张勇
西充县人民医院CT室 四川南充 637200
随着人口老龄化问题的显现以及人们对健康与日俱增的要求，医疗数据急剧增加，在众多医疗信息中，医学影像是疾病筛查和诊断、治疗的最主要的信息来源，也是最为被看好的未来人工智能医学发展的重要组成部分，是最可能率先实现落地应用的人工智能医疗领域。
一、现阶段医学影像人工智能在临床的应用
1、智能辅助诊断肺部疾病
国内应用AI+CT影像最为成熟的领域在肺结节的识别上。AI能够有效识别易漏诊结节比如6mm以下实性结节和磨玻璃结节，且准确率在90%左右，同时能提供结节位置、大小、密度和性质等。除此之外，能对肺结核、气胸、肺癌等肺部疾病进行筛查。
2、智能辅助诊断眼底疾病
目前应用最为广泛的是筛查糖网病。糖网病是常见的视网膜血管病变，也是糖尿病患者的制药致盲眼病，早期往往没有任何临床症状，一旦有症状已错过最佳治疗时机。
我国糖网病患者约2700万，随着人们对糖网病筛查的重视，眼底读片需求增加，但从事眼底医疗服务和研究人员仅800～100人，医疗资源严重匮乏，误诊、漏诊情况较多。将人工智能应用到眼底读片中，进行初步筛查，可大大改善目前糖网病筛查效率。
AI通过对眼底图像的深度学习，可实现对部分眼底疾病，除了糖网病，还有青光眼、老年性黄斑变性、白内障和黄斑裂孔的诊断。
3、智能辅助诊断脑部疾病
目前脑部疾病的智能诊断包括脑出血、内动脉粥样硬化诊断、颅内动脉瘤诊断和颈动脉易损斑块评估等。
其中，脑出血是神经内外科中高致死致残率的一种难治性疾病。AI+头部CT，基于机器视觉与深度学习技术，可以迅速定位脑出血区域，精确量化出血体积，判断是否存在脑疝，同时，能以秒级速度完成专业要求高、耗费时间长的影像评估，协助医生准确判断，让患者第一时间获得最优治疗方案。
4、智能辅助诊断神经系统疾病
AI在神经系统疾病里的应用主要包括癫痫、阿尔兹海默症、帕金森病。AI可以将患者的影像数据进行处理分析，并与正常人群组做统计比对，从而计算得到代谢异常的病灶大小、位置等信息，通过认知技术，给出治疗方案的建议以及治疗效果的预测。
5、智能辅助诊断心血管疾病
AI可以在胸部CT数据基础上，利用深度学习技术和图像处理技术，设计特定算法后评估冠状动脉易损斑块，进行冠心病智能辅助诊断，规划支架手术置入方案等。同时还可以智能诊断主动脉疾病类型、主动脉瘤等复杂疾病。
二、现阶段医学影像AI发展的瓶颈
尽管医学影像AI目前发展趋势良好，但仍然存在发展瓶颈。产品形态并未完全符合临床应用场景，种类也远不及临床常见部位和种类。
从监管层面来讲，还没有确定的AI产品分类和分级，临床验证也没有规范性的方法，验证方式也没有得到统一，这也使得论证的时候往往会存在很大的争议，导致工作重复或无效。
从商业层面来讲，AI产品的商业形式多样，定价困难，付费主体还未得到清晰确定；数据的所有权、使用伦理、安全性等问题也没有明确规范和清晰的法律法规可参考。
从医院层面来讲，AI产品CFDA三类证的签发，将推动AI产品的临床评价、标准规范、效果、风险和安全合规等体系逐步建立。
人才缺失、数据库的建立和商业化落地是目前影响AI发展的三大因素。
在全球人工智能领域人才缺乏的背景下。中国存在缺口500万左右，而目前中国只有5万左右人工智能人才，且水平参差不齐。培养一流AI人才已经成为国家的急需和战略方向之一。
另一个因素是数据库的建设。目前可公开的数据库很少，数据的标注标准也不统一。数据库建设是一个门槛很高的领域，需要行业学会的权威专家制定权威标准和规范，对图像进行分割、标注，在这个基础上建库，继而形成其它训练、检测等用途。由于缺少经济和人力的支持，面对相对较高的数据加工成本，导致数据库建设不足、进程缓慢。
最后是商业化，商业化是所有公司的痛点，面临的瓶颈也很多，各个公司正努力寻求落地方式。设备公司可以将AI产品整合到设备中进入医院使用，信息化通过信息化系统进入，另外有的通过科研合作、临床研究、临床验证进行临床使用。
三、医学影像AI在未来的展望
1、向产品多样化发展。
从产品分类上来看，目前，57家初创企业中，从事影像诊断的占77%，搭建云平台的只有7%，其它病例诊断、放疗、手术辅助等占5%，这些大部分都集中在影像诊断大分类上，总体而言太为拥挤。
从病种来看，主要集中在肺部、眼部、心血管，在病种上泛化不够。从产品的分类到病种上都需要进一步向多样化发展、扩大覆盖面。
2、加深产品功能垂直深度。
以肺结节为例，理想模型不仅要检出病灶，还要实现图像的分割、量化、定性、随访等信息，最后出具结构化报告。在整个影像工作流程呈现全链条、全栈式的深度解决方案。从冠脉的解决方案看，产品不仅包括图像处理功能，还包含疾病诊断和结构化报告，如果结构化报告符合质控要求，才能真正解决临床工作中的影像痛点。
3、单部位向多部位发展或者单病种向多病种多任务模型发展。
临床影像检查是基于部位申请和实施的，一个部位包括多个器官，一个器官包括多种疾病。倘若影像AI临床上只能检测出单一器官里面的某一种疾病是远远不够的。
比如肺部不仅有肺结节，还有间质性增生、肺炎等等各种病变，肺的AI模型就需要检出肺部的各种病变。一个病人去做胸部CT，不可能只针对肺组织，还要看心血管系统、纵隔、胸壁、横隔等，这些解剖部位的疾病也都要能够检出，这样才能满足临床的需求。
基于部位的多病种、多任务模型，是未来临床场景的发展方向。
4、软硬一体化是未来的发展趋势。
AI作为深度学习的模型，对于普通消费者来说不易感知，需要借助载体看到产品的形态。
AI算法与硬件融合，可以提升智能密度，降低50%-80%建设投入；而软件功能的有效释放则需要硬件、硬件系统架构支撑及人机交互界面，从而使得AI产品能够最为有效的满足病人的治疗需求和医生的诊断需求。