AI医疗影像市场带来什么思考

对AI医疗产品来说，2019年可以说是落地的关键一年。6月29日，国家药品监督管理局医疗器械技术审评中心正式对外发布了《深度学习辅助决策医疗器械软件审批要点》，为相应医疗器械软件注册申报提供专业建议，文件对人工智能软件的数据质量控制、算法泛化能力以及临床使用风险等问题进行了明确规定。这也使得以AI医疗影像技术为代表的一众本土“AI+医疗”企业闻风而动，为推动产品的落地和市场化加速奔跑。不过，AI医疗影像技术要实现全面商业化，前期仍面临有效数据量少以及标准不统一等一系列关键问题，如何从各个角度逐一攻破、去伪存真，值得每一家志在深耕本土AI医疗影像市场的企业去深入思考。

对于中国这样一个人口大国来说，医学影像的市场潜力可谓十分巨大。据统计，截至目前中国医学影像的检查总数已经超过了75亿，而且随着设备越来越复杂、信息量越来越大，以及图像从二维走向三维、静态迈向动态，数据量每年也在呈现飞速增长的态势。不过，从中美两国的医学影像数据年增长率来看，中国以30%的增长率落后于美国的63%，而放射科的专业人才年增长率更少，目前为止整个中国的影像科和病理科人才加在一起也仅8万左右。这种海量图像数据带来的挑战，加之专业医疗人才的稀缺，使得本土AI医疗影像检查/筛查的需求日益迫切。

AI究竟能何种程度上提升检查/筛查效率？上海联影医疗科技有限公司X射线事业部CEO向军举例到：“典型比如我们做的X射线胸片的筛选，从大概12万的病例做检查，覆盖了肺部常见的9种疾病，其中挑选了4种典型的疾病，相当于是胸片的预筛。我们可以通过AI的方法把彻底没有病的这部分快速筛出来，将健康的部分筛出去，可以大大降低医生的负担，从不同的疾病把医生的工作量从76%降低到35.9%，同时它的漏诊率也达到了一个相当低的水平。”

而从实际应用来看，向军进一步补充到：“放射治疗的前期一般都要做相应的靶区规划以及靶区的分割，就是将靶区给勾画出来。如果按照传统的办法，十分费时费力，但采用深度学习的方法，我们就可以将分割时间缩短到传统分割方法的5%，同时分割的成功率从90.1%提高到97.8%，这是目前我们对外售卖的产品上已经能够达到的实际效果。”

尽管“AI+”的效果如此明显，但缺乏统一标准的应用再好也难成大器，这也成为困顿本土AI医疗影像技术迈出市场化关键一步的最大障碍。尤其是对医疗这一特殊而复杂的行业来说，不同病人的病理指征通常不同，而且可能针对同一种疾病，各医生给出的意见也各有差别。这种变幻莫测的复杂状况，也极大提升了当前医疗影像技术与AI结合的难度。

汇医慧影创新事业部总监左盼莉十分认同该观点，她表示：“目前最大的问题就在于标准，比如现在的肺结核诊断中，国家有个标准是通过DR生片来判断，不同级别的处理方式也不同。而且，这个判断也不是定量的，不同医生之间无法达成一致的意见，基本上没法统一。这种现状也使得做AI算法越来越难，因为AI算法的第一要求就是标注要完全正确，所以现在包括标注问题、医生之间意见不统一问题等，都需要从算法角度去解决。”

具体比如，随着AI医疗影像数据的逐步积累，针对大量不同的症状和情况，AI神经网络需要不停的进行学习和自主优化来改进算法，逐步趋近于更精确的水平，有业内资深人士对记者表示：“从医生角度来讲，今天这个人是一种算法，换一个人又需要调整成另一种算法，如果这个算法累积的越来越准确且没有问题，很容易就能获得批准。但是，如果输入的数据，一个地区可能是这一种病人，换个地区这个病人的情况又有所不同，可能在之前的地区AI医疗影像诊断的很准确，但在另一个地区诊断的又不准确，这就会造成很大的混乱。所以，标准化问题现在非常急迫。但目前来讲，国家药监局也正在摸索和学习当中，国外在这方面的标准其实进展也不多，国家对此也是十分重视，毕竟现在很多医疗类人工智能产品至少可以送检了，相比之前已经有了很大的进步。所以，标准的统一还需要有一个过程。”