對(duì)于中國(guó)這樣一個(gè)人口大國(guó)來(lái)說(shuō)，醫(yī)學(xué)影像的市場(chǎng)潛力可謂十分巨大。據(jù)統(tǒng)計(jì)，截至目前中國(guó)醫(yī)學(xué)影像的檢查總數(shù)已經(jīng)超過(guò)了75億，而且隨著設(shè)備越來(lái)越復(fù)雜、信息量越來(lái)越大，以及圖像從二維走向三維、靜態(tài)邁向動(dòng)態(tài)，數(shù)據(jù)量每年也在呈現(xiàn)飛速增長(zhǎng)的態(tài)勢(shì)。不過(guò)，從中美兩國(guó)的醫(yī)學(xué)影像數(shù)據(jù)年增長(zhǎng)率來(lái)看，中國(guó)以30%的增長(zhǎng)率落后于美國(guó)的63%，而放射科的專業(yè)人才年增長(zhǎng)率更少，目前為止整個(gè)中國(guó)的影像科和病理科人才加在一起也僅8萬(wàn)左右。這種海量圖像數(shù)據(jù)帶來(lái)的挑戰(zhàn)，加之專業(yè)醫(yī)療人才的稀缺，使得本土AI醫(yī)療影像檢查/篩查的需求日益迫切。

AI究竟能何種程度上提升檢查/篩查效率？比如我們做的X射線胸片的篩選，從大概12萬(wàn)的病例做檢查，覆蓋了肺部常見(jiàn)的9種疾病，其中挑選了4種典型的疾病，相當(dāng)于是胸片的預(yù)篩。我們可以通過(guò)AI的方法把徹底沒(méi)有病的這部分快速篩出來(lái)，將健康的部分篩出去，可以大大降低醫(yī)生的負(fù)擔(dān)，從不同的疾病把醫(yī)生的工作量從76%降低到35.9%，同時(shí)它的漏診率也達(dá)到了一個(gè)相當(dāng)?shù)偷乃健！?/p>

而從實(shí)際應(yīng)用來(lái)看，放射治療的前期一般都要做相應(yīng)的靶區(qū)規(guī)劃以及靶區(qū)的分割，就是將靶區(qū)給勾畫出來(lái)。如果按照傳統(tǒng)的辦法，十分費(fèi)時(shí)費(fèi)力，但采用深度學(xué)習(xí)的方法，我們就可以將分割時(shí)間縮短到傳統(tǒng)分割方法的5%，同時(shí)分割的成功率從90.1%提高到97.8%，這是目前我們對(duì)外售賣的產(chǎn)品上已經(jīng)能夠達(dá)到的實(shí)際效果。

盡管“AI+”的效果如此明顯，但缺乏統(tǒng)一標(biāo)準(zhǔn)的應(yīng)用再好也難成大器，這也成為困頓本土AI醫(yī)療影像技術(shù)邁出市場(chǎng)化關(guān)鍵一步的最大障礙。尤其是對(duì)醫(yī)療這一特殊而復(fù)雜的行業(yè)來(lái)說(shuō)，不同病人的病理指征通常不同，而且可能針對(duì)同一種疾病，各醫(yī)生給出的意見(jiàn)也各有差別。這種變幻莫測(cè)的復(fù)雜狀況，也極大提升了當(dāng)前醫(yī)療影像技術(shù)與AI結(jié)合的難度。

標(biāo)準(zhǔn)之后，要深入解決AI醫(yī)療影像技術(shù)的落地難題，還需要更多的去挖掘高質(zhì)量的基礎(chǔ)數(shù)據(jù)?？v然，中國(guó)借助于如此龐大的人口優(yōu)勢(shì)，多年來(lái)已經(jīng)獲得了海量的醫(yī)學(xué)影像數(shù)據(jù)，但實(shí)際上這些基礎(chǔ)數(shù)據(jù)中真正能夠?yàn)锳I所高效利用的部分并不多，大樣本和高質(zhì)量的數(shù)據(jù)獲取依然是本土AI醫(yī)療影像技術(shù)的缺憾，這會(huì)造成診斷精確度低、投入高回報(bào)差甚至信任缺失等嚴(yán)重問(wèn)題。也正是因?yàn)檫@些精準(zhǔn)高質(zhì)量數(shù)據(jù)難以獲得，吸引了一大波AI創(chuàng)業(yè)公司蜂擁而入醫(yī)療影像市場(chǎng)淘金。

事實(shí)上，普通的醫(yī)療影像數(shù)據(jù)可以說(shuō)遍地都是，但醫(yī)學(xué)上很多疾病數(shù)據(jù)實(shí)際上是很少的。一家醫(yī)療單位可能僅有一兩百病例符合標(biāo)準(zhǔn)，甚至可以說(shuō)沒(méi)有一家醫(yī)院敢說(shuō)自己擁有幾千例這樣的符合標(biāo)準(zhǔn)的圖像數(shù)據(jù)?？赡芤患裔t(yī)院有數(shù)萬(wàn)病例，但基于不同的疾病、檢查方式、研究目的區(qū)分之后，數(shù)據(jù)一下子就會(huì)變得很少。醫(yī)療數(shù)據(jù)不像購(gòu)物那么簡(jiǎn)單，醫(yī)療數(shù)據(jù)很多是不確定的，很難打通，這種情況下，具備完整信息的病人資料就尤其寶貴。拿肺癌或其他腫瘤來(lái)說(shuō)，在大醫(yī)院，滿足要求的可能只有10%-20%，這已經(jīng)算不錯(cuò)的；在二甲等地方醫(yī)院，很多病人做了檢查之后，就去上級(jí)醫(yī)院看病去了，有完整資料的病人可能只有1%-2%。

正是因?yàn)槿狈τ行?shù)據(jù)的訓(xùn)練，使得如今的醫(yī)療機(jī)構(gòu)利用AI來(lái)做醫(yī)療影像篩查頗具成本壓力?，F(xiàn)在，能看的病不多是AI面臨的一個(gè)很大的問(wèn)題。比如一個(gè)放射科醫(yī)生能看100種病，可能AI現(xiàn)在在其中7種、8種病上已經(jīng)比醫(yī)生看得更出色，但是還有剩下的92、93種病它其實(shí)是無(wú)能為力的。所以，真正要達(dá)到解決問(wèn)題，徹底降低醫(yī)生的負(fù)擔(dān)，減少對(duì)醫(yī)生的數(shù)量需求，應(yīng)該說(shuō)現(xiàn)在還遠(yuǎn)遠(yuǎn)沒(méi)有到這個(gè)時(shí)候。

這也就會(huì)出現(xiàn)醫(yī)療機(jī)構(gòu)還得專門雇一個(gè)專業(yè)醫(yī)生，并攤付額外的成本的現(xiàn)狀。此時(shí)，究竟AI對(duì)于醫(yī)療機(jī)構(gòu)到底是負(fù)擔(dān)還是幫襯，值得商榷，所以現(xiàn)在很多AI醫(yī)療影像設(shè)備放在醫(yī)院其實(shí)是吃虧的，如何將其變成一個(gè)剛需是需要考慮的問(wèn)題。如果全中國(guó)的‘AI+醫(yī)療公司’能夠形成聯(lián)盟，大家可以相互分工，各有所長(zhǎng)，而不是都做同一件事情，最后形成某種意義上技術(shù)共享，達(dá)成一個(gè)真正意義上的醫(yī)院不需要再雇傭DR醫(yī)生的水平，這就變成剛需了。

為輔助醫(yī)療機(jī)構(gòu)解決數(shù)據(jù)標(biāo)注這一大問(wèn)題，匯醫(yī)慧影打造了全周期的AI平臺(tái)，我們的全周期AI平臺(tái)目前基本上實(shí)現(xiàn)了在臨床過(guò)程中醫(yī)生可以去使用人工智能技術(shù)去做輔助診斷，在診斷過(guò)程當(dāng)中平臺(tái)可以生成結(jié)果化的報(bào)告設(shè)計(jì)，讓數(shù)據(jù)比之前隨便寫的報(bào)告更加規(guī)范化，這些數(shù)據(jù)到數(shù)據(jù)銀行，數(shù)據(jù)銀行會(huì)提供一些標(biāo)注工具，讓它的數(shù)據(jù)更加規(guī)范清晰，然后再轉(zhuǎn)回到我們的算法平臺(tái)。目前，這個(gè)算法平臺(tái)有一部分現(xiàn)在已經(jīng)開(kāi)放給醫(yī)生使用，而且算法平臺(tái)會(huì)根據(jù)圖像不斷產(chǎn)生各種各樣算法模型出來(lái)，再經(jīng)過(guò)臨床驗(yàn)證以后，它可以再次恢復(fù)到臨床使用場(chǎng)景，所以它是一個(gè)數(shù)據(jù)和臨床應(yīng)用的全周期。