专访 | 睿心医疗创始人：CT-FFR 92%的准确率是如何做到的？
近日，医疗影像AI企业第一股登陆港交所，这一赛道的热度再次被点燃。行业内，各家企业不断丰富自己的产品线，排队等待上市。除了众所周知的肺结节筛查竞争白热化，基于冠脉CTA的智能后处理领域也开始内卷。
随着“精准治疗”概念的强化，临床上FFR（血流储备分数）、IVUS（血管内超声）等检查的开展率日益提高。FFR是冠脉功能学检查的金标准，但由于FFR检查需要使用压力导丝介入；手术有创、价格昂贵，且部分患者会存在药物不耐受。于是，无创、智能的CT-FFR（冠脉CT血流储备分数）应运而生，成立于2007年的美国公司Heart Flow是这一检查的开创者。
2021年4月，由睿心医疗研发的无创冠脉供血功能评估平台——睿心分数，获得NMPA批准的三类医疗器械注册证，取得了上市资格。经过330例前瞻性临床试验验证，睿心分数的血管功能评估准确率达92%（与导丝FFR对照），数据在业内首屈一指。
目前，国内企业涉及影像FFR测算业务的已有十余家，各家技术存在颇多不同。针对CT-FFR而言，通过AI深度学习或流体力学仿真计算的路径争议也一直存在。从2017年12月成立到拿到三类证，睿心医疗仅用了三年时间，其之所以能够脱颖而出，与创始团队的技术积累息息相关。
那么，CT-FFR的技术难点到底是什么？在计算血液流动状态这一环节，为什么睿心分数选择流体力学计算、而非AI深度学习？这一创新产品的临床应用场景、可落地的商业模式又有哪些？近日，《财健道》专访了睿心医疗创始人/首席执行官郑凌霄、首席科学家兰宏志、首席运营官刘晓扬，尝试深入解释与CT-FFR相关的系列问题。
《财健道》：CT-FFR这一产品的技术难点是什么？睿心分数能够快速获批医疗器械三类证，技术壁垒有哪些？
郑凌霄：CT-FFR关键的技术有两步，第一步，有了冠脉CT影像后，将冠脉树模型建立出来，这要用到冠脉分割图像算法；第二步，有了冠脉模型后，利用生物流体力学仿真计算技术，算出血液在血管里的流动状态，得到FFR值。
睿心分数在这两个步骤上都有技术突破和优化，第一步选择AI深度学习算法，我们对标的美国企业Heart Flow成立时间比较早，使用的是阈值法、水平集法等比较传统的图像算法。当然现在用深度学习做图像分割的企业很多，为什么睿心抓取、建模可以更准确？因为我们使用了双层的深度学习。
通常的图像分割只是做到像素级，对于冠脉CT而言，一个像素点约0.4-0.5毫米，而成人的冠脉直径大多是2-5毫米，除下来也就是几个像素。如果一两个像素有偏差，不影响医生从形态学角度判断狭窄程度，但在功能学上，却会对冠脉供血功能的分析计算产生巨大的影响。
因此睿心研发了双层深度学习网络，在像素级提取冠脉管腔的基础上，把血管中心线也抓取出来，沿着中心线再做横切面、进行深度学习，这个精度就达到超像素级的效果，这也是睿心测量FFR值的准确度能领先全球的原因之一。
兰宏志：其实在双层深度学习的基础上，睿心分数还有第三层的静脉分割。业内有不少同类产品也提取出冠脉树，如果提取出的冠脉树分支不够多，没有体现出每一根血管供给的心肌范围和需血量，那基于这样的图像模型，计算的FFR值可能偏差比较大。
但完整抓取存在一个技术难点：冠脉树模型只需要动脉，不需要静脉；提取尽可能多的冠脉，可能会存在静脉粘连，影响计算结果。因此睿心研发了静脉区分剔除的算法，使得非冠脉组织无法进入模型，保证冠脉树模型完整且干净。
第二步，睿心选择的技术路径与Heart Flow相似，都是计算流体力学（CFD）的方法，通过求解流体力学方程得出FFR。无论病例的冠脉长什么样子，或者做了搭桥、放了支架，血液流动的物理规律是恒定不变的，所以说通过流体仿真，是非常科学、合理、可解释的算法。
《财健道》：计算流体力学的路径要消耗巨大的算力，此前Heart Flow计算一例也需要4-6小时，那在这一步为什么没有选择AI深度学习的方法？
郑凌霄：首先，Heartflow耗时巨大，最根本的原因是因为图像分割算法不够强，导致质检流程中需要的时间非常长。睿心医疗利用多层深度学习网络，在保证准确率的基础上从根本上解决了这一问题。其次，第二步计算FFR值中应用AI深度学习计算，概念并不复杂，也确实压缩了一点时间。但深度学习的“黑匣子”属性，在这一环节完全没办法控制。
FFR值的测量计算，与肺结节、眼底糖网筛查、冠脉CTA的结构化报告等差异很大，肺结节等是人可以感知、判断的；但FFR的流体力学仿真计算，要通过解成千上万个偏微分方程、才能得出结果，这是人脑没办法识别的。所以如果深度学习没有训练到的话，在临床上可能会有相当大的风险。
兰宏志：另外关于训练AI算法的数据集，三四年前FFR在国内的检测量非常少，医院里能触及的数据并不足以训练AI。所以当时一些CT-FFR论文发表时训练AI的方法是，先通过几百例有导丝FFR检测建立算法模型，再对模型进行改变，比如血管狭窄，通过移动狭窄位置、调整狭窄程度等，生成上万个模型；在这些模型的基础上，利用流体力学仿真计算得到FFR；再拿仿真计算出的结果来训练AI算法。相当于训练集的数据经过了两次虚拟，这样的训练集质量值得商榷。
《财健道》：AI深度学习“不可解释”的局限确实存在，但这会影响到CT-FFR计算的准确性吗？
兰宏志：首先，AI算法的适用范围，受限于训练集里的数据是否有足够的量和代表性。真实的临床病例复杂程度非常高，仅有几百例真实数据的话，可能像心肌桥、冠脉起源异常、做过心脏搭桥等情况都不在算法训练集，那这时候算法的合理性、准确度就值得怀疑。而且像刚提到的，CT-FFR的结果出现假阳或假阴，无法通过医生目测来复核，所以临床上可能存在重大安全隐患。
但像睿心分数通过计算流体仿真，针对不同的患者类型，就会有不同的参数调整，比如心肌桥患者，他可能会有微循环障碍，这一情况就需对边界条件参数进行重新规划和计算。但如果AI训练数据集里没有足量的此类案例，那AI算法对于这类数据就存在较强的不确定性，可能无法保证预测的准确度。
《财健道》：像您说的情况，是说可能存在个别案例计算不准确，还是存在系统性偏差？
郑凌霄：会有系统性偏差。我们与同类产品做过对比，比如一个血管狭窄度非常高、接近闭塞的病例，睿心CT-FFR的结果和导丝FFR测量的结果都是0.4，但同类用深度学习计算的产品结果是0.7。尽管都是阳性的结果，但0.3这样一个巨大差异还是不得不正视。如果是没有被深度学习训练过的案例，数值偏大的结果可能就会造成假阴性或者假阳性，这就比较危险。
兰宏志：我们拿一些案例跟同类产品做过头对头的试验对比，发现AI预测的FFR值曲线与实际测量的值也不太一致。AI预测的曲线是前高后低，也就是血管比较粗的地方，计算值偏高；血管比较细的地方，计算值偏低。在临床上，医生更关注比较粗的血管的供血能力，这部分FFR计算值偏高的话，可能会形成系统性的假阴性。
《财健道》：参照有导丝FFR的测量值，睿心CT-FFR公布的准确度是92%，同类产品临床试验的结果显示准确度也可以达到92%。这一数据在行业里是怎样的水准？
兰宏志：首先，睿心医疗CT-FFR的准确度92%，是基于国内最大规模的前瞻性研究。我们做了330例前瞻性临床试验，与有导丝FFR结果的一致性达到92%。敏感性、特异性两项指标决定着准确度，敏感性意味着面对真正供血不足的患者，能准确识别出阳性的概率是多少，睿心的敏感性达到95%；特异性则指没有相关症状的患者，识别出阴性的概率，睿心的特异性达到90%，这在全球范围内都是很高的水准。
郑凌霄：看临床试验的结果，要区分是前瞻性研究还是回顾性研究。前瞻性研究是完全客观的、双盲的对照，患者签了知情同意后，先做冠脉CTA影像，第二步做CT-FFR分析，然后进行冠脉造影和导丝FFR测量，将两个结果进行对照。但回顾性研究采用的是以往的真实病例，FFR测量的结果已知，临床上，前瞻性研究的效力和信服度更高。您提到的同类产品临床试验92%的准确度，我了解是补充的大量回顾性研究结果。
《财健道》：刚才也讲到计算流体力学对算力、运算时长要求非常高，这一环节怎么优化？目前睿心运算一例CT-FFR大概需要多长时间？
兰宏志：基于流体力学，要把冠脉树模型划分成几十万、上百万的单元来计算，运算量确实很大，要用到超算、消耗比较多的计算资源，但这个肯定可以优化。因为我们做过很长时间的工程仿真，做工程一定要针对实际问题寻求最优解，针对计算资源和时长问题，我们会优化模型里的表格数量结构、深度学习算法等，现在整个计算所花的时间只需5分钟，这在国际上都是非常先进的。
《财健道》：目前在临床上，导丝压力测量FFR依然是诊断冠心病的“金标准”， CT-FFR和FFR两者的应用场景有哪些异同？
郑凌霄：FFR导丝被称为是冠脉支架介入手术的“守门员”，患者已经进导管室、做了冠脉造影，看到了片子上的血管病变属于灰区，比如存在70%左右的狭窄时，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测量，如果数值大于0.8（阴性），就不需要放支架。
CT-FFR其实是做冠脉造影之前、患者是否要进导管室的“守门员”，大量存在冠心病症状的患者，到底要不要进手术室做冠脉造影，这个时候可以通过无创的CT-FFR检查来判定，据了解，目前进入导管室做冠脉造影的患者，60%左右是不需要做支架治疗的。
《财健道》：有医生认为CT-FFR更符合轻中度冠心病患者的需求，只是一个早筛的属性，您怎么看待这种观点？
郑凌霄：某种层面上，可以这么理解，CT-FFR对大量患者的筛查很有助益，但同时CT-FFR还有无创、精准的临床特点。有很多病例从形态学上看狭窄程度已经比较严重，但因为做造影对身体有损伤，患者会犹豫是否要进导管室做造影，通过CT-FFR可以对冠脉的供血功能进行精准评估。
后续，在评估供血功能的同时，我们也会对冠脉的斑块属性进行深度分析。因为很多时候斑块容易破裂的患者，危险程度同样很高，斑块是否容易破裂跟两方面相关，一是斑块自身的属性，像石头一样的钙化斑块和软斑块的风险不同；二是血液对斑块的冲击力不同，受力大小不同，破裂风险也不一样。因此睿心会进行斑块风险评估等拓展功能。
《财健道》：此前接受媒体采访时，您曾表示针对CT-FFR这一产品，按次收费的商业模式价值更高，为什么？
郑凌霄：CT-FFR的工程软件、算法的研发，需要大量的人力、物力投入；同时在进行每一例分析的时候，需要有技术人员进行质控和适当的修改，这部分也需要投入，通过卖软件的形式，非常难以实现质量控制。
另外，卖软件的话，对医院来说成本也很高。除了采购软件的财务成本外，医院还需专人去操作这些软件，计算流体力学本身是比较复杂的事情，需要这一专业的硕博生才能熟练掌握，人力成本也很高。所以，按次服务收费的模式，是在保证质量与安全基础上，更合理的合作模式。
《财健道》：在前端，睿心与医院的具体合作模式是怎样的，需要投入哪些硬件设备？
刘晓扬：目前，我们与医院的合作模式呈多样化：比如科研项目、共建联合实验室、人工智能诊断中心、高新技术协同开发、合作申请国家级或省市课题等。
同时，根据医院的规模、潜力及研发项目需要，我们会去匹配相关支持人员。睿心已经与国内多个心血管领域的头部医院建立了密切合作，结合国家医改政策，不断纵深发展，在很多有需求的医院采取了云平台上传的合作模式。医院将脱敏的DICOM文件上传到云端，云平台会自动进行图像分析和流体计算，获得每个FFR位置的FFR，从而来确保结果的精准性和严谨性。
《财健道》：目前睿心分数在多少家医院落地，大概服务了多少病例？推广的重点是在头部三甲医院，还是基层医院？
刘晓扬：三类证的获批，是中国医疗AI与国际接轨，意味着高质量医疗服务将迎来大规模商业化。
睿心分数2021年4月拿到国家医疗器械三类注册证，在研发科学家的支撑下，通过专业推广，已经有近600家医院在应用睿心分数，开展了几万例CT-FFR精准分析性，这也进一步强化了睿心分数的临床价值。
我们的理念是结合临床需求，以患者为中心，所以在三级医院、基层医院，睿心分数产品服务均有覆盖。同时，也会结合一系列上市后的验证对比性研究课题及国家卫生经济学研究，持续助力为冠心病精准化诊疗。
《财健道》：睿心4月份拿到三类证，从试用到收费的商业进程是怎样的？中长期目标是什么？
刘晓扬：目前，无创CT-FFR这项技术在临床的接受度很高。睿心分数在无创、精准的同时，可帮助医院节约医疗资源、帮助医疗工作者提升工作效率；患者则可以通过无创的方式确认自己是否需要入院手术，或是只采取药物保守治疗。这些都在完善、推动精准诊疗，与国家医改方向也是一致的。
CT-FFR已经进入了多个省份的收费目录，睿心分数获得三类证之后，始终关注临床痛点的解决和患者的净获益，结合临床需求及患者反馈，持续推进合理化、按次服务收费的医疗服务商业模式。
睿心始终致力于通过高质量研发、专业服务，解决临床诊疗流程的需求和痛点，持续造福中国患者，从“帮医生看见”到“替医生看见”，最终实现“见所未见”，让每条血管都得到最早期的诊断和最精准的治疗，为健康中国2030贡献出睿心力量。
《财健道》：2017年睿心医疗成立时，FFR（冠脉血流储备分数）在中国的渗漏率还非常低。为什么选择心血管领域的CT-FFR作为医疗影像AI创业的切入点？
郑凌霄：聚焦CT-FFR，有技术积累、价值判断、政策导向几方面的原因。创业前，我们三个创始人在CT-FFR领域各自都有十几年的技术积累，对最核心的图像模型AI算法、流体力学计算该如何优化，有清晰的认知；
从临床价值判断上，FFR作为功能学指标，不能被CT影像的形态学评估替代，因为人体非常个性化，通过影像看到一些患者的血管狭窄程度相似，但测量到的实际供血功能差异很大。国际上有数万例研究数据显示，（冠脉）狭窄程度小于70%的患者，基于形态学判断不需要放支架的患者中，有35%的人供血功能是缺失的；而狭窄程度70%-90%的患者中，大概有20%的供血功能没问题。我们坚定地认为CT-FFR会极大地改善冠心病的诊疗流程，让很多患者避免不必要的痛苦，帮助医生提高诊疗效率、临床决策的精准度。
三四年前，确实很多医生还不了解FFR，但现在医生对于CT-FFR的医疗价值已经有了非常充分的认知。再加上国家一些政策的影响，很多医生的关注点也迅速的转移到这个领域。
《财健道》：的确，近年FFR领域的创业和融资很热。刚讲到三位创始人在CT-FFR领域的技术积累很深厚，具体体现在哪些方面？睿心的核心创业团队是怎样搭建起来的？
郑凌霄：其实创业前，我们三个人在这一领域都有比较深的产业积累。我在北航时，做的就是工程力学仿真；后来到约翰霍普金斯读博，导师是机械学院和医学院的双聘，我们很多项目是将工程方法应用到医疗器械上，去解决人体疾病。
所以我们对Heart Flow这家公司做的事情很熟悉，他们从2007年开始做CT-FFR，建立冠脉图像模型后，用流体力学模拟仿真计算模型的参数，得出FFR值。Heart Flow做的事应用场景广泛、临床价值也高，但当时AI在图像建模环节应用还很少，仿真计算对算力的要求又很高，最早时Heart Flow完成一例计算要4-6小时，所以我判断它距离大规模商业化还很远。 直到2014年底，他们的CT-FFR获得FDA批准上市，我重新评估了当时的技术条件，觉得已经具备商业化的能力，所以开始搭建团队。
首先我找到了兰宏志（睿心首席科学家），他是清华大学的本硕、杜兰大学生物医学工程博士，后在世界顶级的斯坦福大学心血管仿真实验室做研究员，一直从事的心脑血管仿真模拟工作。我们两人聊了创业思路后，一拍即合，双方的能力、人品、性格等也很契合。他对于模拟仿真计算这一步Know How层面的细节非常清楚，我们认为要在图像分割算法上进行一个技术突破，才能更好地适应商业化需求。
2016年前后，AI深度学习在图像领域应用快速兴起，我就找到了约翰霍普金斯的学长马骏（睿心CTO），他从清华大学生物医学工程专业毕业后，到约翰霍普金斯读博，毕业后先后任职于GE、西门子、达芬奇手术机器人等公司，一直从事医学影像、图像处理和人工智能方面的研究。当时有很多人向他抛出橄榄枝，但他评估当时很多医疗影像AI创业项目的商业化前景并不清晰、技术壁垒也不高。
直到有天晚上我给他打了一个电话，我们聊了四五个小时，深入地聊了技术细节、产品的临床场景等，最后双方认定我们这个创业团队，能够在CT-FFR这个产品上实现巨大的升级迭代。所以2017年时，我们三个人都举家回国，成立了睿心医疗。
《财健道》：在功能拓展上，睿心目前也在研发IVUS（血管内超声）影像的智能分析等产品？
郑凌霄：对。围绕冠心病的全病程诊疗，睿心布局了一系列产品线。针对冠脉介入，在术前，睿心有CT-FFR检查和手术方案指导；术中通过IVUS的影像指导，辅助医生更快、更准地识别斑块、判断支架贴壁情况等；术后提供慢病管理服务。从一开始，我们的目标就不仅仅是成为影像科的一个工具，而是要帮助解决真正的诊疗痛点，希望为临床专家提供所需的全套方案。