赴港IPO的科亞醫療：收入71萬，虧損近5億，一年連融6次資金

AI醫療企業“科亞醫療”不久前向港交所遞交了上市申請，擬在主板掛牌上市，這家成立於2016年的公司，僅去年一年就連續融資6次達8.5億元人民幣（18年天使輪與19年A輪融資共約1.18億元人民幣），從B輪直抵Pre-IPO輪（D輪）。科亞醫療在招股説明書上稱為“中國人工智能醫療器械行業的開創者和領軍者”，但年內收入僅為70.9萬，淨虧損高達4.87億元。

那麼，高速發展的背後，科亞醫療又會面臨什麼樣的挑戰？

科亞醫療的先進性體現在什麼地方

提到科亞在港上市，有人會聯想到今年初在港上市的另一家AI醫療科技公司——醫渡。作為大數據和人工智能技術的醫療解決方案提供商，醫渡科技的重點是將存儲在中國醫院來自超過 3 億患者的超過 13 億條時間軸醫療記錄，比如説病歷，以快速、準確和低成本的方式，彙集和轉化成為可供計算、結構化和標準化的數據，形成解決方案，然後提供給包括醫院、製藥、科研、保險公司以及監管等機構併為之服務。

雖同屬AI+醫療，上圖的幾個方向卻大不相同。醫渡科技主要屬於“CDSS”，而科亞醫療則屬於“AI+影像”，後者相對處於成長期，根據艾瑞預測，具有比前者更大的市場規模。

科亞醫療執行董事、 副總經理曹坤琳説：“AI在醫療領域的應用，遠遠不只提高影像科醫生效率這麼簡單，它可以在影像解剖學基礎上提取無法從影像中直接獲取的信息，為臨牀醫生提供新的醫學檢測手段。”

還記得中學上生物課的時候用過的顯微鏡嗎？傳統觀察方法就好像你通過肉眼來觀察細胞，耗時費力，而且準確度因人而異，但採用AI的方法，一來替代或者輔助人類監測和識別，二來可以獲取到更充分的信息，達到更高的準確度。

傳統的機器學習是利用算法分析大量數據，從中學習訓練，然後進行特徵提取來識別。比如通過訓練，機器學習到貓頭鷹有“兩隻眼睛”、“彎曲的喙”、“眼睛很圓”等特徵，然後再輸入新的貓頭鷹影像信息，機器就能識別出來。

深度學習作為一種更為先進的機器學習技術，採用多層級人工神經網絡，深受大腦工作模式啓發，尤其是神經元互連性的影響，模仿其運作，從海量數據中“學習”並自主識別模式及相關性，無需輸入規則或知識，即可從圖像、視頻或文本等數據中自主學習。

目前深度學習還在持續發展中，未來還會有更多的想象空間。還記得10年前的電影《盜夢空間》（Inception）嗎，嵌套了多層夢境，後來Google開發的GoogleNet自稱為Inception network，其模型靈感就來源於該電影的台詞：We need to go deeper。它從另一種角度來提升訓練結果：更高效地利用計算資源，在相同的計算量下提取到更多的特徵，從而提升了訓練效果。

去年大紅大紫的ARK Investment Management在今年1月發佈的“Big Ideas 2021”，估計深度學習將創造比互聯網更大的經濟價值， 在未來15至20年內為全球股票市值增加30萬億美元。

在AI醫學影像中，深度學習的應用已經比我們想象中要走得更遠。比如被譽為“全球50家最聰明的公司”Enlitic利用卷積神經網絡尋找惡性腫瘤，自動總結出代表惡性腫瘤形狀的“特徵”以及能夠判斷有無惡性腫瘤的“模式”，與放射技師檢查作對照，該公司開發的系統檢出精度要高出5成以上。

“感謝人工智能，我終於不用每天對着顯微鏡苦幹了”，格拉德斯通研究所（Gladstone Institutes）和加州大學舊金山分校神經科學家史蒂芬·芬克拜納（Steven Finkbeiner）領導的團隊與谷歌的研究人員進行了合作，他們訓練出一種機器學習算法，可以對培養皿中的神經元細胞進行分析。通過訓練，研究人員的算法能夠識別出它之前從未見過的特定類型的腦細胞。此外，算法還可以辨別死細胞和活細胞，定位細胞核，區分軸突和樹突。

現在深度學習醫療器械運用已經深入到各個科室，與現有的檢測、治療手段相結合，國內目前已上市或開發中的深度學習醫療器械分類及主要應用如下圖所示：

科亞醫療的核心產品深脈分數®就是利用深度學習方法，針對冠心病即“冠狀動脈疾病”的檢測，由於動脈粥樣硬化導致冠狀動脈管腔狹窄，使心肌供血不足而引發一系列臨牀病症，嚴重者可猝死，根據世衞組織資料，它目前是全球第一大死亡原因，致死人數約佔2019年全球總死亡人數的16%，而排在第二位的是中風，二者都是科亞醫療的重點領域。

檢查冠心病的常用辦法是CTA檢測，咱們很多人都做過CT橫掃，對於細小血管是看不清楚的，就是增強CT也不能展現某部位血管的整體外觀，必須用到CTA。科亞醫療雖然不能省去做CTA的過程，但如果CTA影像表明患有冠狀動脈狹窄的可能性較高，醫生通常會要求患者繼續做ICA手術，以便進一步分析，得到FFR。FFR是通過狹窄病變遠端冠狀動脈的最大血流量與正常最大血流量的比值，高於0.80是正常標準。

傳統的FFR測量是在ICA手術後，使用壓力導絲並給予冠狀動脈內或靜脈內血管擴張劑以產生最大充血，説白了，就是需要再做一次有創檢查，這種有創使用的血管擴張劑可能導致其他併發症，而且還貴，據悉在國內公立醫院做一次要花費2,735元至6,000元不等。

而科亞醫療的深脈分數把後者過程給取代了，只要做一次CTA，就能通過深度學習算法得出CT-FFR，為患者提供了一種無創、有效、更經濟的診斷方法。這個過程如下圖所示：

我們看一個完整的案例。某患者首先做了CTA影像（見下圖A），表明其左前降支（LAD）冠狀動脈發生中度狹窄。患者隨後進行ICA及有創FFR測量（見下圖B），有創測量計算的FFR值為0.90，表明病變並未限流。而將同一患者的CTA影像導入深脈分數後，數分鐘內，系統就會返回一份電子報告（見下圖C），計算的DVFFR值為0.92，與前者FFR結果一致。如果具有統計學意義，那麼深脈分數就可以取代傳統方法。

所幸的是結果還不錯。根據最近發表在國際放射學頂級學術期刊《European Radiology》的論文，暨南大學附屬第一醫院史長征教授通過為期2年的調查研究，採用深脈分數，使超過72%的患者避免接受不必要的有創冠脈造影以及相關的手術風險和花費，同時具有不劣於有創造影的臨牀結果。

既然在內部研發取得了進展，就要得到外部的認證。

2017年9月，國家食藥監總局發佈新版《醫療器械分類目錄》明確規定：

• 若診斷軟件通過算法，提供診斷建議，僅有輔助診斷功能，不直接給出診斷結論，則申報二類醫療器械。

• 如果對病變部位進行自動識別，並提供明確診斷提示，則按照第三類醫療器械管理。

去年1月15日，深脈分數獲得國內首個國家級NMPA人工智能三類醫療器械註冊證，此外還拿到了美國FDA和歐盟CE認證。隨着產品線的不斷擴大，目前，科亞醫療的自主研發及在研產品，其中11種為深度學習三類醫療器械，6種為融入人工智能技術的二類醫療器械。

另外，科亞醫療區分新冠肺炎與一般肺炎的“CT+AI”檢測研究成果，被國際頂級放射學期刊《Radiology》收錄並發表。

銷售緩慢下的人才儲備戰

2019年和2020年，科亞醫療的收入分別為人民幣116.7萬、70.9萬元，而相應的淨虧損分別高達5392.5萬和4.874億元。

首先，商業化進程並沒有那麼容易，按照醫療器械註冊流程，產品從申報到最終過審要經過產品定型、檢測、臨牀試驗、註冊申報、技術審評、行政審批等六步。最重要的是，醫院需向地方政府部門（通常包括省級衞生健康委員會及醫療保障局）申請物價編碼後，才能向患者收取費用。根據灼識諮詢的資料，新醫療器械或手術通常需耗時一至兩年方可進入定價項目目錄。目前科亞醫療只進了河北、安徽、山東、江蘇等四個省份的目錄。

科亞醫療在招股書中表明，與中國728家醫院建立了緊密的合作關係，並設立人工智能診斷中心，其中428 家為三甲醫院，涵蓋中國三甲醫院總數的約55%。如果按70.9萬全部收入來計算，分攤到每個醫院只有974元的收入，又根據其公佈的前五大客户銷售額推算，這裏面顯然有大量免費合作的醫院。

同業者數坤醫療董事長毛新生表示，雖然全國幾百家醫院都在使用，但是AI醫療產品價值如何在購買環節解決付費問題，如何進入醫保收費體系，還需要行業規則不斷完善，也需要國家政策對AI醫療領域的大力支持。

與此同時，科亞醫療的研發投入去年同比增長超過2倍，達到1.167億元；行政開支增至3.392億元，其中來自工資福利3.119億元；銷售及分銷開支大幅增至3760萬元，科亞醫療表明，主要是去年擴大了銷售及營銷團隊所致，然而銷售並沒有得到提升，整體收入還下降了64.59%。

醫藥行業具有前期高投入，結果不確定的特點，AI醫療也是如此。前面提到過的醫渡科技在研發上同樣投入高，員工薪資福利部分，總共達到6.79億元，但醫渡科技的收入還是不低的，其招股説明書顯示去年收入5.58億元，比上一年增長447%。

我們再看另一個登錄科創板的醫藥公司百奧泰，當時招股説明書顯示，2016-2018年度以及2019年1-6月，公司淨利潤分別為-1.37億元、-2.36億元、-5.53億元和-7.15 億元，登陸了科創板後，該公司2020年度淨利潤仍然虧損約5.13億元，目前這家公司市值為96.81億元，對比上市當天市值249.28億跌去一半還多。

與普通醫療相比，AI醫療屬於新生事物，需要不斷説服醫院，論證企業真金白銀投入後可以產生超出以往的價值。去年，科亞醫療將發展重心轉向產品的研發與銷售，一年時間，其人力規模翻倍，從150人增至400餘人。其中，65％的增量來自銷售團隊，35％來自研發團隊，直接造成了公司成本的飛漲。科亞醫療將大量資金用於員工的薪水、福利及公司權益支付，其支出額度幾乎佔據了科亞全年虧損的3/4，在用人方面，科亞醫療可謂不遺餘力。

這些人確實不便宜，要求還很高。相比一般的醫療企業，AI影像人才的招募更加偏重複合人才，需要在醫療方面與人工智能、計算機方面兼具能力，我們從獵聘中節選了他們招聘的“圖像深度學習專家”崗位，會從6個方面來考量：

我們再以該公司的副總經理曹坤琳博士為例，38歲的她超過薇婭榮登福布斯中國發布的2021年商界潛力女性榜榜首；在技術方面，在醫學成像研究方面擁有15年以上的經驗，此前在多家公司任職，包括美國愛荷華大學助理研究員、美國通用電氣公司全球研發中心（紐約）電氣工程師及首席工程師，還被委任為成都信息工程大學特聘教授，之前獲得愛荷華大學頒發的電氣與計算機工程碩士、博士學位。團隊其他幾個創始人和高管同樣具有類似背景。

由於這類人才儲備很少，而需求量在增加，業內競爭就十分激烈，不僅是科亞醫療，從Boss直聘等網站上也能看到類似需求，這些創業公司開出的價位都不低。

“實際上我們今天碰到最大的困難就是數字化人才”，業內另一家知名AI醫療公司推想科技創始人兼首席執行官陳寬表示，“跨界、多維、行業型的AI數字化人才非常難得，有很多懂AI、懂醫療、懂法規的，但從企業的角度需要綜合型團隊和人才的時候，就非常難找，對企業的發展也是至關重要的因素，這是產業發展最關鍵的環節。”

高投資背後的期待

高薪待遇需要靠強有力的現金流支持。前面説過，科亞醫療去年總共融了6輪，金額達到人民幣8.5億元。從現金流量表中，也能看得出來，融資活動所得現金淨流量8.47億元，最後綜合計算現金及等價物為8.37億元。“如果沒有母公司或外部投資，公司撐不了一個月”，科亞醫療銷售總經理王凱在接受某財經媒體採訪時直言。

業內其他公司的融資步伐亦是如此。數坤科技8月獲得人民幣2億元C輪投資，同年12月獲得5.9億元D輪投資；森億智能、推想科技亦獲得D輪投資；而專注AI製藥的晶泰科技9月完成了單筆3.188億美元C輪融資，這也是去年國內醫療領域規模最大的融資事件之一。

據不完全統計，去年AI醫療領域一級市場投資金額達到人民幣64.09億元，同比上年增長141.9%。去年也是醫療行業的IPO大年，據投中統計，74家上市企業中73%背後有資本支持，為VC/PE機構帶來339%的退出回報以及210億美元的賬面價值，平均退出週期為2.6年。典型案例有燃石醫學、悦康藥業、開拓藥業等。

AI醫療影像領域曾經在幾年前熱過一段時間，沉寂下來的再次爆發，應該與2020年的疫情多少有些關係，背後是投資人對市場的判斷與期待。

從投中發佈的《2020年中國VC/PE市場數據分析報告》來看，與前幾年泛看早期項目有所不同，現在投資人更傾向於“投資優質企業，下重注不錯失”策略。另據媒體報道，如今很多項目的上市速度更快、流程也更短，這直接導致，一些項目本來沒有上市的必要，但是門檻低了，也決定上市；另外，某些被看好的項目不再糾結於多輪融資，沒有BCDEF輪，A輪後直接IPO。

這次科亞醫療披露招股書之前，同賽道另幾家AI醫療公司推想科技、Airdoc也相繼披露了上市進程。推想科技於2020年12月18日與中信建投證券簽訂上市輔導協議，Airdoc主體公司北京鷹瞳也於2021年1月8日同中信證券簽署上市輔導協議，二者均擬在科創板掛牌上市。據媒體報道，像深睿醫療、數坤科技等其他幾家已經獲得AI醫療三類證的企業，都在加急籌備IPO進程當中。

3月26日，紅杉資本全球執行合夥人沈南鵬在“智瞰未來”峯會上表示，生物醫藥公司這幾年的發展有點像2000年初的互聯網行業，未來還有巨大的發展空間。我們看到一個交叉點正在興旺的發展，即IT和BT，其融合速度超過歷史上的任何時刻。

早在2016年，在當時O2O和B2C剛剛步入紅海的時候，知名投資人周亞輝在回答“中國下一個投資熱潮在哪”的問題上，就向媒體表示“在數據和醫療產業充滿機會。”

説這話之時恰與科亞成立年份相符，其實周亞輝才是科亞醫療的實際控股人，也是最早的股東，他目前持股約43.21%，第二大股東是聯合創始人之一、首席執行官宋麒博士，佔比9.73%。

在投資圈火熱之外，不少業內人士則表達了偏負面的看法。知乎有網友匿名錶示：

花了那麼多錢，但是壁壘沒建立起來，競品依然可以進來（尤其是硬件設備廠商），醫療AI技術又不是醫藥，也沒有真正的專利保護；沒有看到商業閉環和可規模化的支付方，目前還是依賴投資人的錢；賽道從4年前發展到現在，業務沒有延展性，依然停留在淺層次的應用上；大數據、小應用，大量的時間和人員精力投入，解決一個非常小的問題，而非端到端的臨牀解決方案；投資人一片火熱，醫院付費意願則很是一般。

從更大的人工智能上市進程來看，除了塗鴉智能等少數公司比較順利以外，我們知道的很多知名公司，包括新冠疫情暴發時，用四天時間就推出“胸部CT新冠肺炎智能評價系統”的依圖科技，在最近的上市進程中，紛紛按下暫停鍵。

今年3月15日，劍橋大學領銜的一項研究發表在《自然機器智能》刊物上，論證了62個AI算法存在算法偏見和不可重複性等重大問題，都不具有新冠臨牀診斷價值。因為這62個算法都普遍存在一個問題：缺乏影像科醫生和臨牀醫生的參與。國內新冠肺炎暴發時，AI影像監測也過度依賴肺結節個數的算法，對實際起不到作用，孤立提供結節個數並不是判斷炎症的標準，機器的自學習時得需要大量影像學醫師教它如何勾畫出炎症區域。

知名論壇Reddit 上有網友將AI醫療與 DeepMind 的 AlphaZero 進行了全方位的對比，在數據收集、人機交互、決策認證等方面AI醫療都必須要專業醫生全方位參與，而AlphaZero只需要在遊戲服務器上廣泛部署以及找普通玩家測試就行了，也不用承擔誤判的損失。

文：路易斯 / 數據猿