AI技术在医学影像中的应用及行业发展现状
声明：本文为火石创造原创文章，欢迎个人转发分享，网站、公众号等转载需经授权。
随着技术飞速发展、医学数据的持续扩增以及硬件设备的不断提升，人工智能和医疗的结合方式越来越多样化。目前AI在医疗领域中的落地的应用场景主要有医学影像、智能诊疗、智能导诊、智能语音、健康管理、病例分析、医院管理、新药研发和医疗机器人等，其中在医学影像中的应用最为广泛。
一、影像医学发展现状
医学影像是医生完成诊断的主要依据，通过对影像的分析和比较，从而完成有依据的诊断。但是在实际过程中，往往会存在以下问题：
（1）影像学诊断人才资源紧缺。医疗机构普遍缺乏高水平的影像医师，在疾病诊断时往往会发生同病异影，异病同影等情况。
（2）传统定性分析存在诊断误差。医生普遍擅长定性分析，很多微小的定量变化无法通过肉眼判断，很难做到定量分析。
（3）医生阅片时间长。目前的影像呈现方式为数据和图像，而不是最有效的信息，很大程度上限制了医生的人工阅片速度。
二、AI+医学影像助力疾病诊断
通过引入人工智能可有效解决部分问题，目前人工智能在医学影像领域的应用方向主要以下几类：
1.影像设备的图像重建
AI可以通过算法的图像映射技术，将采集的少量信号恢复出与全采样图像同样质量的图像，而且使用图像重建技术，可以由低剂量的CT和PET图像重建得到高剂量质量图像。这样在满足临床诊断需求的同时，还能够降低辐射的风险。
2. 智能辅助诊断疾病
（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。
3.智能勾画靶区
目前，放疗是肿瘤病人的主要治疗方式之一，而病变器官的正确定位及精准勾画是放疗的基础和关键技术。因此，在放疗之前首先需要对CT图像上的器官、肿瘤位置进行标注，按照传统方法，一般需要耗费医生3～5个小时。
通过应用AI技术可大幅提升效率，AI智能勾画靶区的高准确率能够很大程度避免由于靶区勾画的不准确导致的无效治疗。目前，AI+靶区勾画已经成功运用在肺癌、乳腺癌、鼻咽癌、肝癌、前列腺癌、食管癌和皮肤癌上。
4.智能判断病理切片
病理切片的判断是一项复杂的工作，往往需要医生具有非常丰富的专业知识和经验，而且即使具有专业经验的医生，也容易忽略不易察觉的细节从而导致诊断的偏差。而将人工智能引入病理病理切片的研究，通过学习病理切片细胞层面的特征，不断完善病理诊断的知识体系是解决读片效率以及诊断准确值的最好的办法。
5.其他智能辅助诊断方案
人工智能在医学影像中的应用还包括脏器的三维成像、超声辅助甲状腺结节、骨龄分析、骨折智能诊断等。
三、部分AI+医学影像企业及其业务模式
AI+医学影像产品和企业不断涌现，根据火石创造数据库显示，目前国内AI+医学影像企业数量超100家，单笔融资过亿的案例近20起，融资总额超过26亿元。部分公司及其涉及其业务模式见附表：
附表 部分AI+医学影像公司及其业务模式
四、小结
医学影像现已成为人工智能在医疗领域最热门的方向，但在实际应用过程中还是存在一定挑战，例如，数据获取及数据标注问题、缺乏行业标准、注册审批缺乏指导原则、技术创新问题等等。但随着AI相关技术的不断发展，国家相关政策的不断完善，相信AI+医学影像将在未来快速实现商业化。
—END—
作者|杨欣
责编|老姜
深度学习技术在医疗领域中的应用
声明：本文为火石创造原创文章，欢迎个人转发分享，网站、公众号等转载需经授权。
随着医疗信息化和数字化诊断的发展，医疗监测指标不断增长，数据量越来越庞大，亟需强大的数据处理能力为医疗领域提供有力的支持。深度学习，作为AI领域炙手可热的一个分支，在语音识别和计算机视觉等方面得到飞速发展，在医疗领域的应用越来越落地。
一、认识“深度学习”
人工智能（ArtificialIntelligence，AI）是研究模拟、延伸和扩展人的智能的一门技术科学，AI技术可以在很大程度上提高工作效率，替代简单的人工劳动。新一代AI技术以大数据和机器学习为代表。机器学习作为一种高性能的AI技术，依赖于计算机的高性能存储能力和运算能力，可以基于大数据自动学习建立高效率、高准确率的算法。
深度学习本质上是一个复杂的机器学习算法，在语言和图像识别方面取得的效果远超过先前相关技术，在搜索技术、数据挖掘、机器学习、机器翻译和自然语言处理等领域取得了很多成果[1]。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，已经实现了许多机器学习方面的实际应用。
简单说，人工智能范围最大，涵盖机器学习、深度学习和强化学习。如果把人工智能比喻成孩子大脑，那么机器学习是让孩子去掌握认知能力的过程，而深度学习是这种过程中很有效率的一种教学体系。目前，常见的深度学习模型主要包括深层神经网络(DNN)、卷积神经网络(CNN)和循环神经网络(RNN)等。
二、盘点“深度学习”在医疗领域的应用
生物信息领域产生分子层面的基因突变、基因表达等数据；制药企业在药物研发过程中产生的临床试验数据；疾病患者或药物使用者在社交媒体发布的患病及用药感受；医疗移动设备收集的用户日常健康数据等。这些是医药大数据的主要构成部分，其对于医院的疾病辅助诊断和治疗方案确定、制药行业的研发及营销效率、监管部门对于流行病的预测和对药物不良反应的监测、患者的个性化治疗和个人健康管理等都具有重要意义。
深度学习作为大数据分析所涉及的关键技术之一，由于其克服了传统机器学习算法依赖人为特征建立与筛选的限制，在语音识别、视觉对象识别、目标检测、药物发现等诸多领域都取得了较好的实践结果[2]。目前，深度学习主要集中于对医学图像、电子病历、药物研发和基因组学的分析等。根据PubMed近十年的文章发布数目及趋势，可以看出，医学图像领域是当前深度学习研究和应用的热门领域。
（一）医学图像识别
据悉，目前我国医学影像数据年增长率约为30%，而放射科医师数量年增长率仅4.1%，放射科医师数量增长远不及影像数据增长。这意味着，医学图像识别领域存在巨大缺口，市场潜力巨大。
1.深度学习如何应用在医学影像领域
以深度学习为代表的“特征学习”，让计算机能以大数据为基础自动寻找目标的高维相关特征值，建立数据处理通道模型，实现全自动的智能处理流程，完成在指定应用场景下的目标的检测、分割、分类及预测等任务。其在医疗影像的应用，无需人工干预就可以通过深度学习的方法提取影像中以疾病诊疗为导向的最主要的相关特征，对医疗影像图像进行“阅片”，实现病灶的识别、定位、分类及预测等工作。
人工智能深度学习在医疗影像方面的应用可分为三个层级：（1）第一层为病灶检测，即对可疑病灶进行识别和勾画；（2）第二层是病灶量化诊断，帮助医生鉴别疾病良恶性、分型分期等；（3）第三层是治疗决策，未来有望通过影像数据和临床数据的相关性分析，帮助临床医生给出科学合理的治疗决策及预后预期。
医疗影像AI系统具有两大优势:（1）高准确率、高效率、高可靠性造就了出色的性能表现，并且这些性能还将在未来得到不断提升；（2）可复用性、可移植性、可延续性等优势更是令人类影像医生无法与之相比[3]。
2.典型企业案例分析
推想科技作为一家人工智能医疗创新高科技企业，利用深度学习技术，发展包括AI部署管理平台、AI大数据挖掘科研平台以及AI临床应用平台在内的医疗AI全流程平台，打造临床辅助、医疗质控、健康管理以及科研创新等医疗AI产品。截至2019年6月，推想科技的执行点已经覆盖全国32个省级行政区，同时完成了北美、亚太以及欧洲的战略布局，覆盖全球8个国家，每日完成辅助质控超40000例病例。推想科技已经成功晋身为“独角兽”企业。
汇医慧影作为一家致力于计算机视觉和深度学习技术应用的医学影像人工智能高新技术企业，将云胶片与AI辅诊结果结合在一起，即患者通过微信、短信、APP等在获取胶片时能够收到相应的人工智能辅诊参考结果。除了打磨AI辅助诊疗的工具外，汇医慧影也在不断完善数据中台建设，实现上述人工智能辅诊服务的运作，已经成为行业的佼佼者。
数坤科技作为国内领先的心脑血管AI公司，专注于心脑血管领域的影像辅助诊断，已经走在前列。自2018年初在全球范围内首推冠脉CTA人工智能辅助诊断系统以来，数坤科技的心脏疾病AI产品，包括冠脉CTA，冠脉CTFFR、斑块成分分析、门控钙化积分、主动脉形态与功能，已经覆盖形态学到功能学冠心病AI诊疗全链路，并落地于北京安贞与阜外医院等心血管头部医院和全国150多家三甲医院。
（二）电子病历
电子病历中的数据主要为自由文本，除了结构化的病人基本信息外，还包括非结构化的诊断信息、用药信息、检查信息、临床记录等，加上个人电子病历的时序性，人工方法或原有的计算方法难以对其进行分析与利用。
深度学习具有对大量数据进行分析的能力，通过特征提取及算法优化等，针对某一种疾病进行大规模分析，从而得到病因、发病率、用药效果等全面信息；此外，也可以针对同一病人不同时间节点的持续分析。因此，对个性化治疗、疾病预测、临床诊断等都具有重要意义。
研究结果显示，与传统预测方法相比，深度学习实现了对异源数据更加快速且有效的利用，使用深度学习模型对大量异源电子病历中的住院死亡率、30d内再住院、住院时间延长以及病人出院诊断都取得了较好的预测效果。
另有研究显示，根据约18万名慢性病患者的当前健康数据、电子病历中的医疗记录和人口基本信息，利用深度学习的方法对病人是否存在高血压风险进行预测，最终获得82%的准确率，这对于疾病辅助诊断及病人自我健康管理都具有重要意义。
（三）药物研发
传统的基于单一靶标的药物研发过程因效率低、开支高，难以满足市场需求。“基于系统的药物设计”将药物分子信息与疾病调控网络、基因组、蛋白质组、代谢组等各类数据信息进行综合利用，是未来的药物设计方向之一。
LinkedOpenDrugData(LODD)以RDF的形式关联了有关药物的不同方面信息，例如药物对基因表达的影响、药物全面的靶标信息等，方便研究者通过检索关键词（例如“阿尔茨海默综合症”），从而得到与其相关的所有动态、可视化的信息（疾病特征、相关基因、药物等）。
深度学习算法是一种非常适合于大数据分析的机器学习算法，具有“抽象概念”处理能力。使用深度学习算法，能够改进以往药物设计与药物信息中已建立的多种机器学习模型。在药物小分子结构信息处理上，由于化学分子数量多、结构复杂，使用传统的算法处理信息时能力常有不足，而使用深度学习等算法能够改变这一局面，促进化学信息学的发展。
另外，大数据分析方法对于组学和系统生物学等复杂数据具有较强的分析能力，可以促进基于系统的药物设计和药物信息研究的发展，如药物靶标鉴定和关键靶标的选择和组合等。以中药信息研究为例，中药的药理学和毒理学研究是一个复杂问题，包括中药的复方、药材、分子成分和含量、分子代谢、对应症、中药分子和靶标之间复杂的相互作用等，以上因素之间存在多重关联关系，这些复杂的动态和非线性特征均显示深度学习等大数据分析方法可应用于上述领域。
三、深度学习未来应用领域
（一）疾病治疗决策
随着对某一疾病的研究愈发深入和深度学习模型的准确度逐渐提高，未来将有望搭建针对各个疾病的预测诊断平台，从医院和患者的实际需求出发，将疾病的综合信息和患者的个体化信息综合分析，为医生的诊断提供参考意见。
如卢春城利用开源深度学习平台—TensorFlow搭建糖尿病预测模型，深入研究数据预处理的相关理论，根据前向传播算法和BP算法搭建深度神经网络（DNN）作为分类器，搭建糖尿病预测诊断平台。实验结果表明，基于深度神经网络（DNN）算法构建的预测模型相比于传统的机器学习预测模型有一定的优势。随着数据集的增大，深度神经网络模型的优势会更加显现，可以不断提高预测的准确度，从而为患者的疾病诊断、合理用药提出参考意见，并预测患者的康复时间等相关信息[6]。
（二）中医健康管理
中医健康管理是基于传统中医基础理论的发展并和现代科学管理理念相结合，包含了健康信息采集、状态辨识、干预和疗效评价等方面的内容，主要指在中医理论指导下，对个体所表现出的外在表征信息，进行综合分析，从而对个体人整体反应状态（包含程度、部位、性质）做出的判断，辨别生命所处的状态。
深度学习技术可以根据表征参数，辨别状态要素，从而判断机体所处状态。表征参数的采集格式可以是文字、数字、图像、声音等多种来源，通过四诊规范化进行统一规范，再进行辨识分析。随着技术的发展，也可以采用多源异构的方法，直接采用多种格式、多种途径来源的数据直接进行分析，如此，资料的丢失率会更低，相应的准确率会更高。借助AI技术，中医健康管理将更好地发挥作用，为人类健康事业做更多贡献[7]。
四、小结
综上所述，基于深度学习的人工智能技术能在一定程度模拟人类的思维，并从新的信息中进行学习，建立自组织学习机制，为其在复杂的医疗领域提供了新的解决方案。目前，深度学习的应用主要集中于医学图像、电子病历、药物研发和基因组学的分析等方面，未来应用领域包括疾病治疗决策和中医健康管理等。
随着大数据时代的来临，以及计算资源和人工智能技术的大幅度提升，新模型、新理论的验证周期将大大缩短，深度学习或将在更多领域进一步推动智能化医疗技术的发展。
参考文献/资料：
[1]TheLatestProgressofDeepLearning.ComputerScienceandApplication[J].计算机科学与应用，2018，8(4)，565-571.
[2]赵霞，陈瑶，郑晓南，等.深度学习在医药大数据中的应用研究进展[J].药学进展，2019，43(1):64-69.
[3]柴象飞.跨界融合，医疗影像AI正当时[J].人工智能，2018(4):60-69.
[4]RajkomarA，OrenE，ChenK，etal.Scalableandaccuratedeeplearningwithelectronichealthrecords.DigitalMedicine，2018，1(1):18.
[5]LafreniereD，ZulkernineF，BarberD，etal.Usingmachinelearningtopredicthypertensionfromaclinicaldatase.2017:1-7[2018-12-10].
[6]卢春城.基于深度学习的糖尿病决策算法研究[D].浙江大学，2019.
[7]李灿东，辛基梁，雷黄伟，等.中医健康管理与人工智能[J].中华中医药杂志，2019，34(8):3586-3588.
—END—
作者|薛睿
责编|老姜
人工智能在生物医药领域的应用
图2：基于AI开发的黄斑变性和糖尿病性黄斑水肿诊疗系统CC-Cruiser
图3：与现有的计算机分析方案（中）相比，新型人工智能（右）能更准确地找到肿瘤（图片来源：谷歌）
二.人工智能辅助新药研发
新药研发涉及到从上游到下游的几个环节：药物靶标的确定，先导化合物的筛选，先导化合物的优化，以及最终的临床实验。其具有研发周期长、资金投入大、失败率高等特定，一直是制药界的痛点。之前，计算机辅助药物设计（computeraideddrugdesign,CADD）的引入虽然给制药业带来了一些成功的案例，但依然没有根本的改观。而人工智能技术的崛起，则为新药研发带来了新的曙光[5]。自2017年以来，人工智能在制药领域的应用可谓如火如荼，国际制药巨头纷纷部署自己的AI系统，用于提高新药的研发效率，如Merck，Novatis,Roche,Pfizer,Johnson&Johnsone等。国内的晶泰科技(XtalPi)是一家以计算驱动创新的药物研发初创公司，其基于人工智能与云计算等技术，结合计算物理、量子化学、分子动力学等，旨在提高药物发现与发展这一关键环节的效率与成功率，从而降低研发成本。
三.人工智能辅助基因数据分析
二代测序技术产生了大量的测序数据，AI在基因大数据的分析上亦表现出良好的应用趋势。谷歌子公司Deepmind的科学家发表了一篇论文，提出一个名为DeepVariant[6]的检测工具，使用深度神经学习中的卷积神经网络（CNN）来检查基因组上的单碱基突变(SNP)和小的插入缺失(Indel)，其准确性超越了当前主流的生物信息学软件GATK。传统的基因组关联分析（GWAS）大多只能检测单个点突变（SNP）与所研究疾病的关系，而DeepWAS[7]，这一新提出的框架则能够根据功能单元，选择出一组SNP的集合，来更加综合地研究致病的基因突变,并能直接寻找调控区域的基因突变。在一项针对抑郁症的研究中，使用DeepWAS框架的研究发现了一个新的控制抑郁症的主要基因MEF2C。此外，人工智能分析基因组数据还可以实现对多种肿瘤的精确诊断。
结语：
目前，人工智能在医药领域的科研和产业发展均表现的可圈可点。毫无疑问，人工智能和生物医药领域的融合必将不断的深化和广化，更多的成功案例将不断涌现。但是也可以预见，AI应用的落地，仍需面对和解决许多问题，不仅仅是技术问题，还有伦理问题和社会问题。
参考文献
1.GulshanV,PengL,CoramM,StumpeMC,WuD,NarayanaswamyA,VenugopalanS,WidnerK,MadamsT,CuadrosJetal:DevelopmentandValidationofaDeepLearningAlgorithmforDetectionofDiabeticRetinopathyinRetinalFundusPhotographs.Jama2016,316(22):2402-2410.
2.LongE,LinH,LiuZ,WuX,WangL,JiangJ,AnY,LinZ,LiX,ChenJ:Anartificialintelligenceplatformforthemultihospitalcollaborativemanagementofcongenitalcataracts.NatureBiomedicalEngineering2017,1:0024.
3.EstevaA,KuprelB,NovoaRA,KoJ,SwetterSM,BlauHM,ThrunS:Dermatologist-levelclassificationofskincancerwithdeepneuralnetworks.Nature2017,542(7639):115-118.
4.XuT,ZhangH,XinC,KimE,LongLR,XueZ,AntaniS,HuangX:Multi-featurebasedbenchmarkforcervicaldysplasiaclassificationevaluation.PatternRecognition2017,63:468-475.
5.JingY,BianY,HuZ,WangL,XieXS:DeepLearningforDrugDesign:anArtificialIntelligenceParadigmforDrugDiscoveryintheBigDataEra.TheAAPSjournal2018,20(3):58.
6.PoplinR,NewburgerD,DijamcoJ,NguyenN,LoyD,GrossSS,McLeanCY,DePristoMA:CreatingauniversalSNPandsmallindelvariantcallerwithdeepneuralnetworks.bioRxiv2016:092890.
7.EraslanG,ArlothJ,MartinsJ,IuratoS,CzamaraD,BinderEB,TheisFJ,MuellerNS:DeepWAS:DirectlyintegratingregulatoryinformationintoGWASusingdeeplearningsupportsmasterregulatorMEF2Casriskfactorformajordepressivedisorder.bioRxiv2016:069096.
转自生信草堂公众号，已授权
生信草堂
浙大生信博士团队倾力打造的一个科研人员学习交流的公众微信平台。我们致力于科研社区服务，分享前沿的科技进展，提供生信分析方法，解读经典分析案例，公众数据库的挖掘和临床数据统计分析。在此我们欢迎各位的加入！
加微信bioinformatics88拉您进生信交流群返回搜狐，查看更多