1.3 人工智能在医学图像领域的应用

深度学习在医学图像领域发展迅速，发展前景广阔，可以有效提高医生工作效率，同时具有重要的理论研究和实际应用价值，对疾病的早期诊断有着重要意义。

医学图像是医生进行疾病评估的重要依据，不同种类的影像能够提供丰富而有效的信息。现有临床中主要有计算机断层扫描（Computed Tomography，CT）、磁共振成像（Magnetic Resonance Imaging，MRI）、医学超声成像（Ultrasound Imaging，UI）等。人工智能技术在成像、分割、图像分析及应用等方面有很大的优势，可以有效解决部分问题，但是在临床上还存在以下问题。

❏ 受到影像成像原理和技术限制，图像质量低，给医生读片带来困难，容易造成误诊。

❏ 人工读片只能实现定性分析，会忽略很多微小的定量变化信息。

❏ 医生水平参差不齐，导致主观性大。

❏ 人工读片耗费大量的精力和时间，难以实现全面的诊断。

在人工智能医疗影像行业发展初期，数据、算法、框架等技术处于探索阶段，随后的几年，随着数字化影像和采集设备等技术的发展，标准化的医疗数据获得变得越来越容易。随着数据增强技术的发展，数据和算法不再局限于某个机构使用。研究人员逐渐将重心转移向实现通用算法和平台方面的研究。数字人、数字脑、数字眼科、数字口腔、数字心脏、数字肺等人工智能板块被逐步搭建，商业化也在逐步落地。

2019年年末，人工智能产品不再局限于肺结节方向的应用，而是延伸到了心脏、脑部、内分泌、病理、超声等众多领域，实现了针对多种疾病的辅助诊断。然而，从落地情况上看，严格意义上的人工智能项目还不多，而云影像存储与传输系统（Picture Archiving and Communication System，PACS）销售额占据了营收额近亿元级别人工智能企业的大部分营收额。

人工智能医疗影像行业还有一个绕不开的话题——审批。据动脉网统计，从2017年开始，美国食品药品监督管理局（Food and Drug Administration，FDA）逐渐批准了几款医疗人工智能产品。在2018年1月至2019年9月通过FDA审批的近40款人工智能产品中，有一半为非辅助诊断类。在我国，纵观2019年，在政策上给予人工智能支持的文件屈指可数。影像重建、影像增强的相关产品，因其不涉及辅助诊断，仅需二类证便可实现销售。截至2019年年底，相关审核标准尚未正式发布，相关产品取得三类医疗器械注册的数量仍然是零。商业化受挫、审批困难，因此很多企业将重心由销售转向研发，也收获了一些成果。

这一切在2020年出现了转变，新冠疫情推动了医院主动与各企业进行智慧化重建。随着国家开始逐步发放各类医疗影像人工智能软件三类证，进一步出台鼓励“人工智能+医疗发展”的政策，各细分领域的盈利模式逐渐明晰，市场进入快速成长期。