疾病的病理过程会产生一定的病理解剖和病理生理方面的变化，这些病理变化在不同的影像学检查中会产生不同的影像学信息(X线和CT是利用人体组织间的密度差异，MRI是利用组织间的MR信号强度差异，US是利用组织间的声学信息差异)，通过对这些信息的分析，医生能够实现对机体病变的有效把握。
随着电子信息技术的发展，近年来各种多模式成像设备，如PET/CT、SPECT/CT和PET/MRI等的不断涌现，医学影像已经成为现代医学精准诊断的最主要证据来源。但硬件检查门槛的降低，并没有成功转化为影像可及性的提高，关键在于影像解读能力的严重不足。有以下表现为：
?医学影像分析供需矛盾持续加大；
?影像医生工作量大，双审核下避免漏诊依旧困难；
?基层医生诊断经验不足，阅片质量整体较低。
据国家卫健委统计显示，至年三年中，全国累计完成放射诊疗12.4亿人次。而“中国医师协会放射医师年会”数据显示，全国放射从业人员约15.8万，其中放射医师只有约8万，具有副主任医师以上职称的只有2万人。以此推算平均每一位影像医师每年需要处理多人次的报告，以每一例报告最少需要两个医师阅片和报告估算，每位放射医师全年的诊疗人次约为，而2万名副高以上职称的影像科医师由于有审核工作，诊疗人次将会更多。
“放射科医生每天需要看上万张CT，有时为了检验肿瘤早期症状，一位病人甚至需要拍张以上CT，即使每张只需要看3秒，也需要至少10分钟看完，医生的时间和精力都消耗于此。”
“目前，我国仅有8万多影像科医生，人员严重不足，每天超负荷工作，不可避免地出现漏诊、误诊。而我国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率约为4.1%。”影像工作负担将进一步加重。
——医院放射科主任
人工智能带来新的解决方案由于影像检查资料大量都属于客观资料，而且信息标准化的程度较好，早在人工智能技术出现之前，人们已经尝试通过各种方式提高影像诊断效率，其中以CAD（计算机辅助决策系统）应用最为广泛，它通过专家提取特征，制定分类规则，建立各种复杂严密的数学模型，实现了对影像的自动分析。但被固定的分析模型仅能处理和识别非常有限的影像表现，无法自主学习和优化。
基于深度学习的人工智能影像分析技术解决了这一不足，深度学习通过广泛的图像训练，从底层提取特征，能够实现对更加多样化的影像表现识别并不断自动优化。基于人工智能的新的解决方案给医学影像分析带来诸多益处：
?高效的处理和分析影像速度，快速给出辅助判断结果；
?良好的灵敏度，降低筛检中的漏诊率；
?专家知识学习，定量数据分析，填补医技间鸿沟，提高基层检查质量。
人工智能+影像应用的现状应用概述
目前，人工智能在医学影像领域的应用暂时无法脱离辅助角色。
其应用在功能层面上，主要有疾病诊断支持和治疗决策支持，疾病诊断支持的发展明显活跃于治疗决策支持；在图像类型方面，各类影像均有企业涉及，包括X线影像，CT影像，病理图像，超声影像等，但总体上以静态图像分析为主，对于动态影像的处理较少。
在图像处理方式上，包括了影像分类、目标检测、图像分割和图像检索。在疾病应用方面，主要集中于肺癌筛查，糖网筛查，病理细胞筛查，病灶勾画、脏器三维成像。
相关企业与产品清单
我们目前主流的影像人工智能企业及其产品进行了收集与梳理，具体见下表：
公司
产品
疾病领域
功能特点
医院
推想
科技
智能X线辅助诊断AI-DR
肺癌识别
DR处理速度0.1s;CT处理速度≈5s;10万余例专业医师标记；3-6m准确率88%；医生点击率64.5%
+（三甲50+）；医院、医院、医院、医院
智能CT辅助诊断AI-CT
肺癌早筛
雅森
科技
雅森天玑?智慧医疗平台
多种疾病
多模态数据；包括：癫痫、阿尔茨海默症、帕金森病、慢性放射性职业病、分化型甲状腺癌、肺结节
医院，医院，医院，医院
图码
深维
σ-DiscoverLung智能肺结节分析系统
肺结节识别/自动分割/良恶性判断
处理速度≈1min;结节诊断敏感性96.7%；假阳性只有2.8FP/S;良恶性符合率90%
/
依图
科技
care.ai?胸部CT智能辅助诊断
病灶识别/分割/靶区勾画
结节检出的敏感性92%，报告的临床采纳率90%
浙江、上海、湖北医院
深睿
医疗
Dr.WISECAD医疗影像诊断系统
肺结节识别/肺癌早筛
处理速度≈30s;敏感度98.8%
医院
腾讯
觅影
食管癌筛查系统
早期食管癌识别
识别率90%、敏感度87%、特异度99%
重庆医院、医院、医院、医院、医院
早期肺癌筛查系统
肺癌早筛
3mm结节检出率95%,敏感度85%，特异度90%
糖尿病视网膜病变智能系统
糖网识别/分级
数十万张糖网分期数据（5级）;识别准确率97%;糖网分期准确率85%
乳腺癌早期筛查系统
病灶定位/良恶性风险评估
钙化敏感度92%，恶性肿块敏感度90%，良恶性判别敏感度85%，良恶性判别特异度88%
阿里
巴巴
医疗大脑
肺癌早筛
平均召回率89.7%(LUNA)
/
皮肤综合分析
面部分割，识别毛孔，痤疮，黑头给出健康建议
/
汇医
慧影
-
胸部疾病自动诊断
识别多种疾病：气胸、肺结节、肺结核、肿块。百万数据影像，人体器官模型;自动诊断准确率≈90%；肺结节的识别率85%
几十家
脑肿瘤识别
自动识别率85%。
乳腺癌识别
钙化斑点、肿块的识别率90%
健培
科技
阅片机器人啄医生
多种疾病
肺部疾病,乳腺、肝脏、脑部等疾病
+；
医院
体素
科技
肺癌筛查
结节定位/良恶性评估
多源数据精准肺癌筛查；通过迁移学习，减少数据标注工作量
北京、医院
糖尿病眼底病变全自动分析
糖网筛查
/
冠脉分析
/
基于冠脉CTA影像冠脉官腔狭窄分析及斑块定性、定量分析与风险评估
深思
考
细胞图片医疗影像辅助阅片系统
宫颈癌/乳腺癌筛查；
细胞分类精度99.3%;自动分割团簇重叠细胞，病变细胞识别与分级
上工
医信
AutoEye筛查系统
糖网病分级
筛查云平台
+
广州
河谷
AI眼科诊断系统
多种眼部疾病
疾病严重程度分级（5级）
糖网、青光眼、老年黄斑变性、白内障筛查
羽医
甘蓝
宫颈细胞涂片智能辅助筛查系统
宫颈癌筛查
处理速度1min;可以嵌入HIS/PACS;医学影像硬件厂商的合作,与远程医疗平台合作
医院；
合作4家厂商
目前行业人工智能+影像应用的特点
?绝大多数应用以单一疾病入手，进行疾病筛查等检查需求明确的影像分析，并不适用于临床影像诊断需求。其中肺癌早筛是大多数企业的标配，整理的12家人工智能企业中，8家涉及，占66.7%。
?强调训练数据集的数量与质量，并作为企业核心竞争力的一部分。
?模型影像诊断效果是企业的宣传重点，但多数企业未披露具体评估过程，且评估指标各异。
?市场火热但实际应用率不足，大多数仍然停留在实验阶段。
人工智能+影像应用的瓶颈虽然影像人工智能发展火热，新进入企业不断增加，资本市场投资不断升级，但通过研究分析综合，我们认为人工智能+影像应用还面临着包括多个方面的发展瓶颈，主要包括以下三大方面：
技术方面
1)基于概率分析的关联推理无法判断疾病的因果关系
目前的深度学习最主要的特征是基于数据学习的概率分析，其结果是能够进行有效的诊断和预测，因此目前的深度学习在影像疾病筛检诊断中表现出彩。但疾病诊治是一个复杂动态的决策系统，需要去理解不同因素与疾病的因果关系，才能够采取更有效的干预实现疾病的治疗。没有医学知识体系作为基础的深度学习数据分析，只是将结果压在训练数据上，训练数据的样本量和离散情况对于训练结果将产生直接影响。
然而目前AI的发展过分的强调“概率关联”，但是疾病对于人来说永远都有未知的领域，如何能够基于已有的医学知识，将数据和知识这两种模型结合起来，这才是影像AI在医疗领域向更深层次的治疗与干预层面应用的关键。
2)训练所需标注数据集获取困难
目前基于深度学习的医学影像人工智能都需要大量的标注数据进行训练，而且训练所用的标注数据本身对于训练结果的影响要大于算法，但是现阶段来说，高质量的训练用标注数据获取是一大难点，在国内具体体现在如下几个方面：
?数字化影像数据难以获取
国内影像数字化的进程在近些年才开始，CHIMA的抽样调查统计显示，年医院PACS系统的平均实施比例不足五成，医院甚至只有三成。一些不能支持数字化的影像设备在一些基层医疗机构中仍在使用。而拥有大量数字医院数据的开放依然是一个很大的问题，医院合作才有机会获取大量的数据，数据获取困难大。
?影像数据标准化程度低
医院的影像系统互操作水平低，各个影像系统的数据纷纷散落在各地，互交换水平低。而且医院之间影像成像数据往往会有系统性偏差，医院合作获得的都是本院数据，单一来源的训练结果产生偏差，对医院产生的影像数据诊断灵敏度高，而对于其他医疗机构来源的数据诊断灵敏度低。如何能够获取多样性的大数据仍然是一大问题。
?数据标注难度大
影像人工智能的训练需要大量已经标注好的影像数据，而标注需要花掉大量的人力成本，且对训练结果产生直接影响。数据标注的问题主要体现在如下几点：
i.临床医学很多问题的定义依然是模糊的，一些问题定义的不明确使得标注产生难度，甚至对于一些问题，不同的专家标注的结果可能会产生很大差别。与此同时，医学的复杂性造成标注只能局限于限定的领域，疾病的筛查都专注于一两个领域，造成能够解决的问题也有限。
ii.医学本身的专业性使得可以参与标注的人群门槛很高，需要医学专业背景与年资和专业水平要求，这使得能参与标注数据人员的数量进一步减少。
iii.标注质量没法保证，市面上大多数公司很难拥有一支高水平的医生团队作为专业顾问，而将标注数据的工作单独外包不仅费时费力，还很难保证标注质量。
产业方面