近年来，“数字化”逐渐成为医疗器械领域的热点：AI、5G、区块链等技术的发展，加上政策利好释放出的广阔基层医疗市场空间，通过数字化实现医疗影像行业的跨越式发展已经成为业内广泛共识。
然而，在推进医疗影像数字化的征程上，利益分配格局不平衡、技术研发瓶颈及业务模式的迭代等因素应引起业内从业人员的重视。
医疗影像数字化：多方利好下的隐忧
目前，政策利好与数字化产业布局也形成了一套“组合拳”，呈现出医疗影像行业发展的完整逻辑：
▲政策与数字化产业布局共同应对医疗影像存在的问题
▲医疗影像数字化医院的共同需求
毫无疑问，医院都有推进医疗影像数字化的动力：
对上游企业而言，数字化技术将实现影像设备的智能化、集成化发展，企业不再单纯出售设备，还将通过产品的数字化技术特征实现更多业务场景及盈利模式创新。医院而言，影像设备的数字化不仅将提升诊断与诊疗效率，还能提供更多辅助功能，更有利于成本管控；此外，医院提升营收提供更多想象力。
但是，新事物在实践中的发展不是一蹴而就的。当前，医疗影像数字化正面临以下几个方面的问题：
医院利益不易协调：虽然影像数字化医院整体利好，医院，则会产生因利益壁垒导致的“数据孤岛”问题，这在云PACS的推广上表现十分明显；数字化技术尚不成熟：实践中，医院对于引入数字化产品的要求十分严格，这也意味着医疗数字化产品在实现“走量”之前，需要经过漫长的打磨迭代，目前医疗影像AI产品正在经历这一痛苦的“蜕变”；数字化业务模式迭代本身是一个残酷的淘汰过程：业务模式创新的过程也是技术、资本、人才等资源的动态博弈。多方的角逐使“数字化”这个不带情感的词语显得更加冷酷，未来，第三方影像中心将迎来更加激烈的竞争。
PACS：医院间壁垒？
PACS（PictureArchivingandCommunicationSystem），即医学影像存储与传输系统，由计算机、网络、存储器及软件构成，结合了医学影像学、临床医学、图像处理技术、计算与网络通讯等学科与技术，是医疗影像数字化的重要组成部分。
如今，PACS已经普遍替代了传统的胶片，医院影像资料存储与传输的主要途径。临床路径上，PACS系统前端对接来自CT、MRI、DR、X线等影像设备的图像资料，再传输给临床终端、远程终端或影像存储中心。
▲PACS是影像数字化重要环节
PACS实现了影像资料无胶片化存储，及资料远程传输共享，对于互联网远程医疗、分级诊疗都具有重要的意义。
一、云PACS成为当前与下一阶段发展趋势
随着高精度仪器的更新换代及患者信息数据采集的日益丰富与复杂，PACS存储的影像资料容量不断增加，精度要求也越来越高。数据采集、存储空间不足和数据共享存在壁垒的问题日益凸显，PACS云端化成为业界应对这些问题的共识。
▲云PACS的基本业务形态
目前，我国PACS整体渗透率约为50%，基层医疗机构的PACS建设则更不完善。从医院本身的PACS安装量看，目前全院级PACS主要集中医院，而二线城医院仍停留在科室级PACS阶段。
而要实现云PACS，则有两种途径：对现有PACS系统实现云端化改造和直接构建云PACS。前者适用于上述已经安装了PACS医院；后者则医院更加有利。
从成本角度看，目前一套完整的院级PACS成本约为万元，医院来说是一笔巨大投入，而云PACS低投入、按量付费的特点可以有效满足基层医疗机构的需求，具有一定市场前景。
医院的PACS还是对已有本地PACS进行云改造，云PACS的要求则是一致的，即理想的云PACS系统应该能有效实现本地PACS和云端PACS系统同步更新，双向互动，保证数据存储的实时性。
二、数据共享不仅仅是技术问题
云PACS的实现将沿着私有云PACS-混合云PACS-公有云PACS的路径推进。
目前，云PACS还面临数据标准不统一等方面的技术瓶颈：
从不同的影像设备汇集到PACS中的数据格式与质量参差不齐，而数据分析和输出结果的可信度在很大程度上取决于收集到的数据质量的高低，没有数据的准确性保证，大数据分析就变成了一纸空谈。
除了一定技术瓶颈外，医院之间的壁垒也是造成当前影像数据“孤岛”现象的重要原因。理论上，医院间的影像数据实现共享，建立区域乃至全国范围内的PACS平台，将更有利于数字化效应的发挥，而目前云PACS主要以院内建设为主，即私有云PACS。
当前，医院之间的数据互通与共享既存在行政上的障碍，也存在其他利益方面的冲突，所以，区域与区域、医院之间，还是存在一定医疗数据的壁垒。医疗影像数据的共享也受到一定影响。
目前，私有云PACS的数据主要为体检系统等非医疗核心内容。随着云计算技术的成熟，及分级诊疗、影像中心的进一步发展，医院逐渐向混合云PACS迁移，仅保留部分核心数据。随着院外业务场景的进一步成熟，未来，公有云PACS医院的主流选择。
当然，这一路径也对云PACS服务商在技术、团队、资金等方面提出了更高的要求。所以，按照这一路径，未来国内云PACS企业也将面临一次“大浪淘沙”式的筛选。
AI技术+医疗影像：技术短板限制了产品推广
PACS/RIS和第三方医疗影像中心在时间与空间上推动了医疗影像的数字化，但最终还需要落实到影像诊断的数字化，而AI技术正在这一方面发挥着日益重要的作用。
在实践中，医院的影像诊断主要由放射科医师承担，但数据显示，我国放射科医师数量的年增长率约为4.1%，而医学影像数据的年增长率则为30%，巨大缺口带来的是医生负荷过重及相应的漏诊、误诊率的增加。
AI技术的意义在于提升医生的看片效率，进而缓解医护供给与供需落差等问题。
当前，AI+医疗影像获得来自资本方面的青睐，相关数据显示，截止年7月，中国市场家活跃的医疗人工智能企业中，开展医学影像业务的企业即有57家，占比45%。
虽然AI+医疗影像成为各方追逐的热点，但数据与算法等技术短板在一定程度上制约了当前AI类产品的大规模推广。
一、数据收集与标准化难题制约着AI产品的爆发
对AI企业来说，数据获取与算法是发展的关键，这一特征同样反映在医疗影像中，其中，医疗影像数据的获取与标准化成为困扰当前AI企业的痛点。
1.数据收集难：分散又敏感
AI+医疗影像首先要克服的问题是收集分散的影像数据。数据分散的原因在于AI企业一般先根据病种来确立研发方向，医院建立合作。企业的这一围绕病种进行研发的思路使的数据医院的某个病种，故整个行业的企业分布、数据收集都呈现分散的形态。
在数据分散的情况下，数据的“归属性”问题也是摆在AI企业面前的一道难题。医院和AI企业来说，哪些数据可以被用于训练是一个很敏感的问题。一个经典案例就是DeepMind公司，尽管造出了Alphago，但却因为提供了万用户的医疗数据而身陷官司。
在我国，医疗数据的归属权、管理权和使用权同样是一个敏感问题。企业获取数据是否合法、使用是否合规尚有待政府的进一步明确。
一些区块链企业尝试通过加密算法的方式对病人数据进行加密、确权，以应对数据归属可能产生的纠纷，但短期看，这一问题仍将对业内参与者造成困扰。
2.数据统一难：多源数据标准不一
对于医疗影像AI企业来说，数据的量固然值得