医学影像中值得关注的五种人工智能技术趋势

到 2030 年，医学诊断中的人工智能市场将超过 30 亿美元。根据数据显示，由于其分析数据的效率远高于人类，到此时，医学图像识别人工智能的使用量将增长近 3,000%。 IDTechEx 的报告《2020-2030 年医疗诊断中的人工智能：图像识别、参与者、临床应用、预测》。该技术有可能通过简化图像分析过程来改进诊断方法并最大限度地缩短治疗时间。

图像识别 AI 是一种决策支持工具，可以对患者的状况产生快速且信息丰富的见解。(来源：IDTechEx)。

自 2010 年至 2014 年在图像识别软件中引入深度学习以来，基于 AI 的基于图像的医疗诊断市场进入了技术快速扩张的状态。人工智能公司不断寻求扩大其产品的功能范围和适用性，以加强其在这个竞争激烈的市场中的存在。

该行业的主要创新围绕着更有效地使用数据、增加该技术的可访问性以及增强其对放射科医生的价值主张。本文探讨了用于医学成像的图像识别 AI 技术的五个主要趋势。

迈向超人的疾病检测

在评估图像识别 AI 在医学诊断中的价值时，准确性是首要考虑的问题，AI 公司正在努力实现超人的疾病检测水平。目前，尽管人工智能有可能彻底改变疾病诊断过程，但其当前的价值主张仍低于大多数放射科医生的预期。

许多人工智能公司都将优化算法作为优先事项。例如，荷兰初创公司 SkinVision 成功地提高了其软件的疾病检测性能，以增强其作为决策支持工具的可信度。2014 年，SkinVision 应用程序检测到 81% 的皮肤癌病例，这被认为不足以准确检测黑色素瘤。到 2019 年，这一数字已攀升至 95%，成为市场上最高的数字——远高于人类皮肤科医生 70% 至 80% 的准确率。

今天，算法的准确性是它的第一卖点，达到超人准确性的公司拥有至关重要的竞争优势。实现这一目标将促进他们的技术在医疗环境中的应用，因为自动化可操作的定量洞察的好处将超过改变工作流程的短期不便。

医学诊断中的图像识别 AI：应用程序与人类性能的性能比较(来源：IDTechEx)。

通过增加训练数据集的多样性来扩大软件的适用性

人工智能公司越来越专注于扩大其软件的适用性。目前，图像识别 AI 算法的一个常见限制是它们对特定人群类型的限制。因此，如果患者资料与其先前接触的数据类型不匹配，则软件检测疾病的能力可能会降低。

为了解决这个问题，人工智能公司在算法训练过程中加入了更多样化的数据集。越来越多的共识是，训练数据应该包含多种类型的患者，以便算法能够识别异常，而不管患者的种族、遗传背景或生理状况如何。例如，Lunit Inc. 的 INSIGHT MMG 软件可以以 97% 的准确率检测乳腺癌，因为该公司训练其算法来识别不同密度和脂肪组织成分的乳房病变。

在处理广泛的患者人口统计数据方面取得成功是一项关键的技术和业务优势。它扩展了软件的适用性，从而有助于提高其在更广泛的患者人群中的使用。

确保高图像分辨率以最大限度地提高算法性能

获取高分辨率图像是最大限度地提高 AI 的疾病检测性能和提高 AI 生成的洞察力的可靠性的关键。在训练期间使用劣质数据会对深度学习算法的开发过程和性能水平产生负面影响。不清晰的图像会降低人工智能产生的洞察力的准确性，这可能会损害其广泛实施的机会。

对此，人工智能公司正在开发方法，通过捕捉更好的图像来提高图像识别人工智能在医疗环境中的价值。用于评估或改善图像质量的人工智能驱动工具已经商业化。例如，总部位于美国的 Subtle Medical Inc. 使用图像识别 AI 将不适合分析的模糊图像转换为高分辨率扫描。

印度的 Artelus 使用了另一种方法，该公司开发了一种系统，可以在采集后立即评估图像质量。该系统确定图像是否足以进行可靠诊断，或者是否应重新拍摄图像。

从单个图像中检测多种疾病

多种疾病的检测是图像识别 AI 领域的另一个重要趋势。过去，公司更倾向于专注于单一疾病的检测，因为它的成本和耗时要低得多。因此，当今许多人工智能驱动的分析工具只能识别有限范围的病理。因此，它们在放射学实践中的价值是有限的，因为算法可能会忽略或误解他们没有接受过培训的疾病迹象，这可能导致误诊。

为了增加他们的产品对寻求多功能决策支持工具的医生的吸引力，人工智能公司正在分配更多的资源来识别单个图像或数据集中的各种情况。例如，DeepMind Technologies 和 Pr3vent Inc. 的解决方案旨在从单个视网膜图像中检测 50 多种眼部疾病，而 VUNO Inc. 的算法总共可以检测到 12 种。

对于医院和人工智能公司来说，能够检测多种病理的软件比检测特定病理的软件提供的价值要大得多。由于一次扫描足以检测出无数疾病，因此可以通过减少做出决定性决定所需的患者检查次数，将医疗保健成本降至最低。多疾病检测软件的更广泛适用性也使其能够在医院内更常规地用作首选诊断工具。

将 AI 软件集成到成像设备中

将图像识别 AI 软件直接集成到医疗扫描仪中变得越来越普遍。目前，放射学人工智能软件通常通过基于云的平台部署或直接安装到医院的内部服务器中。随着放射学实践适应新的工作流程，这会降低生产力，并且众所周知会阻止医院采用图像识别 AI。

人工智能公司越来越愿意将他们的软件直接集成到扫描仪中，以促进医学图像分析的自动化。人工智能软件提供的增强分析能力使医院能够最大限度地增加每天就诊的患者数量并改善患者治疗效果。这种做法越来越多。最近的例子包括 Lunit Inc. 的 INSIGHT CXR 集成到 GE Healthcare 的胸部护理套件和 MaxQ AI 的颅内出血 (ICH) 技术被嵌入到飞利浦的计算机断层扫描系统中。

　　审核编辑：汤梓红