【產(chǎn)業(yè)鏈圖譜 | 人工智能產(chǎn)業(yè)鏈圖譜_人工智能產(chǎn)業(yè)鏈全景圖】

【研究報(bào)告 | 人工智能行業(yè)研究報(bào)告】

       人工智能的發(fā)展對(duì)多個(gè)行業(yè)都產(chǎn)生了影響，深度學(xué)習(xí)的研究提高了數(shù)據(jù)的分析和判斷的準(zhǔn)確度，人工智能的發(fā)展對(duì)醫(yī)學(xué)影像也起到了促進(jìn)作用。

醫(yī)學(xué)影像所面臨的3個(gè)問(wèn)題

      1. 醫(yī)療數(shù)據(jù)中超過(guò)90% 的數(shù)據(jù)來(lái)自于醫(yī)學(xué)影像，但這些數(shù)據(jù)幾乎全部需要人工分析。人工分析的缺點(diǎn)顯而易見(jiàn): ( 1) 不夠精確，醫(yī)生僅能憑借經(jīng)驗(yàn)去辨別，經(jīng)常缺乏量化的標(biāo)準(zhǔn)，容易造成誤判; ( 2) 不可避免地會(huì)出現(xiàn)人眼視力產(chǎn)生的誤差及視力疲勞;( 3) 海量的圖像信息量容易產(chǎn)生漏診。

      2. 醫(yī)療從業(yè)人員短缺。研究表明，目前我國(guó)醫(yī)學(xué)影像數(shù)據(jù)年增長(zhǎng)率約為30%，而放射科醫(yī)師數(shù)量年增長(zhǎng)率約為4%，其間的差距為26%，放射科醫(yī)師數(shù)量增長(zhǎng)遠(yuǎn)不及影像數(shù)據(jù)增長(zhǎng)，且醫(yī)師從業(yè)需要較長(zhǎng)時(shí)間的培訓(xùn)和學(xué)習(xí)，這意味著放射科醫(yī)師在未來(lái)處理影像數(shù)據(jù)的壓力會(huì)越來(lái)越大，難以承擔(dān)巨大的負(fù)荷。

       3. 在多學(xué)科相互滲透交叉的時(shí)代，放射科醫(yī)師缺乏強(qiáng)有力的方法或武器參與競(jìng)爭(zhēng)以穩(wěn)定學(xué)科發(fā)展的方向。而人工智能與醫(yī)學(xué)影像的融合，恰好可在學(xué)科發(fā)展方面拾遺補(bǔ)缺。

人工智能參與醫(yī)學(xué)影像的方式

       人工智能參與醫(yī)療過(guò)程首先要做的是獲得大量帶標(biāo)注的醫(yī)學(xué)影像樣本，然后嘗試在其中找到一些關(guān)鍵點(diǎn)。比如說(shuō)靠近肺和靠近肝的點(diǎn)，把關(guān)鍵點(diǎn)找到以后，結(jié)合肝的形狀鮮艷模型，設(shè)定一個(gè)初始化模型，再通過(guò)機(jī)器學(xué)習(xí)的方式學(xué)到邊界應(yīng)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(guò)它的形狀特征進(jìn)行進(jìn)一步的完善，最后獲得好的分割、篩查結(jié)果。這一過(guò)程便是人工智能對(duì)圖像的定位、分類和切割。

       當(dāng)我們將臟器分割、病變標(biāo)記出來(lái)以后，就知道了這個(gè)部位有沒(méi)有患病，但是并不知道是患了什么病，病情發(fā)展到了什么程度。這個(gè)時(shí)候便需要對(duì)病理圖像進(jìn)行分析，獲得輔助判斷依據(jù)。

       病理分析是抽取疑似病變活體，放在顯微鏡上細(xì)胞形態(tài)分析的一種檢驗(yàn)方式，是目前癌癥的主要確診方式。數(shù)字病理圖像往往非常大，比如部分腫瘤病理圖像的尺寸達(dá)到了 20 萬(wàn) × 20 萬(wàn)像素，甚至 40 萬(wàn) × 40 萬(wàn)像素，有非常多的細(xì)胞需要分析。這是極大的分析量，醫(yī)生需要花費(fèi)大量時(shí)間進(jìn)行比對(duì)。隨著病理圖像包含的信息不斷增加，這一工作交給醫(yī)生來(lái)做開(kāi)始變得不現(xiàn)實(shí)。

       通過(guò)搭建神經(jīng)網(wǎng)絡(luò)和利用深度學(xué)習(xí)算法，人工智能系統(tǒng)對(duì)包含各種病變形態(tài)細(xì)胞的病理庫(kù)進(jìn)行大量訓(xùn)練，獲得識(shí)別病變細(xì)胞特征的能力。利用之前提到的分割算法，將細(xì)胞分割出來(lái)，通過(guò)大量比對(duì)，識(shí)別出細(xì)胞的病變形式及發(fā)展程度，為醫(yī)生做出最后診斷提供輔助依據(jù)。

       醫(yī)院大數(shù)據(jù)里 85% 左右的存儲(chǔ)容量被影像數(shù)據(jù)所占據(jù)，現(xiàn)在的計(jì)算機(jī)可以識(shí)別結(jié)構(gòu)化的文本數(shù)據(jù)和結(jié)構(gòu)化的影像數(shù)據(jù)，且正在探索將功能性醫(yī)療圖像和結(jié)構(gòu)性圖像相融合的方式，以獲得更好診療效果。將上述四項(xiàng)能力進(jìn)行組合，便得到了人工智能在醫(yī)學(xué)影像上的具體應(yīng)用場(chǎng)景。

人工智能參與醫(yī)學(xué)影像應(yīng)用

       深度學(xué)習(xí)的CADx系統(tǒng)顛覆了傳統(tǒng)的計(jì)算機(jī)視覺(jué)和模式識(shí)別，作為深度學(xué)習(xí)等人工智能技術(shù)最先突破的領(lǐng)域，圖像識(shí)別已廣泛用于圖片搜索、自動(dòng)駕駛、人臉識(shí)別等。在醫(yī)療健康領(lǐng)域，人工智能技術(shù)將有望解決各種醫(yī)學(xué)影像的數(shù)據(jù)解讀問(wèn)題，如CT、MRI、PET、超聲波、太赫茲、眼底視網(wǎng)膜等。并將逐步實(shí)現(xiàn)關(guān)鍵器官覆蓋和模塊化擴(kuò)展，對(duì)某一器官的特定病例進(jìn)行判斷、篩查和診斷，達(dá)到主任醫(yī)生級(jí)水平。

       醫(yī)療數(shù)據(jù)中有超過(guò)90%來(lái)自醫(yī)學(xué)影像，據(jù)統(tǒng)計(jì)，美國(guó)醫(yī)學(xué)影像數(shù)據(jù)的年增長(zhǎng)率為63%，而放射科醫(yī)生數(shù)量的年增長(zhǎng)率僅為2%；根據(jù)動(dòng)脈網(wǎng)的數(shù)據(jù)，國(guó)內(nèi)醫(yī)學(xué)影像數(shù)據(jù)和放射科醫(yī)師的增長(zhǎng)率分別為30%和4.1%。運(yùn)用人工智能技術(shù)識(shí)別、解讀醫(yī)學(xué)影像，通過(guò)與其它病例記錄的對(duì)比分析，幫助醫(yī)生定位病灶，輔助診斷，可以有效彌補(bǔ)其中的缺口，減輕醫(yī)生負(fù)荷，減少醫(yī)學(xué)誤判，提高診療效率。以美國(guó)哈佛醫(yī)學(xué)院參與的智能診斷臨床試驗(yàn)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(duì)醫(yī)學(xué)影像的促進(jìn)作用屬于人工智能的落地產(chǎn)業(yè)范疇，企業(yè)也應(yīng)當(dāng)加深對(duì)這項(xiàng)技術(shù)的研究。