随着人工智能技术的不断发展，其应用的场景也越来越多，医疗背后所具备的发展空间有效地促进了医疗人工智能技术的发展，现如今许多科技巨头积极研究人工智能，传统医疗企业也纷纷跨向了这个技术行业，并且取得了一些成果。新康界就目前人工智能+医疗行业的商业模式，未来前景等方面做一系列阐述，今天发布“AI+医疗”第一篇《AI+医疗系列之一：智能病理诊断及医学影像识别系统》。
1．AI+医疗概述
1.1 人工智能(Artificial Intelligence, AI)
人工智能的概念在20世纪中期被提出，是一门研究如何构造智能机器和智能系统，使它能模仿、拓展人类智能的科学手段。人工智能在经历几次起落之后，重新回到人们的视野，并且获得很高的重视，已经成为当下非常重要的技术。自7月国务院印发《新一代人工智能发展规划》以来，中国人工智能技术得以迅猛发展并在金融、医疗、教育、交通、社交等领域快速推广。
1.2 AI+医疗
在传统的医疗行业中，存在医生培养周期长、误诊率高，医院资源有限、效率低等问题，因此医疗已成为人工智能行业最热门的研究和应用领域之一。医疗行业由于其知识驱动型和数据密集型的特点保证了人工智能在医疗行业具有广阔的应用前景。病理诊断及医学影像识别领域由于数据量大、对医生要求高等特性成为人工智能在医药行业率先领域应用的细分领域之一。
2. AI在病理诊断及医学影像识别领域的应用
AI在病理诊断及医学影像识别的核心分为两部分：一是图像识别，在数据采集环节应用，通过对影像等多媒体医疗非结构化数据的分析，提取出有临床意义的信息。二是深度学习，在学习和分析环节应用，这是整个AI诊断中最核心的环节。深度学习是一种特殊的机器学习，它可以获得高性能，应用起来也十分灵活。在临床应用中，以传统医疗手段中采集到的医疗数据为根基，训练机器学习积累出临床治疗经验，建立人工智能医疗图谱，提供临床医疗方案，为医生提供辅助医疗工作，并为患者提供诊疗方法参考。由于病理科与影像科不同的诊断特点，AI应用有所不同。
图1. AI+病理诊断及医学影像识别领域的应用
数据来源：亿欧，中康产业资本研究中心
2.1 AI应用于病理诊断领域
病理诊断是将疑似病灶部位的活体组织或脱落细胞制成切片后，由病理医生通过显微镜观察其细胞形态、组织结构、颜色反应等情况，并结合自身专业知识与临床经验作出的诊断，是一种基于图像信息的诊断方法。病理诊断是目前诊断准确性最高的一种诊断方式，病理诊断往往被作为绝大部分疾病，尤其是癌症的最终诊断，被誉为疾病诊断的“金标准”。
图2. 病理诊断是一种基于图像信息的诊断方法
数据来源：公开资料，中康产业资本研究中心
相比于检验科、影像科的诊断，病理科诊断具有自动化程度低、诊断时间长的特点。病理诊断可分为取样、制片、染色、诊断四个环节，取样环节是否取到病变细胞、制片及染色后成片是否清晰都会直接影响最终的诊断结果，因此对制片的技术人员专业水平具有较高的要求，目前自动化水平较低；由于病理诊断是通过对细胞层面的医学影像进行观察诊断，为防止漏诊，一个组织样本往往制成多个切片，制片、染色、诊断、报告等各个环节耗时较长，相比与检验、影像科室，病理科诊断所需时间较长，需要更多的专业人力投入。
图3. 病理诊断特点
数据来源：公开资料，中康产业资本研究中心
病理医生缺口巨大，制约行业发展由于我国病理学科设置不全面，医生培养周期较长，收入过低，劳动负荷过重以及基层医院不重视等因素造成我国的病理人才流失严重，数目紧缺。旺盛的病理诊断需求与稀缺的病理医生资源的不平衡已经成为制约行业发展的决定性因素。而病理诊断基于图像信息的特点使得AI助力病理诊断成为可能，有望解决病理诊断供需不平衡的发展现状。
病理AI被称为病理学继免疫组织化学染色和基因组医学后的第三次革命，其通过人工智能算法，对数字化的病理切片进行诊断。目前，病理AI可用于良恶性肿瘤的鉴别、不典型增生和原位病变的分级、病变侵犯的证据和程度确定、淋巴结切除中微转移的识别等多达８种情况。实现病理学的数字化能够提高效率及成本效益，这在一些发病率很高且诊断较依赖病理学检查的疾病如乳腺癌中表现尤为明显。
2.2 AI应用于医学影像识别领域
医疗影像数据是医疗数据的重要组成部分，包括X光、CT、PET-CT、MRI、B超等医疗影像数据。统计数据表明，目前放射科医生的供给缺口非常大，放射科医生的年增长率为2%，而医疗影像数据的年增长率为63%，将人工智能应用于医疗影像领域，一方面可以通过AI辅助成像可以有效缩短检查时间，减少对人体的辐射伤害，另一方面通过机器学习训练算法可以实现计算机对疾病的影像诊断。
例如，由斯坦福大学开发的CheXNet是一个121层的卷积神经网络，并由涵盖了１４种疾病超过１０万张胸部Ｘ线正位片、当前最大的开放胸部Ｘ线片数据库ChestX-ray14进行训练的系统。通过与４位放射学医生的比较，CheXNet系统在肺炎上诊断准确率显着优于放射学医生的表现，亦在14种疾病上优于以往的算法。
图4. CheXNet系统输出结果
数据来源：CheXNet:Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning，中康产业资本研究中心
4月，AI计算与数据平台服务商中科曙光与医学影像科技公司健培科技联合研发了一款基于人工智能技术的医疗影像诊断机器人。该产品集成了海量机器学习库与医学图像处理库，能够高效完成疾病筛查、病灶定位、定量标注、科学诊断等任务，可精准实现疾病识别与相似病例检索两大诊断功能。为提高普通医生判读癌症等病理切片时的准确性，达到与三甲医院高级医生相当的水平，DeepCare团队提出了基于深度学习的医学影像智能判读系统，该系统的准确率近95%，与专家教授的诊断准确率相当，远高于普通医生（准确率不足60%）。类似地，由腾讯公司开发的腾讯觅影可在4s内完成食管镜下的早期食管癌筛查，发现准确率高达90％，目前该项目已与国内上百家医院展开合作并已取得很大进展。
3. 智能病理诊断及医学影像识别系统存在诸多挑战
随着人工智能在病理诊断及医学影像识别中应用越来越多，但我们也不得不承认仍存在一些问题，如数据质量、行业标准、人才培育等问题需要引起重视。
3.1数据质量有待提高
标准化数据是AI在智能病理诊断及医学影像识别中重要的因素之一。由于我国地域广阔、医疗发展不均衡及医学伦理等因素，导致各地区医疗数据没有统一标准、质量参差不齐及医院保护等问题，所以对AI+医疗带来较大障碍。
3.2 人才培育问题
想要AI+医疗有所突破和发展，相关领域顶尖人才的聚合也非常重要。据统计，我国在人工智能行业工作的人数不足5万人，每年的新鲜血液不足2000人，创新人才缺口较大，故加大人才培养也是当下推动AI+医疗发展的根本保证。
3.3诊断标准尚不成熟
虽然，在医疗影像辅助诊断上，图像识别技术的应用效果不错，技术日渐成熟，但是医疗影像辅助诊断产品应当让自己的算法更加完善、先进，避免“就图论图”。以甲状腺结节诊断为例，彩超的拍片结果仅仅能够作为医生的部分诊断依据，医生还要通过甲状腺化验结果、抗体相关表现等来做更加具体详细的诊断和分析。所以，各个企业需要将算法完善升级，把信息整合到一起判断，实现多模态的诊断体系。
结语：
尽管“AI+医疗”存在一定问题，但其发展势在必行。人工智能将成为医生的最佳辅助，帮助医生更便捷的获取信息并做出更正确的判断，只有将人类的情感沟通能力与计算机的分析计算能力相结合，才能发挥出智能医疗最大的价值，真正的将技术应用于实际，实现人工智能领域研究的终极意义。
