除了常見的人臉識別、語音識別等技術，如今，人工智能技術在醫(yī)學領域也大放異彩。

　　其中，醫(yī)學影像與人工智能的結合被認為是最有發(fā)展前景的領域之一。醫(yī)學影像智能診斷、語音電子病歷、癌癥智能診斷等均已逐漸成為熱門方向。人工智能+醫(yī)學影像是其中最熱門的概念之一。

　　由于人工智能在醫(yī)學影像領域市場潛力巨大，吸引了各大資本巨頭紛紛進場，但讓人不得不反思：人工智能+醫(yī)學影像到底是陷阱，還是有待挖掘的金礦？

　　人工智能為醫(yī)學影像“添翼”

　　目前，人工智能在國內醫(yī)療領域的應用主要以醫(yī)學影像為主。那什么是醫(yī)學影像呢？

　　醫(yī)學影像是指為了醫(yī)療或醫(yī)學研究，對人體或人體某部分，以非侵入方式取得內部組織影像的技術與處理過程。

　　國內近兩年AI研究如火如荼，各個器官疾病診斷的模型都有研究和嘗試，基于深度學習的AI應用目前已經(jīng)覆蓋病灶檢測、病理診斷、放療規(guī)劃和術后預測等各臨床階段。其中基于X線的肺部篩查、乳腺鉬靶篩查;基于CT影像的肺結節(jié)檢測模型顯示出較好的臨床使用潛力。

　　正如大家所了解的，疾病的病理過程會產(chǎn)生一定的病理解剖和病理生理方面的變化，這些病理變化在不同的影像學檢查中會產(chǎn)生不同的影像學信息（X線和CT是利用人體組織間的密度差異，MRI是利用組織間的MR信號強度差異，US是利用組織間的聲學信息差異），通過對這些信息的分析，醫(yī)生能夠實現(xiàn)對機體病變的有效把握，從而為患者做出正確的診斷。

　　但是，大多數(shù)人不知道的是，我們生病去醫(yī)院做完檢查后手里拿到的診斷報告是放射科醫(yī)生寫出來的。其實，放射科醫(yī)生的工作除了發(fā)現(xiàn)病變、定性定位病變、看圖象做診斷，還要參與到治療方案的制定中去。

　　據(jù)了解，一名放射科醫(yī)生每天要診斷超過60個病人的CT，有時甚至上百個，一個病人的醫(yī)療影像有250-300張，而醫(yī)生往往要對一個病人的影像反復看3-4遍。這就意味著，在每個病人身上，醫(yī)生都要看上千次圖，這名醫(yī)生一天下來就要看幾萬甚至上十萬張圖，這對視力是非常大的傷害，并且長時間的疲勞作業(yè)還會增加漏診的風險。

　　有了人工智能輔助醫(yī)學影像，不僅能幫助患者更快速地完成健康檢查（ 包括X 線、超聲、磁共振成像等） ，也可以幫助影像醫(yī)生提升讀片效率，降低誤診概率，并通過提示可能的副作用來輔助診斷。

　　而影像是大病診斷的切入點——X光片、CT所呈現(xiàn)的醫(yī)療影像幫助人類盡早發(fā)現(xiàn)身體疾病，進行科學的治療，恢復健康甚至挽留住生命。

　　通過借助深度學習、圖像識別等人工智能技術，醫(yī)療影像的診斷可以變得更加高效和準確，以免誤診和漏診。

　　資本涌入，巨頭布局，這些公司“不差錢”

　　隨著人工智能技術的不斷發(fā)展，其在醫(yī)療領域中的應用也逐漸增多。目前，人工智能+醫(yī)療共有包括虛擬助理、醫(yī)學影像、輔助診療等八大應用場景，其中，醫(yī)學影像是最為熱門的應用場景之一。

　　越來越多的人也將目光瞄準了人工智能醫(yī)學影像領域，隨著資本的竟相涌入，人工智能醫(yī)學影像這塊“蛋糕”也被做大。

　　但是，中國醫(yī)療市場巨大，不是一、兩家公司就可以吃得下的。

　　根據(jù)Global Market Insight的數(shù)據(jù)報告，按照應用劃分，藥物研發(fā)在全球醫(yī)療AI市場中的份額最大，占比達到35%。而智能醫(yī)學影像市場則為第二大細分市場，并將以超過40%的增速發(fā)展，在2024年達到25億美元規(guī)模，占比25%。

　　據(jù)了解，國內有83 家企業(yè)將人工智能應用于醫(yī)療領域，主要布局在醫(yī)學影像、病歷/文獻分析和虛擬助手三個應用場景，而其中涉足醫(yī)學影像類的企業(yè)數(shù)量達到40 家。

　　另外，有數(shù)據(jù)顯示，2015-2018年（截止至2018年三季度），我國共發(fā)生AI醫(yī)學影像融資事件75起，總融資額達到40.9億元，占人工智能醫(yī)療領域總融資額的52.6%。

　　傳統(tǒng)的互聯(lián)網(wǎng)巨頭也紛紛進軍人工智能醫(yī)療領域。2017年，阿里健康、萬里云聯(lián)合開發(fā)的智能影像診斷產(chǎn)品“Doctor You”正式上線，AI系統(tǒng)包括臨床醫(yī)學科研診斷平臺、醫(yī)療輔助檢測引擎、醫(yī)師能力培訓系統(tǒng)等。同年，騰訊緊隨其后推出了“騰訊覓影”，騰訊覓影人工智能醫(yī)學影像聚合了醫(yī)學專家、人工智能和產(chǎn)品支持團隊，把圖像識別、深度學習等領先的技術與醫(yī)學跨界融合，輔助醫(yī)生對癌癥進行早期篩查。

　　除了傳統(tǒng)的AT，許多新興的創(chuàng)業(yè)公司雖沒有他們財大氣粗，但是近兩年AI的投資熱潮使得大多數(shù)AI人工智能企業(yè)獲得了融資，且規(guī)模不小。如依圖科技、匯醫(yī)慧影、深睿科技、推想科技等。

　　國內目前已有公開披露的醫(yī)療AI融資事件達到93起，其中有57起明確公布了融資金額。僅在國內，千萬級和億級的融資項目就占到了65%以上。

　　因此，短期內醫(yī)療AI公司并不缺錢，而且都在燒錢。

　　AI+醫(yī)學影像“熱”背后還需 “冷”思考

　　相關數(shù)據(jù)顯示，到2025年，世界人工智能市場總值將達到1270億美元，其中醫(yī)療行業(yè)將占市場規(guī)模的1/5。

　　從我國的醫(yī)療現(xiàn)狀來看，我國2017年醫(yī)療器械銷售規(guī)模達4176億人民幣，其中診斷影像份額超過400億人民幣，醫(yī)學影像數(shù)據(jù)的年增長率約為63%。

　　很多人以為，AI比醫(yī)學影像科醫(yī)生“厲害”，更有一些言論稱人工智能將會取代醫(yī)生，但實際上，目前人工智能的優(yōu)勢僅局限在極個別單項上，機器或許可以彌補醫(yī)生的“先天不足”，但是不會替代醫(yī)生。

　　而且，人工智能輔助醫(yī)生發(fā)現(xiàn)病變后給病變定位定性，這可能僅僅是AI應用在醫(yī)學影像領域的第一步，對于疾病的綜合評價和治療策略確定，依舊要交給影像診斷醫(yī)生。

　　在北京影像云平臺上，人工智能系統(tǒng)對基層醫(yī)院上傳的30名患者近9000張肺結節(jié)CT影像進行智能檢測和識別，將第一輪篩查出的疑似結節(jié)標記出來，作為輔助診斷結果，提供給4名放射科醫(yī)生進行審查。醫(yī)生審查后認為可以采納，即對報告簽字。

　　就目前來看，醫(yī)生還是需要對患者負責，雖然人工智能可以幫醫(yī)生節(jié)省大量重復勞動時間，但是代替醫(yī)生診斷和處理是很難的事情。

　　另外，AI需要明確的、客觀的、固定的素材，很多企業(yè)做的肺病變AI產(chǎn)品只拿數(shù)據(jù)庫1萬或者幾萬個病例去訓練，就像題庫似的，但是題庫里面的都是現(xiàn)成的，而患者永遠是不一樣的，所以這樣的AI就很難應用。

　　并且，所有正確的診斷都貴在當面交流，醫(yī)生通過提問，讓患者不斷補充病史，不斷解答患者提問，要綜合考慮病史的真實性、年齡段、個體發(fā)育差異、用藥史、圖像等等，不只是看圖識病這么簡單的流程。

　　落地有距離，數(shù)據(jù)是重點

　　目前AI到底發(fā)展到什么程度，醫(yī)院應用AI后對醫(yī)生的工作實際產(chǎn)生了多大影響？離落地還有多遠？

　　這就像隔著一扇玻璃門，看得到好，但是摸不到、感受不到。

　　人工智能醫(yī)學影像絕不是一蹴而就的事。同樣的儀器設備，由不同的人使用，所產(chǎn)生的圖像數(shù)據(jù)或質量可能不一，加之各類設備之間存在的數(shù)據(jù)差異，均會嚴重影響圖像的數(shù)據(jù)采集、特征提取、圖像閱讀。

　　正如影像科醫(yī)師需要閱讀大量的臨床醫(yī)學圖像一樣，“喂食”病理圖像數(shù)據(jù)也是AI系統(tǒng)最主要的學習方式。“喂食”的病理圖像數(shù)據(jù)越充足，AI的分析能力才能越強大。

　　以當下熱門的醫(yī)學影像輔助診斷的產(chǎn)品為例，這些產(chǎn)品背后的數(shù)理模型往往在經(jīng)過足夠多的高質量臨床影像數(shù)據(jù)訓練之后，才能達到普適性更強、準確度更高的診斷或分類效果。

　　對影像數(shù)據(jù)而言，圖片質量標準化程度低，帶專業(yè)標注的影像圖片更需要額外制作，這些都給現(xiàn)有人工智能醫(yī)療影像產(chǎn)品帶來了阻礙。

　　人工智能醫(yī)學影像絕不是一蹴而就的事。同樣的儀器設備，由不同的人使用，所產(chǎn)生的圖像數(shù)據(jù)或質量可能不一，加之各類設備之間存在的數(shù)據(jù)差異，均會嚴重影響圖像的數(shù)據(jù)采集、特征提取、圖像閱讀。

　　正如影像科醫(yī)師需要閱讀大量的臨床醫(yī)學圖像一樣，“喂食”病理圖像數(shù)據(jù)也是AI系統(tǒng)最主要的學習方式。“喂食”的病理圖像數(shù)據(jù)越充足，AI的分析能力才能越強大。

　　以當下熱門的醫(yī)學影像輔助診斷的產(chǎn)品為例，這些產(chǎn)品背后的數(shù)理模型往往在經(jīng)過足夠多的高質量臨床影像數(shù)據(jù)訓練之后，才能達到普適性更強、準確度更高的診斷或分類效果。

　　對影像數(shù)據(jù)而言，圖片質量標準化程度低，帶專業(yè)標注的影像圖片更需要額外制作，這些都給現(xiàn)有人工智能醫(yī)療影像產(chǎn)品帶來了阻礙。

　　另，現(xiàn)階段，我國的醫(yī)療影像仍處于傳統(tǒng)膠片向電子數(shù)據(jù)過渡的階段，大量影像資料尚未數(shù)字化，且醫(yī)院之間的沒有互聯(lián)互通，而獲取大規(guī)模的數(shù)據(jù)對業(yè)內公司是一個挑戰(zhàn)。

　　目前來看，AI醫(yī)療行業(yè)還在科研階段，離真正的落地應用還有距離。跑得快的企業(yè)已經(jīng)搶占了AI醫(yī)療影像資源，但并非高枕無憂。