文 | 鏡知

編輯 | 尹莉娜

近日，醫療影像AI企業第一股登陸港交所，這一賽道的熱度再次被點燃。行業內，各家企業不斷豐富自己的產品線，排隊等待上市。除了眾所周知的肺結節篩查競爭白熱化，基於冠脈CTA的智慧後處理領域也開始內卷。

隨著“精準治療”概念的強化，臨床上FFR（血流儲備分數）、IVUS（血管內超聲）等檢查的開展率日益提高。FFR是冠脈功能學檢查的金標準，但由於FFR檢查需要使用壓力導絲介入；手術有創、價格昂貴，且部分患者會存在藥物不耐受。於是，無創、智慧的CT-FFR（冠脈CT血流儲備分數）應運而生，成立於2007年的美國公司Heart Flow是這一檢查的開創者。

2021年4月，由睿心醫療研發的無創冠脈供血功能評估平臺——睿心分數，獲得NMPA批准的三類醫療器械註冊證，取得了上市資格。經過330例前瞻性臨床試驗驗證，睿心分數的血管功能評估準確率達92%（與導絲FFR對照），資料在業內首屈一指。

目前，國內企業涉及影像FFR測算業務的已有十餘家，各家技術存在頗多不同。針對CT-FFR而言，透過AI深度學習或流體力學模擬計算的路徑爭議也一直存在。從2017年12月成立到拿到三類證，睿心醫療僅用了三年時間，其之所以能夠脫穎而出，與創始團隊的技術積累息息相關。

那麼，CT-FFR的技術難點到底是什麼？在計算血液流動狀態這一環節，為什麼睿心分數選擇流體力學計算、而非AI深度學習？這一創新產品的臨床應用場景、可落地的商業模式又有哪些？近日，《財健道》專訪了睿心醫療創始人/執行長鄭凌霄、首席科學家蘭宏志、營運長劉曉揚，嘗試深入解釋與CT-FFR相關的系列問題。

01 技術：融合AI、流體力學模擬的優勢

《財健道》：CT-FFR這一產品的技術難點是什麼？睿心分數能夠快速獲批醫療器械三類證，技術壁壘有哪些？

鄭凌霄：CT-FFR關鍵的技術有兩步，第一步，有了冠脈CT影像後，將冠脈樹模型建立出來，這要用到冠脈分割影象演算法；第二步，有了冠脈模型後，利用生物流體力學模擬計算技術，算出血液在血管裡的流動狀態，得到FFR值。

睿心分數在這兩個步驟上都有技術突破和最佳化，第一步選擇AI深度學習演算法，我們對標的美國企業Heart Flow成立時間比較早，使用的是閾值法、水平集法等比較傳統的影象演算法。當然現在用深度學習做影象分割的企業很多，為什麼睿心抓取、建模可以更準確？因為我們使用了雙層的深度學習。

通常的影象分割只是做到畫素級，對於冠脈CT而言，一個畫素點約0.4-0.5毫米，而成人的冠脈直徑大多是2-5毫米，除下來也就是幾個畫素。如果一兩個畫素有偏差，不影響醫生從形態學角度判斷狹窄程度，但在功能學上，卻會對冠脈供血功能的分析計算產生巨大的影響。

因此睿心研發了雙層深度學習網路，在畫素級提取冠脈管腔的基礎上，把血管中心線也抓取出來，沿著中心線再做橫切面、進行深度學習，這個精度就達到超畫素級的效果，這也是睿心測量FFR值的準確度能領先全球的原因之一。

蘭宏志：其實在雙層深度學習的基礎上，睿心分數還有第三層的靜脈分割。業內有不少同類產品也提取出冠脈樹，如果提取出的冠脈樹分支不夠多，沒有體現出每一根血管供給的心肌範圍和需血量，那基於這樣的影象模型，計算的FFR值可能偏差比較大。

但完整抓取存在一個技術難點：冠脈樹模型只需要動脈，不需要靜脈；提取儘可能多的冠脈，可能會存在靜脈粘連，影響計算結果。因此睿心研發了靜脈區分剔除的演算法，使得非冠脈組織無法進入模型，保證冠脈樹模型完整且乾淨。

第二步，睿心選擇的技術路徑與Heart Flow相似，都是計算流體力學（CFD）的方法，透過求解流體力學方程得出FFR。無論病例的冠脈長什麼樣子，或者做了搭橋、放了支架，血液流動的物理規律是恆定不變的，所以說透過流體模擬，是非常科學、合理、可解釋的演算法。

《財健道》：計算流體力學的路徑要消耗巨大的算力，此前Heart Flow計算一例也需要4-6小時，那在這一步為什麼沒有選擇AI深度學習的方法？

鄭凌霄：首先，Heartflow耗時巨大，最根本的原因是因為影象分割演算法不夠強，導致質檢流程中需要的時間非常長。睿心醫療利用多層深度學習網路，在保證準確率的基礎上從根本上解決了這一問題。其次，第二步計算FFR值中應用AI深度學習計算，概念並不複雜，也確實壓縮了一點時間。但深度學習的“黑匣子”屬性，在這一環節完全沒辦法控制。

FFR值的測量計算，與肺結節、眼底糖網篩查、冠脈CTA的結構化報告等差異很大，肺結節等是人可以感知、判斷的；但FFR的流體力學模擬計算，要透過解成千上萬個偏微分方程、才能得出結果，這是人腦沒辦法識別的。所以如果深度學習沒有訓練到的話，在臨床上可能會有相當大的風險。

蘭宏志：另外關於訓練AI演算法的資料集，三四年前FFR在國內的檢測量非常少，醫院裡能觸及的資料並不足以訓練AI。所以當時一些CT-FFR論文發表時訓練AI的方法是，先通過幾百例有導絲FFR檢測建立演算法模型，再對模型進行改變，比如血管狹窄，透過移動狹窄位置、調整狹窄程度等，生成上萬個模型；在這些模型的基礎上，利用流體力學模擬計算得到FFR；再拿模擬計算出的結果來訓練AI演算法。相當於訓練集的資料經過了兩次虛擬，這樣的訓練集質量值得商榷。

《財健道》：AI深度學習“不可解釋”的侷限確實存在，但這會影響到CT-FFR計算的準確性嗎？

蘭宏志：首先，AI演算法的適用範圍，受限於訓練集裡的資料是否有足夠的量和代表性。真實的臨床病例複雜程度非常高，僅有幾百例真實資料的話，可能像心肌橋、冠脈起源異常、做過心臟搭橋等情況都不在演算法訓練集，那這時候演算法的合理性、準確度就值得懷疑。而且像剛提到的，CT-FFR的結果出現假陽或假陰，無法透過醫生目測來複核，所以臨床上可能存在重大安全隱患。

但像睿心分數透過計算流體模擬，針對不同的患者型別，就會有不同的引數調整，比如心肌橋患者，他可能會有微迴圈障礙，這一情況就需對邊界條件引數進行重新規劃和計算。但如果AI訓練資料集裡沒有足量的此類案例，那AI演算法對於這類資料就存在較強的不確定性，可能無法保證預測的準確度。

《財健道》：像您說的情況，是說可能存在個別案例計算不準確，還是存在系統性偏差？

鄭凌霄：會有系統性偏差。我們與同類產品做過對比，比如一個血管狹窄度非常高、接近閉塞的病例，睿心CT-FFR的結果和導絲FFR測量的結果都是0.4，但同類用深度學習計算的產品結果是0.7。儘管都是陽性的結果，但0.3這樣一個巨大差異還是不得不正視。如果是沒有被深度學習訓練過的案例，數值偏大的結果可能就會造成假陰性或者假陽性，這就比較危險。

蘭宏志：我們拿一些案例跟同類產品做過頭對頭的試驗對比，發現AI預測的FFR值曲線與實際測量的值也不太一致。AI預測的曲線是前高後低，也就是血管比較粗的地方，計算值偏高；血管比較細的地方，計算值偏低。在臨床上，醫生更關注比較粗的血管的供血能力，這部分FFR計算值偏高的話，可能會形成系統性的假陰性。

《財健道》：參照有導絲FFR的測量值，睿心CT-FFR公佈的準確度是92%，同類產品臨床試驗的結果顯示準確度也可以達到92%。這一資料在行業裡是怎樣的水準？

蘭宏志：首先，睿心醫療CT-FFR的準確度92%，是基於國內最大規模的前瞻性研究。我們做了330例前瞻性臨床試驗，與有導絲FFR結果的一致性達到92%。敏感性、特異性兩項指標決定著準確度，敏感性意味著面對真正供血不足的患者，能準確識別出陽性的機率是多少，睿心的敏感性達到95%；特異性則指沒有相關症狀的患者，識別出陰性的機率，睿心的特異性達到90%，這在全球範圍內都是很高的水準。

鄭凌霄：看臨床試驗的結果，要區分是前瞻性研究還是回顧性研究。前瞻性研究是完全客觀的、雙盲的對照，患者簽了知情同意後，先做冠脈CTA影像，第二步做CT-FFR分析，然後進行冠脈造影和導絲FFR測量，將兩個結果進行對照。但回顧性研究採用的是以往的真實病例，FFR測量的結果已知，臨床上，前瞻性研究的效力和信服度更高。您提到的同類產品臨床試驗92%的準確度，我瞭解是補充的大量回顧性研究結果。

《財健道》：剛才也講到計算流體力學對算力、運算時長要求非常高，這一環節怎麼最佳化？目前睿心運算一例CT-FFR大概需要多長時間？

蘭宏志：基於流體力學，要把冠脈樹模型劃分成幾十萬、上百萬的單元來計算，運算量確實很大，要用到超算、消耗比較多的計算資源，但這個肯定可以最佳化。因為我們做過很長時間的工程模擬，做工程一定要針對實際問題尋求最優解，針對計算資源和時長問題，我們會最佳化模型裡的表格數量結構、深度學習演算法等，現在整個計算所花的時間只需5分鐘，這在國際上都是非常先進的。

02 臨床：CT-FFR應成為導管室的“守門員”

《財健道》：目前在臨床上，導絲壓力測量FFR依然是診斷冠心病的“金標準”， CT-FFR和FFR兩者的應用場景有哪些異同？

鄭凌霄：FFR導絲被稱為是冠脈支架介入手術的“守門員”，患者已經進導管室、做了冠脈造影，看到了片子上的血管病變屬於灰區，比如存在70%左右的狹窄時，如何判定血管的供血功能、以及是否需放置支架，就需要做FFR測量，如果數值大於0.8（陰性），就不需要放支架。

CT-FFR其實是做冠脈造影之前、患者是否要進導管室的“守門員”，大量存在冠心病症狀的患者，到底要不要進手術室做冠脈造影，這個時候可以透過無創的CT-FFR檢查來判定，據瞭解，目前進入導管室做冠脈造影的患者，60%左右是不需要做支架治療的。

《財健道》：有醫生認為CT-FFR更符合輕中度冠心病患者的需求，只是一個早篩的屬性，您怎麼看待這種觀點？

鄭凌霄：某種層面上，可以這麼理解，CT-FFR對大量患者的篩查很有助益，但同時CT-FFR還有無創、精準的臨床特點。有很多病例從形態學上看狹窄程度已經比較嚴重，但因為做造影對身體有損傷，患者會猶豫是否要進導管室做造影，透過CT-FFR可以對冠脈的供血功能進行精準評估。

後續，在評估供血功能的同時，我們也會對冠脈的斑塊屬性進行深度分析。因為很多時候斑塊容易破裂的患者，危險程度同樣很高，斑塊是否容易破裂跟兩方面相關，一是斑塊自身的屬性，像石頭一樣的鈣化斑塊和軟斑塊的風險不同；二是血液對斑塊的衝擊力不同，受力大小不同，破裂風險也不一樣。因此睿心會進行斑塊風險評估等拓展功能。

03 商業：按次付費或更符合質控需求

《財健道》：此前接受媒體採訪時，您曾表示針對CT-FFR這一產品，按次收費的商業模式價值更高，為什麼？

鄭凌霄：CT-FFR的工程軟體、演算法的研發，需要大量的人力、物力投入；同時在進行每一例分析的時候，需要有技術人員進行質控和適當的修改，這部分也需要投入，透過賣軟體的形式，非常難以實現質量控制。

另外，賣軟體的話，對醫院來說成本也很高。除了採購軟體的財務成本外，醫院還需專人去操作這些軟體，計算流體力學本身是比較複雜的事情，需要這一專業的碩博生才能熟練掌握，人力成本也很高。所以，按次服務收費的模式，是在保證質量與安全基礎上，更合理的合作模式。

《財健道》：在前端，睿心與醫院的具體合作模式是怎樣的，需要投入哪些硬體裝置？

劉曉揚：目前，我們與醫院的合作模式呈多樣化：比如科研專案、共建聯合實驗室、人工智慧診斷中心、高新技術協同開發、合作申請國家級或省市課題等。

同時，根據醫院的規模、潛力及研發專案需要，我們會去匹配相關支援人員。睿心已經與國內多個心血管領域的頭部醫院建立了密切合作，結合國家醫改政策，不斷縱深發展，在很多有需求的醫院採取了雲平臺上傳的合作模式。醫院將脫敏的DICOM檔案上傳到雲端，雲平臺會自動進行影象分析和流體計算，獲得每個FFR位置的FFR，從而來確保結果的精準性和嚴謹性。

《財健道》：目前睿心分數在多少家醫院落地，大概服務了多少病例？推廣的重點是在頭部三甲醫院，還是基層醫院？

劉曉揚：三類證的獲批，是中國醫療AI與國際接軌，意味著高質量醫療服務將迎來大規模商業化。

睿心分數2021年4月拿到國家醫療器械三類註冊證，在研發科學家的支撐下，透過專業推廣，已經有近600家醫院在應用睿心分數，開展了幾萬例CT-FFR精準分析性，這也進一步強化了睿心分數的臨床價值。

我們的理念是結合臨床需求，以患者為中心，所以在三級醫院、基層醫院，睿心分數產品服務均有覆蓋。同時，也會結合一系列上市後的驗證對比性研究課題及國家衛生經濟學研究，持續助力為冠心病精準化診療。

《財健道》：睿心4月份拿到三類證，從試用到收費的商業程序是怎樣的？中長期目標是什麼？

劉曉揚：目前，無創CT-FFR這項技術在臨床的接受度很高。睿心分數在無創、精準的同時，可幫助醫院節約醫療資源、幫助醫療工作者提升工作效率；患者則可以透過無創的方式確認自己是否需要入院手術，或是隻採取藥物保守治療。這些都在完善、推動精準診療，與國家醫改方向也是一致的。

CT-FFR已經進入了多個省份的收費目錄，睿心分數獲得三類證之後，始終關注臨床痛點的解決和患者的淨獲益，結合臨床需求及患者反饋，持續推進合理化、按次服務收費的醫療服務商業模式。

睿心始終致力於透過高質量研發、專業服務，解決臨床診療流程的需求和痛點，持續造福中國患者，從“幫醫生看見”到“替醫生看見”，最終實現“見所未見”，讓每條血管都得到最早期的診斷和最精準的治療，為健康中國2030貢獻出睿心力量。

04 創業：三位技術咖的一拍即合

《財健道》：2017年睿心醫療成立時，FFR（冠脈血流儲備分數）在中國的滲漏率還非常低。為什麼選擇心血管領域的CT-FFR作為醫療影像AI創業的切入點？

鄭凌霄：聚焦CT-FFR，有技術積累、價值判斷、政策導向幾方面的原因。創業前，我們三個創始人在CT-FFR領域各自都有十幾年的技術積累，對最核心的影象模型AI演算法、流體力學計算該如何最佳化，有清晰的認知；

從臨床價值判斷上，FFR作為功能學指標，不能被CT影像的形態學評估替代，因為人體非常個性化，透過影像看到一些患者的血管狹窄程度相似，但測量到的實際供血功能差異很大。國際上有數萬例研究資料顯示，（冠脈）狹窄程度小於70%的患者，基於形態學判斷不需要放支架的患者中，有35%的人供血功能是缺失的；而狹窄程度70%-90%的患者中，大概有20%的供血功能沒問題。我們堅定地認為CT-FFR會極大地改善冠心病的診療流程，讓很多患者避免不必要的痛苦，幫助醫生提高診療效率、臨床決策的精準度。

三四年前，確實很多醫生還不瞭解FFR，但現在醫生對於CT-FFR的醫療價值已經有了非常充分的認知。再加上國家一些政策的影響，很多醫生的關注點也迅速的轉移到這個領域。

《財健道》：的確，近年FFR領域的創業和融資很熱。剛講到三位創始人在CT-FFR領域的技術積累很深厚，具體體現在哪些方面？睿心的核心創業團隊是怎樣搭建起來的？

鄭凌霄：其實創業前，我們三個人在這一領域都有比較深的產業積累。我在北航時，做的就是工程力學模擬；後來到約翰霍普金斯讀博，導師是機械學院和醫學院的雙聘，我們很多專案是將工程方法應用到醫療器械上，去解決人體疾病。

所以我們對Heart Flow這家公司做的事情很熟悉，他們從2007年開始做CT-FFR，建立冠脈影象模型後，用流體力學模擬模擬計算模型的引數，得出FFR值。Heart Flow做的事應用場景廣泛、臨床價值也高，但當時AI在影象建模環節應用還很少，模擬計算對算力的要求又很高，最早時Heart Flow完成一例計算要4-6小時，所以我判斷它距離大規模商業化還很遠。 直到2014年底，他們的CT-FFR獲得FDA批准上市，我重新評估了當時的技術條件，覺得已經具備商業化的能力，所以開始搭建團隊。

首先我找到了蘭宏志（睿心首席科學家），他是清華大學的本碩、杜蘭大學生物醫學工程博士，後在世界頂級的斯坦福大學心血管模擬實驗室做研究員，一直從事的心腦血管模擬模擬工作。我們兩人聊了創業思路後，一拍即合，雙方的能力、人品、性格等也很契合。他對於模擬模擬計算這一步Know How層面的細節非常清楚，我們認為要在影象分割演算法上進行一個技術突破，才能更好地適應商業化需求。

2016年前後，AI深度學習在影象領域應用快速興起，我就找到了約翰霍普金斯的學長馬駿（睿心CTO），他從清華大學生物醫學工程專業畢業後，到約翰霍普金斯讀博，畢業後先後任職於GE、西門子、達芬奇手術機器人等公司，一直從事醫學影像、影象處理和人工智慧方面的研究。當時有很多人向他丟擲橄欖枝，但他評估當時很多醫療影像AI創業專案的商業化前景並不清晰、技術壁壘也不高。

直到有天晚上我給他打了一個電話，我們聊了四五個小時，深入地聊了技術細節、產品的臨床場景等，最後雙方認定我們這個創業團隊，能夠在CT-FFR這個產品上實現巨大的升級迭代。所以2017年時，我們三個人都舉家回國，成立了睿心醫療。

《財健道》：在功能拓展上，睿心目前也在研發IVUS（血管內超聲）影像的智慧分析等產品？

鄭凌霄：對。圍繞冠心病的全病程診療，睿心佈局了一系列產品線。針對冠脈介入，在術前，睿心有CT-FFR檢查和手術方案指導；術中透過IVUS的影像指導，輔助醫生更快、更準地識別斑塊、判斷支架貼壁情況等；術後提供慢病管理服務。從一開始，我們的目標就不僅僅是成為影像科的一個工具，而是要幫助解決真正的診療痛點，希望為臨床專家提供所需的全套方案。