人工智能+医学影像领域，中国正在面临哪些困难？

铁锹 3D打印店铺

“人工智能”近日已被写入了全国政府工作报告。人工智能正在不断渗透于世界各个领域行业，包括医疗行业、教育行业、制造行业等。而人工智能在医疗领域的应用，需要得到医生或医疗相关人员认可才能够推行。人工智能医疗的创业公司一开始要有医疗从业人员的参与。因为让AI学习的病例仍然需要医生来产生，一些高水准有研究性强的医生将会越来越吃香，而某些低水准的医生将会被取代。

《2017医疗大数据和人工智能产业报告》中，撰写者采访数10家人工智能公司高层后整理而成。是有史以来最为系统地对人工智能医疗领域做出的一次梳理，详细讲述了医疗大数据和人工智能企业的底层技术、医疗人工智能九个细分领域、医疗人工智能企业现状等，并搜集了超过60家国内外企业案例。

接下来，让我们简要了解一下人工智能与医疗行业的一些研究成果和相关资讯。人工智能参与医学影像诊断的方式

人工智能在图像处理上的能力分为四类：影像分类、目标检测、图像分割和图像检索。

“AI+医学影像”是一种被多位业内人士认为最有可能率先实现商业化的医学影像技术。

什么是AI+医学影像？

AI+医学影像，是将人工智能技术具体应用在医学影像的诊断上，在国外主要分为两部分：一是图像识别，应用于感知环节，其主要目的是将影像这类非机构化数据进行分析，获取一些有意义的信息；二是深度学习，应用于学习和分析环节，是AI应用的最核心环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握“诊断”的能力。

图像智能识别可以降低医生的工作量，这是业界已经达成共识的，但是在综合诊疗上人工智能是否能给予医生很好的建议和意见？那么，中国的AI+医学影像为什么特殊？

无论是治疗皮肤病还是癌症，图像可能只是一个参数，而治疗疾病需要多个参数，这便是医生最大的疑虑。而从投资人角度来说，光看图像也不足以让其做出判断。投资人更希望至少能解决一个小的问题，能做出一个临床辅助诊断。

中国虽然医疗数据量特别庞大，但根据IDC Digital的预测，其中80%的数据均是非结构化数据。

医学影像数据实际上是报告+影像。单单分析影像本身还不够，更重要的是对影像本身所对应的诊断报告也加以分析。而中国的影像诊断报告呈现出因医生而异的显著特点，由于影像诊断医生的个人习惯，执业医院，教育背景，导师影响等因素导致了不同地区不同医院的影像报告不同标准的情况。

所以将AI具体应用在医学影像诊断上，除了通行的图像识别和深度学习之外，还有一个前提：

即如何将80%的非结构化数据转化为结构化数据。

在这个基础上，具有无线想象空间的医疗数据才具有落地的实现价值。

满足以上三个条件才意味着能够将人工智能具体应用到医学影像的诊断上。而人工智能能否成功，条件只有一个，那就是海量数据，即便在经济高速发展的今天，没有海量的数据就没有戏。

也就是说，目前能够做出一个成熟的辅助解决方案，又有数据积累的公司才能希望做好所谓的医学影像智能诊断。据了解，目前国内影像领域的AI绝大多数还集中在单纯的图像识别上，缺乏医学数据的积累和对影像报告的分析。而能够做出一个辅助诊断方案的，只有包括医众影像在内的少数几家公司。人工智能的“革故鼎新”

在整个医学影像中，医学大数据一定会影像先行，利用云计算的方法增加连接性，利用深度学习的方法挖掘大数据的价值，利用发数据的方法在更多的维度中挖掘原来浅关联或弱关联的关系，利用三者的关联大大提高医疗诊疗效率，并达到精准医疗。

在实践中发现，优质、大量的数据的积累；高性能计算环境；优化的深度学习方法；三者资源配齐就会构建不断提高的状态的模型，而这正是人工智能的魅力所在。IBM能够从历史数据中学习和总结，快速判读影像中的病症特征，辅助医生进行病症分析，提高诊治效率和准确性。

不仅如此，针对基层医疗资源不足的现状，人工智能能够解决基层医疗资源缺乏的核心在于给基层医疗机构“赋能”，用人工智能给基层医生“院士级看病的本事”。

医疗领域AI智能影像识别的三大难点

1、数据获取：数据是深度学习算法所需的核心资源，仅掌握算法而缺乏数据无法获得较好的训练效果。现阶段，我国的医疗影像仍处于从传统胶片向电子数据过渡的阶段，大量影像资料尚未数字化，且医院之间的数据共享和互通程度较低，获取大规模的数据对业内公司是一个考验;

2、数据标注：在获取数据的基础上，深度学习结合先验知识对模型进行训练，训练集需要事先标注。由于大多数标注依赖人工识别，因此数据标注将耗费较大量人力和时间，在医疗影像领域获取具有高可靠性的标注数据也成为挑战之一;

3、“AI+医疗”跨学科人才积累：在较为专业的诊疗领域，应用及平台开发者不仅要研究人工智能算法，更要对医疗影像识别建立深入了解，人工智能+医疗的复合背景人才构成核心竞争力之一。