人工智能对医学影像的发展促进

【产业链图谱 | 人工智能产业链图谱_人工智能产业链全景图】

【研究报告 | 人工智能行业研究报告】

       人工智能的发展对多个行业都产生了影响，深度学习的研究提高了数据的分析和判断的准确度，人工智能的发展对医学影像也起到了促进作用。

医学影像所面临的3个问题

      1. 医疗数据中超过90% 的数据来自于医学影像，但这些数据几乎全部需要人工分析。人工分析的缺点显而易见: ( 1) 不够精确，医生仅能凭借经验去辨别，经常缺乏量化的标准，容易造成误判; ( 2) 不可避免地会出现人眼视力产生的误差及视力疲劳;( 3) 海量的图像信息量容易产生漏诊。

      2. 医疗从业人员短缺。研究表明，目前我国医学影像数据年增长率约为30%，而放射科医师数量年增长率约为4%，其间的差距为26%，放射科医师数量增长远不及影像数据增长，且医师从业需要较长时间的培训和学习，这意味着放射科医师在未来处理影像数据的压力会越来越大，难以承担巨大的负荷。

       3. 在多学科相互渗透交叉的时代，放射科医师缺乏强有力的方法或武器参与竞争以稳定学科发展的方向。而人工智能与医学影像的融合，恰好可在学科发展方面拾遗补缺。

人工智能参与医学影像的方式

       人工智能参与医疗过程首先要做的是获得大量带标注的医学影像样本，然后尝试在其中找到一些关键点。比如说靠近肺和靠近肝的点，把关键点找到以后，结合肝的形状鲜艳模型，设定一个初始化模型，再通过机器学习的方式学到边界应该是怎么样的，病变是怎么样的，尽量的逼近它的边界信息，再通过它的形状特征进行进一步的完善，最后获得好的分割、筛查结果。这一过程便是人工智能对图像的定位、分类和切割。

       当我们将脏器分割、病变标记出来以后，就知道了这个部位有没有患病，但是并不知道是患了什么病，病情发展到了什么程度。这个时候便需要对病理图像进行分析，获得辅助判断依据。

       病理分析是抽取疑似病变活体，放在显微镜上细胞形态分析的一种检验方式，是目前癌症的主要确诊方式。数字病理图像往往非常大，比如部分肿瘤病理图像的尺寸达到了 20 万 × 20 万像素，甚至 40 万 × 40 万像素，有非常多的细胞需要分析。这是极大的分析量，医生需要花费大量时间进行比对。随着病理图像包含的信息不断增加，这一工作交给医生来做开始变得不现实。

       通过搭建神经网络和利用深度学习算法，人工智能系统对包含各种病变形态细胞的病理库进行大量训练，获得识别病变细胞特征的能力。利用之前提到的分割算法，将细胞分割出来，通过大量比对，识别出细胞的病变形式及发展程度，为医生做出最后诊断提供辅助依据。

       医院大数据里 85% 左右的存储容量被影像数据所占据，现在的计算机可以识别结构化的文本数据和结构化的影像数据，且正在探索将功能性医疗图像和结构性图像相融合的方式，以获得更好诊疗效果。将上述四项能力进行组合，便得到了人工智能在医学影像上的具体应用场景。

人工智能参与医学影像应用

       深度学习的CADx系统颠覆了传统的计算机视觉和模式识别，作为深度学习等人工智能技术最先突破的领域，图像识别已广泛用于图片搜索、自动驾驶、人脸识别等。在医疗健康领域，人工智能技术将有望解决各种医学影像的数据解读问题，如CT、MRI、PET、超声波、太赫兹、眼底视网膜等。并将逐步实现关键器官覆盖和模块化扩展，对某一器官的特定病例进行判断、筛查和诊断，达到主任医生级水平。

       医疗数据中有超过90%来自医学影像，据统计，美国医学影像数据的年增长率为63%，而放射科医生数量的年增长率仅为2%；根据动脉网的数据，国内医学影像数据和放射科医师的增长率分别为30%和4.1%。运用人工智能技术识别、解读医学影像，通过与其它病例记录的对比分析，帮助医生定位病灶，辅助诊断，可以有效弥补其中的缺口，减轻医生负荷，减少医学误判，提高诊疗效率。以美国哈佛医学院参与的智能诊断临床试验为例，在人工智能的辅助下，可将乳腺癌的误诊率从4%降至0.5%。

      人工智能对医学影像的促进作用属于人工智能的落地产业范畴，企业也应当加深对这项技术的研究。