医学成像领域的人工智能

随着人工智能（Artificial Intelligence，AI）在成像技术中的应用兴起，医疗行业和放射学界已经开始发生巨大变化。

人工智能算法在医学成像领域的机遇和价值

为什么在医疗行业中经常会遇到“人工智能（AI）”这个词？尤其是，为什么这项技术在医学成像市场中成为争论的焦点呢？因为人工智能有可能改变我们的医疗诊断和治疗过程，从而实现更加个性化和有效的药物治疗。

目前，人工智能主要通过算法训练而成。深度学习（Deep Learning，DL）是一种基于人工神经网络的人工智能技术，可以检测数据中更加精确的细节。该项技术最初用于图像领域的模型识别。

放射学正随着深度学习模型的采用而发生变化，该模型用于识别人体中的病灶，优先考虑可直接治疗处于危险中的患者病例，以及预测病理的演变。此外，人工智能会深深地影响医学成像技术，尤其是磁共振成像（MRI）、计算机断层扫描（CT）扫描、X射线成像和超声波成像。这些是这份报告的研究重点。

据麦姆斯咨询介绍，医学成像技术主要分为两类：（1）高质量成像方法（包括MRI和CT扫描）；（2）快速成像方法（包括X射线成像和超声波成像）。并非每种类型的医学成像技术都需要相同类型的算法。

专业人士的需求在很大程度上取决于所使用的医学成像技术。

一方面，MRI和CT扫描是一种能够获得高质量图像的密集型扫描方法。通过在图像上添加标注，该成像模型经过人工智能训练可以达到很高的病理分类准确性。而且，由于成像时间很长，所以该成像技术的执行速度并不需要非常快。另一方面，在X射线成像和超声波成像方面的训练模型则需要很快速的执行速度，从而能够处理实时的图像。然后，这些模型将被用于更快地检测异常情况，并对病例进行优先级排序，这意味着可以大大提升效率。

人工智能赋能的模型应用可以归纳为：

- 筛选模型：负责异常检测；

- 诊断模型：负责疾病评估；

- 治疗计划模型：能够根据患者的病理和身体状况建议最相关的治疗方法。

在医院中使用上述模型所产生的价值取决于应用领域。

人工智能算法价值链

应用于医学成像领域的人工智能正在快速发展

医学成像对人工智能算法的开发和应用都非常严格，具体的约束条件与医学数据或法律法规有关。医学数据，尤其是医学影像，取决于成像设备的参数化及其供应商。对于软件公司和医院而言，模型互操作性的开发极具挑战性。

为了预测病理学的演变，研究人员必须进行纵向研究，需要获得病患的多年医学图像。大多数医学数据的不一致性使得准确而复杂的研究进展具有挑战性。

此外，有关数据隐私的法律法规使生态系统中的每个参与者的数据接入变得更加复杂。带标注的图像是人工智能的“燃料”，但是接入这些图像及与病患相关的年龄、性别等数据却通常受到限制。

尽管医学领域受到高度监管，但我们预计该领域的人工智能市场将快速增长。首先是原始设备制造商（OEM），尤其是西门子（Siemens）和飞利浦（Philips），引入了人工智能产品，其次是将诊断算法引入医学成像领域。通过人工智能提升效率，医院能够更有效地诊断和治疗患者。

2018~2019年在医学成像领域主要发布的人工智能产品

Yole预计，到2025年，通过销售人工智能工具产生的软件营收将达到29亿美元，2019年至2025年的复合年增长率（CAGR）为36%，主要应用为：改进的图像获取、降噪、图像重建、筛选、诊断和治疗规划。

全球医学成像领域的人工智能营收预测

医学领域的人工智能生态系统正在演变

医学成像领域的人工智能生态系统有众多的初创企业组成，其中不少企业是从大学里孵化出来的。这说明该领域是由医学研究驱动的事实，以及它可以为医院带来价值。每家软件公司都具有一定的差异化，为特定的应用和成像技术提供人工智能算法。他们可以直接向医院销售产品，也可以通过两种不同的渠道销售：一种是将这些算法集成到放射科医生的工作流程中，如TeraRecon；另一种是通过西门子等OEM厂商在其医学成像设备上优化模型。

事实上，OEM设备厂商也正在提供类似软件公司的人工智能产品。未来几年，哪种类型的参与者将处于优势地位呢？本报告为生态系统中的关键问题提供了一些解答，并详细分析了参与者的不同策略。

医学领域的人工智能生态系统参与者