智能医学图像识别：医学与AI结合的成功案例

医学图像智能识别：医学与AI结合的成功案例医学图像识别有望成为AI即将落地的领域“人工智能+医学”进入快车道。“人工智能+医疗”发展迅猛。医学是一门依赖归纳逻辑、经验学习和循证应用的学科。人工智能可以在这个行业中发挥重要作用。同时，我国医疗资源紧缺，供给严重不足。人工智能在医疗行业的应用，可以提高医生的工作效率，变相改善医疗资源供给。在政策和算法红利的推动下，“人工智能+医疗”发展迅猛。据中国数字医疗网统计，2016年中国AI+医疗市场规模达96.61亿元，增长率达37.9%。持续增长，2017年突破130亿元，增长40.7%，预计2018年市场规模将达到200亿元。人工智能应用于医疗行业的方方面面1.预诊：可用于预测个人或群体的疾病并给出健康建议。2.诊中：人工智能辅助诊疗，降低误诊率。3、事后诊断：通过计算机视觉、图像识别、视频分析等多种渠道，确保患者服药的真实性，协助医生监测患者用药依从性。4、其他环节：保险代理费用智能管控；人工智能参与药物研发过程，可以缩短时间，提高效率。AI+医疗多种应用场景：行业仍处于发展初期，数据融合共享是驱动行业发展的核心因素。AI+医疗发展的核心在于“算法+有效数据”。该行业目前处于发展的第一阶段。现阶段，弱人工智能算法相对成熟，数据融合共享构成产业发展的核心因素。目前，中国的大部分医疗数据都存储在医院里。一方面，医院内部临床数据中心建设不完善，医院内部数据互联共享程度还较低；另一方面，医疗数据涉及患者隐私、共享机制和规范的缺失，导致很多AI+医疗应用因缺乏数据而停滞不前。随着医疗数据互联互通的完善和共享机制的建立，AI+医疗产业的发展将加速。智能影像诊断是“人工智能+医疗”即将落地的应用领域。我们认为有两个AI+医疗的高附加值应用已经形成产品，并在各个应用场景实现了小规模推广：1.基于医疗的图像智能识别；2.基于电子病历的辅助诊断。后者的典型案例是IBMWatson，其已经将WatsonforOncology的AI产品落地用于肿瘤的辅助诊疗，并在全球各医院进行了小规模推广。基于医学图像的智能识别，全球有1000多家该领域的初创公司，是适合AI技术发挥优势的医学应用领域。智能图像诊断算法相对成熟。自2012年将深度学习技术引入图像识别数据集以来，其识别率近年来屡创新高。2015年，百度在ImageNet比赛中的识别错误率仅为4.58%，高于人类水平。在各类医学图像识别竞赛或活动中，学校和商业研究团队在不同疾病中均取得了不错的成绩。医生资源短缺将推动AI智能图像识别的应用。目前，我国医学影像数据年增长率约为30%，而放射科医生人数年增长率为4.1%。他们之间的差距是25.9%。放射科医生数量的增加远远小于图像数据的增加。以病理切片为例，据国家卫计委统计，我国注册病理医师约1万人。按照每百张床位1-2名病理医师的标准，全国病理医师缺口可能达到3万-4万目前，全国近40%的手术未经过病理科分析。因此，通过AI辅助放射科医师进行诊断将满足市场的刚性需求。与人工阅片相比，AI阅片具有比较优势。人工阅片存在主观性强、可重复性低、量化和信息利用不足、费时费力、知识经验难以传承等问题。人工智能读片的优势体现在效率高、成本低。随着产品的成熟和识别率的提高，人工智能阅读的准确率也会形成比较优势。智能图像识别与分类是多空间、大的，初始模式是分散的。智能图像识别市场分类多空间、大。人工智能方法广泛应用于医学图像处理，涉及医学图像分割、图像配准、图像融合、图像压缩、图像重建等多个领域。医学影像智能识别按应用领域可分为放疗、放疗、手术、病理：1.放疗：类似于军队的“情报部门”，通过放射成像了解人体内部的病变情况，形成图像。图像智能识别的目的是标记病灶的位置。2、放疗：类似于军队的“作战部”，在制定放疗方案之前，医生需要利用影像设备对目标区域进行定位，形成影像。图像智能识别的目的是自动勾勒出目标区域。由于放疗需要杀伤细胞，因此病灶区域轮廓越准确越好，智能图像识别准确率高。3、手术：通过3D可视化等技术对CT等图像进行3D重建，帮助医生进行术前规划，保证手术的准确性。4.病理：病理诊断是诊断的最后环节，病理诊断的结果要参考MRI、CT、B超等图像的判读是否正确。传统的病历检查，医生直接在显微镜下看病历涂片，而现在数字病理系统让AI看涂片成为可能。行业内目前涉及放射病理的公司：1.放射图像相对容易获得深度学习的标记数据，应用场景广泛，涉及的创业公司较多；而病理医师缺口较大（我国病理学注册医师约1万人，按照每百张病床1-2名病理医师的标准，全国病理医师缺口可能达到3万-4万人。目前，近40%的病理医师国内业务尚无病理切片分析），数字化病理系统正在迅速普及，一些初创公司也在病理图像智能识别方面发力。医学影像服务市场年规模在千亿级别。假设AI读图占价值链分布的10%，则市场规模在百亿级别。按成像设备或类型分类，包括X射线成像、CT成像、MRI、超声成像和病理切片（基于显微镜）。此外，还包括小众红外成像、检眼镜成像等。其中，X射线成像每年总市场规模为700亿元，而普通CT和MRI每年总市场规模为1500亿元。所有成像类型的总市场规模达数千亿。假设AI看片占价值链分布的10%，则市场规模为数百亿。2、行业发展初期市场较为分散，未来有望逐步走向集中。行业发展初期市场碎片化的原因包括几个方面：1）数据分散：我国虽然有第三方影像中心，但大部分医学影像数据来自医院。而三级医院拥有绝大部分的影像资料，但是没有影像资料住院必须遵守的红线。因此，大量的影像数据分散在不同的三级医院系统中。据卫计委统计，2017年6月，全国共有三级医院2286家。除了通过公共数据集进行训练，初创公司还与大医院合作，签订联合科研协议，与医院进行模型训练。数据分散导致企业难以同时获得所有满足产品精度要求的数据，不同的初创企业可能会与熟悉的医院合作进行产品开发。目前市场上大部分公司的数据来源都是2-3家医院，数量和质量都比较少。以CT为例，目前医院使用的CT型号有近百种，生产厂家有7、8家。在产品化过程中，如果只使用少数几个模型的数据，或者从公共数据集中下载数据来训练模型，即使在实验室的准确率很高，在实际应用中也很难取得好的效果。医疗AI企业研发的产品能否适配市面上90%的影像设备，是此类产品能否上市的前提。健澜科技智能医学影像识别：医疗与AI结合的成功案例2）病种分散：虽然底层代码可以复用，但不同病种需要不同的标注数据来训练不同的模型。例如：GoogleDeepmind与MoorfieldsEyeHospital合作训练糖尿病视网膜病变识别；IBM与EyePACS信息共享平台合作，训练青光眼模型；阿里与万里云合作，在CT影像中检测肺部结节，未来有望扩展到乳腺癌、糖尿病等领域。虽然参与行业的企业注重选择多病种进行产品开发，但不同病种不同模型的特点决定了行业发展初期参与者相对分散的形式。3、变现场景和商业模式多样化：就医学影像智能识别而言，潜在的变现方式包括：作为单独的软件模块销售给医疗机构，与PACS等系统结合销售给医疗机构；计算机等设备形成软硬件一体化解决方案销售给医疗机构；通过远程医疗等方式服务基层医疗机构；通互医疗影像初创公司均处于发展初期。我们相信，随着行业的发展，市场参与者的数量会先是不断增加，最终由分散走向集中。随着行业数据整合共享机制的建立、模型训练的成熟、商业模式的建立，以及部分企业率先通过CFDA认证，先发企业将逐步建立技术和商业壁垒，促进市场集中度。从产业链上下游的数据、场景等核心业务要素来看，医学影像智能诊断需要的不仅是医学影像数据，还需要专业人员标注的医学影像数据。基于此，从事医学影像智能诊断的厂商通过资源获取标记数据的能力显得尤为重要。医学影像数据在医院和第三方影像中心产生，临时存储在医疗设备中，长期存储在PACS系统中，标记医学影像数据需要专业医务人员的配合。放射科医生在日常的阅片过程中并没有对病灶进行标记，这使得这些厂商下班后需要花大价钱请专业的放射科医生进行标记。与上下游的关系和合作模式，或者说产业链的整合，已经成为医学影像智能诊断厂商的核心竞争力之一。大医院、基层医院、第三方影像中心可能是医学影像智能诊断的上游“脱敏数据资源提供者”，而各类医疗机构、医疗设备、PACS系统也可能是智能诊断的下游医学影像“产品采购商或合作伙伴”。因此，与上下游的关系和合作模式成为医学影像智能诊断厂商的核心竞争力之一。1、数据采集：与医疗机构合作有助于打磨行业厂商的数据采集方式有与大医院合作、与基层医院合作、与科研机构合作、与第三方影像中心合作、通过云PACS系统间接获取授权敏感数据。1）合作大医院：绝大多数我国医学影像数据来源于三甲医院等大医院。医学影像智能诊断AI企业与大医院的合作，一方面有利于获得行业专家的大量脱敏数据和标注数据，另一方面有利于获得产品打磨的场景。在某一病种上具有优势的医院，往往拥有一定的数据资源，可以打磨细分领域认可度高的产品。我们看到，智能影像公司官网上的合作医院，算是一种彰显自身实力的背书。2）与基层医院合作：与大医院不同，基层医院的诊疗水平、患者数量、数据资源有限，对智能阅片需求旺盛。一些企业通过远程医疗为基层医院提供“助读片”服务，在征得医患同意的情况下，获取脱敏影像数据，并通过自有医疗团队对数据进行标记，对患者进行这一过程。进入和退出。人工智能模型训练。代表企业有：万里云等。万东医疗2016年年报显示，万里云完成10个远程影像诊断中心建设，成功签约1000家医院用户，实现平均2000名患者的远程影像阅片诊断每天。业务范围覆盖全国基层医院和民营医院。.以及其他自建远程影像诊疗系统拓展人工智能阅片企业，如瑞达影像、汇影医疗等。3）其他类型的合作：（1）部分高校拥有一定量的脱敏数据用于科研研究目的，而获取这些数据的成本往往不高，所以一些创业公司选择与大学合作；（2）随着第三方影像中心的逐渐建立，一些AI公司也可以选择自建或合作，部分第三方影像中心也会将业务延伸至智能阅片；(3)PACS系统从医院向云端发展。近年来，建立区域性PACS云平台已成为一种趋势。云PACS可以降低存储成本，实现快速呼叫传输，支持数据共享和应用开发。相关企业通过拓展云PACS业务或与其合作，获得了参与AI+医学影像产业的机会。相关厂商包括：杭州联众、信义国际、海纳义鑫。综上所述，从数据来看，大医院有优势科室，有一定的标注数据。与大医院合作，有利于在大医院优势学科培养出优质产品，但对于小众疾病，需要与众多专家进行交流，医疗机构合作才能培养出好的模型。与基层医院远程阅片合作的优势在于可以获得源源不断的数据资源，但需要有专门的团队来规范阅片。随着我国第三方影像中心的逐步建立和崛起，与第三方影像中心的合作也将成为获取数据资源的良好途径。2、变现模式及场景：与上下游厂商合作，有利于业务拓展。产品在实现之前需要“认证”。人工智能产品在CFDA没有申报项目清单：1）智能医学影像产品仍作为第三类医疗器械向CFDA申请认证。CFDA的审批流程相对复杂。需要先与国家指定的三甲医院合作开展临床试验，与每位进行临床试验的患者签订合同，进行检测并向国家专业机构报告，最终获得CFDA认证。时间成本、技术水平等因素都构成了“高门槛”。2）部分软件模块作为PACS系统的智能阅片插件，为临床提供辅助工作，可跳过CFDA认证步骤。由于行业处于发展初期，变现模式处于探索阶段，我们认为行业潜在的变现方式包括：作为单独的软件模块向医疗机构销售、与PACS集成向医疗机构销售以及其他系统；与CT、X光机等设备协同，形成软硬件一体化解决方案销售给医疗机构；通过远程医疗等方式服务基层医疗机构；通过互联网医疗等方式直接为患者服务。目前，基本成型的AI+医学影像产品大多处于医院试用阶段，该领域企业基本未实现盈利。未来产品通过CFDA测试后，商业模式可进一步向产业链上下游拓展。从变现对象来看，基层医院因治疗水平高、医疗资源匮乏等原因，付费动机最强；大型医院虽然拥有丰富的医疗资源，但由于门诊量大，需要通过智能化应用来提高工作效率。在此背景下，基层医院存在按次付费的需求基础，而大型医院则更倾向于接受软件服务费作为付费方式。随着第三方影像中心的兴起，也将产生智能影像诊断的需求。