【.com快译】今年的ECR大会上，有超过25家软件供应商（ISV），其中不乏初创企业。他们设立了一个专区，展示医学影像领域的人工智能（AI）解决方案。虽然曾经被炒作过的人工智能还处于市场发展的早期阶段，但随着医学影像厂商的蜂拥而至，人工智能在医学影像领域已经站稳了脚跟。如今，人们的担忧已经转移到AI解决方案的临床价值上，而不是AI对医学成像的适用性。放射科医生不想担心AI会取代他们的工作，而是希望通过这些解决方案获得主导地位——初创公司和老牌供应商都在争先恐后地解决这个问题。然而，在ECR上展示的AI解决方案几乎没有发生重大变化，许多供应商共享相同的临床应用程序。超过100家公司已经在开发用于医学成像的AI解决方案，这个新兴市场似乎相当拥挤。成功的供应商将能够更好地展示其在临床相关性、临床验证、工作流程和投资回报方面的价值和能力。1.ClinicalRelevance在不断变化的环境中保持临床相关性是每个公司的愿望，医学影像人工智能领域也不例外。因此，问题的关键是开发与医疗保健用户临床相关的AI解决方案。可用于机器学习算法训练的数据困难之一是缺乏可用的标记数据来训练机器学习算法。大多数公共数据都集中在高发、常规病例上，例如肺结核或乳腺癌。因此，大多数人工智能初创企业都瞄准了这些大规模的临床案例，它们确实代表着巨大的市场机会。然而，放射科医师在日常工作中要处理大量的临床病例。如果从宏观角度看病例的多样性，高发病例（如结核病）可谓冰山一角。大多数临床案例还没有人工智能解决方案，这对供应商来说是一个尚未开发的市场。当然，研究这些重复且耗时的高发病例是有价值的，但要让AI充分发挥其在医学影像方面的潜力，放射科医生需要一套更全面的AI工具。未来成功的供应商将是那些能够利用机器学习训练数据的创新策略并与相关用户建立多个数据共享伙伴关系以开发用于各种临床案例的算法的供应商。开发AI工具包或整体解决方案早期的AI解决方案是针对特定病症的特定点解决方案。最近的趋势是开发更类似于AI诊断工具包的解决方案。具体来说，它不仅可以检测某一点的异常情况，还可以检测身体整个区域的异常情况，在某些情况下还可以检测多个器官的异常情况。这些更全面的解决方案不仅提供了更高水平的诊断支持，还简化了人工智能应用于临床医学的工作流程（提供整体解决方案而不是许多单独的算法），并且可能更具成本效益。尽管不同供应商解决方案的稳健性和完整性会有所不同，但这将是未来的一个关键发展趋势。异常诊断只是医学影像的一小部分，人工智能的价值远不止于异常检测。人工智能量化特征的能力增加了放射学报告的价值，并最终改善了临床结果。支持/提供异常诊断仍然是人工智能开发者和放射科医生最重要的部分。在ECR展会上可以看到，供应商在这方面取得了进展，一些解决方案给出了结节或病变发生的概率评分。图像采集似乎是人工智能在医学成像领域的下一个主要用例，它对医疗保健患者具有三大优势。首先，接受扫描所需的时间将大大减少，这将为患者提供更好的护理质量并允许进行更多扫描；第二，在图像重建过程中使用机器学习可以将低剂量CT扫描的质量提高到正常剂量CT扫描的质量，从而减少患者的辐射；人工智能可以减少扫描图像的噪声和伪影，提高放射科医生的诊断信心并减少重复扫描。2.工作流程集成到成像设备中要使AI成为主流，它必须在图像采集点和PACS环境中无缝集成到放射学工作流程中。尽管AI解决方案也可以集成到扫描仪中以进行图像捕获和图像分析，但这是一个更加困难的市场，因为它面临着更加严格的OEM监管环境。ECR上展出的嵌入式AI解决方案非常少，这表明供应商在集成AI方面采取谨慎的态度。展示的嵌入式图像分析解决方案是Modality供应商开发的本地和第三方应用程序的组合，而支持AI的图像采集解决方案是自主开发的应用程序。我们预计2019年嵌入式AI解决方案的活动将逐渐增加。集成PACS放射科医生通常对时间要求很高，工作流程效率是关键。放射科医生对AI解决方案的接受度将取决于它们与当前工作流程集成的效率和无缝程度。与主要诊断过程（如PACS）紧密集成且不需要放射科医生开启额外人工智能工具的人工智能解决方案可能具有一定的吸引力。无论AI解决方案是否提供有效的用户界面，从PACS环境切换都会增加放射科医生读取扫描文件所需的时间，或者增加软件故障的风险。这可能会导致放射科医生较少或根本不使用AI解决方案。很明显，PACS和影像供应商正在加强他们的AI工作，通常采用类似的实施策略——一个专用的AI平台作为本地和第三方AI算法的集成容器，以及一个用于第三方AI应用程序的云计算平台作为补充。从长远来看，我们预计云平台是一个重要的解决方案，但在AI市场的早期阶段，以及医学影像向云的过渡，这两种方式肯定都有空间。随着人工智能变得越来越普遍，它将有助于加速医学影像对云的采用。医学影像厂商将产生巨大影响虽然现有企业似乎对人工智能在医学影像中的应用反应迟缓，但我们认为影像厂商将对市场的长期范围和未来方向产生巨大影响，尤其是在AI集成在放射学工作流程中起着关键作用。因此，AIISV必须与现有的影像供应商建立合作伙伴关系。3.投资回报在全球医疗保健预算面临压力的情况下，AI供应商必须明确地为医疗保健提供商提供切实的投资回报(ROI)，以证明支持AI部署所需的软件和IT基础设施的巨大投资是合理的。这可以通过多种方式实现，如下所述。效率和质量在放射科医生的时间很紧迫的国家，通常是由于放射科医生短缺，例如英国的国家卫生服务体系，提高生产力是AI的关键价值，可以说是投资回报率的决定性因素。能够区分紧急情况（确定紧急情况与非紧急情况）并减少读取扫描件所需的时间是AI解决方案的关键。然而，在放射科医生供应充足的国家，如北欧国家，对放射科医生的时间要求可能不那么严格，除了效率之外，诊断质量将是人工智能解决方案投资回报率的主要因素。少数AIISV成功瞄准ROI的另一个途径是提高诊断效率。例如，AI图像分析支持的FFR-CT正逐渐成为介入血管造影的替代方案。这降低了提供者的成本并降低了患者感染的风险，证明了对AI的投资是合理的。治疗模式AI解决方案通常在临床实践中使用定量成像，自动执行耗时的手动测量任务。经临床验证的影像生物标志物可以帮助提高诊断准确性，预测/预测治疗反应，并为个体患者制定更加个性化和量化的治疗计划。此外，人工智能将在治疗计划中发挥关键作用，使用历史患者数据为决策提供信息。这将导致更短的治疗周期，从而节省成本并改善治疗结果。4.验证开发出可以解决上述问题的AI算法固然很好，但如果没有适当的临床验证，它就不太可能被临床医生信任，因此不太可能被临床医生使用。算法训练在开发环境中对算法进行监督训练需要访问大量医学图像。这些图像应包含同一病例的不同临床表现，以及不同患者和各种扫描仪捕获的图像，以开发真正适销对路的稳健算法。这就是为什么大多数解决方案都关注肺部疾病和乳腺癌，因为有大量公开可用的数据可以用来构建此类算法。为了获得业务合作伙伴和医疗保健系统的认可，AIISV需要证明他们已经使用不同的数据集开发了系统。临床验证-前瞻性研究从长远来看，AIISV与医疗保健提供商合作进行前瞻性临床研究的能力将成为临床验证的关键驱动力，以验证其解决方案在实际临床环境中的稳健性。这项研究的结果将发表在一份行业评论期刊上。此类研究既耗时又昂贵，因为它们需要大量已识别、标记的临床数据，以及开展研究的临床环境。然而，这样做的好处将远远超过初始投资，为解决方案提供可信度并有助于赢得潜在合作伙伴和客户的信任。虽然一些公司已经开始进行此类研究，但迄今为止很少有公司公布结果。AI解决方案临床验证的可用性是其在临床实践中采用的重要催化剂。原标题：4PillarsofValueforAIinMedicalImaging，原作者：SimonHarrisandDr.SanjayParekh
