医学影像人工智能产业化的现状及面临的挑战

金兴哲 张俊

摘要：人工智能（AI）技术的技术探索和应用一直受到世界各国长宽比的关注。整篇文章致力于对影像医学行业人工智能的发展趋势进行分析和未来展望。文章内容总结了当前影像医学AI产业发展的政策优势、技术方面、要求、经济形势等，分析了产业在之后的诊疗方式上可能发生的诸多变化。行业的发展。同时，整篇文章还客观地强调了人工智能产业发展在技术落地、运营模式完善、市场需求等几个层面的挑战。期待社会各界积极拥抱新技术的应用，共同推动影像医学人工智能产业链又好又快的发展趋势。

关键词：医学影像;人工智能;产业化;现状;面临挑战;

引言

人工智能技术并不是什么新鲜事物。早在1956年的达特茅斯会议上，人工智能技术的定义就已经公布并明确提出。 2016年，以AlphaGo在中国围棋世锦赛上击败李世石为标志，人工智能技术进入了新一波的发展趋势，成为政府部门、行业、科研院所和市场追求的目标，并且成为经济体。全球化的新焦点。影像医学具有标准文件格式的特点，非常容易获取和使用。医学影像数据约占医学信息的90%。它是疾病筛查和治疗最重要的信息来源。被认为是人工智能技术可以更快落地的行业之一。智能影像医学利用人工智能技术，对X光、CT、MRI、超声等常见医学影像技术扫描仪图像进行分析解析，并提供诊断辅助和提醒。文章具体描述了当前智能影像医学的发展趋势和挑战，并明确提出了相应的建议。

1.智能医学影像的意义

1.1满足日益增长的诊疗需要

与英国、日本、法国、荷兰、美国等资本主义国家相比，我国每千人医师的相对密度，以及每千人医疗和助产专业人才的相对密度较低。 ;医疗资源的平均水平相对较低。 WAHL等人认为，人工智能技术在医疗资源不足地区的发展趋势和应用，将充分发挥更高的发展潜力，有助于促进健康水平的提高。随着我国经济社会发展的发展趋势，人民群众的生活水平和身心健康观念日益提高，各种健康体检和疾病筛查的总数不断增加，劳动者影像医生的数量也在增加。我国放射科医师的增长率仅为4%，而医学影像数据信息的增长率超过30%。只用传统人工阅片方式越来越难以满足日益增长的影像科诊疗需要。

1.2减轻影像科医生的工作负担，降低误诊率

在影像医师的长期工作量中，难以避免视觉疲劳、漏诊、误诊等问题。根据中国医师协会的一项误诊统计数据，我国临床医疗诊疗总体误诊率较高，肿瘤平均误诊率较高。大多数这种误诊是由影像学引起的。人工智能技术永远不容易疲倦，它可以成为影像医生的右臂，提高诊断精度，节省看图时间，减少无效劳动，使其能将时间投入更有价值的工作。

1.3加快分级诊疗的实现

底层诊断水平提高后，可以更好地将经过基础检查的患者留到基层医疗机构，将疑难杂症患者送至其他人民医院在高层进一步诊治。级医疗联合体，让基层医疗机构得到治疗。公司的人员和机器设备将得到最有效的利用，高水平的权威专家也可以退出基础诊疗工作，在临床医学领域做大量的高端科研和自主创新。

2.面对的应战

2.1政策层面

根据2018年生效的《医疗器械分类目录》，医疗手机软件设置按照医疗器械二、三类审核安全通道：如果确定的手机软件是基于其优化的算法，給出诊断建议，只起到辅助诊断的作用，如果没有立即得到诊断结果，根目录下的相关产品按照第二类诊疗设备的管理方式;如果已确认的手机软件根据其优化算法自动检索出疾病位置，并给出既定的诊断提醒，则其风险性别等级较高，根目录中的相关产品符合第三类医疗机械管理办法。现阶段，获得三类证书的AI诊疗公司还没有一家。我国食品药品监督管理局（CFDA）已主动研究人工智能在影像医学中的临床医学审评手册。预计参考欧美国家的工作经验，确保人工智能产品的安全系数应用，具有发展潜力的人工智能产品在临床护理中快速迭代发展。在具体的应用领域，现阶段没有参考服务项目价格标准来提高卫生服务收费标准。医院门诊如果升级人工智能设备，将无法完成人工智能相关临床医疗服务项目的收费标准。由于医院门诊购买AI产品的意愿低落，应用进程缓慢，AI行业的发展无从谈起，AI科技公司也无法把握好身心的发展趋势健康。

2.2限制于单病种，产品鲁棒性有待进步

如今，智能医学印记的应用仅限于单一疾病，需要单独针对不同疾病进行优化算法训练和统筹开发设计。如何针对不同疾病、不同形式的数据和信息，或多模态集成快速开发新产品是一项艰巨的工作。诊断准确性是智能医疗打印产品管理的核心功能。目前，智能医疗打印产品的功能主要参数大多来源于相对有限的数据和实验室标准，受制于数据总量、缺乏象征意义等因素，应用于临床医疗应用中。无序的纵横比。实践活动检查功能不够好，产品的可扩展性有待开发。

2.3作用不行解说，存在算法轻视

如今，广泛应用于人工智能技术的深度神经网络优化算法需要构建一个多隐藏层的神经元网络。猜测过程是主要参数对应的测量过程。这个过程并不完全透明。因此，猜测函数并不容易解释。深度神经网络优化算法所用数据的不完备性，最终可能会导致得到的“规定集”出现偏差，从而构成“优化算法疏忽”的情况。优化算法的无知通常比传统的对种族、性别和年龄的无知更难区分。

2.4技术层面

AI目前处于百花争艳、家喻户晓的境地。没有统一的国际或国家行业标准。 AI实体模型训练的一个重要环节——数据标注，室内空间也有非常大的可变性。标注的质量取决于被标注人员的专业技能和操作状态的执行情况，甚至有的企业直接使用国外公布的标注数据导入实物模型进行培训。这种做法可能会完全失去对标记质量的控制。因此，迫切需要出台一系列国家标准，专门指导企业和定点医疗机构开展相关产品的科研、开发和设计。同时，临床医学疾病种类繁多，必须针对不同疾病进行人工智能产品的自主开发和设计。诊断数据形式多样，形式多样。在中后期，很可能包括遗传学、病理生理学和检测等多种检查方法给出的不同形式的数据和信息。我们如何为不同的疾病开发和设计不同的形式？数据信息或新产品的多模态组合也是该领域的难题。

2.5行业环境

中国和美国现阶段人工智能发展趋势最为强劲，都已经将人工智能提升到战略层面。随着国家新政策的应用，医院诊所和医生逐渐采取积极拥抱新技术应用的姿态。 AI技术在一定程度上接触到特定产品后，对纵横比表现出认可和希望。现阶段，患者对此事的定义了解甚少。普及教育要有过渡期，接受可能会涨价的新项目也一定要有过渡期。

2.6商业化进程

现阶段，关键在中国医学影像AI产品采用免费合作模式。虽然短期来看，医院门诊是有利可图的，但从长远来看，高质量的人工智能公司最终将因长期无法盈利而陷入困境。法律继续向医院门诊部提供更强的商品，这也是对医院门诊部的一种损害。人工智能企业可以在符合各种法规、政策和法规的情况下获得应有的商业运营收入，这有利于各领域的发展趋势。

3.结束语

目前我国医学影像产业深受关注，尤其是高端的影像设备，国家政策保障力度较大。与此同时，国内厂家的核心技术越来越成熟，产业链也日臻完整，不断地侵蚀海外巨头的市场份额，巨头的技术瓶颈期也给国内企业提供了一个缩小差距的契机。国内AI在医学影像中的应用热潮，也给医学影像的发展提供了一个新的方向，这也许是国内超越国外最有希望的一个领域。在AI医学影像商业化落地方面，深度绑定医院，从AI智能识别辅助诊断的服务中分取相应的收益也许是该产品能够成功落地的方式之一。

参考文献

【1】萧毅，刘士远. 医学影像人工智能进入深水区后的思考【J】. 中华放射学杂志，2019，53（1）：2-5.

【2】中国食品药品检定研究院， 中华医学会放射学分会心胸学组， 任海萍，等. 胸部CT肺结节数据标注与质量控制专家共识（2018）【J】. 中华放射学杂志， 2019，53（1）：9-15.