2016 年至今，全世界都在说，人工智能的拐点已来。从世界级的玩家谷歌、IBM，到疯狂的投资人和创业者，都在进行抢点布局，甚至军备竞赛。人工智能正在全球性地走向繁荣。

面对如此汹涌而来的人工智能浪潮，我们该如何看待？如何思考？动脉网作为这一浪潮的见证者，势必要为它留下些什么。

动脉网·蛋壳研究院2017年重磅作品——《2017医疗大数据和人工智能产业报告》即将在9月16日医疗健康大数据与人工智能产业实践论坛发布。

该报告全文一共10万字， 由蛋壳研究院历时一月，查阅超百万字的资料、采访数10家人工智能公司高层后整理而成。这是动脉网有史以来最为系统地对人工智能医疗领域做出的一次梳理，详细讲述了医疗大数据和人工智能企业的底层技术、医疗人工智能九个细分领域、医疗人工智能企业现状等，并搜集了超过60家国内外企业案例。

同时，动脉网蛋壳研究院尝试用我们自己的方法论，来客观描述人工智能+ 医疗各细分领域的发展状况。我们对目前海内外一共192家医疗人工智能企业的投融资做出了梳理，并首次绘制了人工智能医疗细分领域的技术成熟度曲线供业内人士参考。

获取完整报告，有以下两种方式：

一、报名参加9月16、17日的2017长江产业论坛（秋季）暨医疗健康大数据与人工智能大会（点击报名），获取全文报告纸质版，查看人工智能医疗企业清单、了解各领域发展现状。

二、扫描下文二维码，成为动脉网正式会员，即可在9月16日报告正式发布后获得《2017医疗大数据和人工智能产业报告》完整电子版。

以下是报告部分内容的精编连载，实际内容更加丰富。

医疗大数据与人工智能产业报告II：医学影像部分

现代医学是建立在实验基础上的循证医学，医生的诊疗结论必须建立在相应的诊断数据上，影像是重要的诊断依据，医疗行业80%～90%的数据都来源于医学影像。所以临床医生有极强的影像需求，他们需要对医学影像进行各种各样的定量分析、历史图像的比较，从而能够完成一次诊断。

“人工智能+医学影像”便是计算机在医学影像的基础上，通过深度学习，完成对影像的分类、目标检测、图像分割和检索工作，协助医生完成诊断、治疗工作的一种辅助工具。

我们人工智能在图像处理上的能力分为四类：影像分类、目标检测、图像分割和图像检索。

医学影像+人工智能的主要工作模式

我们以肝部疾病筛查为例，为大家阐述人工智能参与医学影像的方式：

人工智能参与医疗过程首先要做的是获得大量带标注的医学影像样本，然后尝试在其中找到一些关键点。比如说靠近肺和靠近肝的点，把关键点找到以后，结合肝的形状鲜艳模型，设定一个初始化模型，再通过机器学习的方式学到边界应该是怎么样的，病变是怎么样的，尽量的逼近它的边界信息，再通过它的形状特征进行进一步的完善，最后获得好的分割、筛查结果。这一过程便是人工智能对图像的定位、分类和切割。

当我们将脏器分割、病变标记出来以后，就知道了这个部位有没有患病，但是并不知道是患了什么病，病情发展到了什么程度。这个时候便需要对病理图像进行分析，获得辅助判断依据。

病理分析是抽取疑似病变活体，放在显微镜上细胞形态分析的一种检验方式，是目前癌症的主要确诊方式。数字病理图像往往非常大，比如部分肿瘤病理图像的尺寸达到了20万×20万像素，甚至40万×40万像素，有非常多的细胞需要分析。这是极大的分析量，医生需要花费大量时间进行比对。随着病理图像包含的信息不断增加，这一工作交给医生来做开始变得不现实。

通过搭建神经网络和利用深度学习算法，人工智能系统对包含各种病变形态细胞的病理库进行大量训练，获得识别病变细胞特征的能力。利用之前提到的分割算法，将细胞分割出来，通过大量比对，识别出细胞的病变形式及发展程度，为医生做出最后诊断提供辅助依据。

医院大数据里85%左右的存储容量被影像数据所占据，现在的计算机可以识别结构化的文本数据和结构化的影像数据，且正在探索将功能性医疗图像和结构性图像相融合的方式，以获得更好诊疗效果。将上述四项能力进行组合，便得到了人工智能在医学影像上的具体应用场景。

传统方式和人工智能读片的区别

人工智能在医学影像领域目前的应用方向主要有三类，即疾病筛查、病灶勾画、脏器三维成像。我们总结了人工智能在医学影像方面主要覆盖的方式以及主要使用的医学影像类型，接下来，我们将仔细介绍人工智能在目前最为火热的肺部筛查、糖网筛查、病灶勾画、脏器三维成像和病理分析的应用情况。

目前人工智能在人体医疗影像检查中的作用

肺部筛查

人工智能进行肺部筛查的步骤为：使用图像分割算法对肺部扫描序列进行处理，生成肺部区域图，然后根据肺部区域图生成肺部图像。利用肺部分割生成的肺部区域图像，加上结节标注信息生成结节区域图像，训练基于卷积神经网络的肺结节分割器，然后对图像做肺结节分割，得到疑似肺结节区域。找到疑似肺结节后，使用3D卷积神经网络对肺结节进行分类，得到真正肺结节的位置和置信度。

肺部疾病的影像筛查

糖网病筛查

糖网病主要症状和检查点

糖网病是“糖尿病性视网膜病变”的简称，是常见的视网膜血管病变，也是糖尿病患者的主要致盲眼病。

因为糖网病早期往往没有任何临床症状，而一旦有症状，病情已较严重，容易错过最佳治疗时机。所以糖网病的治疗效果取决于治疗是否及时。但是由于我国眼科医生匮乏、居民重视程度不高，目前我国糖网病筛查的比例不足10%。

我国糖网病发病率统计

糖网病筛查没有大面积普及，一方面是因为医生少、患者多，另一方面也存在一些客观问题：

1.糖网病患者基数大，增长快，眼底设备的普及速度远远无法满足需求。但是由于眼底设备昂贵，对于欠发达地区来说，大量采购并不现实。

2.随着人们对糖网病筛查的重视以及国家的推进，眼底读片的需求在增加，现有医生的数量已经无法承担这些工作量，导致医生过劳，误诊、漏诊的情况出现。另外，有经验的医生也并不愿意一直做读片的工作，他们希望有更多的时间做一些研究，出新的成果。这就导致医生的数量更加紧张。

3.从事眼底读片的医生医生培训速度慢，存在差异性。也就导致不同的医生读片结果存在差异，致使诊断结果缺乏定量信息。

4.眼底读片的数据管理与分析操作难度大，目前现状是数据简单存档保存，但数据整理工作量大，因此读片数据再次利用难度很大。

5.糖尿病患者往往因为高龄或罹患全身多系统并发症而出行不便，居住地又距地区内有足够眼病服务能力的医疗机构较远，在医疗机构等待或检查时间又较长。

这些痛点主要原因是医患供需不平衡导致的，而图像识别是人工智能的专长，利用人工智能进行初步筛查，将大大改善目前糖网病筛查的现状。

目前利用AI进行糖网病筛查的有以下9家公司：

人工智能糖网病筛查公司

靶区勾画

靶区勾画与治疗方案设计占用了肿瘤医生大量时间。

病人被确诊为肿瘤时大多是很恐慌的，身体上出现一点风吹草动都要去问医生，而著名三甲医院的肿瘤科通常是人满为患，医生除了要看病，还有科研等其他的工作任务，面对病患没完没了追问的时候，他们也会烦躁。

基层医疗机构肿瘤科医生缺乏经验，很多时候他们不敢轻易地为患者做治疗方案，只能转诊，这又加剧了三甲医院医患的矛盾。所以利用新科技来提高医生的效率，提高基层医生治疗水平与自信心是医院很关心的事情。肿瘤治疗过程中有两项工作占用了医生大量的时间和精力，他们分别是靶区勾画与治疗方案设计。

放疗是肿瘤三大治疗方式中最为主流的治疗方式（其他两种是手术和化疗），相对于诊断，治疗更切入医疗的核心。每个肿瘤病人的CT图像在200张左右，医生在勾画的时候，需要给每个图片上的器官、肿瘤位置进行标注。这个过程按照传统的方法要耗费医生3-5个小时，找到肿瘤位置之后，医生还需要根据肿瘤的大小、形状等设计放射线的具体照射方案或者手术方案，这里面也包含了不同位置不同的放射剂量。

如果一切顺利，这位患者按照医生最初的设计方案治疗、好转，最后康复。但是有些时候事与愿违，第一个疗程的治疗由于靶区勾画的不准确或者肿瘤的变化，导致治疗无效（肿瘤组织减少小于30%），这个时候就需要更改治疗方案，这就需要医生重新为病人做勾画，做方案。

智能靶区勾画软件界面

我们国家肿瘤病人平均的等待时间为2-3周，医生把时间放在一个病人身上，另一个人就要继续等待，而这有可能会错过最佳治疗期。

靶区勾画与治疗方案设计具有一定的技术含量和需要医生的经验，但是其中包含了大量的重复工作，这些劳动密集型的工作是人工智能的专长，利用AI做这些事情将节约肿瘤医生大量的时间。

脏器三维成像

脏器三维成像VR 演示

脏器三维成像是人工智能以核磁共振、CT 等医学影像数据为基础，对目标脏器定位分割，在电脑上显示患者的内部情况。将病人的核磁共振、CT等病情影像数据输入，在电脑上显示患者的内部情况。医生手中的探针指向哪里，系统实时更新显示，让医生对病人的解剖位置一目了然，使外科手术更快速、更精确、更安全。

自动重构器官真实的3D模型，实现医生可通过专用设施，在增强现实的虚拟空间里全方位直接观看到患者真实人体结构的解剖细节，并可通过手势和语音操作，实时进行器官和病变的立体几何分析，精确测量目标结构的区位、体积、径线、距离等参数，同时还可进行虚拟解剖作业、模拟手术切除、手术方案设计和手术风险评估。

病理分析

就算是经过严格训练的病理医生，他们对同一个患者的诊断也存在差异性，这种差异性是造成误诊的重要原因。例如，医生对某些形式的乳腺癌和前列腺癌的诊断一致性低至48%。

医生所做缺乏一致性并不奇怪，因为要想做出准确的诊断，医生必须在大量的检查信息上进行判断。通常情况下，病理医生负责审查病理切片上可见的所有生物组织，但是每个患者有很多病理切片，经过 40 倍放大后每个切片上都有 100 多亿的像素（10+gigapixels)。想象一下要浏览 1000 多个百万像素的图片，还要为每个像素负责。这需要阅读大量的数据，但是医生的时间往往是不够的。

为了解决有限的时间和诊断准确性的问题，将人工智能引入数字病理学研究成为了最好的办法。人工智能可以缩短病理诊断的时间、提升诊断效率，最主要的是，它还能提供更加准确的诊断结果。人工智能的有效使用可以真正帮助病理医生提升判读水平，从精准诊断开始，真正实现精准医疗。

人工智能检测肿瘤病理图像结果

人工智能的参与给数字病理研究带来了革命性的变化。谷歌公布了他们利用深度学习算法辅助病理医生工作确定病理图像是扩散到淋巴结的乳腺癌还是扩展到临近乳房的乳腺癌的情况。

目前国内已有多家企业将人工智能引入到了病理学的研究。

我们对目前人工智能医学影像公司的运行情况进行了详实的调研，得到了一张表。这张表充分反映了人工智能公司数据来源、数据量以及落地情况。但由于各个公司处于不同的发展阶段，所采用的市场策略也不同，所以该数据只具有反映行业发展情况的价值，没有对比分析的价值。 

（具体表格请在报告中查看）

表里的调查数据如下：

真阳性：要评估的技术判定为有病（阳性）且金标准也判定为有病的病例数（用a来表示）。

假阳性：要评估的技术判定为有病（阳性）而金标准判定为无病（阴性）的病例数（用b来表示）。

假阴性：要评估的技术判定为无病（阴性）而金标准判定为有病（阳性）的病例数（用c来表示）。

真阴性：要评估的技术判定为无病（阴性）且金标准也判定为无病的病例数（用d来表示）。

根据以上四个数值就可以得出这种方法的敏感性、特异性、阴性预测值和阳性预测值。

敏感性=a/(a+c)

敏感性也称真阳性率，反应某种方法判定某病变的漏诊率。敏感性一般以百分数表示，敏感性越高，则漏诊率越低。用来筛查某种疾病的方法必须敏感性高，这样才能减少漏诊。

特异性= d/(b+d)

特异性也称真阴性率，反应某种方法判定某病变的误诊率。特异性一般也以百分数表示，特异性越高，则误诊率越低。用来筛查某种疾病的方法并不一定要求特异性特别高，在一个合理的范围即可接受。

从目前的发展情况来看，各个公司都很重视临床数据，在训练数据的时候都会用到临床数据，即使在创业初期是用公开数据集下载的数据来训练模型，后来随着公司的发展，也逐步贴近临床。

目前无论是哪个公司，涉及哪个疾病，他们的系统敏感性都超过了90%，这个数据是医生最在乎的。敏感性差的话，没有查出疑似结节，医生有可能要承担责任。浙江省人民医院放射科主任龚向阳表示，特异性和敏感性兼顾起来是很难的，所以很多公司在开发系统时会优先考虑敏感性的问题，在保证敏感性的前提下，提高特异性。

需要说明的是，目前有些公司的敏感性和特异性数据有些是在特定数据集下的数据，而不是临床数据。这些数据只能证明他们的研究进展，而不能对比。

同样的，训练数据各家公司也有不同，数据量大的公司，只能说明他们和医院的关系很好，数据量并不完全代表他们的系统好快，而且数据质量、数据完整度、标注情况各家公司也不相同，此数据不可做比较。

1.优化目标的定义，也就是说问题本身的定义如何

2.能否拿到足够多的可用数据。

3.模型的可解释性

医学影像已经成为了人工智能在医疗领域最热门的方向。我国医疗影像领域已经涌现了大批的人工智能创业公司，腾讯、京东等大公司也开始布局，研究如何让机器识别病灶，并判断肿瘤的良恶性，但是大多数的公司现阶段仅仅是利用影像信息作判断。

动脉网此前采访过一系列的医生，他们表示利用机器识别病灶确实帮助医生减少漏诊，提高效率，但是判断肿瘤的良恶性以及患者罹患哪种癌症，是需要结合临床信息、病理信息甚至是基因测序来判断的，而仅凭借放射影像只可以识别肿瘤的位置、大小。

综合下来，医学人工智能合作研发的新形势有两种，一种是独立研发、另一种是组建联盟。他们的出发点不是像阿里、百度那样组建一个全面的平台，而是根据实际的临床需求、医院需求和公司需求自然形成的一种商业或研发模式。

“医学影像人工智能+”这种概念就像“互联网+”一样，虽然目前的合作领域是临床信息、基因检测、病理信息等，但是未来一段时间它可以和更多医疗人工智能领域合作。而且以后也不仅局限于以医学影像人工智能为中心的合作方式，也有可能是各医疗人工智能领域的交叉合作。这种形式可以帮助医学影像AI产品的落地，让医学影响AI产品更加的接近医院、医生的真实临床场景，做好医生的助手。

《2017医疗大数据和人工智能产业报告》全文目录如下：