【產業鏈圖譜 | 人工智能產業鏈圖譜_人工智能產業鏈全景圖】

【研究報告 | 人工智能行業研究報告】

       人工智能的發展對多個行業都產生了影響，深度學習的研究提高了數據的分析和判斷的準確度，人工智能的發展對醫學影像也起到了促進作用。

醫學影像所面臨的3個問題

      1. 醫療數據中超過90% 的數據來自于醫學影像，但這些數據幾乎全部需要人工分析。人工分析的缺點顯而易見: ( 1) 不夠精確，醫生僅能憑借經驗去辨別，經常缺乏量化的標準，容易造成誤判; ( 2) 不可避免地會出現人眼視力產生的誤差及視力疲勞;( 3) 海量的圖像信息量容易產生漏診。

      2. 醫療從業人員短缺。研究表明，目前我國醫學影像數據年增長率約為30%，而放射科醫師數量年增長率約為4%，其間的差距為26%，放射科醫師數量增長遠不及影像數據增長，且醫師從業需要較長時間的培訓和學習，這意味著放射科醫師在未來處理影像數據的壓力會越來越大，難以承擔巨大的負荷。

       3. 在多學科相互滲透交叉的時代，放射科醫師缺乏強有力的方法或武器參與競爭以穩定學科發展的方向。而人工智能與醫學影像的融合，恰好可在學科發展方面拾遺補缺。

人工智能參與醫學影像的方式

       人工智能參與醫療過程首先要做的是獲得大量帶標注的醫學影像樣本，然后嘗試在其中找到一些關鍵點。比如說靠近肺和靠近肝的點，把關鍵點找到以后，結合肝的形狀鮮艷模型，設定一個初始化模型，再通過機器學習的方式學到邊界應該是怎么樣的，病變是怎么樣的，盡量的逼近它的邊界信息，再通過它的形狀特征進行進一步的完善，最后獲得好的分割、篩查結果。這一過程便是人工智能對圖像的定位、分類和切割。

       當我們將臟器分割、病變標記出來以后，就知道了這個部位有沒有患病，但是并不知道是患了什么病，病情發展到了什么程度。這個時候便需要對病理圖像進行分析，獲得輔助判斷依據。

       病理分析是抽取疑似病變活體，放在顯微鏡上細胞形態分析的一種檢驗方式，是目前癌癥的主要確診方式。數字病理圖像往往非常大，比如部分腫瘤病理圖像的尺寸達到了 20 萬 × 20 萬像素，甚至 40 萬 × 40 萬像素，有非常多的細胞需要分析。這是極大的分析量，醫生需要花費大量時間進行比對。隨著病理圖像包含的信息不斷增加，這一工作交給醫生來做開始變得不現實。

       通過搭建神經網絡和利用深度學習算法，人工智能系統對包含各種病變形態細胞的病理庫進行大量訓練，獲得識別病變細胞特征的能力。利用之前提到的分割算法，將細胞分割出來，通過大量比對，識別出細胞的病變形式及發展程度，為醫生做出最后診斷提供輔助依據。

       醫院大數據里 85% 左右的存儲容量被影像數據所占據，現在的計算機可以識別結構化的文本數據和結構化的影像數據，且正在探索將功能性醫療圖像和結構性圖像相融合的方式，以獲得更好診療效果。將上述四項能力進行組合，便得到了人工智能在醫學影像上的具體應用場景。

人工智能參與醫學影像應用

       深度學習的CADx系統顛覆了傳統的計算機視覺和模式識別，作為深度學習等人工智能技術最先突破的領域，圖像識別已廣泛用于圖片搜索、自動駕駛、人臉識別等。在醫療健康領域，人工智能技術將有望解決各種醫學影像的數據解讀問題，如CT、MRI、PET、超聲波、太赫茲、眼底視網膜等。并將逐步實現關鍵器官覆蓋和模塊化擴展，對某一器官的特定病例進行判斷、篩查和診斷，達到主任醫生級水平。

       醫療數據中有超過90%來自醫學影像，據統計，美國醫學影像數據的年增長率為63%，而放射科醫生數量的年增長率僅為2%；根據動脈網的數據，國內醫學影像數據和放射科醫師的增長率分別為30%和4.1%。運用人工智能技術識別、解讀醫學影像，通過與其它病例記錄的對比分析，幫助醫生定位病灶，輔助診斷，可以有效彌補其中的缺口，減輕醫生負荷，減少醫學誤判，提高診療效率。以美國哈佛醫學院參與的智能診斷臨床試驗為例，在人工智能的輔助下，可將乳腺癌的誤診率從4%降至0.5%。

      人工智能對醫學影像的促進作用屬于人工智能的落地產業范疇，企業也應當加深對這項技術的研究。