重磅！《中国医学影像AI白皮书》今日在京正式发布

作者：胡煊 2019-03-26 16:27

2019年3月26日，由动脉网（公众号：vcbeat）举办的VB100新春战略发布日，在北京 813创意产业园LSPACE隆重举行。作为发布日重要的活动环节，由中国医学影像AI产学研用创新联盟牵头，汇集了国内三甲医院的影像专家、科研专家和领先的AI医学公司一起起草的《中国医学影像AI白皮书》正式发布。

活动现场，中国医学影像AI产学研用创新联盟理事长刘士远上台致辞。他表示，中国医学影像 AI 产学研用创新联盟的工作旨在促进行业的发展，《中国医学影像AI白皮书》是其中的一项工作，它包括六个方面的工作和内容，这些内容凝聚了产学研用各个环节相关人员的心血和结晶，也代表了目前国内AI领域的最权威的声音。

中国医学影像AI产学研用创新联盟理事长刘士远致辞

随后，中国医学影像AI产学研用创新联盟副理事长钱大宏从应用场景、政策趋势等方面向与会人员介绍了《中国医学影像AI白皮书》的部分重要内容。最后，白皮书编委会成员、人工智能头部企业代表上台参与了白皮书发布仪式，共同见证了这激动人心的时刻。

中国医学影像AI产学研用创新联盟副理事长钱大宏向与会人员介绍白皮书内容

《中国医学影像AI白皮书》正式发布

《中国医学影像AI白皮书》是一份最具权威性的报告，也是医学影像AI企业的发展蓝图。报告从人工智能在医疗领域的应用、医学影像AI算法的最新进展、医学影像AI的需求调研、临床应用现状与展望、政策、挑战与建议等6个方面进行了深度研究。

该报告还分析了医学影像AI在15大临床应用中的发展价值所在，帮助相关人士深刻透析产业发展的模式及发展机遇；并对40+具有代表性的医学影像AI公司进行了介绍，为企业提供一套完整的发展战略与方向；针对现行政策对医学影像AI面临的挑战和机遇进行了深刻的解析，并提出了建设性建议，帮助产业相关人士剖析政策趋势，寻找合适的发展战略。

同时，还针对以下六大问题，给出了答案：

1.除了医学影像，人工智能在体征监测、基因组学和蛋白质组学、临床数据、医学视频等7大医疗领域是如何应用的？

2.开放式AI计算平台使得优质医疗资源云端协同共享得以实现，用于医学影像的算法还实现了怎样的质的跨越？

3.在学术研究、产品开发以及注册法规等方面，医学影像AI结构化数据存在怎样的问题？

4.覆盖全国31个地区、2135家医院的5000多份针对医学影像AI的需求调研问卷中，医师团队和科研院校有怎样的需求？

5.医学影像AI在骨关节疾病、心血管疾病、神经系统影像、超声等15大临床应用中面临着怎样的机遇与挑战？

6.在不可避免的传统医疗基础设施和监管体制下，中国医疗AI影像要如何利用政策，突破瓶颈？

11个应用方向：AI在医学影像中的新可能

1.影像设备的图像重建

通过AI算法的图像重建技术，由低剂量CT、PET图像重建得到相当于高剂量CT的高质量图像，是目前深度学习技术在图像重建领域的重要进展，尤其其速度明显优于传统的全迭代重建方法，因此显示了很好的临床应用前景。

2.X线胸片阅读

通过AI对X线胸片提前进行辅助阅读分析，帮助医师完成多种疾病的医学影像筛查，或是对医师阅片顺序进行智能排序，从而提高医师的阅片效率和诊断精度。

3.眼底检测

AI通过学习眼底图像，实现对一些严重眼科疾病如青光眼、糖尿病性视网膜病变和老年黄斑变性的有效诊断，推动眼底疾病诊断的普及和眼科疾病的治疗。

4.脑区分割

通过AI技术对脑区MR图像进行分割，可以得到比以往算法更精准的脑区分割效果。利用AI技术对大脑中的一百多个脑区结构进行精准分割放到时间轴上进行分析，让医师清楚地看到脑灰质、白质和各种脑核的结构随时间的变化情况。

5.脑疾病诊断

医学影像是诊断脑出血的首要方法，早发现、早诊断、早治疗可以极大程度挽救患者生命，提高生存率。

6.器官分割/靶区勾画

在放射治疗计划系统（treatment planning system，TPS）中，病变器官的正确定位与准确勾画是TPS系统运作的基础及关键技术之一，其分割的准确程度直接影响后续放射治疗计划设计的准确度和放疗的效果。同时，器官勾画也是计算机辅助诊断、医学图像三维可视化、图形引导手术、虚拟内窥镜等众多医学图像应用的首要前提和关键步骤。在勾画准确率上，全自动的智能勾画结果和专家勾画的一致性可达97%以上。

7.骨伤鉴定

通过AI算法直观观测骨质受损情况，智能检测多种类型骨折迹象，自动标注疑似骨折处，多角度多层面清晰直观显示骨折，可助力医师快速、精准诊断，减少漏诊风险。

8.乳腺疾病诊断

AI技术能精准分割乳房与致密腺体组织，并精准量化乳腺密度，客观评估乳腺癌风险，精准检测、定位肿块与微钙化灶，提升病灶检出率。

9.超声辅助诊断

超声影像检查以其无创性、实时性、安全性等优点而受到广泛应用。对于超声影像，融合AI技术可以实现对乳腺病灶和甲状腺结节良恶性的辅助诊断。同时，超声设备进入云计算后实现了技术处理资源的无限拓展，有效的提高了系统处理速度并优化系统资源配置，实现各种终端的互联互通。目前三甲医院医师的平均诊断准确率为60%～70%，基层医院更低一些，AI辅助诊断系统现准确率可以达到85%以上。

10.病理切片分析

使用AI进行病理切片分析，可以发现人眼不易察觉的细节，通过学习病理切片细胞层面的特征，可不断完善病理医师和数字病理诊断的知识体系。还可以整合免疫组织化学、分子检测数据和临床信息，得出整合相关信息的最后病理诊断报告，为患者提供预后信息和精准的药物治疗指导。

11.骨龄分析

影像医师尤其儿科影像医师缺口大，个体工作负荷重，从机械、繁重的骨龄影像读片中解放出来的愿望强烈。儿童医院骨龄检测需求非常巨大，如果仅靠医生，需要1到2小时才能算出一张骨龄片；如果借助计算机软件进行部分辅助，耗时也需要15分钟到30分钟每张。人工智能技术的引入，可以用秒级的速度，通过机器完成TW3法中的所有步骤，自动找到X光片中的骨骺，进行评级，然后代入公式，用数值比出骨龄。

3大政策：紧跟趋势，共克难题

1.智能制造开启AI道路

2015年5月，《中国制造2025》中首次提及智能制造、2016年1月，国务院发布《“十三五”国家科技创新规划》，将智能制造和机器人列为“科技创新 2030 项目”重大工程之一。

2.“互联网+”提速

2016年5月，国家发展改革委、科技部、工业和信息化部、中央网信办发布《“互联网＋”人工智能三年行动实施方案》，明确提出到 2018 年国内要形成千亿元级的AI市场应用规模。规划确定了在包括资金、系统标准化、知识产权保护、人力资源发展、国际合作和实施安排等六个方面进行支持AI的发展。

3.AI加入国家战略规划

2017年3月，在十二届全国人大五次会议的政府工作报告中，“人工智能”首次被写入政府工作报告。李克强总理在政府工作报告中提到全面实施战略性新兴产业发展规划，加快AI等技术研发和转化，做大做强产业集群。

17个临床应用方向：AI医学影像新展望

1.肺结节等胸部AI

AI产品基本是根据临床对肺结节及骨折产品的实际需求的轻重缓急，以及自身的技术水平，搭建不同的神经网络模型，对影像进行分类、分割及检测，实现预期的功能；另外，在长时间的探索过程中，发现AI产品从实验室阶段走向临床落地，必须解决好产品的鲁棒性、易用性及安全性问题。

肺癌早期筛查早期治疗的普及，使影像科压力倍增，对肺结节AI产品的需求旺盛。现阶段市场上肺结节产品，基本上实现的是肺结节的检出功能，为临床提供结节鉴别诊断的量化信息，诸如大小、体积、位置，部分AI产品甚至可以精确定位到肺段，少数AI产品具备结节的良恶性的提示，以及图文报告。

2.DR影像智能报告AI

直接数字平板X线成像系统DR（Digital Radiography）具有成像速度快、辐射量小、空间分辨率高、噪声低等优点，加上设备成本低，在普通体检、疾病初判、入院查体等场景中广泛应用。在综合型三甲医院，门诊、体检量大，DR正常病例报告书写占据了影像科医生的大部分的精力，迫切需要智能诊断加结构化初诊报告来提升诊断效率；在基层医疗机构，随着基础建设的持续加大投入，乡镇卫生院基本都配备了DR设备，但缺乏具备诊断能力的影像科医生，造成有人拍片而无人写报告的问题突出。部分地区通过建设远程医疗平台，由医联体内县医院或更上级医院进行远程诊断，增加了上级医院的工作量，增加了误诊漏诊的风险。

现阶段DR智能报告产品，主要针对DR的拍摄和诊断业务流程，提供影像预处理、影像质量分级、DR疾病风险程度初判分类、病灶识别检出、异常征象检出、自动化报告生成等功能。

3.骨关节疾病AI

DR是骨科疾病的常规检查，方便、实用、经济，通过DR实现骨关节疾病的早期发现，获得早期干预机会是医师的重要临床诉求。

借助深度学习技术，可实现对DR图像更为精准的特征点检测、定位，进行髋关节部位的测量与可视化，通过分割及测量结果对骨关节炎进行分类，获得更优表现的精度和程度预测。一次影像诊断中可获得更为全面的医疗信息，如通过卷积神经与软件工具，进行病变检测、程度判别、角度与径线数据测量及灵活调整工具应用等，来进一步改善医师DR诊断量大、临床测量费时费力，难以支撑临床判断等痛点。

4.心血管疾病AI

随着临床科学技术的不断发展，CT和MRI技术在心血管疾病诊断中也发挥出了越来越重要的价值。冠心病影像学技术在心肌灌注、心功能、冠状动脉斑块性质、冠状动脉狭窄以及心肌活动评估方面的诊断价值不断提升。

AI技术可以实现心血管医学影像的自动读片和影像重建功能，并为影像科以及临床科室提供丰富的、有效的辅助诊疗信息，提高医护人员工作效率，提升一线全科医师的诊断治疗水平。AI算法在优质且大量的训练数据以及高性能计算环境下，利用机器学习的方法对影像的特征进行分类，并能够实现算法参数的自我优化，并随数据量的增加不断提高识别精确度。目前AI可智能识别影像中的心脏结构，并进行自动血管分割，实现影像三维重建，为疾病的诊断和治疗提供帮助；国际上近2年更多的在采用多中心研究数据进行机器学习，通过AI来增加传统危险分层中的预后信息，综合评估患者术前术后风险，提高心血管事件风险预测能力，提升AI在卫生经济学方面的应用价值。

5.神经系统影像AI

随着算法的不断更新迭代和临床需求不断增多，一些与中枢神经系统相关的产品出现了，这能够为影像科以及临床科室提供更准确有效的信息。

目前AI可以快速地对中枢神经影像进行分区，在分区的同时进行感兴趣区域的分析。通过细化分区结果，对全脑的功能进行评估，结合临床症状、体征和实验室检查，对疾病进行综合评估。这已经逐渐成为医师日常工作中不可缺少的工具，同时基于AI所得到的的分析结果会发掘出新的数据价值和研究方向。

6.超声AI

医学图像与AI的结合成为行业发展的热点，AI在超声领域的应用也受到行业的高度重视。随着AI技术的突破，超声产品的研发与应用将提升影像诊断的精准性，节约医疗资源及社会成本，缓解当前超声诊断技术的良莠不齐以及基层优秀医师缺乏等问题，支持国家分级诊疗战略。

通过辅助诊断系统帮助基层医师解决实时诊断的问题，可能是缓解基层医疗专家短缺的一种方法。近几年，人们对健康的关注，促使体检行业飞速发展。相较于CT、MRI等放射检查，健康人群或者亚健康人群将无创、无辐射的超声检查作为初步筛查的首选，这必将促使超声设备市场的蓬勃发展及超声诊断次数的不断增加，医师的工作压力也随之增加，辅助诊断系统的出现将缓解这一状况。

7.乳腺影像AI

数字化乳腺X 线检查具有良好的对比度及分辨力，能够分辨组织间细微结构密度的差别，且操作简单，价格相对低廉，易被接受，诊断准确率较高，是国际上公认的乳腺癌早期机会性筛查及早期发现的有效措施。

乳腺钼靶阅片的辅助工具中，CAD软件诞生最早，在国内不少医院也有使用，但传统CAD功能单一、性能不足，在病灶检出上假阳性过高，性能上很快到达瓶颈。相对而言，AI辅助诊断系统功能更强大、性能稳定且能不断迭代提升。

8.介入

放疗计划软件应用上，美国拥有成熟产品与医师协作机制。中国目前以国外软件为主流应用，企业集中，产品价格高昂，难以获得普及性应用，且在临床上TPS系统的剂量计算精度受物理师与医师对病区剂量的认识与判断的影响，易产生系统误差、摆位误差，人为误差等多重差异，难以获得精度保障，往往降低了实际疗效。

当前已可以通过创新卷积神经网络提取特征的能力，叠加数据训练与先进算法及传统医学逻辑算法，研发自适应放射治疗系统，提升器官的多元特征点的捕捉能力，获得更加精确化、个体化的放疗计划。

9.骨龄判读AI

目前已有数家企业进军骨龄AI领域并发布相关产品，但产品高度成熟、真正落地并且能够实现快速迭代的企业较少。骨龄AI的难点主要集中在骨龄判读标准及训练数据集的选择，以及计算机视觉技术、NLP技术、深度学习算法等AI技术综合实力。临床医师不仅希望能够借助AI产品实现骨龄的快速精准判读，同时也希望能够基于骨龄进行生长发育评估，更为精准的反应个体生长发育水平，辅助疾病诊断，进行疗效评估，为临床提供更加丰富的辅助功能，解决临床工作中骨龄判读不够精确、耗时较长、生长发育评估报告撰写繁琐等实际问题。

10.小儿疾病AI

脑电图自动识别技术尽管基于时域分析形成了棘、尖波自动识别和报警软件，但传统电子信号处理技术不能完全解决对伪差的识别和剔除问题，假阳性率较高，同时有些特殊的异常电活动不具有典型放电的特征，针对精微部分传统软件难以识别，往往造成假阴性结果，无法在临床获得真实应用。通过深度学习技术和信号处理方法相融合的方式来提取脑电数据的特征，可以以秒为单位来定位异常波所在时段，提升了对异常波放电的捕捉能力，进行异常放电的位置的精准定位，精确计算异常放电的时长，并得出对应的放电指数，解决了传统软件识别表现差、定位困难等不足，AI可成为提升癫痫检出率的有力手段，如2018年2月FDA已审批通过了基于皮电反应进行癫痫预测的手环设备Embrace。

11.脑部影像AI

AI应用于出血性脑卒中可在第一时间发现病灶，大幅缩短阅片时间。对于缺血性脑血管病急性期CT平扫的诊断一直是影像和临床医生面临的一大难点，对于病灶的定位以及半暗带的体积预测也是临床的一大难点。基于头颅CTA的脑血管检测，逐渐成为AI在脑影像的一个发展方向。AI不仅仅可以在脑血管病的诊疗方面得到发展，在颅内肿瘤等疾病的诊疗方面也可以展开相应的研究和衍生出相应的产品，为影像科以及临床神经科提供一定的帮助。

12.盆腔影像AI

目前结直肠AI产品，主要利用图像识别、深度学习等AI技术，与消化内镜结合，辅助临床医师实时发现结直肠息肉，并实时鉴别息肉性质，以每秒分析10张图像的速度，为临床医师提供非腺瘤息肉、腺瘤息肉、腺癌等状态的实时提醒，辅助临床医师更准确、更高效地诊断结直肠肿瘤。AI应用在前列腺中，可以从影像上全自动分割前列腺，检测病灶位置，并同时进行感兴趣区域的分析；产品应用则多集中在针对前列腺病理图片的诊断，大部分产品都可以达到较好的整体诊断准确率。宫颈癌AI产品也主要集中在病理切片的分析，针对子宫颈抹片的智能分析系统，能对宫颈癌及癌变前进行诊断，评估和预测恶性程度及疾病的发展趋向。

13.眼底图AI

基于眼科医师极度紧缺、培养周期长，以及随着国民经济发展水平和人民生活水平的持续提高，全社会对于健康医疗服务总供给提出了新的要求，健康医疗服务面临新的机遇和挑战，急需AI为国民眼健康和慢病眼底并发症的筛查和预防带来新的动力。

各科室对于AI的应用中，秉承着开放的态度，眼科已经处于领先地位。在过去几年，眼科领域的研究成果不断登上顶级学术期刊，并且率先通过FDA的审核，在产品形态上出现了单一病种识别、多病种识别、全眼底覆盖等AI产品，获得了眼科医师和从业者的普遍认可，并且已经展开大范围应用。

14.病理AI

近年来，随着病理数字化技术和产品的日渐完善和普及、AI算力和算法的显著提升，使得病理AI的发展在软件、硬件、数据等方面都具备了充分的条件。因此，病理也成为医疗影像AI的重要研发方向之一。目前研发主要集中在宫颈细胞筛查、组织辅助诊断、免疫组织化学定量分析、血涂片分析等方向。

15.大血管疾病AI

在大血管疾病方面，目前AI可以较好地协助医师准确、快速的实现病灶区的识别、分割工作，减轻放射科医师工作强度，降低漏诊、误诊概率；并且可以通过自动对主动脉及其分支进行分割，确认破口位置，根据专家系统为临床医师提供具有参考价值的手术实施方案，并实现患者术后风险预测分析及病程管理工作。

16.皮肤AI

AI技术在视觉特征提取，症状与病因相关性深度挖掘和分析、推断一致率方面已经日渐成熟。2017年斯坦福大学在Nature上发表了皮肤镜影像上的AI模型，其诊断符合率与准确率均已媲美资深皮肤科专家。根据皮肤影像的类别与其应用场景，目前研发集中在标准化影像上的皮肤癌诊断，医用端数字影像上的常见多发病诊断，患者移动端影像上的全病种自查等方向。

17.人工智能研发管线及策略分析

从 AI 应用实践角度，有两种切入思路。从疾病的角度入手，比如围绕乳腺癌诊断的钼靶、超声、MRI 形成诊断乳腺癌的一套 AI 方案。另一个角度从诊断手段入手，比如基于 CT 可以诊断肺部、肝部、脑部等多种疾病。这一类产品线的思路大多为疾病部位的平移和同类疾病的延伸。另一个研发方向便是拓展人工智能的应用边界，跳脱出固有的医疗思维，以商业思维去考察医疗思维，将人工智能应用到医疗中的营销、患者招募&管理等环节。

6个最新进展：医学影像AI算法的大突破

1.小数据

深度学习是一种严重依赖于数据的技术，需要大量标注过的样本才能发挥作用。现实世界中，有很多问题是没有这么多的标注数据的，获取标注数据的成本也非常大，这样的问题统称为小样本问题，它面临的挑战主要是训练过程中只能借助每类少数几个标注样本识别从未见过的新类型，且不能改变已经训练好的模型。近几年出现了几种解决小样本问题的方法，这些方法被称为Fewshot learning（若只有一个标注样本，则称为Oneshot learning）。Wang等[31]用原数据构建了很多模型库，然后目标数据直接回归这些模型库，目的是把一个分类器的权重映射到另一个分类器。

2.分布式

医疗AI诊断模型需要足够多的多中心样本进行训练。而医疗机构往往分别存储患者数据，不支持数据共享。对此，一种有效的解决方案是数据分布式训练。目前，数据分布式训练有以下三类方法。

（1）从优化层面考虑，可以在多中心训练时，贡献优化的梯度。Dean等[37]提出了Downpour SGD方法（图1）。

图1.png

图1

（2）从模型层面考虑，即在模型训练结束后，通过模型的集成达到模型共享的目标。Dluhoš等[39]在训练出相应的权重之后进行加权平均，进一步地提升准确率。

（3）综合考虑模型和优化层面，Chang等[40]将两者结合了起来，同时考虑不同中心之间模型优化和性能的相关性。他们尝试两种不同的策略：一是在单中心训练模型，模型收敛后再转移到下一个中心，如图2所示。

图2.png

图2

3.多模态

影像检查存在CT、MRI、DR等多种模态，除此之外还有临床信息、检验报告等非图像的数据，如果能合理地利用多模态的数据，系统的效果将会大大提升。在医学影像处理领域，多模态的数据主要通过信息融合来提升效果，包含Early Fusion和Late Fusion两种方式。

4.辅助治疗

辅助治疗一般包括放疗、化疗、激素治疗、靶向治疗或生物疗法。从临床常规的工作流出发，AI在下面几个方面提升临床治疗的质量和有效性。（1）AI在患者病情评估和方案制定方面：将医学影像数据与临床、病理、基因数据结合，从而决定采用哪种合适的治疗方案。（2）AI在治疗前规划方面：治疗过程中，首先根据需要对用来手术规划的图像进行预处理，主要涉及不同图像模式间的转换（U-net, VGG）、降噪（CNN）、配准等。（3）AI在治疗管理方面：深度学习可以用来监管患者术中由于呼吸导致的器官运动，和传统的方法相比，提升了预测的准确性，同时显著减少了计算时间。（4）AI治疗后随访方面：患者在辅助治疗后，影像上的特征和对肿瘤标注物的响应会随着疗程逐渐变化，将这些信息和临床特征结合起来，可以对治疗疗效进行评估。

5.普适性（对于不同机器）

机器学习算法的普适性（或泛化能力）是指算法对学习集以外的新鲜样本的适应能力。新鲜样本的获取过程会受到不同的成像角度、成像噪声、重建算法等因素的影响，导致新的样本和以往学习中的样本有不同的特点。

6.开放式AI计算平台

随着AI技术的落地和推广，AI产业已经从传统的“小作坊”算法软件走向“大生产”的应用平台，AI算法和云计算平台的结合更加紧密。众多互联网公司提供了AI云计算平台和相关服务。而在此基础上面向医院的医疗AI平台主要分为两个方向：针对医疗影像数据处理的影像AI平台；针对NLP的数据AI平台。在这两类平台的基础上，综合互联网、云计算、AI、大数据分析等前沿技术，实现优质医疗资源云端协同共享、海量诊疗级大数据深度挖掘应用，为政府、医院、科研机构和个人量身定制一系列云端智能解决方案。面向科研人员、开发者，相应平台一并提供医疗AI模型建模、训练及开放应用等基础服务，推进医疗AI产业的蓬勃发展。

（以上为《中国医学影像AI白皮书》的部分内容，详情请看《中国医学影像AI白皮书》。）

二维码.jpg