AI+医学影像是将人工智能技术具体应用在医学影像的诊断上。
具体而言，AI 在医学影像应用主要分为两部分：第一部分是图像识别，应用于感知环节，其主要目的是将影像这类非机构化数据进行分析，获取一些有意义的信息。第二部分是深度学习，应用于学习和分析环节，是 AI 应用的最核心环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握“诊断”的能力。具体而言，AI 在医学影像数据挖掘和分析中包括数据预处理、图像分割、特征提取和匹配判断四个主要过程：数据预处理：是指医学影像数据库中含有海量的、不同来源的原始数据, 其中带有大量模糊的、不完整的、带有噪声和冗余的信息，因此在数据挖掘前, 必须对这些信息进行清理和过滤, 以确保数据的一致性和确定性, 将其变成适合挖掘的形式。这个阶段包括包括图像去噪、增强、平滑、锐化等工作。
图像分割：通过器官形态模型，图像边缘特征模型，以及神经网络聚类模型，计算机自动将影像的内容（如盆腔 CT 的膀胱，前列腺，直肠等）自动分割（分割精度<2mm.），从而为后期的智能匹配和判断提供必备的图像处理工具。
特征提取：在图像分割基础上，使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。
匹配判断：是图像匹配和聚类的过程，核心技术是深度学习。
参考观研天下发布《2017-2022年中国康复医学产业发展监测及投资商机研究报告》
人类放射科医生阅片方式病理医生阅片能力与阅片经验（大脑中储存的细胞病理形态）的丰富与否高度相关。人类医生的读片方式，首先是认知图像。从心理学上来说，认知图像的关键在于模式和识别能力。模式是将当前看到的图像与记忆中有关的参照物（模板、原型、特征等）进行对比，典型的模式有模板匹配模式、原型匹配模式、特征分析模式、傅里叶模式等。具体而言，病理学家在读片的时候，会快速搜索大脑中的典型细胞病理学形态，做出判断。病理医生的阅片经验相当于他大脑中对每一张图像的记忆存储。
AI 实际上是模仿人类医生阅片模式。
AI 在阅片速度和经验方面具有优势。用深度神经网络来识别病理图片，即使不考虑并行处理和计算加速，阅读一张病理图片不超过40 秒。受能力限制，人类病理医生的读片量有限，经验的积累也有限。
一张病理图片的阅读时间可能是几分钟，也可能一整天。我们假设看一张片 2-3 分钟，每天工作 8 小时来算，一位病理医生每天最多看 150张病理图片，1 年 3.75 万张，40 年读片经验的医生也只能看 150 万张。
AI+医学影像已经走出实验室，下一步将迎来商业化浪潮。贝斯以色列女执事医学中心（ BIDMC ）与哈佛医学院合作研发的人工智能系统，对乳腺癌病理图片中癌细胞的识别准确率能达到 92%，虽然还是低于人类病理学家 96% 的准确率，但当这套技术与病理学家的分析结合在一起时，它的诊断准确率可以高达 99.5%，国内的Deep Care 对于乳腺癌细胞识别的准确率也达到了 92%。据悉尼先驱晨报的报道，Enlitic 凭借深度学习技术超越了 4 位顶级的放射科医生，包括诊断出了人类医生无法诊断出的 7%的癌症，以及在人类医生高达 66%的癌症误诊率的情况下，Enlitic 的误诊率只有 47%。
AI+医学影像诊断市场空间巨大。一是病理医生缺口巨大。由于国内病理医生收入低、培养模式不健全，全国病理医生极度缺乏。根据数据，中国和美国的医学影像数量年增长分别是 30%和 63%，而放射科医师数量增长率仅分别为 4.1%和 2.2%。可见，无论中国和美国的放射科医师数量增长远不及影像数据增长，供需缺口一直拉大。据媒体引述某三甲医院病理医生介绍，国内病理科医生注册人数 1 万多，而按床位数和病理医生的配比来算，尚有 6-8 万缺口。
二是，病理读片高度依赖经验，因经验而异使得病理读片的准确率相差大。中国的现实情况是误诊率高，基层医师专业能力低，有经验的放射科医师普遍缺乏。
AI+医学影像领域可能成为众多医疗细分领域率先爆发的领域。
其数据优势体现在：影像数据获取更容易。相比于病历数据动辄三五年的时间跨度，影像学数据则只是 “一秒钟”。对于数据公司而言，获得上百万张片子难度不算很大，但是有几十万份完整的结构化的病人病历就不容易了。
影像数据处理难度更小。一份病历要包含的信息至少有病史、病人信息、症状、治疗手段、愈后恢复等方面，而影像学的数据就是一张片子。
影像数据重要。影像检测信息是最直观反映病人病情信息的数据，也是医生确定治疗方案的最直接依据。
第三方检测机构在近年的兴起。相比于医院内的检测，第三方检测机构的效率更高，可以充分利用社区资源，不牵扯医生利益，是大势所趋。第三方检测机构想要开展影像检测业务，必须取得资质认证，资质认证包括一定级别的器材与人员。而专业人员培训周期长，对于智能图像诊断的潜在需求大。
资料来源：观研天下整理，转载请注明出处（ww）。
更多好文每日分享，欢迎关注公众号
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com，我们将及时沟通与处理。
