第51章：人工智能在心血管影像中应用的产品化与知识产权（Commercialization and Intellectual Property of Artificial Intelligence Applications in Cardiovascular Imaging）

方法开发（Method Development）

本章开篇将数据在 AI 心血管影像产品化全过程中的角色作为贯穿主线加以强调：数据在方法开发、应用开发与验证、研究人群数据与常规临床患者数据四个阶段中均有参与，但参与性质不同。"方法开发"特指 AI 基础工具集（如数学方法）的开发，本书不展开讨论，因为方法开发属于基础数学科学领域；其假设与挑战虽受实际应用各阶段问题驱动，但本阶段的数据仅用作技术原理的证明。

应用开发与计算机内验证（Application Development and Validation in Silico）

应用开发阶段包括命题的合理定义或假设、恰当输入数据的界定与收集（即开发数据集）以及 AI 工具在开发数据集上的应用。明确一个有意义的用例（use case）是关键且费力的工作：它需要同时满足对用户与付款方的价值、为投资者与 AI 公司带来回报，以及在产品化阶段吸引买方。用例的成败取决于能否让理解心胸与放射连续照护流程以及 AI 厂商与 HCP 互动方式的多方利益相关者共同参与。一个常见陷阱是：用例开发被开发方所能获得的数据类型过度牵制。本章引用 Tjong 的建议，主张"以终为始"——以"在医疗中实施"阶段的可实施性与影响作为应用开发阶段的输入约束加以反向校准。

下一个阶段被作者称为"计算机内验证"（validation in silico），即在测试与验证数据集上对 AI 模型进行验证。Larson 等人将这一阶段进一步划分为"可行性"（feasibility，指在理想条件下的小规模测试性能）与"能力"（capability，指在模拟真实世界条件的受控环境中的性能）。

真实世界临床验证（Clinical Validation in the Real World）

多项文献主张应在"真实世界"中对 AI 算法进行验证——即推荐前瞻性研究。Larson 将这一阶段命名为"效能（effectiveness / efficacy）"，并识别出两个性能层次：真实世界性能（clinical environment 中相对 capability 的表现）与本地验证（特定机构相对 capability 及已建立的真实世界性能的表现）。代表性参考与测试数据集的获取对于产品生命周期而言至关重要——每当新信息可用时这些数据集就应随之更新；对 AI 公司而言，这常常是一道主要障碍。前瞻性研究的要求将拉长 AI 应用的上市时间与成本；在制药行业这一做法是标准化的，但被高额货币回报潜力所平衡；而当前 AI 应用的产品化仍处于早期阶段且尚未展现出这一潜力。较长的上市周期（虽对质量与安全合理）通常要求更稳健的商业案例（即更高的盈利能力），其后果可能是当前 AI 应用的影响面（在效率与质量上）过于狭窄，迫使技术继续演化。当前高度被引的临床研究仍稀缺，这一现象进一步佐证了上述判断。

不过，前瞻性研究在重大指南变更落地前几乎必为前提。HeartFlow 的 FFRCT 产品即为典例：NICE（英国）经 PLATFORM 等前瞻性研究后，得出"使用 FFRCT 可避免有创冠脉造影与血运重建"的结论。

另一种替代路径是对回顾性数据进行本地验证，以调整本机构人群的疾病患病率、人口学与共病差异。学界、AI 公司与开发者可开发技术方案以使这一过程更易、更廉价。本地验证的路径也会带来新问题，例如：基于本地已证实的实施应如何反向影响多中心层面的指南更新，而非仅仅套用更普适的多中心证据。

医疗中的实施（Implementation in Healthcare）

最后一阶段即"医疗中的实施"，是关于把 AI 驱动的工作流在临床中真正启用。从技术角度看，AI 产品需被监测其"持久性"（durability），即随时间推移的性能，涵盖输出质量、监测与算法的"学习"与改进。在持久性维度上，AI 公司有义务跨越产品全生命周期对其产品提供支持——包括适应新式扫描仪、扩展地理与患者人群范围——这对个体初创 AI 公司是艰巨的任务。临床性能的监测（即在本地患者群体上的表现）可能是这一情境中最具挑战的任务。美国 FDA 将与利益相关方一道推进对 AI 应用真实世界性能监测的清晰化，其目标是构建一个能够无缝采集与验证相关真实世界性能参数与指标的框架。

临床采纳常常是 AI 应用产品化中最耗时与最复杂的任务，主要因为在多数情形下 AI 驱动的工作流要求多方利益相关者乃至跨组织改变工作方式。来自同行与关键意见领袖的推荐（referrals）是使 AI 方案被更广泛社区接受的关键。成功的数字化转型要求多个要素：设定正确的（数字化）战略、调整组织（基础）结构、吸引合适的能力与人才、启动文化变革、采用善于试错的学习姿态。

本章对 AI 应用实施层面归纳出三项独特的实施要点。第一，AI 应用的性能可能因本地的患者或扫描仪组合与原始训练/验证数据不同而出现差异，输出读者可能遭遇内建偏差。还有"自动化偏差"（automation bias）的风险——人类开始完全依赖应用的输出，而不再施加自身判断。重要的是让终端用户理解 AI 的基本原理、潜力与局限——这种能力的培养是成功转型的必要条件。第二，对应用的信任是放大其影响与使用率的关键。AI 是新技术，对部分用户而言其输出具有"黑箱"感，尤其在应用产生不可解释（但准确）的输出时，信任难以获得。需要一般的 AI 能力培训与针对应用本身性能与功能的专门培训。第三，AI 技术尚处早期，对 HCP 机构的预算分配与实施经验产生影响。当前许多项目以试点形式由爱好者或早期采纳者推动，预算分配与可扩展性需求常被事后考虑，从而显著降低或延迟了 HCP 的采纳。因此有必要为 HCP 设计专门的 AI 转型路线图与战略。

分类与监管要点（Classification and Regulatory Aspects）

AI 类心血管影像软件应用受多套法律法规约束，主要取决于应用将要使用或销售的地理区域及其在该区域下的分类。对这些应用所适用的完整法规与法律概览超出本章范围，本章的目标是聚焦对医疗 AI 应用尤为相关的若干要点。

当前，医疗 AI 类（商业）软件应用基本与基于非 AI 的医疗产品受同一审查：法律、监管与标准。本章从监管视角中重点列出四项 AI 应用特有的考量。

第一，参与数据采集、标注或 AI 算法开发的医疗机构在近期将受到更严格的审视：因医疗器械开发者与数据供应商之间的边界日益模糊，且立法者对自制器械的机构提出了更严要求。这一点在 EU 最为突出——MDR 引入有关"自制"（home-brew）医疗器械的新法规，将同等的法律框架（除 CE 标志之外）实际施加于医疗机构。

第二，AI 在本质涉及数据的获取、存储与处理；从某种意义上说，深度神经网络是其所训练数据的反映。欧盟在保护性立法上一直领先——以 GDPR 的引入为标志，其他立法区域也在研究如何应对。

第三，数据所有权与存储/处理授权在某些情况下是模糊的。不同地区乃至不同机构在"opt-in"与"opt-out"患者同意或强制性人群同意的要求上存在差异。数据所有权也具有地理差异：在美国内部各州之间，关于病历数据所有权的规定各异——从医院/医生拥有数据到患者拥有信息，乃至法律层面尚未明确覆盖的灰色地带。

第四，监管机构与立法组织正在研究如何使监管标准适应持续学习器械（continuous learning devices）这一新兴现象——即不断演化的器械。

知识产权的作用（The Role of Intellectual Property）

大多数医疗技术以高开发成本为特征，AI 应用也不例外。公司与投资者因而寻求方法对其技术、目标应用与目标市场建立并利用竞争壁垒，以提高投资回报的可能性。这一壁垒的深度与必要性一般取决于三方面：（a）所需投资的深度与时间跨度；（b）商业机会的规模；（c）保护目标命题的其他进入壁垒的相对强度。

在知识产权领域，存在三类对 AI 发明可能相关的权利：版权（copyrights）、外观设计权（design rights）与专利权（patent rights）。AI 发明与其他软件相关发明一样，在大多数司法辖区受版权保护；版权虽能对一对一复制相应软件（如精确源代码）形成有效壁垒，但不保护底层思想，因此相对容易被规避。对外观设计权而言，AI 所用图形用户界面的设计可被保护，但这不保护实际的 AI 发明，因而是相对有限的竞争壁垒。最后，专利权在 AI 领域是适用且强力的发明保护工具。

近些年 AI 领域专利数量大幅增长。如图 51.3 所示，AI 相关专利族的提交数量在 2012—2017 年间以年均 28% 的速度增长。

虽然 AI 发明在专利层面被很好地保护，但除新颖性要求外，还须满足若干挑战。要获得专利，AI 发明必须是技术性发明（technical invention），即具备技术特征。此外，这些技术特征必须具备创造性（inventive），且在多个经济重要的市场不应涉及医疗方法。

欧洲专利体系·技术性（European Patent System: Technicity）

本章在后续几节中将解释在欧洲、美国、中国与日本如何应对这些挑战。整体框架以欧洲专利体系为基础，后续各节通过指出与美国、中国、日本专利体系的异同逐步展开。

在欧洲专利体系中，软件本身不可被授予专利[33]。由于 AI 发明是软件发明，"AI 发明本身"因此不可被授予专利。在这一语境下，"本身"一词指非技术的软件、亦即非技术的 AI 发明。反过来说，AI 发明若具备技术性，即具有技术特征，则可被授予专利。

AI 发明在以下情形下具备技术特征：它贡献于产生服务于技术目的的技术效果。这一技术特征可以因将 AI 应用于某一技术领域和/或将 AI 适配于具体的技术实现而产生。本章给出若干示例加以澄清。

第一种情形是 AI 被应用于技术领域：AI 控制某个具体的技术系统或过程。例如，可以用 AI 控制心血管影像系统；或控制用于治疗心血管疾病或辅助医师治疗心血管疾病的系统（基于心血管图像），如图 51.4 中的例 1。

第二种情形是 AI 用于提升心血管图像质量（如基于 AI 的去噪）；用于在心血管图像中检测病灶（图 51.4 例 2）；用于从心血管图像中确定生理参数（如血流值）；或用于图像重建。例如，可以开发 AI 基于所采集的 MR 或 CT 原始数据重建心血管磁共振（MR）或计算机断层扫描（CT）图像。技术特征也可以由将 AI 用于改变医学成像模态来赋予——例如用 AI 由超声图像重建具有 MR 或 CT 特征的心血管图像（图 51.4 例 3）。

第三种情形是 AI 因其具体的技术实现而具备技术特征——例如 AI 具备某种特别适于执行技术任务和/或在具备某些特征的特定计算机上使用的结构。例如，若以神经网络作为 AI，可以配置其层次结构使其能高效执行寻找心血管图像中病灶这一技术任务——例如具有极低的误分类数，特别是当该神经网络被部署在某一特定计算机结构上时。

欧洲专利体系·创造性（European Patent System: Inventiveness）

可专利性的第二个主要要求是 AI 发明的技术要素必须具备创造性。创造性意味着该发明相对于现有公开的现有技术（prior art）而言，对本领域普通技术人员不应是显而易见的[34]。至关重要的一点是开发公司、大学或机构（以下统称"开发方"）不得在提交专利申请之前公开 AI 发明。若开发方在提交对应专利申请之前公开了 AI 发明，将自行形成现有技术，使 AI 发明不再具备新颖性、从而不可再被授予专利。1

如果一项发明仅以 AI 专家（即使用 AI 的专家）替代人类或已知计算专家来解决某一技术问题，则该发明不被视为具备创造性。为使技术方案非显而易见，需要的不仅是通常已知的 AI。例如，若本领域技术人员以这一特定结构去解决发明所指向的技术问题是非显而易见的，则使用具备某种特定结构的 AI 即可具备创造性。

将某一 AI 应用于某一技术任务对本领域技术人员而言可能是非显而易见的——当现有技术文档未披露任何能将本领域技术人员引向使用该特定 AI 完成该特定技术任务的指引时。这里值得注意，开发者/发明人往往倾向认为其 AI 发明是显而易见的——因为他/她本人的确认为是显然的。但应区分发明人/开发者本人的印象与专利所要求的显而易见程度。专利审查中所问的是"该方案对于一位打算解决相应技术问题的'平均'专家是否显而易见"，而实际发明人/开发者通常不是"平均"专家，而是"超级"专家。此外，创造性步骤不应以后见之明（ex post facto analysis）评估。对于已知道该 AI 发明的人，它可能看似显而易见，但若不知道这一 AI 发明，该方案更可能被视为非显而易见的从而具备创造性。

欧洲专利体系·医疗方法（European Patent System: Medical Methods）

在欧洲专利体系中，医疗方法一般被排除在可专利性之外[35]。但这一排除不涵盖系统、装置与计算机程序。可通过将专利指向包含 AI 的装置/系统以及实现 AI 的软/硬件来规避医疗方法的一般性排除。由于开发方实际销售的并非 AI 方法，而是 AI 装置/系统和/或 AI 软/硬件，无法对 AI 医疗方法授予专利在实践中并不构成重大不利。

此外，并非任何"医疗"方法在专利法意义上都属于被排除的医疗方法。本章给出若干示例以作说明。例如，诊断性 AI 方法必须是在人体或动物体上实施才被排除在可专利性之外；而针对在心血管图像中寻找病灶的 AI 方法，其作用对象是心血管图像而非人体或动物体。此外，因诊断方法被排除在可专利性之外时，诊断方法的最后一步——即把先前方法步骤的结果指派给某一具体临床表现——也必须包含在所主张的权利要求中[36]。因此，诊断性 AI 方法可以被授予专利——只要省略这一最后一步，即把结果指派为病灶或非病灶。此外，外科性 AI 方法（如基于心血管图像用 AI 控制外科手术）也可被授予专利——只要相应的方法权利要求不包含一个对身体的侵入性步骤：该步骤须代表对身体的实质性物理干预、要求专业医学专门知识才能实施、且即使在以所要求的专业照护与专门知识实施时仍带来实质性的健康风险[37]。

保护 AI 发明的另一视角是聚焦于 AI 算法的训练方面。例如，训练可由训练数据集定义，并可选择性地进一步由所训练的 AI 类型定义。训练也可由训练过程的结构定义——如果训练是分多个步骤进行的，例如哪些训练数据在哪些步骤中、在哪些条件下被使用。这些训练方面可被授予专利，前提是它们具有技术性并且具备创造性。然而，技术性通常较少成为问题，因为训练数据集通常包括实测数据、具备物理特征的数据或模拟数据，其中模拟数据是测量模拟的结果。就创造性步骤而言，以相应训练数据集与相应 AI 类型对该 AI 进行的训练对于本领域技术人员相对于已公开现有技术而言不得是显而易见的——这一要求与上文"创造性"一节一致。

常常，AI 被纳入一个反馈系统：即 AI 在使用过程中基于其正常使用所获得的结果被进一步训练。例如，若 AI 已被训练并被用于在心血管图像中寻找病灶，则这些寻找结果可被进一步用于训练该 AI。对此训练可使用一种质量度量，以反映在心血管图像中寻找病灶的相应结果的质量；这一质量度量可基于物理测量、数据库、用户输入等的进一步信息被自动确定。这一反馈系统可与 AI 本身一道被授予专利。例如，反馈系统的不同功能可被分布在不同位置的不同组件上，这一分布本身可被授予专利，所用的具体质量度量也可被授予专利。显然，反馈系统同样须满足技术性与创造性的标准。

本节所讨论的训练方面一般不会与医疗方法排除条款相冲突——因其内在并不针对 AI 发明的医疗方面。

美国专利体系（Patent System of the United States）

在技术性要求上，美国专利商标局（USPTO）传统上比欧洲专利局限制更少。这一局面在美国最高法院 2014 年关于 Alice Corporation Pty. Ltd. v. CLS Bank International 的判决之后发生变化，使美国实践向欧洲实践靠拢，技术性要求趋于严格[38]。具体而言，USPTO 对主体资格（subject matter eligibility）进行测试：审查权利要求是否"指向一种司法例外"（judicial exception）——如自然规律、自然现象或抽象概念；其中抽象概念被定义为数学概念、组织人类活动的方法或心智过程。若权利要求被认定为不指向司法例外，则具有可专利性。依据 USPTO 关于主体资格的指南，例如当权利要求陈述了该司法例外的实际应用时，则不被视为指向司法例外。因此，AI 发明只要不只是一种纯数学概念这样的抽象概念，而是指代一项实际应用，就具有可专利性。从而当 AI 发明不只是一种抽象概念、且如前文就欧洲专利体系所述具有技术性时，在美国一般也具有可专利性。

在创造性维度上，美国体系与欧洲体系适用类似规则。健康 AI 语境下最重要的差异是：美国体系并不对医疗方法排除可专利性。因此，一项具备技术性且具备创造性的 AI 发明，即便涉及医疗方法，在美国也是可专利的。

中国专利体系（Patent System of China）

在中国，技术性要求与欧洲要求相似：AI 发明必须包含技术特征——即必须包含解决某一技术问题的特征。同样在中国，AI 发明的技术特征必须具备创造性，医疗方法被排除在可专利性之外，但对应的医疗系统与装置可被授予专利。

因此在中国，AI 发明在欧洲专利体系所描述的类似条件下可被授予专利。

日本专利体系（Patent System of Japan）

依据日本专利法，"发明"一词意指"利用自然规律进行的高度先进的技术思想的创造"[39]。因此，在日本 AI 发明同样必须包含技术特征，且 AI 发明必须具备创造性。同时，日本也排除医疗方法的可专利性，但对应的医疗系统与装置可被授予专利。

因此在日本，AI 发明在类似于欧洲专利体系所描述的条件下可被授予专利。

行业动态·进入壁垒（Industry Dynamics: Barriers to Market Entry）

谈及医疗技术的规模化，医疗市场总体上有利于在位者（incumbents）而非新进入者，原因在于其严格的监管、对临床与经济证据的深度投入以及很长的投资回报（ROI）周期。事实上，生命科学与医疗器械领域的创新范式已经定型：即通过风险投资开发技术、寻求早期的"退出"（收购）——在多数情况下是上市前退出。投资者、初创公司与在位企业均试图建立或利用其目标市场的进入壁垒，以防御市场进入或提升市场份额。AI 公司用以保护特定细分市场或技术的大多数杠杆与任何医疗公司相比没有本质区别。然而数据显然扮演了更重要的角色，并且每一保护机制对 AI 类产品与对一般医疗技术的强度不同。本章前文已介绍知识产权作为市场壁垒的使用，此处给出 AI 类应用进入壁垒关键领域的更宽视角。识别出的领域如下。

知识产权，尤其是专利——已在前文深入讨论；商业秘密（具体而言即保持源代码机密）常被用作互补策略。

对（高质量、有标注的）数据集的访问，跨多样化患者背景与地理——例如超声心动图 AI 开发要求大量具备广泛特征的数据——来自多种超声机器；且超声心动图 AI 研究在很大程度上依赖于人类解读作为真值标准，尽管人类在解读与测量上本身存在变异性。

对专有知识与数据科学人才的访问——AI 应用的成功开发是一项多学科团队工作，因而严重依赖对专有知识的访问[15]。这一依赖贯穿从方法开发到医疗实施的全开发周期。

临床证据与监管批准——前文已详细讨论。

报销与商业模式——临床 AI 应用的商业模式截至目前尚未收敛。订阅模式似乎是 AI 应用产品化所偏好的模式，对医疗技术行业而言是相当新颖的[40]。早期采纳者虽有不同的资金来源，但主流采纳将需要报销或直接给付款方—HCP 的显著有效成本削减。最近，美国 Medicare 与 Medicaid 服务中心（CMS）批准了第一例 AI 医学影像报销——Viz.ai 的卒中平台（Viz LVO）。这一报销批准对订阅模式难以获得支付的 AI 厂商是突破。但这一批准也带来对 AI 公司商业模式可行性与风险投资 ROI 的关切。报销以"按订阅估计的量"确定，并可能随系统内量增长而被下调[40]。这在医疗系统层面是合理的，但对 AI 公司而言维持可带来健康 ROI 的价格水平将是一项挑战。

对（数据）平台、标准化与网络效应的访问——在位者拥有现有客户网络与关系（"渠道"），包括与 EIM 和/或 EMR 系统的既有集成，这些是采纳的关键。医疗 AI 市场目前呈碎片化，供应商种类繁多。虽然预期合并在某一节点终将发生，但也存在共识：AI 应用的开发需要大量主题专有知识，对中小型公司而言很难在大量用例上积累该知识。预期医疗机构将寻找"一站式"供应商以采购并采纳 AI 应用，因为对每个单独供应商的尽调、签约与部署的过程耗时且对大多数个体机构而言不可行[41]。多种供应商——影像模态厂商（Philips、Siemens、GE Healthcare）、EIM 厂商（Sectra、AGFA、Fujifilm）、可视化厂商（TeraRecon）、工作流厂商（Nuance Healthcare）——已宣布 marketplace 类的一站式提供方案。此外，独立 marketplace 如 Blackford Analysis、IBM Watson Health、Arterys Marketplace 与 Incepto 也进入行业。隐忧是应用在医院现有 IT 生态中的集成深度可能不及所需[14]。与 EIM 提供方关系紧密或由其提供的平台可能最适于解决这一集成问题。这些平台为 AI 创业公司提供了访问与实施速度上的机会，但也可能演化为对其掌握合作条款、条件与价格/利润能力的威胁。

这些壁垒会影响 AI 类应用市场未来的形态以及 AI 公司—医疗提供方之间的关系。

行业动态·AI 公司—医疗提供方关系（Industry Dynamics: AI Company-Healthcare Provider Relation）

前文所讨论的若干壁垒要求 AI 公司对 HCP 与学界具有访问能力或深度互动。这一互动比传统医疗器械开发在公司与医疗提供方之间造成更大的（相互）依赖。在 AI 应用开发的多个阶段中这一点都相关。表 51.1 给出了 AI 公司与 HCP 在 AI 应用不同开发阶段关键相互依赖的概览。

作为这些相互依赖的结果，AI 公司与 HCP 面临关于所交换的价值以及如何激励机构与角色的问题。行业中使用了多种激励合作的方式（但不限于）：特许权使用费支付；一次性总付款；折扣或 AI 产品访问；研究项目赞助。这些激励举措尚处早期，AI 公司—HCP 合作中的模式与估值仍在大量涌现[27]。预计随着该领域成熟、这些合作变得更加普遍，这些模式与估值会逐渐收敛。

讨论（Discussion）

AI 应用正吸引来自临床科学、政策与产业各方的巨大兴趣，但 AI 应用的产品化仍处于早期。心胸与放射是 AI 成功且可盈利开发的肥沃土壤，主要因这些领域数据驱动且组织良好。主流采纳仍预计将需要时间。医疗系统的需求迫切，但发展（临床、技术、市场、政策）正以快速节奏推进。

展望未来，明确 AI 应用开发与采纳过程中的价值及其归属，对确保现实的货币化与正确商业模式的定义具有重要意义。AI 公司——受其投资者驱动——试图获取价值链中的大部分。支持采纳并在临床实践中实现影响（这是产品化所必需的）的平台与 EIM 提供方将在这一过程中定义其价值。每一方参与者将如何获得 ROI 仍有待观察。

围绕医疗数据的法规与登记注册的多项发展正在进行，并将深刻影响心血管领域 AI 应用的商业化能力。立法者正面临关于选择 opt-in 还是 opt-out 的问题。HCP 正在与实施与供应商标准化的挑战角力。医学研究界应致力于汇编目前在心血管影像领域稀缺的多中心数据集[15]，尽管已经出现若干试图弥合这一差距的尝试。为加速 AI 应用开发，公开可用的数据集可以构成一项有吸引力的战略。在美国与英国，关于建立对 HCP 强制的国家数据库平台的讨论正在进行。例如在英国已建立国家 COVID-19 胸部影像数据库以支持 COVID 诊断与治疗的发展。NHS AI Lab 利用该项目探索更广泛的国家平台[42]。

主流采纳的难易与速度将取决于 HCP 与国家卫生机构及指南委员会培养其劳动力与调整工作方式的能力[43]。合作为医学专业人员对 AI 的开发与采纳都带来了责任。AI 的技术与伦理方面应被纳入医学培训，使临床医生能够与工程师与临床物理学家协作训练与改进算法[17]。不同角色与责任的需求以及与 AI 驱动照护路径的工作方式，可能在未来若干年内成为研究与实验的主题。

最后，AI 在人群健康管理（例如早期筛查或预防性照护）中可能扮演重要角色。但当前许多医疗系统并未聚焦于也未被激励以捕获这一机会的全部价值，该领域的商业活动似乎也落后于医疗运营中的活动。患者/消费者所有权很可能不足以捕获这一机会，各国政府需要考虑将预防性照护制度化。COVID 疫情可能是这一进程的催化剂。

本章个人批注

这一章是 ch50"价值评估"的自然续篇：上一章确立"AI 应被视作卫生系统转型的杠杆"，本章把杠杆作用分解为可操作的开发流程与法律工具——尤其是在欧洲专利体系下用"技术性/创造性/医疗方法排除"三件套来判断 AI 发明可专利性，这一框架对临床医生与开发方都极其实用。"技术性"的判定路径（应用技术领域 / 改进图像质量与重建 / 具体技术实现）与图 51.4 的三例抽取得当——既覆盖了"AI 直接控制治疗系统"，也覆盖了"AI 在不同模态间转换"这种更微妙的技术性赋予方式。

本章最具张力的一段是关于开发方公开时机的警告：欧洲与中国没有宽限期，开发方一旦发表就自毁新颖性，而美国与日本存在 12 个月的 grace period——这意味着对同一篇论文的发表策略，四大主要市场之间存在系统性差异。在多作者、多机构合作日益普遍的研究环境里，这一时序差对学界-工业界合作模式有直接含义。Section "AI Company-Healthcare Provider Relation" 末尾那句"这些激励举措尚处早期"实际上是对当前 AI 商业合作"摸着石头过河"的含蓄承认，但本章未给出任何具体的估值方法或基准，与 ch50 的"价值主张框架"形成了方法论上的断层。

值得注意的反差：ch50 强调"AI 评估文献稀缺且方法学薄弱"，而本章则揭示了 AI 在专利层面已呈爆炸性增长（2012—2017 年均增长 28%）——专利的繁荣与评估证据的稀缺恰好是同一现象的两面：高专利数量反映了对 ROI 的追求，但临床证据的滞后又反过来给整个商业模式（尤其订阅模式下的报销）带来不确定性。CMS 批准 Viz LVO 是产品化早期的一座里程碑，但作者紧接指出"量上去之后报销可能下调"——这预示了未来 AI 厂商可能从"卖软件许可"转向"协助医疗机构构建、部署与持续校准算法"的服务化路径。

与上下章的衔接（一段话）

第 51 章处于本书"卫生经济学—商业化—知识产权—伦理"四联章的第二位置（ch50–ch53）。ch50 把"价值"作为经济评估的核心，本章则把"价值"翻译为厂商在知识产权与市场壁垒上可争取的法律资产：ch50 的"价值主张"为厂商的市场进入提供经济学论证，ch51 的"专利三件套（技术性/创造性/医疗方法排除）"为厂商的法律护城河提供具体判据。在 ch50 已经讨论过商业模式未收敛之后，本章顺理成章地把"订阅模式"作为当前主流候选，并把 CMS 对 Viz LVO 的报销批准作为最新风向标。下一章 ch52 将切换到"伦理考量"，把本章的"产品化与知识产权"框架放到公平、偏差、知情同意等社会维度上进行审视；ch53（如何撰写 AI 论文）则给出研究汇报层面的方法学规范。本章被夹在"经济评估"与"伦理"之间，是因为"先做价值评估、再做产品化落地、最后做伦理审查"是从实验室走到临床的完整三段式，作者有意把这一逻辑显式化为章序。