醫療資源正缺口，AI將如何賦能醫學影像發展？

2021-08-18 13:44

聲明：本文為火石創造原創文章，歡迎個人轉發分享，網站、公眾號等轉載需經授權。

近年來，隨著技術在醫學影像診斷領域的滲透，以及醫療創新相關政策的鼓勵，致力于提升醫療機構服務水平的醫學影像新業態開始嶄露頭角，尤其是以AI醫學影像產品為代表的診斷服務，以及為影像科、放療科等做整體賦能的科室運營服務，成為當前醫學影像發展熱點。
那么，AI是如何賦能醫學影像發展的？

01AI產業概述

人工智能（AI）是利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統。人工智能產業包括數據資源、計算引擎、算法、技術、基于人工智能算法的技術進行研發及拓展應用的企業以及應用領域。人工智能產業生態如圖1所示。
經過60多年的演進，特別是在移動互聯網、大數據、超級計算、傳感網、腦科學等新理論、新技術以及經濟社會發展強烈需求的共同驅動下，人工智能加速發展，呈現出深度學習、跨界融合、人機協同、群智開放、自主操控等新特征。

圖1：人工智能產業生態示意圖來源：根據公開資料整理

全球來看，歐美等發達地區人工智能產業布局較早，尤其美國在算法、芯片和數據等核心領域，積累了強大的技術創新優勢，各層級企業數量全球領先。

據國際數據公司（IDC）估算，2020年全球人工智能市場規模約1565億美元，同比增長12．3％；在《全球人工智能支出指南》中，IDC預測全球人工智能相關支出將在未來四年翻一番，到2024年達到1100億美元。我國人工智能行業核心產業市場規模2020年超過1500億元，預計在2025年將超過4000億元，其中以圖像識別及語音識別為核心的模式識別市場規模最大。

目前，基礎層的核心技術大部分掌握在國外企業手中，為我國企業自主開展研發帶來了不利的壁壘封鎖，限制了產業整體發展。近期，國內以北上杭深等為代表的地區相繼加大對傳感器、底層芯片及算法等基礎層的研發力度，取得了一定的技術積累，但其他地區切入基礎層仍存在較高壁壘。相比國外應用技術發展，國內人工智能企業的應用技術主要集中于計算機視覺（含模式識別技術）、自然語言處理，基礎硬件占比偏小。行業應用層，國外以AI＋、大數據及數據服務為主，國內則集中于AI＋、大數據及數據服務，以及智能機器人、無人機等智能終端。

未來，美國仍然是全球人工智能產業發展的主導者，憑借著數量眾多、實力雄厚的科技企業、高校、科研機構，美國從人工智能的底層技術到應用市場都擁有巨大優勢。我國已經是人工智能應用大國，人工智能產業發展已上升至國家戰略層面，全國各地相關政策進入全面爆發期，影響力穩步提升。

未來，我國人工智能產業發展有以下幾大趨勢：第一，人工智能產業仍將保持爆發式增長。得益于人工智能技術的不斷升級以及商業模式的推陳出新，我國人工智能產業需求將進一步放量；產業規模整體爆發式增長的背景下，基礎層、技術層和應用層的各細分領域也將保持同步增長態勢，尤其應用層各產業領域的增長表現最為搶眼。

第二，初創型公司優勢逐漸體現。科技巨頭公司憑借強大的技術和資本壟斷能力，在目前代表著全球人工智能產業發展的最前沿，強勢保持人工智能科技創新與產業發展的優勢地位。然而，全球近幾年興起有千余家人工智能初創企業，半數以上已經獲得投資機構青睞，數量以美國和中國居多。初創公司聚焦于行業某細分領域并深入探索，與科技巨頭在某些領域相比存在一定的比較優勢。

第三，智能化應用場景從單一向多元發展。目前，人工智能應用領域多處于專用階段，例如人臉識別、視頻監控、語音識別等都主要用于完成具體任務，覆蓋范圍有限、產業化程度有待提高。隨著智能家居、智慧物流等產品的推出，人工智能的應用終將進入面向復雜場景，處理復雜問題，提高社會生產效率和生活質量的新階段。通過海量優質的多維數據結合大規模計算力的投入，以應用場景為接口，人工智能產業將構建起覆蓋全產業鏈生態的商業模式，滿足用戶復雜多變的實際需求。

第四，模式識別是當前人工智能領域發展的熱點。隨著計算機視覺技術和自然語言處理技術的成熟，圖像識別、語音識別、文本識別等模式識別技術應用范圍越來越廣，市場潛力巨大。隨著模式識別技術的成熟，智能醫學影像以人工智能深度學習技術為依托，將成為人工智能落地最快的領域之一。

02AI賦能醫學影像發展

自2012年深度學習技術被引入圖像識別數據集之后，其識別率近年來屢創新高。2015年百度在ImageNet比賽中識別錯誤率僅為4．58％，高于人類水平。在各類醫學圖像識別比賽或活動當中，學校和商業研究團隊分別在不同病種上取得了顯著成果。
表1：科研、商業團隊針對不同病種開發的AI產品識別準確率

來源：東方證券研究所

智能圖像診斷數據結構化程度高、處理難度小。醫療大數據有80％來自于醫療影像數據。影像數據具備結構化程度高，數據處理難度小的優勢，非常適合機器學習。表2：智能圖像診斷和輔助診斷比較

來源：東方證券研究所

醫生資源短缺將促進AI智能影像識別的應用落地。目前我國醫學影像數據的年增長率約為30％，而放射科醫師數量的年增長率為4．1％，其間的差距是25．9％，放射科醫師的數量增長遠不及影像數據的增長。以病理切片為例，據國家衛健委統計，我國病理注冊醫生在1萬人左右，按照每百張床配備1－2名病理醫生的標準計算，全國病理科醫生缺口可能達3萬－4萬人，目前，全國有近40％的手術未進行病理切片分析。所以，通過AI的方式輔助影像科醫師進行診斷將滿足市場剛需。

圖2：借助圖像識別和深度學習提升診斷效果來源：東方證券研究所

圖3：人工智能醫學影像診斷準確率提高來源：東方證券研究所

AI讀片相對于人工讀片具備比較優勢。人工讀片具備主觀性高、重復性低、定量及信息利用度不足、耗時及勞動強度和知識經驗的傳承困難等問題；而人工智能讀片的優勢體現在高效率低成本。隨著產品的成熟帶動識別率的提升，人工智能讀片的精準度也將形成比較優勢。
表3：人工智能讀片與人工讀片的比較

來源：健康界

我國醫學影像數據量正以30％的年增長率逐年增長，然而影像科醫生數量的增長速度慢且工作效率不足，給醫學影影像成果判斷造成一定的壓力。此外，目前醫學影像數據大部分仍然需要人工分析，最明顯的缺陷就是不精準，依靠經驗所做的判斷容易造成誤診。
人工智能依靠強大的圖像識別和深度學習技術，可很好地解決醫學影像大數據人工處理中存在的兩大問題，大大提高數據分析的效率和準確性，減輕醫生的壓力，同時提高診療的效率和準確率。

1 2 下一頁>