慧影的產品在疫情期間還部署到了全球近50個國家，地域覆蓋拉美、亞太、非洲。AI“進駐”一線后，位于國內的“大后方”，還需要與醫院保持密切溝通，不斷升級AI能力的同時，隨時準備應對一線的各種突發問題。比如當時產品初次進入非洲，就遇到了“老得幾乎沒見過的設備型號”，醫院網絡也不穩定。“那也得上，還要保證準確度，那段時間公司是24×7在運轉。”郭娜回憶當時的場景。

　　一開始，匯醫慧影向海外輸出產品是出于人道主義和責任感，不過卻帶來了意想不到的收獲。“泰國的一些醫院還在續約我們的肺部檢測產品。在疫情期間建立聯系的厄瓜多爾、哥倫比亞這些地區也在購進我們的骨折檢測產品。”

　　“出海”是疫情為AI影像賽道砸下的新機遇。2020年以來，國內的AI影像企業都在積極進行海外認證，先后有多家企業在日本、美國、歐盟取得產品認證，在疫情期間也有多款AI產品在海外醫院上線。但沈煜霄認為，產品能不能進入海外，要看產品適用的場景在海外是否存在。比如針對肺結節的篩查，海外的醫療機構較少像中國的三甲醫院這樣大體量、滿負荷，所以基于提升效率開發的產品在海外的應用場景就較弱。

　　郭娜告訴甲子光年，因為地區之間醫療水平的不同，醫療系統之間有一條“鄙視鏈”，歐盟、美國等地區處于金字塔尖，這些地區的醫院會更傾向于用本地的產品。已經取得日、美、歐認證的推想科技，海外收入僅占總收入的2%左右。

　　三類證破冰

　　AI醫療影像落地的更大推手，是“三類證”。

　　2020年1月15日，在農歷新年的前一周，科亞醫療率先撞線，其產品冠脈血流儲備分數計算軟件拿到國內第一張AI醫療器械三類證，緊接著，樂普醫療的心電分析軟件也在2月順利完成審批。有了能“持證上崗”的產品，國內的AI影像賽道稍有回暖。

　　如何進入醫院，此前是AI醫療影像公司的一大難題。即使醫生愿意用，AI影像公司也未必能進醫院，因為在采買決策流程中，醫生群體往往并不掌握話語權。更重要的問題，是AI產品之前沒有“準入證”。鷹曈科技首席科學官陳羽中在公開分享中提到，在產品缺乏監管層面的認證、也沒有第三方來驗證準確度是否達標的階段，僅僅向醫院提供公司自己確認的數據，說服力很弱，“腰桿子不硬”。

　　2018年8月1日，新版《醫療器械分類目錄》正式生效，并首次明確了醫療AI產品劃分標準：如果診斷軟件對病變部位進行自動識別并提供明確診斷提示，必須按照第三類醫療器械進行臨床試驗認證管理。“三類證”成了所有公司要集中資源攻克的難關。

　　為了加速創新性醫療產品的審批進度，國家藥監局還開辟了一條綠色通道，將審批流程縮短了起碼30天。要能進入這條“創新通道”，企業需要通過專利機構的評審來證明自身產品的“創新性”。2019年，科亞醫療、鷹瞳科技、數坤科技先后進入“創新通道”。

　　然而，沒有成熟的審批標準，審批者和被審批者都是“新手”，企業在這條通道上“通關”所花的時間比想象中更久。這一整年，雖然政策監管方面逐漸明晰，但市場上幾乎沒有好消息傳來。

　　雪上加霜的是，2019年谷歌的一款眼底影像檢測AI落地泰國，但由于AI無法識別泰國診所光線條件下拍出的照片，有五分之一的檢測都直接被系統“拒絕”，不僅沒給醫生提效，還給診所帶來了更大的負擔，增加了患者的時間成本。

　　由谷歌這種技術能力強悍的大廠所研發的、已經通過美國藥監局審批的產品，都無法高效地用于臨床，AI影像產品是否只是個聽上去高端的“花架子”?市場本來已經在下滑的信心持續下跌。

　　好在國內三類證的零突破及時挽救了趨于冰點的市場信心。截至2021年9月，共有十九款產品拿到了三類證。根據AI的功能不同，這十九張證可以被大體分為“輔助診斷”“輔助檢測”“分診與評估”三類。其中“輔助診斷”能夠直接為醫生提供診斷建議，開發難度最大，臨床價值也最高;“輔助檢測”“分診與評估”的主要作用是幫助放射科醫生提高效率。

　　但進了醫院，不意味著萬事大吉了，緊接著的問題就是影像AI在醫院該怎么收費?美國的“按使用量收費”的模式是否適用?以及這些費用能不能進醫保?盡管有不同的產品和企業都已經在做嘗試，但沈煜霄和梁偉民都認為目前中國醫療人工智能企業的商業模式還在摸索階段。

　　以進醫保為例，“CT、核磁共振的結果對應到針對人體各器官，可能會被用來判定幾十種乃至數百種的疾病，如果每個單病種AI都收費，那掃一次排除一個病，費用對于患者太高。”梁偉民認為，無論是對患者、醫院還是對醫保基金來說，根本問題還是沒能解決臨床實際問題。

　　數據爭奪戰

　　賽道回暖的同時，一個舊問題又浮出了水面：想在AI醫療影像賽道率先突圍，企業需要具備什么核心優勢?

　　2021年5月，谷歌團隊發表了一篇名為《Everyone wants to do the model work, not the data work”: Data Cascades in High-Stakes AI》的論文(虎嗅此前曾轉載了對此文的介紹文章)，文中著重強調了，數據是AI的地基，但卻因為被看作是更基礎的工作，而通常被忽視其重要性。

　　“哪有人工智能公司?”郭娜說，早兩年，這個行業里都是人工公司。因為醫療影像上的數據標注都得靠人力，“一個一個標。”

　　讓郭娜和團隊最“痛苦”的“標數據”的過程，是所有AI公司都需要經歷的階段。“一時半會兒學不會。”自稱“完全不懂AI”的梁偉民特別提到，大部分醫院并沒有留存病人完整的檢查視頻影像資料。CT、核磁共振都有影像資料，但是能直接拿到的數據量很少，所以短時間內AI的訓練量達不到，準確度不可能高。

　　要讓AI學會“閱片”，首先要“喂給”它足夠多、足夠精準的“教程”，而保證“教程質量”的這個環節，只能靠有專業背景的人力來把數據整理成AI可以理解的結構。從拿到原始數據到把數據變成AI可用的訓練集，人力和時間的投入必不可少。匯醫慧影當年曾經找了眾多專家來制定數據標注的規則，而另一個大房間里坐滿了他們請來的有醫學專業出身的人，關在房間里標注數據。這并不是孤例。安德醫智BioMind的研發團隊超過200人，其中僅與天壇醫院的合作，就投入了超過80人的人力。

　　2017年AI醫療影像熱潮的興起，一個推動力是美國國家癌癥研究所(National Cancer Institute)發起了開源數據庫LIDC-IDRI(The Lung Image Database Consortium)，這個數據庫收集了1000多例醫學圖像文件。曾經有人認為，有了開源數據庫，那么就可以訓練AI了。但是，開源數據庫的數據多有殘缺，常常是有影像缺病理、有病理缺診斷，根本達不到AI完成訓練的要求。

　　訓練AI要哪些原始數據呢?光有影像結果不夠，還需要結合病理數據和醫生的最終診斷。以肺結節的診斷為例，首先，要在影像結果上看到腫瘤存在;其次，要判斷腫瘤大小、是良性還是惡性，這一步就不能只依賴影像結果，還需要病理數據;最后，如果是惡性腫瘤，還得學會判定是哪種癌癥。

　　這也決定了，僅僅和醫院的影像科合作也達不到要求，更不用說只是從放射科醫生手里拿到一些影像資料。要想獲得足夠數量的高質量數據，還是要回到醫院，與醫院建立長期穩定的合作關系。沈煜霄告訴甲子光年，評判AI醫療影像企業的一項重要指標就包括“和哪些醫院建立長期合作關系、醫院的數據授權模式具體是什么樣的”。

　　這是否意味著和越多醫院建立合作關系，AI的水平就越高?答案是，并不是。在保證訓練集數量的基礎上，數據集是“貴精不貴多”的。

　　沈煜霄強調，AI醫療影像公司的目標，應該是能和頂級醫院建立長期合作關系。因為名師才能出高徒，學生水平的天花板由它的老師的能力決定。神經病學領域權威雜志Neurology在2017年發布的一篇文章顯示，急診科室的腦血管疾病誤診率范圍在24%~60%之間。如此大的差距，醫生水平的高低是決定性的因素。

　　但要獲取院內數據、讓AI能跟著頂尖專家學診斷，企業們眼下還得解決數據安全的問題。我國對于醫療數據的管控一向十分嚴格，而且未來會越來越嚴。《數據安全法》于2021年9月1日正式施行，進一步加速了醫療行業數據合規的緊迫性。往后，和單個醫生或醫院影像科合作的模式是否還走得通?就得打個問號了。不過目前在具體的實施層面，仍有一些模糊地帶界定不明，比如作為第三方使用醫療數據是否需要獲取患者本人同意?需要通過什么程序獲取同意?這也給AI企業帶來了一些隱性風險。

　　如果要爭取到和頂級醫院的合作，就得保證數據安全。安德醫智BioMind的解決方案是“數據不出院”，直接將服務器、研發人員全部打包送進合作醫院，所有產品開發的工作都在院內進行。匯醫慧影則在已脫敏的數據出院時又加了一道“AI自動脫敏”程序，盡量確保數據的敏感信息不被泄露。

　　遠不到“跑馬圈地”期

　　2016年，推想醫療的創始人陳寬帶著團隊的三個人在四川省人民醫院外租了一間小屋，天天抱著電腦去醫院“上班”。“泡在”醫院的日子里，他更清晰地看到了放射科醫生超負荷“運轉”的工作狀態：一半以上的放射科醫生工作時間在8小時以上，每個醫生每天要看100到200例患者的CT結果，其中肺部CT數量最多。

　　數據多、需求大，對于影像AI的訓練、推廣都是利好條件，這也是首先選中“肺部檢測”的公司數量最多的原因。除了推想醫療，融資分別至C輪、B輪的深睿醫療、聯影醫療也先后在2021年取得了三類證。

　　從細分場景切入賽道，是絕大多數AI影像企業的思路。在陳寬看來，“醫療環節都是細分的”，只做幾個細分場景，做深做透、做到世界第一，也一定能夠成為千億市值的企業。

　　但是眼下，即使是在單一細分場景內，距離“做深做透”也還有很遠的距離。取得三類證的幾款肺部檢測AI，都只能針對單一病種“肺結節”做出判斷。而只能判定單一病種的AI在實際的醫療場景中存在不合理性：如果患者去醫院看病，大夫肯定是說“去做個CT”，而不是“去看看有沒有肺結節”，如果結果是“沒有肺結節”，那么閱片流程就還是回到了“老路”，要由醫生來完成。

　　解決這一問題將是推想醫療接下來持續發力的產品方向，根據招股書，推想醫療接下來會由AI肺結節為突破口繼續深入，從只判別“是否肺結節”轉化為對肺部全方位輔助診斷的“CT肺”。而要通往“千億市值”，只靠肺部檢測產品不夠，持續推出針對不同器官的產品也是必走的路線。招股書中的產品進度表披露，推想將進一步把產品線擴展至心、胸、肺、腦等多個部位。

　　率先拿到“骨折X光輔助檢測三類證”的匯醫慧影，則從成立初期就更看重產品矩陣的搭建。郭娜特別提到，要想打動醫院，就要能根據不同的市場需求從豐富的產品矩陣中拿出適配的產品。比如，在非洲等醫療欠發達地區，醫生會需要AI來輔助判定是否骨折;而日本國立腫瘤醫院的醫生則更需要一個提供AI技術支持的科研平臺。

　　不同于單病種切入，安德醫智BioMind的產品思路是以不同醫療設備的應用場景為原點，直接根據掃描結果來判斷病種。“要能告訴醫生是什么病”，梁偉民強調。安德醫智BioMind的產品“顱內腫瘤AI輔助診斷”已經完成了27種顱內腫瘤的??智能診斷研發，并拿到了“顱內腫瘤磁共振影像輔助診斷軟件”三類證，這是國內首張顱內檢測且功能為輔助診斷的AI三類證。

　　如果肺、腦、心都由不同的AI來完成，那一間放射科檢查室內，會不會同時有好幾個AI“常駐”?雖然這種情況現在確實存在，但一家醫院引入多種影像AI，既不是醫院所希望的、也不是企業的愿景。起點雖然不同，但現在的影像AI企業的最終目的都是從一個產品開始，逐漸“包圓”整個醫院，用一個AI平臺來檢測、診斷所有病種。

　　以“包圓醫院”為最終目標，哪種發展思路機會更大?既然都想搶先一步將產品送進醫院，是不是企業之間要開始直面競爭了?“根本碰不著”，郭娜說起現在和其他企業的競爭情況，“還早吶，行業才剛剛、剛剛起步。”

　　對于行業競爭格局，甲子光年的多個采訪對象都給出了和郭娜相同的回答。中國的醫療市場極其廣闊，以現在的產品來看，做肺部造影的和做腦部造影的就完全“碰不著”。即使是同樣做肺部造影，廖廖幾家企業要面對的是國內逾萬家公立醫院以及近兩萬五千家民營醫院。“還遠遠不到跑馬圈地的階段。”

　　“外界看我們是上上下下，但我們自己來看是這樣的”，郭娜又畫出了第二條非常平緩的爬坡軌跡，“行業才剛走出一小段。”AI影像企業的向上攀行才剛剛開啟。