“AI+医学影像”行业调研.pptxVIP

“AI+医学影像”;“AI+医学影像” 行业调研;影像数据快速积累，已具有开发应用规模 我国每天产生的影像数据以PB计算，占到医疗行业数据的90% 影像医生产能负荷重和部分地区医生影像诊断水平偏低，而人工智能大有所为 放射科医师数量存在缺口，医师的疲劳或经验不足可能造成误判 政策助推医疗大数据开发应用 2016年6月，国务院办公厅印发《关于促进和规范健康医疗大数据应用发展指导意见》;智能识别解决行业痛点：;AI识别先天性白内障研究，我国中山大学的临床试验，利用CNN算法，通过410张各种程度的先天性白内障图片和476张正常图片训练，诊断准确率达92.45%。 AI对脑瘤病理切片的快速诊断，利用多层感知机算法，用拉曼散射显微镜生成高度模拟传统的HE染色病理切片，通过过万张图片训练，AI区分胶质瘤和非胶质瘤的准确率达90%。 AI对神经假体进行精确控制，伦敦帝国理工学院则尝试了利用支持向量机这一算法，将此前85%的精确度提升到了97%。;医学的特殊性：医学本身就是一个未被完全认知的领域，信息的不完全透明，在疾病的症状与结果之间没有严格的对应关系，不同疾病之间也没有清晰的边界，而且还会存在同时发病的情况，这也导致不能像AlphaGo一样在明确的规则下算清所有变化。医学影像图像对比度普遍较低，不同组织或正常组织与病变组织之间边界模糊 ，血管、神经等微细结构分布复杂，医学中个体差异及小概率事件发生是很普遍的。;数据获取：数据是深度学习算法所需的核心资源，仅掌握算法而缺乏数据无法获得较好的训练结果。现阶段，我国的医疗影像仍处于从传统胶片向电子数据过渡的阶段，大量影像资料尚未数字化，而且医院之间的数据共享和互通程度较低。 数据标注：在获取数据的基础上，深度学习结合先验知识对模型进行训练，训练集需要事先标注。由于大多数标注依赖人工识别，因此数据标注将耗费较大量人力和时间，还要求医疗机构的顶级医生参与进来。 国内外公司基本都处于不断收集影像数据的阶段，仍在丰富病种多样性和扩大影像数据规模，从而优化影像智能诊断的准确度。 ;医学影像智能分析公司的核心竞争力在于影像数据的规模和影像数据的可解读性;影像数据标准化以及数据模型的构建，需要公司研发团队长时间技术积累以及对医学影像的深度理解，其质量的高低反映在影像智能分析的准确性和稳定性。 看好拥有IT/数学和医学影像强背景的企业，最好是拥有数学/IT+医学影像复合型人才团队。 目前，我国的影像智能分析公司基本处于合作医疗机构医生对产品算法模型检验完善阶段。;科技巨头布局医疗人工智能领域;科大讯飞 研发医疗影像辅助诊疗系统，用于辅助影像医生阅片，勾画肿瘤病灶区域，减少误诊和漏诊。 已经与安徽省立医院建立合作，共同开展深度学习在高发癌症医学影像检测中的应用，目前其影像系统已经可以识别3mm以下的病变区域。 2017年将继续加大研发力度，将应用领域从肺部CT影像检测扩展至乳腺X光图像、MRI图像检测等，预计2017年底产品将步入临床应用阶段。 东软集团 基于“影像设备+信息化软件+影像云”完整布局，切入医疗影像智能识别领域。 设备上，东软集团面向各级医院提供CT、磁共振、数字X线机、彩超等影像设备； 软件上，公司提供包括HIS、CIS、LIS、EMR、PACS、RIS、CAD，远程会诊服务等在内的医疗信??软件； 公司2015年建立影像云，满足医生远程会诊、多点执业、医患交流等需求。 在前后端完整布局的基础上，公司切入骨密度智能辅助分析、乳腺智能CAD分析等软件进行影像识别，同时提供3D影像辅助手术等影像识别服务。 2017年5月，东软集团和联众医疗宣布作为“辽宁省医学影像云”平台的承建及运营商，项目预计总投入16.45亿元。; Thank you