2017年，医学图像与人工智能的结合成为了行业发展的热点，尤其是在AI与放射图像的结合，大公司和创业公司都取得了大量成果，很多产品已经在临床上进行试验。

其实除了放射图像，人工智能在超声领域的应用也受到行业的重视。

动脉网（微信号：vcbeat）了解到，全球每年在超声医疗设备上的花费超过60亿美元。超声影像检查以其检查无创性、影像实时获取、没有已知副作用等优点而受到广泛应用。然而，超声诊断技术的良莠不齐以及基层优秀医师的缺乏，限制了超声设备的普及和应用。

随着人工智能技术的突破，超声辅助诊断系统将帮助提高超声诊断水平，加速超声的设备的发展。

但是实现超声波扫描影像的人工智能诊断，比单纯的医疗图像识别需要投入更多的研究，处理起来也麻烦得多。因为超声波成像具有动态特性，在用深度学习方法对一份资料进行智能医学判断的时候，相当于是从视频当中分析超声波影像的特点。

超声辅助诊断为何收到重视？其原理又是什么？市场有那些玩家？发展难点又在哪里？

医学超声波检查作为一种常规的检查手段，已经广泛的应用在临床。它的工作原理与声纳有一定的相似性，即将超声波发射到人体内，当它在体内遇到界面时会发生反射及折射，并且在人体组织中可能被吸收而衰减。

因为人体各种组织的形态与结构是不相同的，因此其反射与折射以及吸收超声波的程度也就不同，医生们正是通过仪器所反映出的波型、曲线，或影象的特征来辨别它们。

超声诊断仪在临床上应用最广的是B型超声和D型超声，即人们通常所说的B超和多普勒超声。由于超声具有无创、高灵敏度、应用面广、低成本和操作方便等优点，被广泛应用于临床诊断，尤其是胸部脏器、心脏、眼科和妇产科的诊断。

目前，随着互联网技术的发展，远程医疗因为其快速、方便等优点成为未来的发展趋势。远程医疗固然有其优点，但鉴于超声对医生个人操作能力的依赖，目前的远程医疗运行模式难以满足临床工作需求。

相较于磁共振、CT和心电图等检查结果，超声影像大多是依靠医生采集的不同切面的动态图像进行诊断的，对超声医生个人的操作技术水平要求比较高。同一个病变，不同医生的手法、切面、仪器调节、经验不同，得出的诊断检查结果也许就不一样。

远程医疗在很大程度上解决了优质医疗资源分布不平衡的问题，但由于超声医学的特殊性，在没有规范化的统一的超声图像采集、图像质量控制、传输标准出台之前，现阶段超声医学诊断尚不具备大规模远程医疗临床应用的条件。

所以，通过辅助诊断系统帮助基层医生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。

根据IHS统计，2014年，全球医用超声诊断设备市场规模已达62亿美元左右，预计2019年，规模将达74亿美元，年均复合增长率为3.6%。

2014年，中国超声诊断设备市场已达69亿元。随着刚性需求释放、升级换代、政策红利持续推进，中国超声设备市场还将快速增长。预计2019年，中国医用超声诊断设备市场规模将达91亿元，年均复合增长率5.7%。

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选择使用无创、无辐射的超声检查做初步检查是首要选择，这必将促使超声设备市场和超声诊断次数的不断增加，医生的工作压力也随之增加，辅助诊断系统的出现将缓解这一现状。

面对超声这种动态的图像，每个公司造机器学习的基础上有自己的研发思路。

美国创业公司Bay Labs应对办法：他们用智能视频分析的办法，能够对一个超声扫描视频进行细化研究，并且为用户建模，关注每一份超声资料的特殊性，使超声波成像技术在影像获取和编辑、病情分析的全过程都得到极大的简化。

三星医疗的旗舰设备RS80A搭载的S-Detect功能就采用了深度学习算法实现乳腺病变分析，使超声诊断成像更快速、更高效。

S-Detect依靠对乳腺检查病例的大数据分析（10000万份训练数据）得出的病变特征为基础，为临床检查选定图像提供良恶性的判别建议。

S-Detect具有三种模式，用户可以根据自己要求设定自动识别的敏感度和特异性。目的是帮助医生做出更准确的诊断，同时改善工作流程，减少重复操作。

RS80A超声诊断系统将美国放射学会BI-RADS评分作为对可疑乳腺病变进行标准化分析归类的标准。

三星RS80A首席开发工程师，S-Detect技术研发负责人宋永庆博士和朴文浩博士表示：

S-Detect采用了为乳腺定制的卷积神经网络技术。当用户选定了种子点后，软件将对所有导入的图像进行转换处理以利于对不同形状病变进行更好的识别，并最终实现对病变的自动分类。

这种图像转换包含几个重要步骤比如移位、调整大小、扭曲，转换后被收录在深度神经网络定制层中。

另外，卷积神经网络有能力自己学习大量的训练数据实现对图像的分类，这是卷积神经网络与传统学习方法相比的最大优势。卷积神经网络由很多卷积层组成，导入的图像在特定层内可以自动解析出一些有涵义的特征。

然后这些图像特征将在较深的层内进行整合。在卷积神经网络的末端会加入一个可被学习掌握的分类器，因此系统不再需要研发人员设计手工特性，而是在学习过程中由卷积神经网络从数据中提取最佳的特性用于分类。这正是三星医疗选择卷积神经网络识别乳腺病变的原因。

德尚韵兴的首席科学家、浙江大学求是特聘教授孔德兴表示，德尚韵兴甲状腺结节良恶性辅助诊断系统分为训练和打分两部分。

训练原理依托于深度学习技术，利用两万多份的有标注结果的超声影像样本对计算机进行训练。

传统的机器学习是人为定义特征的，比如结节的边缘是否规则，回声情况如何，还带有医生主观的判断标准。但是如果依托深度学习，就不需要这些人为的特征定义。

经过标注的样本分为两大类，一类是良性的，一类是恶性的。神经网络根据标注情况分别分析提取良性和恶性各带有的特征，而这个过程会比人眼观察的更加细致。

训练完成后，德尚韵兴把这套算法和网络参数打包为一个软件，也就是打分系统，它可以部署到网上，还可以形成单机版，这部分是用普通的计算机运行的，此时医院就可以利用它来进行辅助诊断了。

对于甲状腺结节的诊断，目前三甲医院医生的平均准确率为60%-70%，基层医院会更加低一些。而德尚韵兴辅助诊断系统目前准确率可以达到85%以上。

与放射影像不同，并不是所有的医疗AI公司都开展了AI+超声领域的研究。据动脉网不完全统计，参与此项研究的公司包括西门子、三星、和佳股份、迈瑞、推想科技、依图医疗、创影医学、飞依诺、德尚韵兴、超云、深圳绰曦互动、Bay Labs等。

这些公司有传统的器械公司，也有创新性的医疗AI公司，他们纷纷布局这个行业。作为传统器械公司，在器械智能化、便携化的当下，通过AI来打开市场，提供竞争力是一种不错的选择。经动脉网了解，目前很多公司对于AI+超声的研究还在初级阶段，距离行成落地产品还有一段距离。

但是有些创新型的医疗AI公司并没有涉足超声。动脉网从行业人士那里了解到，他们很看重超声+AI这个领域，因为她频次高，需求大，又有政策支持，是一个很好的领域。没有涉足超声+AI一方面是由于创业公司人力的问题，另一方面是超声本身的两个问题。

标准化程度不高。超声科和放射科一样也缺少优秀的医生，但是与放射科不同的是，超声科最大的难点不在读片子，而是如何正确的操作B超设备，进而呈现出医生自己想要看到的图像。比如针对不同胖瘦病人需要多大的力，手势是怎样的，呼吸如何调整，目前并没有做到标准化，现实中有些师傅和徒弟的操作都不完全相同。

而CT或者X光图像相对与超声要标准的多。

工作流的问题。中国超声科医生是一边看图像，一边写诊断报告（心血管除外），几乎是实时出结果。而放射科医生是将图像先存储起来，然后慢慢看。所以超声AI产品的要求就非常高，需要与超声设备进行芯片级别的集成结合，实时的出结果。

毕竟，医生很难为了一个好的辅助软件，而加长自己的工作流程,这个问题需要研发者思考。