准确率堪比资深医师,结局是躺在医院吃灰?

2020
05/07

+
分享
评论
HIT思想荟
A-
A+
炙手可热的“AI+医学影像”,落地还面临着哪些挑战呢?

93621588817137310

导读:

随着人工智能落地潮的开启,AI在医学中的应用正在不断扩大。据研究公司Allied Market Research 估计,到2025年,医学+AI市场将从2017年的7.19亿美元增长到18.1亿美元,从2018年到2025年的复合年增长率为49.6%。

但自从AI来到医学影像领域,争议声就没有消失过。

“AI会让大批影像医生下岗!”

“AI有助于缓解医疗人员的工作压力!”

“躺在医院里吃灰,是AI医学影像最后的结局。“

暂且抛开AI和影像医生之间的爱恨情仇,我们先来看看”AI+医学影像“这一新模式,目前都有些什么进展,处于什么样的境遇。

01  AI正在深度渗透医学影像领域

医疗影像行业门槛高,工作量庞大。长此以往,日益增长的医学影像数据与放射科医师数量的增长速率极不匹配,导致医疗影像行业人才供给与市场需求之间出现断层。

AI技术能够在解放人力的同时,提升阅片速度与诊断效率,赋能医疗诊断的全流程。因此,医疗影像也就成为了AI企业寻求技术落地的最佳窗口。

如今,跻身于医学影像领域的企业越来越多,AI模型用于疾病筛查、诊断的准确率,成为彰显企业商业价值的维度之一,以及衡量技术使用成效的标准。

腾讯觅影研发的AI眼底疾病筛查系统,支持7大常见眼底疾病与20余种罕见眼底疾病的检测,能在几秒内检测出结果,准确率堪比资深医师。

83481588817137427

类似的AI筛查诊断系统还有很多,层出不穷的AI疾病筛查模型,居高不下的AI筛查准确率,令人惊叹的诊断速度,似乎昭示着AI医疗影像技术发展已渐入佳境。

AI正在深度渗透医学成像领域,已成为业内共识。

谈到这里,就不得不提及到,为什么“AI+医学影像”模式,被认为是AI医疗中最具落地价值的板块呢?

02  为什么放射医学更热衷AI应用

这与图像性质有关。

在医院,成像技术将会产生大量的图像数据,而图像数据分析正是AI相对成熟的技术。

此外,在医疗数据里边,电子病历或者数据可能会有误差,断层扫描图像算是最精确的数据了,因此利于AI研发。那些不太精确的数据也并非没用,如果将它们和精确的图像数据结合分析,就会让医生有一个整合性的、更精准的决策。

医学成像相当于是现代医学中的眼睛,把患者的五脏六腑看得一清二楚。无论做手术,还是放疗都离不开图像。而人工智能的介入将大大提高图像分析的效率,于是就成为了很热门的领域。

聊完了为什么AI能够在医学影像领域大放光彩,我们再来看一看,目前AI在哪些方面已经得到了应用。

03  AI目前的一些应用

1、AI+医学影像设备

医学影像设备是医学影像数据产生的源头,直接决定着医学影像的质量。而医学影像的质量,又直接影响着医生的诊断和治疗。

越来越多的影像厂商开始从源头着手,用AI赋能医学影像设备更快更好地进行成像,相比于传统的迭代或基于模型的重建算法,AI算法能更迅速地重建CT图像。

此外,还有厂商在影像设备中嵌入AI算法,连同PACS优化放射科工作流程。如GE医疗在移动X线机Optima XR 240 amx中,嵌入了一套AI算法。这套算法能识别并标记出哪些胸片可能是“气胸”,并将疑似影像发送给影像医生,通知优先诊断。

                       82381588817137494

(嵌有GE Critical Care Suite的移动X线机)

2、AI+智能勾画靶区

中国的放疗资源非常稀缺,据统计:目前全国只有3000多个有执照的物理师,而且基本集中在大型三甲医院。

基层医院虽然可以通过租赁的方式获得放疗设备,但由于缺少物理师,使得放疗设备大多成了摆设。操作不当放疗射线,会对病人造成极大危害,因此每一个放疗方案都需要严格画靶,确认放疗射线的靶向位置和剂量,及其穿透路线,避免伤及正常的组织器官。

每一位病人每次放疗前都需要拍300-400张CT,病变器官的准确定位与勾画,是放疗计划运作的基础和关键。分割的准确程度,将直接影响到后续放疗计划的效果。传统方法就是医生在患者的医学影像上手动标识,这种方法需耗费大量时间。

基于深度学习算法的智能勾靶功能,不仅能大幅提高效率和准确度,还能避免由于靶区勾画不准确导致的无效治疗,将先前几个小时的工作量缩短到了几十分钟。

65211588817137560                      

西门子医疗推出的器官分割软件助手,AI-Rad Companion Brain MR基于形态计量学分析,能在影像中自动勾画出患处的外部轮廓,辅助影像医生快速诊断、快速标记病变。

目前,AI智能勾画靶区已在乳腺癌/鼻咽癌/肝癌等疾病上成功应用。

3、AI+病理分析

病理医师的诊断依赖于经验,培养病理医生的周期非常长,从初级诊断医生到经验丰富的高年资诊断医生,大约需要10年时间。

此外,病理工作风险高、工作强度高,导致专业吸引力相对较低,愿意从事的人少。而AI的引入,可以为低级别医院经验欠缺的病理医生提供诊断建议,替医生分担部分繁重的工作,目前AI能够做到:

对数字化的病理切片,自动完成检测-识别-分割。

智能区分癌细胞与正常细胞,并标注。

对框选区域/全场图进行定量分析。

生成自动结构化报告。

                       62931588817137629

(人工智能读片结果与病理专家结果基本相符。)

除了以上三个方面,AI还在图像后处理方面有所尝试。

临床上,影像检查生成的影像不足以直接用来评估病情,需要对影像进一步处理(比如CT血管造影检查)。

虽然后处理影像可以清晰显示各部位血管细节,对于显示病变有重要价值。但过程复杂、耗费长,一个CTA检查的后处理时间在20~60分钟之间,使用AI技术将大大减少耗时。

目前AI能够做到:

自动完成图像重建

图像推送和胶片打印

血管斑块和狭窄程度量化分析

04 AI新阶段面临哪些痛点?

市场和价值都很明确,医学影像AI现阶段还面临着哪些痛点呢?

1)未明确用户需求和使用场景

现阶段的医学影像AI产品,主要的应用是辅助医生进行临床诊断,从产品分类上属于工具型产品,工具型产品的核心就是高效的解决用户明确需求。

传统的工具型产品的优势是用户需求明确,使用场景纯粹,很容易做到极致化的体验。劣势是发展到一定阶段,会受限于规模化的商业变现。

76461588817137674

但在医疗领域,工具型产品的变现模式非常清晰,目前医疗领域大部分的产品都属于工具型产品,比如医疗器械,只要产品质量过硬,能解决临床需求,就可以进行商业化变现。

所以医疗影像AI产品需要跨越的第一个门槛,就是找到明确的用户需求和使用场景,进行落地。                       

2)CFDA认证难

虽然行业发展迅猛,但是有个问题一直制约着行业的发展,那就是国内少有医疗AI产品获得医疗器械注册证。

一方面是因为医疗AI作为一种全新的产品,此前并无审批此类产品的经验和标准数据库。另一方面,许多产品还在打磨阶段,医疗是一个严谨的行业,事关民众安全。

没有认证就没有市场准入资质,虽然各公司都有自己的营收渠道和高额融资,但是AI公司数据/人才/算力、运营成本昂贵,如果以医疗AI产品为主营业务的公司,迟迟拿不到市场准入资质,长远发展必将面临挑战。

82091588817137778

2018年8月1日起,新版《医疗器械分类目录》正式生效,将医用软件按二类、 三类医疗器械设置审批通道。

目前我们所看到的AI 产品,大多属于第三类医疗器械,人工智能辅助医疗影像诊断作为一个全新的领域,政府也处在在探索阶段,认证难成了阻碍“医疗影像+AI”发展之路的“拦路虎”。

当前大部分企业采取增删诊断功能的办法,同时申报二、三类器械,已有多家企业拿到了二类证书,但目前尚未有一款产品获得三类证书。相信随着政策的日益完善,以及标准数据库的建立,“CFDA认证难”在未来几年内将会得到解决。

3)数据获取难

开放的数据集,是肺结节产品扎推涌现的直接原因,也为后来者提供了“弯道超车”的机会,但不是所有产品都拥有公开的数据集。

从公开数据集、临床数据到金标准数据,难度逐渐递增。而且在短期内,”数据获取难“的问题不会消失。因此,如何拿到医院数据对AI进行训练,是AI领域各大公司都非常头疼的问题。

为了拿到数据,部分公司会采取跟医院影像科室合作的形式,这也就意味着,想要进军“医疗影像+AI”领域的公司,必须具备"影像科资源"。

相比于三甲医院对医疗影像AI产品的需求,医疗影像AI产品捆绑医院的需求更为强烈。

37831588817137823

4)医生习惯不易改变

虽然AI产品都自我标榜可以帮助医生节省时间、提高诊断效率等,但是对医生而言,要完全接受这种“人机结合”的新诊疗方式,显然还需要经历一段适应过程。

5)影像科地位尴尬

目前市面上“医疗影像+AI”领域公司都是采取和影像科合作,而影像科作为辅助学科,在医院内部体系中,比起备受重视的临床科室,几乎没有话语权,在采购经费申请上也相对困难一些。

结语

人工智能在医学领域的应用有很多,比如在智能导诊和病历输入等方面。当然,现在技术最为成熟的,还是医学影像方面的应用,从设备图像的重建,到辅助治疗,都开始有了商业化的应用。

目前AI医疗影像领域的企业,过于追求技术落地,并未将重心放于产品打磨以及追寻清晰的应用场景上,导致产品并未满足医疗机构的真正刚需,医院的付费意愿很低。

每一项新技术在崛起之前,都会经历”去泡沫化“的过程,毕竟达到了解决实际问题的水平,方能提升医疗能力与服务水平。

针对医疗影像领域而言,企业需要构建医疗领域的标准化数据库,持续优化算法模型。只有从实际的医疗场景出发,洞察医院的真正需求,最终撬起AI医疗大时代的生态繁荣。

本文由作者自行上传,并且作者对本文图文涉及知识产权负全部责任。如有侵权请及时联系(邮箱:guikequan@hmkx.cn

人点赞

收藏

人收藏

打赏

打赏

我有话说

0条评论

0/500

评论字数超出限制

表情
评论

为你推荐

推荐课程


精彩视频

您的申请提交成功

确定 取消
×

打赏金额

认可我就打赏我~

1元 5元 10元 20元 50元 其它

打赏

打赏作者

认可我就打赏我~

×

扫描二维码

立即打赏给Ta吧!

温馨提示:仅支持微信支付!