2017年我国人工智能+医疗影像行业市场供需状况分析【图】

人工智能+医疗影像 2017-11-01 02:22

在介绍人工智能在医疗影像的应用场景之前，首先需要纠正大家的一个偏见：医疗影像诊断实际上就是医生“看片子”，人工智能+医疗影像就是“机器看片”。实际上，影像诊断主要分两类：结构类影像及功能类影像诊断：

1 ）结构类影像：简单来说就是“所见即所得”的影像，比如 X 光、CT 就属于这一种，它能够非常直观地观察到生理结构，判断是否有物理变化的病变，相当于“大家来找茬”。这种影像类型结合人工智能，就是大家通常意义上讲的“机器阅片”。但对于一些没有明显物理变化的疾病，就束手无策了。

2 ）功能类影像：相当于结构类影像的“补集”。这类影像能够研究脏器细胞对某种物质的代谢能力，从而反映出这个脏器的功能是否正常。机器检查放射性示踪剂在人体代谢的状况，记录反应能量代谢的数据矩阵，通过一张二维的影像片子来呈现。影像不能反映真实生理结构，只能通过影像像素的明暗程度来表示代谢的强弱程度、是否异常，而医生又无法研读数据矩阵。这样一来，诊断结果只能全凭医生的肉眼和经验来判断，即使是专家，误诊漏诊率也在30%-50%。对于这类影像，人工智能要做的事情就是帮助医生做更精确的判断，也就是影像信息的后处理，将影像信息转换为定量的数据并做分析诊断。具体流程：第一步，就是做定量化。要把肉眼看到的影像，转化成数学的数据，把一张图像转化成数学矩阵，通过数字的方式去诊断病灶。第二，引入大数据。建立疾病数据库，把定量化的数据引入到可参照的系统中，并进行下一步的比对分析。

从功能来看，人工智能在医疗影像领域的应用场景可以分为两类：1）机器看片：强调的是替代或者辅助医生观察影像数据的作用。以帮助医生提升影像诊断效率为主要目的，解决医生资源不足的问题；2）机器读片：强调的是对医学影像数据的内容解读，帮助医生进一步提高影像诊断精准度，解决的问题是加强医生的诊断水平。

人工智能在医疗影像领域的应用场景

数据来源：公开资料整理

相关报告：智研咨询发布的《2018-2024年中国人工智能+医疗影像行业市场研究及投资前景预测报告》

医疗影像医生供需缺口巨大。1）放射科：按照动脉网蛋壳研究院的数据，放射科有超过 50%的医生工作时间在 8 小时以上，20.6%的医生每天平均工作时间超过 10 个小时。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处理影像数据的压力会越来越大，甚至远超负荷；2）病理科：根据数据，在中国病理医生非常的缺乏，大概平均七万中国人一位病理医生，而在美国是平均两千人一位病理医生，缺口按照美国的标准是达到 3-4 万。综上，现有的医疗影像医生其实面临工作负荷过载，跟不上日益增加的医疗影像需求的问题。在繁重的工作负担下，人工分析只能通过医生经验去进行判断，误诊和漏诊率较高。

病理科医生的供需缺口

数据来源：公开资料整理

放射科医生的供需缺口

数据来源：公开资料整理

国内医疗影像+人工智能领域创业公司 DeepCare 做过一个调研对比：让高年资（40 年）病理医生与低年资（10 年资）病理医生对同一组乳腺癌淋巴转移数字病理切片进行诊断，结果显示，低年资医生与高年资医生的诊断差距达 30%。从这个调研的数据，我们可以对影像科医生特别是病理科医生的培养周期有一个较为感性的认识。

乳腺癌淋巴转移数字病理切片诊断准确率比赛

数据来源：公开资料、智研咨询整理

在供需存在巨大缺口，而且短期很难补齐的现实条件下，将人工智能应用于医学影像，提高医生的读片效率和准确率，减轻现在影像科医生的工作压力，成为了刚需。此外，机器看片更为客观的分析结果，其实也一定程度上降低了人为操作的误判率。

我国医院财报显示影像检查收入占医院收入的10-20%，与检验科接近，仅次于药品。根据 2015 年中国卫生和计划生育统计年鉴数据统计，我们 2015 年医疗费用支出约 4 万亿，那么医疗影像的市场规模大约在 4000 亿左右（以医院收入的 10%测算）。在在 4000 亿的影像市场中，无论是上游医疗影像成像硬件设备还是下游医疗影像诊断服务，人工智能均有极大的发挥空间，前景光明。

医疗影像市场

数据来源：公开资料、智研咨询整理

广义上来讲，“机器看片”是计算机视觉技术的一种应用，其训练方式是先利用图像处理技术用于将图像处理为适合进入机器学习模型中的输入，深度学习则负责从图像中识别出相关的模式。以肺癌为例，早期肺癌的典型症状是肺部结节，其尺寸小、对比度低、形状异质化高。“机器看片”需要做的就是通过大量数据训练得出肺部结节的定义和特点，利用训练好的算法模型去检查患者肺部是否存在结节。具体流程为：1）图像预处理，包括图像去噪、增强、平滑、锐化等过程；2）图像分割，通过器官形态模型，图像边缘特征模型，以及神经网络聚类模型，将不同器官影像自动分割（一般分割精度<2mm.），为后期的智能匹配和判断提供必备的图像处理工具；3）特征提取，广义上指通过变换的方法用低维空间表示高维空间，计算机将其中有意义的特征或区域提取出来；4）匹配判断。通过深度学习+患者数据所训练总结出来的判断规则结合上述的提取出来的特征数据，对影像做出结果判断，筛选出病变图片。“机器读片”的技术原理和“机器看片”的本质上是相同的，主要是增加了数据量化的环节。

“ 机器看片”的原理