弈投圈·微课堂18| 当AI遇上医学影像：开启影像诊疗新篇章
目前医疗数据中有超过90％来自医疗影像，医疗影像数据已经成为医生诊断必不可少的“证据”之一。人工智能+在医学影像有哪些应用？他们面临着那些挑战呢？欢迎来到【弈投圈·微课堂】，第18期是由弈投项目经理王锡明带来的《自动驾驶传感器的发展现状与趋势》的解析，看本期精选重点内容！
人工智能作为一种底层技术，与医疗各细分领域的结合与发展，得益于深度学习技术和医疗大数据领域的突破，深度学习技术让机器拥有了学习能力，医疗大数据让机器有学习的范本和参考资料。医疗人工智能从技术初创阶段，就开始展现出惊人的学习能力和工作效率，帮助医生解决临床问题。
我国人工智能医疗企业从2016年开始崭露头角，2017年进入快速发展期，2018年开始商业化，其中医学影像是发展最快、也是最早实现商业化的人工智能细分赛道。
一、“AI+ 医学影像”直指行业痛点
我国目前医学影像分析诊断面临着两方面的痛点：一方面是随着分级诊疗的推进，基层需求释放带来的医学影像需求更快增长；另一方面放疗科/病理科医生缺口大，特别是具有丰富临床经验的医生短缺带来的医疗资源紧缺。
数据显示，在放射科，我国医学影像数据年增长率30%，但放射科医生的年增长率只有4.1%，放射科医生数量增长远不及医学影像数据增长。在病理科，中国大概平均7万人才有一位病理医生，而在美国是平均2千人就有一位病理医生，按照中国现在培养病理医生的速度大概要200年才能追上美国现在水平。医生数量的不足导致放疗科和病理科医生的工作量繁重，超负荷工作进而导致误诊率和漏诊率居高不下。
根据中国医学会的一份误诊数据报告显示，我国每年误诊人数高达 5700 万人次，临床医疗总误诊率为27.8%，其中恶性肿瘤平均误诊率为40%，器官异位误诊率为60%，如鼻咽癌、白血病、胰腺癌等，肝结核、胃结核等肺外结核的平均误诊率也在 40%以上，这些误诊主要发生在基层医疗机构。
人工智能和医学影像的结合，能够为医生阅片和勾画提供辅助和参考，大大节约医生时间，提高诊断、放疗及手术的精度。
二、“AI+医学影像”应用场景
激光雷达在ADAS上应用主要是用于3D环境建模，以便计算机进行快速识别和决策，在L3级及以上的自动驾驶系统中，激光雷达至少需要1个。
人工智能应用在医学影像的诊断环节，可以分为两个阶段：一是利用图像识别技术对患者的影像进行识别，标注病灶关键信息，给出初步诊断结果，助力影像医生诊断效率的大幅提升；二是基于深度学习不断优化，通过大量已有的影像数据和临床诊断信息训练人工智能系统，使其具备独立诊断疾病的能力，在目前诊疗体系的基础上进一步降低复杂疾病的误诊率，从而带来医学影像总体诊断水平的提升。
目前基于人工智能技术的“医学影像”应用场景
1、病灶识别与标注
针对 X 线、CT、核磁共振等医学影像的病灶自动识别与标注系统，大幅提升影像医生诊断效率，同时可以帮助医生发现难以用肉眼发现和判断的早期病灶，降低假阴性诊断结果的发生概率；目前系统对。张以上的影像进行处理，用时仅数秒之间。
2、靶区自动勾画与自适应放疗
靶区自动勾画及自适应放疗产品帮助放疗科医生对200-450 张 CT 片进行自动勾画，时间大大缩短到 30 分钟一套；在患者 15-20 次上机照射过程中间不断识别病灶位置变化以达到自适应放疗，有效减少射线对病人健康组织的伤害。
3、影像三维重建
基于灰度统计量的配准算法和基于特征点的配准算法，解决断层图像配准问题，节省配准时间，提高配准效率。
三、“AI+医学影像”快速发展的技术基础
从技术实现层面看，大量深度学习平台及框架开源降低了基础算法实现的技术门槛。近年来，科技巨头开源了大量深度学习的工具包，例如 Google 的TensorFlow, Facebook 的 TorchNet，微软的 CNTK 等等，这些开源包大幅降低了应用深度学习算法的难度，创业公司也可以利用这些开源包将深度学习应用到医学影像诊断领域，基础算法的实现门槛大幅降低，可更加高效的专注于应用层面的算法优化。
图像识别是深度学习等 AI 技术进步最快的领域之一，带动算法识别错误率的快速下降，目前人工智能在医学影像领域的诊断准确度已在90%以上，已覆盖乳腺癌、皮肤癌、食道癌、肺结核等许多病种，基于人工智能的医学影像诊断技术已基本达到实用阶段。
在市场需求和技术的双重驱动下，“AI+医学影像”有望成为影像诊断的重要解决方案，在医院、第三方检验中心、第三方影像中心快速渗透。
国家政策高度支持医学影像行业以及“AI+医疗”的发展。
2016 年以来，国家对于医疗领域提出明确的人工智能发展要求，包括对技术研发的支持政策，就相关技术和产品提出健康信息化、医疗大数据、智能健康管理等具体应用，并针对医疗、健康及养老方面提出较为明确的人工智能应用方向。2017 年 7 月，国务院发布《新一代人工智能规划》，人工智能上升至国家战略层面，也极大的促进了人工智能在医疗领域的快速发展。
高质量数据获取和标注能力是 AI医学影像公司的核心竞争力之一。
我们看到，经管近年“AI+医学影像”得到快速发展，但仍然在高质量数据获取和标注上有着较大困难和挑战。
1）高质量数据获取难度大：一方面，高质量影像数据集中在少数三甲医院，这些医院在数据共享方面大多较为保守，不同医疗机构的数据很少能够实现互通，缺乏有效的数据共享机制；另一方面，尽管我国已经积累了大量医学影像数据，但是过往医学影像数据，特别是影像所对应的临床诊断报告信息，没有以正确的标准化的形式记录甚至大量出现缺失的问题，对数据质量造成较大影响。
2）数据标注成本高：数据处理中 80%的时间都是在做数据预处理工作，标注的准确性关乎结果的准确性，训练的每张图片都需要经过专业人员标注，未来 2-5 年小样本学习在理论层面或将有所突破，但是短时间内数据的标注仍然需要耗费大量的精力。
国内外公司基本都处于收集影像数据的阶段，以不断丰富病种多样性和扩大影像数据规模，从而优化影像智能诊断的准确度。医学影像人工智能学习数据主要有两大获取途径：一是是国家/政府的公共数据，二是产业合作，获得脱敏数据。
医院是当前最大的医疗数据集聚地，因此与大型医疗机构具有深度合作关系的企业占据先发优势。随着医疗进入大数据时代，数据的质量和规模将实现快速提升，有望引爆“AI+医疗影像”行业的发展。
四、“AI+医学影像”市场百家争鸣
从市场竞争层面看，目前“AI+ 医疗影像”市场百家争鸣，尚未出现占据绝对优势地位的领跑企业。市场参与者主要分为两类：一是科技巨头，包括 IBM、谷歌、微软、亚马逊、阿里、腾讯等，这些企业在人工智能基础技术有着长期的布局和投资，在医学影像应用层面取得突破具备较强的优势；二是医学影像人工智能创业企业，这些创业公司主要聚焦于应用层的建设，基于场景或行业数据，提供最终的解决方案。
五、“AI+医学影像”备受投资关注
从资本关注度分析，动脉网统计数据显示，2016 年是人工智能+医疗在国内形成投资风口的元年，2016 年-2018年，汇医慧影、雅森科技、连心医疗和推想科技等“AI+医学影像”公司接连获得了千万、亿级以上的投资，医学影像已经成为人工智能在医疗应用最热门的领域之一。
- END -
关于弈投
弈投成立于2009年7月，是由商弈投资（TMFOX VENTURE PARTNERS)搭建的集技术孵化、成长加速、弈投创新学院、基金领投于一体的创新型科技企业加速平台，是国内历史最悠久的民营科技金融加速品牌。弈投在深圳、北美、东莞、常平、惠州、中山、广州等地同步运营，针对实体企业的技术创新和财务资本运作核心能力提供端到端的孵化、加速服务，同时以公共平台的方式提供资金及技术精准对接、资源整合等服务，帮助企业加速成长、达到资本价值倍增的目标。
微信公众号：Club-VC
BP投递 : +微信18926576303
长按扫码关注
