当前位置:首页 > 新闻 > 正文

跨界融合,医疗影像AI正当时

发布时间: 2018-08-10 14:23   作者: 柴象飞   来源: 人工智能杂志

  随着人口老龄化现象日趋显著,医疗领域对医生的需求量日益提高,针对这一社会现状,很多人希望通过人工智能技术弥补医疗行业的供需缺口。医疗影像诊断作为一项对知识和经验都有着较高要求的复杂工作,长期以来都受到效率低和易误诊等问题的困扰,而医疗影像AI技术的出现,有望帮助该项工作取得大幅进展。本文将针对医疗影像诊断这项工作,从市场需求、技术研发、落地应用等多个角度展开深入探索,挖掘人工智能在医疗影像诊断领域的深层潜力。

  医疗AI无疑是目前资本市场上的“香饽饽”,除了因为它是人工智能的一个重要领域外,另一个重要原因是巨大的医疗市场为医疗AI提供了一个广阔的发展空间。医疗AI也跨过了单一的“纸上谈兵”阶段,目前已有很多商业应用相继落地。医疗影像AI技术的成熟以及众多优秀医疗AI企业的出现,为解决中国医疗资源的短缺和失衡等问题带来了希望。同时,为应对即将到来的人口老龄化问题增添了更多的信心。

  本文在系统梳理医疗影像AI的发展进程基础上,以医疗AI领域的领先企业汇医慧影为例,分析了医疗影像AI的真实发展路径以及当前应用情况和未来发展方向。

  一、市场需求和技术双轮驱动,医疗影像AI迎来爆发契机

  是什么推动了中国医疗影像AI的快速发展呢?一方面是医疗影像需求巨大;另一方面,由于AI技术的不断突破以及与医疗行业的深度融合,使得通过医疗影像AI产品来进行疾病的筛查、辅助诊断和治疗成为了可能。目前,市场上已经有较多的实际应用案例,其良好的应用效果进一步强化了人们对于医疗影像AI的信心。

  影像市场规模几千亿,医疗影像AI前景广阔

  2018年全球人工智能应用的市场规模约为2560亿美元,到2025年这一数字将飙升到30610亿美元。医疗尤其是医学影像是人工智能一个重要的应用领域,其市场规模在百亿美元以上。美国医疗影像诊断市场相对成熟,2018 年市场空间或超过百亿美元,近十年的复合增长率高达10%,远高于同期GDP 增速,其中60%的市场贡献来自于医疗机构,剩余40%的市场贡献来自于第三方独立影像中心。中国的影像市场虽然没有美国成熟,但发展速度更快,尤其是医疗影像AI有可能实现“弯道超车”。

  中国卫生和计划生育统计年鉴数据显示,2015年我国医疗费用支出总额约4万亿元;其中,2015年我国影像检查收入占医院收入的10%-20%,与检验科收入占比接近,仅次于药品收入占比。即使按照10%的预算比例计算,医疗影像的市场规模也可接近4000亿元。在这4000亿元规模的医疗影像市场中,如果医疗影像AI的渗透率按照30%计算,其规模也将超过1000亿元。

  另一方面,由于国家大力推动分级诊疗制度及区域影像中心的建设,因此使得提供医疗影像AI系统的智能云平台获得了政策方面的大力扶持。在我国,医疗资源的需求和供给长期呈现一种不平衡的“错位匹配”局面:一方面,医疗卫生服务的大部分需求在基层,呈现“正三角”的需求结构;另一方面,优质的医疗卫生服务资源大部分集中在城市,尤其是城市中的大中型医院中,呈现“倒三角”型的供求结构。在医疗资源本来就严重短缺的情况下,这样的资源错配进一步加剧了就医困难的紧张局面。

  在这样的背景下,我国大力推行分级诊疗制度,来缓解医疗资源短缺的压力。所谓分级诊疗制度,就是要按照疾病的轻、重、缓、急以及治疗的难易程度进行分级,不同级别的医疗机构承担不同疾病的治疗,以实现基层首诊和双向转诊。市场需求和政策推动,将进一步加速医疗云平台的普及,而影像AI系统将会是医疗云平台的标配。

  医疗影像AI技术逐渐成熟,医院应用快速普及

  算法、算力和数据被认为是人工智能的三大核心要素,数据量的增长、运算力的提升和深度学习算法的优化将带来人工智能效率的持续提升。目前,随着医学影像领域算法的快速突破,机器计算能力的持续增长以及高质量医疗影像数据的不断积累,医疗AI的准确率和适用范围都将得到大幅提升。另一方面,大量深度学习平台和框架的开源也降低了技术门槛——多个互联网巨头通过云服务或者开源的方式向行业输出人工智能技术,加快了技术的应用和普及。

  在算法方面,深度学习是目前最重要的人工智能算法之一,与医疗影像相关的图像识别也是深度学习等 AI 技术进步最快的领域之一。以深度学习为代表的“特征学习”,让计算机能以大数据为基础自动寻找目标的高维相关特征值,建立数据处理通道模型,实现全自动的智能处理流程,完成在指定应用场景下的目标的检测、分割、分类及预测等任务。例如,对于医疗影像的应用,无需人工干预就可以通过深度学习的方法提取影像中以疾病诊疗为导向的最主要的相关特征,对医疗影像图像进行“阅片”,实现病灶的识别、定位、分类及预测等工作。

  随着云计算和人工智能芯片的快速发展,原来阻碍人工智能技术应用的“算力”问题也获得了很好的解决。尤其是GPU、FPGA、NPU等芯片的发展,使得高通量三维影像的计算速度和时效得到了极大提升。

  数据方面,医疗影像与人工智能技术也体现出高度契合的特征:超过80%的医疗数据为影像数据;随着影像检测设备和检测手段的发展,多模态影像与病理、临床、基因以及随访信息等多维数据相结合,使数据呈现多样性——而越多体量、越多样化的数据,就越适合用机器学习和深度学习的方法去挖掘和处理相关任务。

  就具体的细分应用领域来看,人工智能深度学习在医疗影像方面的应用可分为三个层级:第一层为病灶检测,即对可疑病灶进行识别和勾画;第二层是病灶量化诊断,帮助医生鉴别疾病良恶性、分型分期等;第三层是治疗决策,未来有望通过影像数据和临床数据的相关性分析,帮助临床医生给出科学合理的治疗决策及预后预期。从目前市场来看,深度学习对影像的应用最为成熟的领域是病灶的自动检测。图1中,我们以乳腺的人工智能诊断产品为例,展示了从原始影像数据到图像特征值提取,再到最终实现病灶区检测的AI医疗影像处理流程;同时,我们注意到了AI算法的更新换代——图1上半部分的流程中展示的是传统机器学习随机森林(用于早期的CAD系统)的方法,图像特征值的选取主要依赖人工预先制定的规则,而在图1下半部分流程展示了在汇医慧影新一代乳腺产品的工作流程中,卷积神经网络将通过深层网络框架模型的前后传播机制主动去学习乳腺影像(乳腺钼靶、乳腺MR)的病灶区特征值,经过上亿次迭代,优化得到含有几千个神经元和数万个参数的通道模型,进而完成乳腺癌病灶的检测,不仅准确率大幅超过了传统的机器学习算法,其诊断水平更是可以与顶尖临床医生“同台竞技”,而效率较人工诊断而言更是提升了数百倍。

  在医疗行业,除了影像领域的应用外,人工智能还发展出众多其他应用,包括分诊机器人、看护机器人、虚拟助手、健康管理、药物挖掘、基因分析、病理切片等,但影像AI无疑是目前最成熟、市场前景最大的细分领域。

  准确率和效率的提升,是医疗AI系统超越影像医生的关键

  我国是人口大国,对于医疗资源有着巨大需求。在医疗影像领域,影像科医生供需缺口大。对于医学影像相关业务量较多的放射科来说,对相关医生的需求量至少有几十万。面对如此之大的供需缺口,仅靠培养影像医生来“补救”显然是不现实的。全国影像科有10余万名“读图说话”的人,人数不足,收入不高,却存在较高知识门槛,平均培养周期在八年以上,而所看的影像包括X光、超声、CT、核磁、PET-CT、PET-MRI等,因此这一行业形成了体量大、门槛高的现状。

  动脉网蛋壳研究院的数据显示,目前我国医学影像数据的年增长率约为30%,而放射科医师数量的年增长率只有4.1%,放射科医师数量增长远不及影像数据增长。这意味着,放射科医师在未来一段时期内,不仅人员的缺口会越来越大,而且其处理影像数据的工作量和压力也会逐步提升,尤其是在乡镇等偏远地区,影像医生更是稀缺。

  那么,面对医学影像这一刚性需求,如何解决上述供需矛盾呢?医学影像AI无疑是一个很好的选项。相对于影像医生,医疗影像AI系统具有两大优势:第一,高准确率、高效率、高可靠性造就了出色的性能表现,并且这些性能还将在未来得到不断提升;第二,可复用性、可移植性、可延续性等优势更是令人类影像医生无法与之相比。

  首先,医疗影像智能诊断准确率高,且诊断准确率还在不断提升,效率相比人工而言更是达到了指数级的提升。要用AI系统替代影像医生,首先在阅片准确率上要过关。医疗影像AI之所以能获得商业化应用,先决条件就是其准确率达到甚至超过了影像医生的水平。对于影像医生而言,阅片时只能凭借经验去判断,容易发生漏诊、误诊;同时,既然是自然人从事的工作,都会或多或少地受到其自身情绪、健康及体能状况等主观因素的影响。

  目前,医疗AI影像诊断的准确率已经取得了显著的提升。2016年,Google通过计算机诊断糖尿病视网膜病变,其敏感度达到96.1%,特异度达到93.9%;2017年,斯坦福大学通过计算机诊断皮肤癌,正确率达到 91%;汇医慧影的医疗AI影像产品在胸部智能CT结节和肿块标注方面的准确率达到96%,骨折区域标注准确率达到95%。总体上来看,经过严格训练过的AI系统,正在逼近甚至赶超顶级医生的诊断准确率,但明显高于低年资医生的诊断水平。

  准确率达标后,效率就成为AI系统“碾压”影像医生的关键因素。通常人类医生需要30分钟解读的片子,AI仅在几秒之内即可完成识别,我们以10秒来计算,AI系统的读片效率是影像医生的180倍。放射科有超过50%的医生工作时间在8 小时以上,20.6%的医生平均每天工作时间超过10 小时;并且,在超负荷工作状态下,人容易变得疲劳,需要增加休息的频率和时间,否则工作效率会再打折扣。与之相比,AI系统可以24小时不间断地工作,我们即便排除节假日的因素,AI系统的每日工作时间也可达到影像医生的3倍。

  此外,人类由于自然寿命的限制,一个影像医生经过多年的经验累积达到较高的水平,但其能力也将随着其生命的结束而消失。新的影像医生又必须重复前辈的成长过程,历经数年将其工作能力一点点提升。与之相比,AI属于“永续性”系统,一旦达到一定的准确率后,其水平只会不断提升而不会下降,这就造成了AI系统无可比拟的巨大优势。所以,人类医生的培养机制与人工智能系统的优化迭代相比,存在先天的劣势;后者在复用性、移植性、延续性方面的巨大优势不言而喻——这不仅能够缓解医疗资源缺口的现状,对于降低医疗成本,解决老百姓看病难的民生问题也有深远意义。

  例如,云计算的发展使得智能影像云平台的计算和存储能力可以弹性扩展,AI系统不仅能够替代一个影像医生,一个具有足够强大计算能力的AI系统,可以替代多个医生。目前,一台具备强大计算能力的医疗影像AI系统能支持超过1000个终端同时读片,那么这个系统就相当于1000个影像医生同时工作。通过医疗AI系统,每月可以处理上百万张甚至更多的医疗影像,极大地提升了医疗效率。通过远程医疗等手段,医疗AI系统可以改善偏远地区的医疗水平,让每一位患者都能获得平等的诊疗机会,解决部分因地域和经济水平的差异造成的医疗资源分布不均衡的问题。

 

  以上内容精选于《人工智能》杂志第五期

  本文作者

  柴象飞

  医学影像人工智能专家,斯坦福大学博士后、荷兰阿姆斯特丹大学医学物理学博士。师从美国科学院院士候选人Lei Xing、世界顶级图像引导科学家Marcel van Herk、CT重组算法奠基人之一Paul Suetens,曾于美国斯坦福大学癌症中心、荷兰癌症研究所和比利时鲁汶大学放射科等世界顶尖的医学影像机构工作学习。在人工智能、图像处理以及数据分析领域拥有超过10年的跨学科科研和工程经验,掌握影像的分割、识别、分析以及深度学习的核心技术。曾获“人工智能创业30人“、“最佳青年榜样”、“人工智能创业家”等荣誉,是青藤大学首期学员。

  欲阅读完整文章,可通过以下方式购买《人工智能》杂志!

  订阅2018年《人工智能》杂志6期共计360元

  银行转账:北京赛迪出版传媒有限公司

  开户行及账号:北京银行北洼路支行20000030565000007701154

  银行转账,请备注:人工智能

  接收详细信息请发到:aiview@ccidmedia.com;或是添加客服微信:13601092749

收藏