隨著人口老齡化的加劇以及民眾健康意識的提升,，醫(yī)學(xué)影像檢查次數(shù)每年以超過30％的速度增加,，而影像科醫(yī)生每年的增長速度不到5％,，這里面存在著嚴(yán)重的供需失衡。

　　深度學(xué)習(xí)技術(shù)在圖像領(lǐng)域的突破使得在醫(yī)療影像中應(yīng)用AI技術(shù)進(jìn)行輔助診斷即將普及,，在后深度學(xué)習(xí)時(shí)代,，醫(yī)學(xué)影像AI現(xiàn)階段能解決什么問題？其中又有哪些瓶頸,？未來會(huì)帶給我們怎樣的想象,？無數(shù)的問號等待揭曉。

　　醫(yī)學(xué)影像AI的市場規(guī)模

　　據(jù)《醫(yī)療影像的市場圖譜和行業(yè)發(fā)展分析》推算,，2020 年我國醫(yī)學(xué)影像市場規(guī)模將達(dá)到6000 － 8000 億人民幣,，其中即便診斷環(huán)節(jié)只占20％左右，也是一個(gè)千億級別的市場,。

　　根據(jù)Global Market Insight的數(shù)據(jù)統(tǒng)計(jì)：藥物研發(fā)在全球醫(yī)療AI市場中的份額最大,，占比達(dá)到35％；智能醫(yī)學(xué)影像市場則為第二大細(xì)分市場,，并將以超過40％的增速發(fā)展,，在2024年達(dá)到25億美元規(guī)模,，占比25％,。

　　目前醫(yī)學(xué)影像數(shù)據(jù)的年增長率約為30％，而放射科醫(yī)師數(shù)量的年增長率只有4．1％,，放射科醫(yī)師數(shù)量增長遠(yuǎn)不及影像數(shù)據(jù)增長,。

　　除了既有市場帶來的新需求，醫(yī)聯(lián)體建設(shè)的推進(jìn)和第三方醫(yī)學(xué)影像服務(wù)市場的發(fā)展也為市場帶來了新的機(jī)會(huì),。

　　市場的供需不平衡,，與AI技術(shù)在醫(yī)學(xué)影像領(lǐng)域應(yīng)用的巨大可能，推動(dòng)了大量創(chuàng)業(yè)團(tuán)隊(duì)涌入醫(yī)學(xué)影像AI的領(lǐng)域,。有數(shù)據(jù)顯示,，中國人工智能＋醫(yī)學(xué)影像的活躍企業(yè)已經(jīng)超過 70 家。

　　據(jù)國家衛(wèi)計(jì)委統(tǒng)計(jì),，我國病理注冊醫(yī)生在1萬人左右,，按照每百張床配備2名病理醫(yī)生的標(biāo)準(zhǔn)計(jì)算，全國病理科醫(yī)生缺口達(dá)4萬人,。所以通過AI的方式輔助影像科醫(yī)師進(jìn)行診斷將滿足市場剛需,。

　　智能影像識別分類多空間大

　　智能影像識別市場分類多、空間大，人工智能方法在醫(yī)學(xué)圖像處理中的應(yīng)用十分廣泛,，涉及醫(yī)學(xué)圖像分割,、圖像配準(zhǔn)、圖像融合,、圖像壓縮,、圖像重建等多個(gè)領(lǐng)域。

　?、俜派漕悾和ㄟ^射線成像了解人體內(nèi)部的病變情況,，形成影像。對該影像智能識別的目的在于標(biāo)注病灶位置,。

　?、诜暖燁悾涸谥贫ǚ暖煼桨钢埃t(yī)生需要通過成像設(shè)備對靶區(qū)進(jìn)行定位,，從而形成影像,。對該影像智能識別的目的在于進(jìn)行靶區(qū)自動(dòng)勾畫，由于放療需要?dú)⑺兰?xì)胞,，病變區(qū)域勾勒的越準(zhǔn)確越好,，對智能影像識別準(zhǔn)確率要求高。

　?、凼中g(shù)類：對CT等影像通過3D可視化等技術(shù),，進(jìn)行三維重建，幫助醫(yī)生進(jìn)行手術(shù)前規(guī)劃,，確保手術(shù)的精確性,。

　　④病理類：病理診斷是最終確診環(huán)節(jié),，MRI,、CT、B超等影像判讀的正確與否要參考病理診斷的結(jié)果,。傳統(tǒng)的病歷檢驗(yàn)是醫(yī)生在顯微鏡下直接讀取病歷涂片，現(xiàn)在數(shù)字化病理系統(tǒng)使得AI讀片成為可能,。

　　醫(yī)療影像AI算法的變化

　　醫(yī)學(xué)影像并不是AI應(yīng)用的第一個(gè)場景，許多企業(yè)的AI技術(shù)源于計(jì)算機(jī)視覺的遷移,，并在此基礎(chǔ)上根據(jù)病種的特征進(jìn)行訓(xùn)練,、優(yōu)化,。遷移算法的優(yōu)勢在于開發(fā)者可以迅速切入醫(yī)學(xué)領(lǐng)域,，能加速醫(yī)療AI產(chǎn)業(yè)的發(fā)展。

　　今年算法的變化主要變化在兩個(gè)方面,，一方面,，傳統(tǒng)遷移算法通過數(shù)據(jù)與實(shí)驗(yàn)不斷優(yōu)化，魯棒性,、準(zhǔn)確率等指標(biāo)都有明顯上升,；另一方面，部分AI影像企業(yè)拒絕使用開源算法,，而選擇針對AI影像自建算法,。

　　兩種模式有擁有各自的優(yōu)勢，但要完全突破現(xiàn)有AI技術(shù)的瓶頸,，或許單單的算法并不能完全解決問題,，從基因等其他因素出發(fā)，全方位的看待問題,，或許是另一條出路,。

　　變現(xiàn)場景和商業(yè)模式多樣化

　　僅就醫(yī)療圖像智能識別而言，潛在的變現(xiàn)方式包括：作為單獨(dú)的軟件模塊向醫(yī)療機(jī)構(gòu)銷售,、與PACS等系統(tǒng)合成向醫(yī)療機(jī)構(gòu)銷售,；與CT、X光機(jī)等設(shè)備合作形成軟硬件一體化解決方案向醫(yī)療機(jī)構(gòu)銷售,；通過遠(yuǎn)程醫(yī)療等方式服務(wù)基層醫(yī)療機(jī)構(gòu),；通過互醫(yī)療影像創(chuàng)業(yè)公司處于發(fā)展初期,。

　　目前國內(nèi)在該領(lǐng)域的創(chuàng)業(yè)公司大概為59家,。隨著行業(yè)的發(fā)展，市場參與者的數(shù)量將首先不斷提升,，最后由分散走向集中,。隨著行業(yè)數(shù)據(jù)整合與共享機(jī)制的建立、模型訓(xùn)練的成熟,、商業(yè)模式的確立,，以及部分企業(yè)CFDA認(rèn)證的率先通過，先發(fā)企業(yè)將逐步建立技術(shù)壁壘和商業(yè)壁壘,，推動(dòng)市場走向集中,。

　　從變現(xiàn)對象看，基層醫(yī)院因?yàn)橹委熕剑t(yī)療資源缺乏,，付費(fèi)動(dòng)力最強(qiáng),；而大醫(yī)院雖然醫(yī)療資源豐富，但由于門診住院量高,，具備通過智能化應(yīng)用提升工作效率的需求,。

　　在此背景下，基層醫(yī)院具備按次付費(fèi)的需求基礎(chǔ),，而大醫(yī)院更容易接受軟件服務(wù)費(fèi)作為付費(fèi)形式,。隨著第三方影像中心的崛起，將也會(huì)對智能影像診斷產(chǎn)生需求,。

　　醫(yī)學(xué)影像AI也有短板

　?、貯I產(chǎn)品往往只是集中在少數(shù)幾個(gè)病種，難以覆蓋全部醫(yī)學(xué)影像問題,。

　?、诒姸嗳斯ぶ悄芷髽I(yè)和機(jī)構(gòu)采用的訓(xùn)練數(shù)據(jù)集標(biāo)準(zhǔn)多樣，系統(tǒng)偏差較大,，行業(yè)缺乏醫(yī)學(xué)圖像和疾病征像的統(tǒng)一認(rèn)識,。

　　③業(yè)內(nèi)缺乏對數(shù)據(jù)使用標(biāo)準(zhǔn)的判斷依據(jù),，在現(xiàn)有的法律基礎(chǔ)上尋找合規(guī)使用和分享數(shù)據(jù)的渠道,，也是迫在眉睫的一件事情。

　?、茉卺t(yī)學(xué)影像AI模型檢測階段,，也會(huì)存在生產(chǎn)過程不規(guī)范，模型效果和安全性缺乏公正評價(jià),，缺乏產(chǎn)品檢測標(biāo)準(zhǔn)庫和評價(jià)體系,，缺乏相關(guān)法律法規(guī)、質(zhì)控檢查和管理制度等問題,。

　?、葆t(yī)療健康是風(fēng)口，人工智能也是風(fēng)口,，兩個(gè)風(fēng)口放在一起就可能出現(xiàn)泡沫,。多數(shù)的醫(yī)生是非常有經(jīng)驗(yàn)的，AI對于他們來說更多的是輔助,，主要作用在給他們進(jìn)一步的確認(rèn),、以及提高他們的診斷效率。

　　應(yīng)對弊端的解決方法

　　國內(nèi)監(jiān)管審批會(huì)加速,，影像 AI 產(chǎn)品上市前質(zhì)量評價(jià)體系逐漸形成,。2017 年 FDA 和 CFDA 都設(shè)置了專門針對醫(yī)療 AI 的審評部門,，足以顯示對醫(yī)療 AI 重視程度和開放態(tài)度。目前中檢院已經(jīng)召開 AI 標(biāo)準(zhǔn)測試數(shù)據(jù)集眼底和肺癌建設(shè)會(huì)議,，公開征集標(biāo)準(zhǔn)測試數(shù)據(jù)集,，建立測試數(shù)據(jù)集和客觀評測方法，推進(jìn)產(chǎn)品上市前質(zhì)量評價(jià),。

　　初期AI剛應(yīng)用于醫(yī)學(xué)影像領(lǐng)域,，醫(yī)生群體的接受度還不高，有些人還持懷疑,、抵觸的態(tài)度,，但隨著AI臨床表現(xiàn)不斷提升、醫(yī)生AI研究學(xué)術(shù)上不斷有高質(zhì)量成果產(chǎn)出,、加之大環(huán)境的影響,，將有越來越多的醫(yī)生由被動(dòng)轉(zhuǎn)為主動(dòng)擁抱AI，臨床更多需求將釋放,，會(huì)產(chǎn)生更多細(xì)分領(lǐng)域的機(jī)會(huì),。

　　除了醫(yī)學(xué)影像 AI 應(yīng)用外，醫(yī)療領(lǐng)域還存在一類可統(tǒng)稱為醫(yī)學(xué)圖像的數(shù)據(jù)應(yīng)用,。這類數(shù)據(jù)雖不是設(shè)備直接成像的結(jié)構(gòu)或功能影像,，但是可以間接形成能夠供計(jì)算機(jī)判讀的數(shù)字圖像，比如檢驗(yàn)和病理科室顯微鏡下視野經(jīng)數(shù)字化后形成的圖像,， 以及心電,、腦電等電生理信號形成的圖像都有機(jī)會(huì)借助 AI 來實(shí)現(xiàn)智能化的分析和解讀。

　　結(jié)尾

　　AI技術(shù)只是一種技術(shù)手段,，而不是最終目標(biāo),。未來醫(yī)療AI企業(yè)會(huì)逐漸整合，只有給醫(yī)院一個(gè)相對完整的打包方案,，至少幫科室解決一個(gè)領(lǐng)域的大部分問題,，也許這個(gè)行業(yè)才能迎來春天。

　　在整個(gè)醫(yī)學(xué)影像的云計(jì)算中,，利用算法增加連接性,，利用深度學(xué)習(xí)挖掘影像數(shù)據(jù)的價(jià)值，在更多的維度中挖掘原來淺關(guān)聯(lián)或弱關(guān)聯(lián)的關(guān)系,，利用三者的關(guān)聯(lián)大大提高醫(yī)療診療效率,，并達(dá)到精準(zhǔn)醫(yī)療。大量數(shù)據(jù)的積累,、高性能的計(jì)算環(huán)境、優(yōu)化的深度學(xué)習(xí)方法,，三者資源互相結(jié)合并不斷調(diào)配的模型,，正是人工智能的魅力所在,，也是未來醫(yī)學(xué)的方向。