【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】

【研究報告 | 人工智能行業(yè)研究報告】

       人工智能的發(fā)展對多個行業(yè)都產(chǎn)生了影響，深度學習的研究提高了數(shù)據(jù)的分析和判斷的準確度，人工智能的發(fā)展對醫(yī)學影像也起到了促進作用。

醫(yī)學影像所面臨的3個問題

      1. 醫(yī)療數(shù)據(jù)中超過90% 的數(shù)據(jù)來自于醫(yī)學影像，但這些數(shù)據(jù)幾乎全部需要人工分析。人工分析的缺點顯而易見: ( 1) 不夠精確，醫(yī)生僅能憑借經(jīng)驗去辨別，經(jīng)常缺乏量化的標準，容易造成誤判; ( 2) 不可避免地會出現(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，目前我國醫(yī)學影像數(shù)據(jù)年增長率約為30%，而放射科醫(yī)師數(shù)量年增長率約為4%，其間的差距為26%，放射科醫(yī)師數(shù)量增長遠不及影像數(shù)據(jù)增長，且醫(yī)師從業(yè)需要較長時間的培訓和學習，這意味著放射科醫(yī)師在未來處理影像數(shù)據(jù)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(yī)師缺乏強有力的方法或武器參與競爭以穩(wěn)定學科發(fā)展的方向。而人工智能與醫(yī)學影像的融合，恰好可在學科發(fā)展方面拾遺補缺。

人工智能參與醫(yī)學影像的方式

       人工智能參與醫(yī)療過程首先要做的是獲得大量帶標注的醫(yī)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(fā)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(jù)。

       病理分析是抽取疑似病變活體，放在顯微鏡上細胞形態(tài)分析的一種檢驗方式，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(yī)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(yī)生來做開始變得不現(xiàn)實。

       通過搭建神經(jīng)網(wǎng)絡和利用深度學習算法，人工智能系統(tǒng)對包含各種病變形態(tài)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(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% 左右的存儲容量被影像數(shù)據(jù)所占據(jù)，現(xiàn)在的計算機可以識別結構化的文本數(shù)據(jù)和結構化的影像數(shù)據(jù)，且正在探索將功能性醫(yī)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(yī)學影像上的具體應用場景。

人工智能參與醫(yī)學影像應用

       深度學習的CADx系統(tǒng)顛覆了傳統(tǒng)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(yī)療健康領域，人工智能技術將有望解決各種醫(yī)學影像的數(shù)據(jù)解讀問題，如CT、MRI、PET、超聲波、太赫茲、眼底視網(wǎng)膜等。并將逐步實現(xiàn)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(yī)生級水平。

       醫(yī)療數(shù)據(jù)中有超過90%來自醫(yī)學影像，據(jù)統(tǒng)計，美國醫(yī)學影像數(shù)據(jù)的年增長率為63%，而放射科醫(yī)生數(shù)量的年增長率僅為2%；根據(jù)動脈網(wǎng)的數(shù)據(jù)，國內醫(yī)學影像數(shù)據(jù)和放射科醫(yī)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(yī)學影像，通過與其它病例記錄的對比分析，幫助醫(yī)生定位病灶，輔助診斷，可以有效彌補其中的缺口，減輕醫(yī)生負荷，減少醫(yī)學誤判，提高診療效率。以美國哈佛醫(yī)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(yī)學影像的促進作用屬于人工智能的落地產(chǎn)業(yè)范疇，企業(yè)也應當加深對這項技術的研究。