人/陳根

人工智能的繁榮已成為推動社會經濟發展的新動力之一。 對提高社會生產效率，實現社會發展和經濟轉型具有重要作用。 人工智能作為引領新一代產業轉型的核心力量，在醫療領域展現了新的應用，在深度融合中催生了新業態。

事實上，與制造業，傳播媒體，零售，教育等領域相比，人工智能還處于醫療的早期階段，商業化程度相對較低，行業滲透率較低，這與醫療行業的護理和保守性必然密切相關。 然而，不可否認的是，人工智能在醫療領域的結合已經回應了傳統醫療的許多困難，市場需求廣泛，業務趨勢多樣，發展空間廣闊。

新冠疫從云端推動人工智能發揮關鍵作用，提高整體抗疫效率。 疫情已成為人工智能在醫療領域的試金石，顯示了人工智能在醫療中的實力和價值。 從應用場景看，人工智能醫療應用尚處于起步階段，圖像識別，遠程查詢，健康管理，暫居第一梯隊。

其中，圖像識別作為輔助診斷的一個細分領域，是人工智能在醫學領域應用最廣泛的場景。

人工著陸圖像識別

影像診斷和治療的概念起源于腫瘤學領域，然后將其擴展到整個醫學影像領域。 了解醫學影像，提取具有診斷和治療決策價值的關鍵信息，是診療過程中非常重要的環節。

以往醫學影像預處理診斷需要4-5名醫生參與。 但基于人工智能圖像診斷，訓練計算機分析醫學圖像，僅有一名醫生參與質量控制和確認，這對提高醫療行為效率有很大的好處。

人工智能首先在醫學圖像中爆炸和著陸，主要是因為圖像數據的訪問和處理相對容易。 對比醫療記錄等數據積累超過三五年以上，影像資料只需一次拍攝，幾秒鐘即可獲取。 一部影像學影片可以反映患者的大部分病情，成為醫生確定治療方案的直接依據。

醫學圖像龐大且相對規范的數據庫，智能圖像識別算法的不斷進步，為人工智能醫學在該領域的應用提供了堅實的基礎。

從技術角度看，醫學圖像診斷主要依靠圖像識別和深度學習。 根據臨床診斷路徑，首先將圖像識別技術應用于感知環節，對非結構化圖像數據進行分析處理，提取有用信息。

其次，利用深度學習技術，將大量的臨床影像數據和診斷經驗輸入到人工智能模型中，使神經元網絡進行深度學習訓練。 最后，基于連續驗證和研磨的算法模型，進行圖像診斷的智能推理。 輸出個性化診療判斷結果。

基于圖像識別和深度學習的人工智能與醫學圖像相結合，至少可以解決三種需求。 一，焦點識別與標注，即通過醫學圖像產品的Al進行醫學圖像分割，特征提取，定量分析，對比分析等。滿足這一需求，X線，CT，MRI等醫學影像的自動識別和標記系統，可大大提高影像醫生的診斷效率。 目前，Al醫學成像系統可以在幾秒鐘內快速完成10萬多幅圖像的處理，提高診斷精度，特別是降低診斷結果的假陰性概率。

二，靶區自動劃定及適應性放療。 目標自動繪圖和自繪適應性放療產品可以幫助放療醫生自動勾畫200到450張CT片，大大縮短到30分鐘。 并在患者15~20次上機照射過程中不斷識別病灶位置實現適應性放療，可有效減少輻射對患者健康組織的損傷。

三，三維圖像重建。 基于灰度統計的配準算法和基于特征點的配準算法，可以解決故障圖像配準問題，節省配準時間，在病變位置，病變范圍，良惡性病變識別，手術方案設計等方面發揮作用。

從落地方向看，目前我國AL醫療影像產品布局方向主要集中在胸部，頭部，盆腔，肢體關節等主要部位，主要集中在腫瘤及慢性病疾病篩查龍頭城市。

在人工智能醫學成像的發展和應用的早期，肺結節和眼底篩查是熱門領域。 隨著技術在過去兩年中的成熟和迭代，主要的Al醫療成像公司正在擴大其業務范圍，乳腺癌、中風和骨關節周圍的骨齡測試已成為市場參與者的重點領域。 鋁醫學影像參與新冠肺炎療效的定量分析和評價，成為提高診斷效率和診斷質量的關鍵力量。

政策資本雙重進入

如果圖像數據的相對可達性和處理性是人工智能在醫學圖像中首次爆發和落地的主要原因，那么國家政策的支持和資本的大量準入賦予了人工智能在醫學圖像應用中持續更新的力量。

從政策新增來看，2013年至2017年，政府各部門出臺多項政策，不斷加大對國內醫學影像設備，第三方獨立醫學影像診斷中心，遠程醫療等領域的支持力度。

在2016年底，國務院發布了“十三五”規劃國家戰略新興產業發展規劃>多次提到醫學影像，指出要“研發高質量的醫學影像設備”，“支持企業，醫療機構，研究機構等聯合建設第三方影像中心“。 國家發改委2017年1月將醫學影像設備和服務納入<戰略性新興產品重點產品和服務指導目錄“。

年11月15日，科技部在北京召開“新一代人工智能發展規劃與重大科技項目啟動會“。 其中，騰訊自創的“騰訊影子”入選成為新一代醫學影像國家人工智能開放創新平臺。值得一提的是，騰訊米英Al和騰訊云科技人工智能CT設備在疫情期間，在湖北各醫院幫助醫務人員進行診斷和治療。

除了政策支持外，資本進入也為人工智能醫學圖像的可持續發展增添了動力。 據全球市場Insight數據報告，從應用事業部的角度看，人工智能醫療影像市場作為人工智能醫療應用領域的第二大細分市場，將以40%以上的增長率發展，在2024年達到25億$。 占達達的25。

作為一種由人工智能技術驅動的醫療設備，它仍然面臨著背后的市場。 隨著數據的不斷積累和算法的進一步成熟，經過前期的探索，AI醫學圖像的商業模式越來越清晰。

目前，在Al醫學影像方面，有兩種可行的業務模式：一是與區縣級基層醫院，民營醫院，第三方檢測中心等合作，提供影像數據診斷服務，根據診斷數量收費。 也就是說，與醫院方提供醫學影像服務，采用拆分模式；第二，與大型醫院、體檢中心、第三方醫學影像中心合作配合醫療器械生產廠家提供技術方案，一次性或分期支付技術服務費。

目前，我國已有100多家企業將人工智能應用于醫療領域，其中，大多涉及醫療成像領域，遠遠高于其他應用場景中的企業數量。 根據2018年中國人工智能業務落地報告顯示，2018年10家人工智能醫療公司進入百強，而10家公司中有6家涉及AI醫療影像。

從市場競爭格局來看，我國Al醫療影像市場參與者眾多。不僅有GE醫療，Lop醫療等傳統醫療器械公司，還有谷歌，IBM，阿里，騰訊等科技巨頭，還有伊圖醫療，深瑞醫療，數字技術，假設技術等眾多初創企業，不同類型的市場參與者在資金支持，市場拓展，產品設計，技術研發等方面的優勢。

雖然行業內還沒有形成壟斷企業，但經過多年的市場競爭和優化，各細分領域的龍頭企業已經出現，行業梯隊之間的差距逐漸出現。 自2017年以來，專注于不同疾病和技術方向的Al醫療成像初創公司繼續受到資本的歡迎，一些頭部公司已經完成了C輪融資。并圍繞核心產品技術與經驗轉移，疾病與產品管道拓展，全球布局，進一步強化競爭壁壘。

當然，在技術，政策，資本的支持成為AI醫學影像發展動能的同時，AI醫學影像的發展也受到技術，政策，資本的限制。

第一，醫療是關乎生命的，AI假陰性的醫學影像顯然很重要，即使有1%的漏診也很可能造成很大的危害。 再說，哪怕只是有1%的人錯過了探視，醫生仍然需要檢查所有的電影。 因此，只有零假陰性，才能真正幫助醫生省時省力。

其次，在政策支持方面，由于AI影像診斷對醫院不是剛需，也使得醫院付費意愿不強。 如果沒有政策來培養患者付費習慣和政府醫保政策的完善，人工智能成像診斷在落地應用方面可能還會面臨較長的發展。

此外，雖然一些企業已經率先實現商業化，但產業集中商業化的爆發階段尚未到來。 當然，不可否認的是，作為引領新一代產業轉型的核心力量，人工智能在醫療領域顯示出了新的應用，并在深度融合中出現了新的業態。

人工智能作為新一代基礎設施建設，在醫療行業的應用將給傳統醫療機構的運營模式帶來改變，從長遠來看有效緩解醫療資源壓力。 流行時代后，AI醫療有望迎來大發展，臨床放射學診斷實踐無疑是重要應用之一。