隨著人口老齡化的加劇以及民眾健康意識的提升，醫(yī)學影像檢查次數(shù)每年以超過30％的速度增加，而影像科醫(yī)生每年的增長速度不到5％，這里面存在著嚴重的供需失衡。

深度學習技術在圖像領域的突破使得在醫(yī)療影像中應用AI技術進行輔助診斷即將普及，在后深度學習時代，醫(yī)學影像AI現(xiàn)階段能解決什么問題？其中又有哪些瓶頸？未來會帶給我們怎樣的想象？無數(shù)的問號等待揭曉。

醫(yī)學影像AI的市場規(guī)模

據(jù)《醫(yī)療影像的市場圖譜和行業(yè)發(fā)展分析》推算，2020 年我國醫(yī)學影像市場規(guī)模將達到6000 － 8000 億人民幣，其中即便診斷環(huán)節(jié)只占20％左右，也是一個千億級別的市場。

根據(jù)Global Market Insight的數(shù)據(jù)統(tǒng)計：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％；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％。

目前醫(yī)學影像數(shù)據(jù)的年增長率約為30％，而放射科醫(yī)師數(shù)量的年增長率只有4．1％，放射科醫(yī)師數(shù)量增長遠不及影像數(shù)據(jù)增長。

除了既有市場帶來的新需求，醫(yī)聯(lián)體建設的推進和第三方醫(yī)學影像服務市場的發(fā)展也為市場帶來了新的機會。

市場的供需不平衡，與AI技術在醫(yī)學影像領域應用的巨大可能，推動了大量創(chuàng)業(yè)團隊涌入醫(yī)學影像AI的領域。有數(shù)據(jù)顯示，中國人工智能＋醫(yī)學影像的活躍企業(yè)已經(jīng)超過 70 家。

據(jù)國家衛(wèi)計委統(tǒng)計，我國病理注冊醫(yī)生在1萬人左右，按照每百張床配備2名病理醫(yī)生的標準計算，全國病理科醫(yī)生缺口達4萬人。所以通過AI的方式輔助影像科醫(yī)師進行診斷將滿足市場剛需。

智能影像識別分類多空間大

智能影像識別市場分類多、空間大，人工智能方法在醫(yī)學圖像處理中的應用十分廣泛，涉及醫(yī)學圖像分割、圖像配準、圖像融合、圖像壓縮、圖像重建等多個領域。

①放射類：通過射線成像了解人體內(nèi)部的病變情況，形成影像。對該影像智能識別的目的在于標注病灶位置。

②放療類：在制定放療方案之前，醫(yī)生需要通過成像設備對靶區(qū)進行定位，從而形成影像。對該影像智能識別的目的在于進行靶區(qū)自動勾畫，由于放療需要殺死細胞，病變區(qū)域勾勒的越準確越好，對智能影像識別準確率要求高。

③手術類：對CT等影像通過3D可視化等技術，進行三維重建，幫助醫(yī)生進行手術前規(guī)劃，確保手術的精確性。

④病理類：病理診斷是最終確診環(huán)節(jié)，MRI、CT、B超等影像判讀的正確與否要參考病理診斷的結(jié)果。傳統(tǒng)的病歷檢驗是醫(yī)生在顯微鏡下直接讀取病歷涂片，現(xiàn)在數(shù)字化病理系統(tǒng)使得AI讀片成為可能。

醫(yī)療影像AI算法的變化

醫(yī)學影像并不是AI應用的第一個場景，許多企業(yè)的AI技術源于計算機視覺的遷移，并在此基礎上根據(jù)病種的特征進行訓練、優(yōu)化。遷移算法的優(yōu)勢在于開發(fā)者可以迅速切入醫(yī)學領域，能加速醫(yī)療AI產(chǎn)業(yè)的發(fā)展。

今年算法的變化主要變化在兩個方面，一方面，傳統(tǒng)遷移算法通過數(shù)據(jù)與實驗不斷優(yōu)化，魯棒性、準確率等指標都有明顯上升；另一方面，部分AI影像企業(yè)拒絕使用開源算法，而選擇針對AI影像自建算法。

兩種模式有擁有各自的優(yōu)勢，但要完全突破現(xiàn)有AI技術的瓶頸，或許單單的算法并不能完全解決問題，從基因等其他因素出發(fā)，全方位的看待問題，或許是另一條出路。

變現(xiàn)場景和商業(yè)模式多樣化

僅就醫(yī)療圖像智能識別而言，潛在的變現(xiàn)方式包括：作為單獨的軟件模塊向醫(yī)療機構(gòu)銷售、與PACS等系統(tǒng)合成向醫(yī)療機構(gòu)銷售；與CT、X光機等設備合作形成軟硬件一體化解決方案向醫(yī)療機構(gòu)銷售；通過遠程醫(yī)療等方式服務基層醫(yī)療機構(gòu)；通過互醫(yī)療影像創(chuàng)業(yè)公司處于發(fā)展初期。

目前國內(nèi)在該領域的創(chuàng)業(yè)公司大概為59家。隨著行業(yè)的發(fā)展，市場參與者的數(shù)量將首先不斷提升，最后由分散走向集中。隨著行業(yè)數(shù)據(jù)整合與共享機制的建立、模型訓練的成熟、商業(yè)模式的確立，以及部分企業(yè)CFDA認證的率先通過，先發(fā)企業(yè)將逐步建立技術壁壘和商業(yè)壁壘，推動市場走向集中。

從變現(xiàn)對象看，基層醫(yī)院因為治療水平，醫(yī)療資源缺乏，付費動力最強；而大醫(yī)院雖然醫(yī)療資源豐富，但由于門診住院量高，具備通過智能化應用提升工作效率的需求。

在此背景下，基層醫(yī)院具備按次付費的需求基礎，而大醫(yī)院更容易接受軟件服務費作為付費形式。隨著第三方影像中心的崛起，將也會對智能影像診斷產(chǎn)生需求。

醫(yī)學影像AI也有短板

①AI產(chǎn)品往往只是集中在少數(shù)幾個病種，難以覆蓋全部醫(yī)學影像問題。

②眾多人工智能企業(yè)和機構(gòu)采用的訓練數(shù)據(jù)集標準多樣，系統(tǒng)偏差較大，行業(yè)缺乏醫(yī)學圖像和疾病征像的統(tǒng)一認識。

③業(yè)內(nèi)缺乏對數(shù)據(jù)使用標準的判斷依據(jù)，在現(xiàn)有的法律基礎上尋找合規(guī)使用和分享數(shù)據(jù)的渠道，也是迫在眉睫的一件事情。

④在醫(yī)學影像AI模型檢測階段，也會存在生產(chǎn)過程不規(guī)范，模型效果和安全性缺乏公正評價，缺乏產(chǎn)品檢測標準庫和評價體系，缺乏相關法律法規(guī)、質(zhì)控檢查和管理制度等問題。

⑤醫(yī)療健康是風口，人工智能也是風口，兩個風口放在一起就可能出現(xiàn)泡沫。多數(shù)的醫(yī)生是非常有經(jīng)驗的，AI對于他們來說更多的是輔助，主要作用在給他們進一步的確認、以及提高他們的診斷效率。

應對弊端的解決方法

國內(nèi)監(jiān)管審批會加速，影像 AI 產(chǎn)品上市前質(zhì)量評價體系逐漸形成。2017 年 FDA 和 CFDA 都設置了專門針對醫(yī)療 AI 的審評部門，足以顯示對醫(yī)療 AI 重視程度和開放態(tài)度。目前中檢院已經(jīng)召開 AI 標準測試數(shù)據(jù)集眼底和肺癌建設會議，公開征集標準測試數(shù)據(jù)集，建立測試數(shù)據(jù)集和客觀評測方法，推進產(chǎn)品上市前質(zhì)量評價。

初期AI剛應用于醫(yī)學影像領域，醫(yī)生群體的接受度還不高，有些人還持懷疑、抵觸的態(tài)度，但隨著AI臨床表現(xiàn)不斷提升、醫(yī)生AI研究學術上不斷有高質(zhì)量成果產(chǎn)出、加之大環(huán)境的影響，將有越來越多的醫(yī)生由被動轉(zhuǎn)為主動擁抱AI，臨床更多需求將釋放，會產(chǎn)生更多細分領域的機會。

除了醫(yī)學影像 AI 應用外，醫(yī)療領域還存在一類可統(tǒng)稱為醫(yī)學圖像的數(shù)據(jù)應用。這類數(shù)據(jù)雖不是設備直接成像的結(jié)構(gòu)或功能影像，但是可以間接形成能夠供計算機判讀的數(shù)字圖像，比如檢驗和病理科室顯微鏡下視野經(jīng)數(shù)字化后形成的圖像， 以及心電、腦電等電生理信號形成的圖像都有機會借助 AI 來實現(xiàn)智能化的分析和解讀。

結(jié)尾

AI技術只是一種技術手段，而不是最終目標。未來醫(yī)療AI企業(yè)會逐漸整合，只有給醫(yī)院一個相對完整的打包方案，至少幫科室解決一個領域的大部分問題，也許這個行業(yè)才能迎來春天。

在整個醫(yī)學影像的云計算中，利用算法增加連接性，利用深度學習挖掘影像數(shù)據(jù)的價值，在更多的維度中挖掘原來淺關聯(lián)或弱關聯(lián)的關系，利用三者的關聯(lián)大大提高醫(yī)療診療效率，并達到精準醫(yī)療。大量數(shù)據(jù)的積累、高性能的計算環(huán)境、優(yōu)化的深度學習方法，三者資源互相結(jié)合并不斷調(diào)配的模型，正是人工智能的魅力所在，也是未來醫(yī)學的方向。