准确率堪比资深医师，结局是躺在医院吃灰？

AI正在深度渗透医学影像领域

医疗影像行业门槛高，工作量庞大。长此以往，日益增长的医学影像数据与放射科医师数量的增长速率极不匹配，导致医疗影像行业人才供给与市场需求之间出现断层。

AI技术能够在解放人力的同时，提升阅片速度与诊断效率，赋能医疗诊断的全流程。因此，医疗影像也就成为了AI企业寻求技术落地的最佳窗口。

如今，跻身于医学影像领域的企业越来越多，AI模型用于疾病筛查、诊断的准确率，成为彰显企业商业价值的维度之一，以及衡量技术使用成效的标准。

腾讯觅影研发的AI眼底疾病筛查系统，支持7大常见眼底疾病与20余种罕见眼底疾病的检测，能在几秒内检测出结果，准确率堪比资深医师。类似的AI筛查诊断系统还有很多，层出不穷的AI疾病筛查模型，居高不下的AI筛查准确率，令人惊叹的诊断速度，似乎昭示着AI医疗影像技术发展已渐入佳境。AI正在深度渗透医学成像领域，已成为业内共识。谈到这里，就不得不提及到，为什么“AI+医学影像”模式，被认为是AI医疗中最具落地价值的板块呢？

为什么放射医学更热衷AI应用

这与图像性质有关。在医院，成像技术将会产生大量的图像数据，而图像数据分析正是AI相对成熟的技术。此外，在医疗数据里边，电子病历或者数据可能会有误差，断层扫描图像算是最精确的数据了，因此利于AI研发。那些不太精确的数据也并非没用，如果将它们和精确的图像数据结合分析，就会让医生有一个整合性的、更精准的决策。

医学成像相当于是现代医学中的眼睛，把患者的五脏六腑看得一清二楚。无论做手术，还是放疗都离不开图像。而人工智能的介入将大大提高图像分析的效率，于是就成为了很热门的领域。聊完了为什么AI能够在医学影像领域大放光彩，我们再来看一看，目前AI在哪些方面已经得到了应用。

AI目前的一些应用

1. AI+医学影像设备

医学影像设备是医学影像数据产生的源头，直接决定着医学影像的质量。而医学影像的质量，又直接影响着医生的诊断和治疗。

越来越多的影像厂商开始从源头着手，用AI赋能医学影像设备更快更好地进行成像，相比于传统的迭代或基于模型的重建算法，AI算法能更迅速地重建CT图像。

此外，还有厂商在影像设备中嵌入AI算法，连同PACS优化放射科工作流程。如GE医疗在移动X线机Optima XR 240 amx中，嵌入了一套AI算法。这套算法能识别并标记出哪些胸片可能是“气胸”，并将疑似影像发送给影像医生，通知优先诊断。

2. AI+智能勾画靶区

中国的放疗资源非常稀缺，据统计：目前全国只有3000多个有执照的物理师，而且基本集中在大型三甲医院。

基层医院虽然可以通过租赁的方式获得放疗设备，但由于缺少物理师，使得放疗设备大多成了摆设。操作不当放疗射线，会对病人造成极大危害，因此每一个放疗方案都需要严格画靶，确认放疗射线的靶向位置和剂量，及其穿透路线，避免伤及正常的组织器官。

每一位病人每次放疗前都需要拍300-400张CT，病变器官的准确定位与勾画，是放疗计划运作的基础和关键。分割的准确程度，将直接影响到后续放疗计划的效果。传统方法就是医生在患者的医学影像上手动标识，这种方法需耗费大量时间。

基于深度学习算法的智能勾靶功能，不仅能大幅提高效率和准确度，还能避免由于靶区勾画不准确导致的无效治疗，将先前几个小时的工作量缩短到了几十分钟。

西门子医疗推出的器官分割软件助手，AI-Rad Companion Brain MR基于形态计量学分析，能在影像中自动勾画出患处的外部轮廓，辅助影像医生快速诊断、快速标记病变。

目前，AI智能勾画靶区已在乳腺癌/鼻咽癌/肝癌等疾病上成功应用。

3. AI+病理分析

病理医师的诊断依赖于经验，培养病理医生的周期非常长，从初级诊断医生到经验丰富的高年资诊断医生，大约需要10年时间。

此外，病理工作风险高、工作强度高，导致专业吸引力相对较低，愿意从事的人少。而AI的引入，可以为低级别医院经验欠缺的病理医生提供诊断建议，替医生分担部分繁重的工作，目前AI能够做到：

对数字化的病理切片，自动完成检测-识别-分割。

智能区分癌细胞与正常细胞，并标注。

对框选区域/全场图进行定量分析。

生成自动结构化报告。

除了以上三个方面，AI还在图像后处理方面有所尝试。

临床上，影像检查生成的影像不足以直接用来评估病情，需要对影像进一步处理（比如CT血管造影检查）。

虽然后处理影像可以清晰显示各部位血管细节，对于显示病变有重要价值。但过程复杂、耗费长，一个CTA检查的后处理时间在20~60分钟之间，使用AI技术将大大减少耗时。

目前AI能够做到：

自动完成图像重建

图像推送和胶片打印

血管斑块和狭窄程度量化分析

AI新阶段面临哪些痛点？

市场和价值都很明确，医学影像AI现阶段还面临着哪些痛点呢？

1）未明确用户需求和使用场景

现阶段的医学影像AI产品，主要的应用是辅助医生进行临床诊断，从产品分类上属于工具型产品，工具型产品的核心就是高效的解决用户明确需求。

传统的工具型产品的优势是用户需求明确，使用场景纯粹，很容易做到极致化的体验。劣势是发展到一定阶段，会受限于规模化的商业变现。

但在医疗领域，工具型产品的变现模式非常清晰，目前医疗领域大部分的产品都属于工具型产品，比如医疗器械，只要产品质量过硬，能解决临床需求，就可以进行商业化变现。

所以医疗影像AI产品需要跨越的第一个门槛，就是找到明确的用户需求和使用场景，进行落地。

2）CFDA认证难

虽然行业发展迅猛，但是有个问题一直制约着行业的发展，那就是国内少有医疗AI产品获得医疗器械注册证。

一方面是因为医疗AI作为一种全新的产品，此前并无审批此类产品的经验和标准数据库。另一方面，许多产品还在打磨阶段，医疗是一个严谨的行业，事关民众安全。

没有认证就没有市场准入资质，虽然各公司都有自己的营收渠道和高额融资，但是AI公司数据/人才/算力、运营成本昂贵，如果以医疗AI产品为主营业务的公司，迟迟拿不到市场准入资质，长远发展必将面临挑战。

2018年8月1日起，新版《医疗器械分类目录》正式生效，将医用软件按二类、 三类医疗器械设置审批通道。

目前我们所看到的AI 产品，大多属于第三类医疗器械，人工智能辅助医疗影像诊断作为一个全新的领域，政府也处在在探索阶段，认证难成了阻碍“医疗影像+AI”发展之路的“拦路虎”。

当前大部分企业采取增删诊断功能的办法，同时申报二、三类器械，已有多家企业拿到了二类证书，但目前尚未有一款产品获得三类证书。相信随着政策的日益完善，以及标准数据库的建立，“CFDA认证难”在未来几年内将会得到解决。

3）数据获取难

开放的数据集，是肺结节产品扎推涌现的直接原因，也为后来者提供了“弯道超车”的机会，但不是所有产品都拥有公开的数据集。

从公开数据集、临床数据到金标准数据，难度逐渐递增。而且在短期内，”数据获取难“的问题不会消失。因此，如何拿到医院数据对AI进行训练，是AI领域各大公司都非常头疼的问题。

为了拿到数据，部分公司会采取跟医院影像科室合作的形式，这也就意味着，想要进军“医疗影像+AI”领域的公司，必须具备"影像科资源"。

相比于三甲医院对医疗影像AI产品的需求，医疗影像AI产品捆绑医院的需求更为强烈。

4）医生习惯不易改变

虽然AI产品都自我标榜可以帮助医生节省时间、提高诊断效率等，但是对医生而言，要完全接受这种“人机结合”的新诊疗方式，显然还需要经历一段适应过程。

5）影像科地位尴尬

目前市面上“医疗影像+AI”领域公司都是采取和影像科合作，而影像科作为辅助学科，在医院内部体系中，比起备受重视的临床科室，几乎没有话语权，在采购经费申请上也相对困难一些。

结语

人工智能在医学领域的应用有很多，比如在智能导诊和病历输入等方面。当然，现在技术最为成熟的，还是医学影像方面的应用，从设备图像的重建，到辅助治疗，都开始有了商业化的应用。

目前AI医疗影像领域的企业，过于追求技术落地，并未将重心放于产品打磨以及追寻清晰的应用场景上，导致产品并未满足医疗机构的真正刚需，医院的付费意愿很低。

每一项新技术在崛起之前，都会经历”去泡沫化“的过程，毕竟达到了解决实际问题的水平，方能提升医疗能力与服务水平。

针对医疗影像领域而言，企业需要构建医疗领域的标准化数据库，持续优化算法模型。只有从实际的医疗场景出发，洞察医院的真正需求，最终撬起AI医疗大时代的生态繁荣。