《2023年中国人工智能医学影像产业研究报告》商业篇重磅发布
报告核心观点
（1）截至2022年，NMPA共批准了45个医疗AI辅助诊断软件上市。产品临床价值已被验证，AI医学影像企业竞争加剧。部分企业开始申请物价编码，希望打通向患者收取产品使用费的流程。
（2）AI+超声、AI应用于肝部、乳腺和AI应用于临床是当前AI医学影像赛道的市场机遇。
（3）医院作为AI医学影像产品的主要采购方，由于预算值以及运营压力等因素，当前阶段仍以免费试用、联合开发作为主要采购方式。当前阶段，AI医学影像产品进入医保的可能性较小，可考虑商业保险等市场化的支付方式。
（4）未来，AI+医学影像的商业化进程依托于人才、数据开放、产品精进、商业模式探索、市场教育等方面，缺一不可。
人工智能医学影像赛道的市场机会
AI技术与医学影像的融合拥有更大的潜力，在减轻医生工作压力提升工作效率以及突破医学难题等方面仍有较大的发展空间，AI医学影像在病种、影像设备、影像流程三个方向上存在市场机遇。
根据AI医学影像三类证的拿证情况以及医院使用AI医学影像产品的调研数据显示，考虑到疫情以及发病率的情况，应用部位主要集中在肺部、心血管以及骨骼。
统计数据显示，我国粗发病率前六的恶性肿瘤分别为肺癌、结直肠癌、肝癌、胃癌以及食管癌。其中结直肠癌、胃癌的检查方式主要以内窥镜为主。而AI医学影像在肺部赛道已十分拥挤，对于企业来说乳腺检查以及肝部检查存在市场机遇。
当前，医学影像设备品牌呈国产替代以及技术升级的趋势，为AI与影像设备的结合提供了良好的基础，当前AI+CTMRIDR赛道内相对拥挤。超声+AI的产品在研发以及领证上存在市场缺口。当前，AI超声主要应用的领域/部位主要为甲状腺、乳腺、淋巴等。
当前AI医学影像产品主要集中在解决检查阶段的痛点，在治疗阶段，仍有市场机遇。
AI医学影像赛道头部企业的布局与探索
深睿医疗：深睿医疗是一家专注于人工智能技术在医疗领域应用的国家级高新技术企业，成立于2017年3月，在北京、上海、杭州等地设立独立运营公司。深睿医疗致力于通过突破性的人工智能“深度学习”技术及自主研发的核心算法，为国内外各类医疗服务机构提供基于人工智能和互联网医疗的解决方案。2021年，深睿医疗产品落地全国30多个省市，并为数千家医疗机构提供AI辅助诊断、智能筛查、临床决策、患者服务到医疗大数据治理、科学研究、医生培训、能力建设等全链路的人工智能服务。
科亚医疗：科亚医疗是一家专注大数据和人工智能技术在医疗领域落地应用的公司，致力于用AI赋能影像和医疗大数据信息，打造新一代人工智能医疗器械平台，为患者、医疗机构、生命科学研究机构提供精准医疗服务。作为中国AI医疗器械三类证首证企业，科亚医疗也是率先同时拥有中国NMPA、欧盟CE、美国FDA三重认证产品的人工智能医疗器械国际领先企业。其产品覆盖心血管、头颈、肺部等多个身体部位，其中心血管明星产品深脉分数DVFFR（冠脉血流储备分数计算软件）更是中国首款获得NMPA认证的人工智能三类医疗器械。
汇医慧影：汇医慧影成立于2015年，是一家致力于计算机视觉和深度学习技术应用的国家级医学影像人工智能高新技术企业。公司凭借自身科技研发能力和在医疗方面的积累，搭建NovaCloud®智慧影像云平台、Dr.Turing®人工智能辅助诊断平台和RadCloud®大数据人工智能科研平台三大产品体系，完成筛查、诊断、治疗决策支持的闭环。作为中国AI医学影像领域头部企业之一，汇医慧影的产品已在全球50多个国家，1000多家医疗机构实现场景化落地应用。
联影智能：联影智能是一家能够提供多场景、多疾病、全流程、一体化智能解决方案的医疗AI企业，以AI赋能临床、科研及设备，覆盖医院／医联体管理、医疗创新生态、工作流优化、精准诊疗、个人健康管理等多个AI应用场景。截至目前已推出40余款赋能医生的AI产品和30多个赋能各类影像设备的AI算法。联影智能致力于通过数智化医疗解决方案解决目前基层医疗机构常面临的人才缺乏、诊疗能力及同质化水平低等问题，加速数字化智能化应用落地，打通医联体内部数据孤岛，帮助基层医疗机构提升诊疗质量和效率。
推想医疗：推想医疗科技股份有限公司（以下简称“推想医疗”）成立于2016年，是一家全球领先的人工智能医疗高新科技企业。推想医疗聚焦AI医疗领域，采取“一横一纵”和“国际化”战略布局打造立体化产品线。横轴涵盖癌症、感染性疾病、心血管疾病、脑血管疾病及创伤等多个疾病领域；纵轴涵盖疾病筛查和诊断（InferRead系列）、疾病干预和治疗（InferOperate系列）、患者健康管理（InferCare系列）及医学研究（InferScholar及InferMatrix)，为政府、医疗机构、医生、患者提供智慧医疗一体化服务。
脉得智能：脉得智能是一家行业领先的人工智能医疗科技企业，专注人工智能医学大数据算法研究领域，由院士团队与国内优秀医疗运营团队联合成立。公司以强大的人工智能算法团队为支撑，联合国内顶级三甲医院专家医疗团队，实现基于超声影像的多病种AI实时专家诊疗系统和基于基因组学的Al生信数据分析平台，已经与全球头部战略级合作伙伴（如GE等）达成深度战略合作，共同推动精准医疗整体解决方案的商业化运营。目前公司业务目前已覆盖全国30余个省份的近百家头部重点医疗机构。
医准智能：医准智能是一家致力于人工智能辅助医疗影像诊断的科技公司。通过图像识别与深度学习技术，达到对病灶的智能识别及分析，为各级医疗及健康管理机构提供医疗影像诊断分析服务，让影像发挥最大临床价值。医准智能通过AI赋能医疗的探索与创新，推出覆盖图像采集、质量控制、影像分析、诊断报告、临床治疗、健康管理、教育培训的全栈式解决方案，真正做到影像全流程智能化；并横向覆盖CT、DR、MRI、乳腺X线（含DBT）、超声等多种影像设备，有效助力影像设备智能化升级、优化人力资源分配、提升临床诊疗标准化水平；并推出集影像组学与深度学习于一体的达尔文智能科研平台，助力医生高效自主完成医学图像的相关研究。目前，医准智能人工智能系列产品已在全国千余家医疗及健康管理机构投入使用。
小白世纪：小白世纪成立于2015年7月，是一家致力于医疗人工智能的国家高新科技公司，主要产品有超声甲状腺AI辅助诊断系统、智能超声一体机、AI掌超等，公司拥有DenseNet、CoviDet、ThyNet等近百项原创AI核心算法和技术，在全球算法竞赛中多次荣获第一。目前已经完成A轮融资，累积融资数亿元。核心产品目前已进入数十家三甲医院和近千家基层医疗机构完成销售和应用；盈利模式清晰，订单快速增长，目标3年内成为全球最大的智能筛查诊疗服务平台。
人工智能医学影像未来发展趋势
机构端：持续推进区域统筹建设，医疗资源分布随之变化，社区卫生服务中心的资源配置和诊疗能力将会进一步提升，信息化建设将会逐步加快，更有利于人工智能医学影像产品落地。
企业端：商业化落地脚步逐渐加快，对人才素养、数据开放、产品精进、商业模式探索和市场教育提出更高要求。以基层医疗机构为例，医学影像落地基层时要具备更全面、性价比更高、更容易使用的医学影像设备，促进企业技术应用和资源整合能力发展。
居民端：AI医学影像企业将通过布局数字健康、数字医疗等业务快速打开市场，积极开展科普活动，提升居民认知程度，形成居民共识。
更多报告内容的深度挖掘，请关注《2022年中国人工智能医学影像产业研究报告》商业篇。
【前沿】人工智能、深度学习和影像组学在核医学影像中的应用
本文的目的是给出人工智能(AI，机器/深度学习)和影像基因组学的定义，同时对这些技术在核医学成像中的潜在应用提出一些见解。
人工智能、机器（深度）学习和影像（基因）组学的定义
人工智能这个术语是一个“模糊概念”，根据不同的语境、时间和应用场合，其有许多种可能的定义。作为一门学科，它被认为是于1956年在达特茅斯会议上确立的[6]。一个更普遍的定义为：“机器表现出来的智慧，与人类和其他动物所展现的自然智慧形成鲜明对比”。然而，就现在的医学影像而言，一个更具体的定义可能更为恰当：“系统能够正确地解释外部数据，从这些数据中学习并利用所学实现特定目标或完成特定任务的能力，具有灵活的适应性”[7]。随着算法处理的任务越来越复杂，那些被认为需要“智能”的算法有时会被从AI领域中剔除，从而导致有“AI尚未完成”的论调[8]。举一个这方面的例子：字符识别，它可能不再被视为“人工智能”，因为它现在已经成为一种标准的常规使用的技术，例如其在邮政服务中的应用。如今通常被视为AI的算法中众所周知的功能包括语音识别，更重要的语义理解、语言翻译、掌握复杂的游戏，例如围棋[9]和最近更复杂的策略视频游戏2，或者自动驾驶汽车。
人工智能系统可分为分析型人工智能、人类启发型人工智能和人性化人工智能[7]。分析型的人工智能系统只具有与认知智能相关的特征，利用过去的经验学习进行预测。人类启发型人工智能系统除了能够认知元素外，还具有情感方面的智能和理解能力。人性化人工智能系统能够展现出认知、情感和社交方面的智能，并且在与他人互动时具有自我意识和自我认知。在二十一世纪，人工智能技术的发展得益于理论认识的提高（例如：在神经网络数学中）、计算机性能的进步（例如：图形处理单元，GPU）、海量可用于学习的数据可在更大范围内的获取途径（例如：通过社交网络和其他平台，云存储/计算等方式）以及算法和库本身的可利用性。因此，现在研究人员可以将旧的概念和理论实际应用到现实生活中的问题和任务中，即使是现有商用系统上的非专业人士也能够运用这些概念和理论。
在医学影像方面，临床医生需要通过影像来完成许多任务，理论上都可以由人工智能来完成，包括但不限于：病灶检测、疾病分类、诊断和分期、定量化、治疗计划（靶区和有风险器官的勾画、剂量优化）、治疗的反应和预后的评估[10]。自动化有望使这些任务以更高的鲁棒性和可重复性得以完成，甚至还可能使这些任务在更短的时间内以低错误率得以完成。显然，在除医学影像以外的其他方面，人工智能也可以提供改进实践的解决方案，例如：改进操作流程、财务管理和质量提升等[11]。为医学影像分析任务而开发的大多数（如果不是全部）人工智能系统都属于分析型系统的类别，因此可以归类为机器/深度学习技术。
机器（深度）学习
机器学习是通过实践学习和改进算法的研究，它本身就是AI的一个基本概念。机器学习通常分为无监督的学习和有（半）监督的学习。无监督学习是在未标记数据中查找模式[12]，而有监督学习使用标签来推断分类或归纳，半监督学习通常用少量的标记的数据和大量未标记的数据进行分类或归纳[13]。在医学显像方面，标准工作流程或机器学习流程通常会被直接应用于完成大多数的任务（如图1所示）。
图1影像组学流程与一般的机器学习和深度学习流程图的比较
深度学习(与如上所述的“浅层”学习方法相反)是属于机器学习领域的一类方法，这些方法大多基于所使用的特定类型的人工神经网络，有时具有大量的层和节点。因此，深度学习是一种特定类型的机器学习，它本身就是AI的一部分（如图2所示）[17]。
图2深度学习是机器学习的一种特定类型，两者属于AI概念
这些技术依赖于多层非线性处理单元链接起来进行特征提取和转换，其中在每两个连续层间，后一层的输入是前一层的输出，因此，与不同抽象级别相对应的多层特征信号可以被学习[18]。尽管神经网络在很早之前就被设计出来了，但通过通用程序进行有效学习能力的“深层”网络是最近才出现的。此外，卷积神经网络(CNN)在计算机视觉和成像应用的主要影响被认为是在2011年和2012年的真正突破。使用反向传播（B-P）算法训练的CNN训练已经存在了数十年，GPU的实现也有好几年了。然而，在2012年，Cireşan等人展示了在GPU上实现的最大池化CNN是如何在许多视觉基准中为研究人员提供更好的结果。同年，Krizhevsky等人使用类似的CNN设计，以比浅层机器学习方法好得多的性能赢得了ImageNet竞赛[19]。
这些技术与上述“旧”机器学习方法之间的主要区别之一是，这些网络的目的是从数据本身(如图像)中学习与给定任务(例如，分割或端点预测)相关的特定模式，而不是依赖于“工程的”或“手工的”特征(包括专家的知识)[22,23]。在这方面，这些方法可以认为是一种思考模式的转变，因为它们可依赖通用的学习过程为研究人员提供“端到端”的工作流程(如图1所示)。
因此，用户干预，例如，检测和选择感兴趣的对象以便对其进行进一步的表征，可以被极大地简化，甚至可以说是不必要的。另一方面，当我们考虑使用这些技术时需要充分了解到它们带来的许多挑战。深层神经网络具有大量的超参数，由于计算资源和时间的限制，通过探索参数空间来寻找最优参数通常是不可行的。一些技巧可以帮助我们加快计算速度，例如在几个样本中同时计算梯度(批处理)。GPU的强大处理能力可以使训练速度得到显著提高。深层神经网络也容易出现过度拟合，这一定程度上是因为深层神经网络中的大量的层使得深层神经网络可以对在训练数据中所观察到的罕见依赖关系进行建模。这种情况下，我们通常采用各种方法，例如正则化和降维，来限制过拟合情况[24]。还可以通过诸如缩放和旋转的方法来增加数据，以增加所需训练集的大小[25]。最后，迁移学习是一个重要的组成部分，即对不同数据集，尽管可能是较大的数据集，提取较小数据进行预训练对其进行更精确的参数调整[26,27]。
影像（基因）组学
在过去二十年中，PET/CT硬件和重建软件均有所改进，同时研究人员在PET/CT图像处理和分析领域也取得了一些进展：噪声过滤[28,29]和部分容积效应校正方法[30]可以进一步提高PET图像的视觉质量和定量精度。此外，（半）自动图像分析算法可以检测到感兴趣的病灶[31]，并且可以以比人类专家更高的可重复性和鲁棒性来勾画它们[32-34]。这些进展通过从预处理和分割后的PET/CT图像中提取定量指标（“手工的”或“工程的”图像特征），让研究人员可以对器官和肿瘤进行更全面的表征。在这种情况下，当前有关PET/CT成像的大部分工作都集中在临床上最常用的放射性示踪剂上，即18F-氟脱氧葡萄糖（18F-FDG），很少有研究考虑其他示踪剂[35]。图1所示的四个步骤（预处理、分割、特征提取和建模）是影像组学领域的关键组成部分。“影像组学”一词首次出现在2010年，并且2012年研究人员对影像组学的正式框架进行了全面的描述[36]。从前面的部分我们可以知道，影像组学仅仅是标准机器学习流程（如图1所示）在医学图像方面的一个应用。影像组学研究领域发展背后的基本原理是医学图像包含肿瘤表型的特征，这些特征至少可以在较小的尺度上反映出潜在的部分病理生理学的过程，甚至包括基因水平的变化。这就是为什么“影像组学”这一术语经常与基因组学相关联，并被称为“影像基因组学”。影像基因组学事实上含有两种不同的含义。第一种，旧的含义与放射生物学有关，而和现在含义不同。第二种涉及影像组学和基因组学的关联/组合，它可以分为两种不同的方法。第一种方法研究两者之间的联系，即影像组学可以解释或“解码”哪一些基因组学信息。这种方法已被称为“显像基因组学”[37,38]并已被研究人员大量地研究过了[39,40]。另一种方法主要关注将两部分的信息相结合，该方法利用他们之间具有互补价值的信息来建立更有效的预测模型。
人工智能、深度学习和影像（基因）组学在核医学影像中的应用
人工智能在核医学中的应用极为广泛且前景广阔，其可在多个方面产生影响[41]。第一步是在探测器水平上使用人工智能对图像重建的数据处理，包括与检测过程相关的不同物理过程(如衰减、散射)的校正。除了图像重建步骤之外，人工智能还可以用于不同图像的处理过程，包括去噪、分割和融合。最后，人工智能可以用于基于图像信息的建模，这将有助于实现基于图像的个性化医疗的决策。
在检测方面，最近的工作包括通过使用CNN提高PET图像分辨率，改善具有大像素化晶体[42]的PET扫描仪的噪声特性，以及直接从配对符合数字化探测器波形中估计飞行时间[43]。将深度神经网络集成到迭代图像重建过程中，可以提高最终的图像质量[44,45]。深度学习方法已经被研究人员提议用于PET/CT和PET/MR的衰减校正和配准，并已被证明能够生成高精度的衰减图[46-50]。在同样的背景下，深度学习已经可用于改善具有飞行时间PET数据的衰减校正和放射性活度的最大似然重建（MLAA）[51]。去噪处理就是成功使用深度学习技术中一个最受欢迎的图像处理应用之一，例如从低剂量图像生成足够剂量PET图像[52]或直接对重建的PET图像进行滤波[29]。
图像中病变的自动检测、计数、分割/特征化等功能在疾病的诊断、治疗计划制定和疗效的监测等方面有广泛的应用，但更广泛的是，这些功能也适用于所有的影像（基因）组学。在很长一段时间里，依赖于旧的浅层机器学习框架的方法并不能达到自动并且准确的水平，不能完全将其转化到临床实践中，也不能在影像组学分析中对数百名患者进行快速处理。最近的一些研究进展仍然涉及使用“旧的”机器学习技术[53]，但越来越多的人依赖于深度学习方法，以希望其能极大地提高自动化和性能。事实上，CNN在医学图像分割任务中的应用非常成功[22]。这可以通过以下事实来解释：与分类任务(每幅图像一个标签)相反，分割学习发生在体素水平（每个体素一个标签）。因此，学习数据数量允许对网络参数进行有效地训练。例如，尽管在最近的PET功能体分割MICCAI挑战中只有很少的训练示例可用，但基于预训练CNN的方法得分最高（虽然其分数没有明显高于一些常规的技术的分数）[32]。CNN也被应用于多模态PET/CT协同分割[34,54,55]。基于深度学习框架的肿瘤检测和分割方案可能为影像组学的这一步骤提供全自动解决方案[31,55,56]，从而解决这个重要的瓶颈问题。
预测模型和基因组学研究已经严重依赖于机器学习方法[16,57-59]，尽管这些方法大多运用于放射学领域，而不是核医学领域。一些对机器学习和深度学习方法的评价显示特征选择有所改进，模型构建更稳健，影像组学PET特征也变协调了[59-63]。然而，只有少数的研究通过将深度网络CNN作为端到端方法来探索深层网络CNN所能达到更高自动化水平的潜力，并且大多数研究都在CT及MRI领域[64-70]，只有少数研究是关于它们在核医学成像（如FDGPET[71-73]和SPECT[74]）中的应用例子。
讨论
目前，尽管有关深度特征使用及其与常规影像组学特征相结合的研究都是在CT和MRI领域进行的，但相同的概念也可应用于核医学影像。用一种基于端到端深度学习的方法替代通常的机器学习/影像组学方法可能是一种解决影像组学中一些问题或局限性的有效解决方案。在这一方法中，所有步骤是通过一个（或几个）神经网络单独并顺序执行（分割、特征萃取、建模）。然而，这种方法实际上是用其他在使用深度学习时所面临的具体挑战取代了原先的挑战。首先，这些方法需要大量的数据，其需要的数据集比影像组学通常研究中所需的数据集大得多。因此，如迁移学习和数据扩增或依赖分割网络来构建分类器[75]等方面的技术和技巧变得至关重要。其次，可提供可解释模型的需求在临床应用中也很重要。因此，很有必要向终端用户提供关于网络决策方面的反馈和解释，例如使用网络可视化技术[76]在输入图像中生成热点图而突出图像中的某个区域，甚至包括肿瘤在内，这些与最后做出的决定最相关。这对于理解和纠正算法造成的其余错误以及试图解决其他问题（包括监管、法律和责任）也很重要[77]。
在研发用于临床使用的大多数计算机方法的设计中，重大的思考模式转换正在发生。目前我们还不清楚需要多长时间才能将深度学习方法整合至临床核医学实践工作中，并使大多数临床工作实现完全自动化。目前，这些进展主要集中于解决最常见临床问题，因为研究人员可在该领域获得足够多的数据。
大多数已开发方法的目的是为了解决一项特定任务中的一个问题。尽管这些AI方法可能会很擅长解释图像和上下文信息，但他们通常无法像人脑那样建立联想，也无法代替临床医生完成所有任务。此外，他们在各种情况下的表现可能还没有达到各个领域的专家水平，因此，一名完整的具有人工智能的核医学医生，仍然属于科幻小说的范畴。另一方面，随着这些新技术整合到核医学医师的实践中，核医学医师的角色可能会发生变化，因此，将这些方法和概念的基本了解归为核医学医师培训的一部分显得非常重要。核医学医师自己也可能会为AI的培训做出贡献，为日后他们使用的工具提供更多的专家知识和经验。
在AI系统学习中，数据的可用性仍然是一个关键瓶颈，因为精心选择的数据（为确保训练数据符合许多质量标准，通常需要专家参与并且非常耗时间）根本不适合用于所有任务，并且数量也不够。另一方面，深度学习软件平台是开源的，因此，创新思维的实验和共享机制已大规模地快速发展，这最终也可能在数据处理和数据可用性方面提供帮助。对于正确训练机器和深度学习模型的另一个问题是，在图像采集和重建（尽管EANM，SNMMI和RSNA等社会组织做出来长期努力）方面，以及机器（深度）学习技术自身（包括但不限于：影像组学的定义、专业术语、实施、软件、机器学习的方法论、实施以及优化），都缺少标准化。对于训练通用模型来说，扫描器模型、供应商、采集协议和重建设置中的巨大差异性和多变性是一个巨大的挑战，这尚未解决。然而，我们应明确强调和支持一些正在进行的努力，例如用于影像组学的标准[78-80]和图像生物标志物标准化倡议（IBSI）以及统一的/标准化技术[63,81]，以便今后进一步改善上述情况。
（余略）
中国医师协会核医学医师分会科普与信息化工作委员会科普与翻译组
本期翻译由以下翻译组委员翻译：
沈晨天：上海市第六人民医院、住院医师、博士
唐毅：桂林医学院第二附属医院核医学科主任，副主任医师
饶茂华：重庆医科大学附属第二医院核医学科，中级医师、硕士
白侠：内蒙古医科大学附属医院核医学科、副主任医师、硕士
赵敏：中南大学湘雅医院核医学科（PET中心）、副主任医师、博士
张茜：山西省肿瘤医院核医学科、副主任医师、博士
靳会宾：河南省人民医院核医学科、主治医师、硕士
王磊：北京市石景山医院核医学科科室负责人、主治医师、硕士学位
李桂英：北京老年医院核医学科主任、主任医师
复旦大学附属肿瘤医院宋少莉教授校稿
首都医科大学附属北京友谊医院李春林教授终审。
附：特邀校稿专家简介
宋少莉
主任医师、教授、博士研究生导师
复旦大学附属肿瘤医院核医学科主任，
上海市质子重离子医院核医学科主任
中华医学会核医学分会第十届青委副主任委员
中德医学会核医学分会常委
上海医学会核医学分会青委副主委
上海市抗癌协会第八届理事会理事
上海市核学会实验核医学与核药学主委会副主委
上海市中西医结合核医学分会常委
中华核医学与分子影像杂志、国际放射医学核医学杂志编委。2008年博士毕业于上海交通大学，2009-2010年于美国德克萨斯州MD安德森癌症中心影像诊断系博士后，入选上海市浦江人才计划、上海交通大学医学院“新百人计划”、上海交通大学医学院高峰计划“研究型医师”，主持国家自然基金项目4项，发表SCI论文43篇。
图文编辑：秦珊珊返回搜狐，查看更多
国内人工智能+医疗影像公司大盘点：今年又是“元年”
图像识别是深度学习等人工智能技术最先突破的领域，已经广泛用于图片搜索、自动驾驶、人脸识别。而在医疗健康领域，目前看来医疗影像也会是人工智能与医疗结合中，最可能先发展起来的领域。
简单而言，医疗影像智能分析是指运用人工智能技术识别及分析医疗影像，帮助医生定位病症分析病情，辅助做出诊断。目前医疗数据中有超过90%来自医疗影像，这些数据大多要进行人工分析，如果能够运用算法自动分析影像，再将影像与其它病例记录进行对比，就能极大降低医学误诊，帮助做出准诊断。
将人工智能应用于医疗影像已经成了一个热门创业方向，国外早已出现了一批将人工智能用于医疗影像的明星公司，如EnliTIc、ButterflyNetwork、VisExcell、VoxelCloud等。在医疗智能领域深耕最久的IBM，也在今年8月斥资10亿美元收购了医疗影像处理与加工公司Merge，欲将其技术整合进IBMWatson认知智能系统。
国内也不甘落后，特别是今年以来，我们陆续见到了一批初创公司成立，如Deepcare、推想科技、图玛森维等。同时，以医疗影像云平台起家的公司也逐渐涉足人工智能领域，比如医渡云与汇医慧影。
国内目前从事医疗影像智能分析的公司不多，雷锋网根据公开资料，从众多医疗科技公司中，整理了十多家较为明确涉足将人工智能用于分析医疗影像，从而提高诊断效率和精确性的公司。从这些公司的情况，我们可以一窥国内在这一领域的现状。
调查无法覆盖所有公司
国内人工智能+医疗影像公司一览
公司名称成立时间最近融资投资人地区技术及产品
雅森科技2006年
A轮3000万元未知北京基于PET/SPECT/fMRI/US等医疗影像定量分析，用数学模型和人工智能技术，提高诊断精确性。
健培科技
2012年
5000万元，轮次未知
未知
杭州
拥有医疗影像云平台，医疗影像输出、智慧医疗和智能诊断为主，其他大数据支撑设备及平台建设为辅的医疗系统；提供病例检索和医疗影像智能诊断服务，帮助医生进行定位病症、分析病情和指导手术；另外还开发有激光热敏医用胶片。
锐达影像2012年
Pre-A轮1000万元中路资本、快创营上海开发有影像平台，同时探索不同领域的智能化，目前已有的乳腺辅助检测、虚拟结肠镜等，都是初步的专业领域技术。
医渡云2013年A轮2亿元未知
北京拥有医疗大数据平台，对医疗数据进行集成、挖掘、利用，辅助开展新型临床、科研、医院管理等服务，涉及的临床数据包括影像数据和病例等文本数据。
智影医疗2014年A轮未知深圳拥有基于数字影像医学的健康分析管理平台，提供早期癌症筛查、疾病辅助诊断，及健康指数分析。
汇医慧影2015年A轮数千万元蓝驰创投、水木易德投资北京提供医疗影像云平台和阅片外包服务，并通过建立人体器官模型和神经网络技术，识别病灶，涉及胸部X光，脑核磁肿瘤，胸部CT。
医众影像
2015年
未知
未知
北京
拥有医疗影像数据云平台，同时建立影像诊断数据结构化知识库。目前可对大量历史影像诊断报告进行智能的结构化、标准化处理，可辅助医生诊断。
睿佳医影RayPlus2015年未知未知武汉结合图像处理和云计算，为医生提供基于影像的计算机辅助诊疗工具RayPlus，特点是满足专科医生的特异性辅助诊断需求。
DeepCare2016年天使轮600万峰瑞资本北京将深度学习用于医疗影像，削减读片时间，降低误诊的概率，目前主攻的方向是胸肺部CT的智能影像诊断。
推想科技2016年天使轮1100万英诺天使基金、金臻云创投北京用深度学习技术分析和识别医疗影像上的病变，推荐治疗方案，协助医生诊断，目前主要用于胸肺疾病的诊断。
连心医疗2016年天使轮300万未知北京主要提供肿瘤数据平台搭建和医疗数据分析，其中涉及医疗影像处理、分割、配准等，并引导放疗优化。
图玛深维2016年天使轮150万美元真格基金、经纬中国北京将深度学习引入到计算机辅助诊断系统中，可应用于各类医学图像分析诊断、显微镜下的病理图像分析、以及发现DNA结合的蛋白质的序列特异性并协助基因组诊断等。
迪英加2016年未知未知成都提供基于人工智能，用于精准医疗的医疗影像大数据分析解决方案，例如基于病理图片分析的癌症诊断和分级等。
基本资料
据统计，在美国医疗影像数据的年增长率为63%，而放射科医生数量年增长率仅为2%；根据动脉网的数据，国内医疗影像数据和放射科医师的增长数据分别为30%和4.1%。如果能借助人工智能的方式解读影像，以辅助诊断，可以有效其中的弥补缺口。而国内医护人员短缺的情况，只会比美国更甚，而且影像科医师在医院的收入与地位不高。
影像需求与医生数量的错位，也导致医生负荷过重，影响诊断效果，而这其中就有人工智能发挥的空间。而美国哈佛医学院参与进行的智能诊断临床试验显示，人工智能辅助医生进行乳腺癌诊断可以将误诊率从4%降低到0.5%。不断增长的需求与技术的进步，基本可以解释医疗影像领域人工智能类公司的崛起。
从成立时间上看，今年或许可以不免俗，被认为是人工智能+医疗影像的“元年”（纯主观判定）。根据上表中的统计，有今年就有5家公司成立；其余公司也集成在2012-2015年成立，但初期多提供影像云服务，智能业务也多在今年开始拓展。
相比之下，国内也并不落后，上文提到的几家国外公司中，仅ButterflyNetwork成立较早，是在2011年，其余公司也仅两岁左右。
从地域上划分，13家公司中有8家位于北京，其余位于上海、深圳、杭州等地，这倒是与人工智能公司的总体地域分配相符。
2016年融资状况
在国外，医疗影像智能分析公司发展较早，目前部分公司已经较为成熟，处于A轮融资阶段较多，个别获得B轮融资。
比如，EnliTIc在去年获得了1000万美元A轮融资，该公司使用深度学习技术，帮助放射科医生分析医疗影像；ButterflyNetwork则在2014年的8000万美元A轮融资后，去年再获得1亿美元B轮融资，这是一家医疗成像技术公司，通过一种新型医学成像设备，建立数以千计图像的数据库，然后使用人工智能的方式分析新的临床治疗手段。
相比之下，国内公司总体上以天使轮为主，特别是新兴初创公司，只有部分成立数年的公司已进行到A轮。目前融资额最高的是医渡云，A轮2亿元，且其在2015年底还领投了糖尿病管理平台微糖数的千万美金B轮融资，财大气粗。
以下是今年国内这一领域融资事件一览：
2016年2月，推想科技获得1100万元天使轮融资，投资方是英诺天使基金和臻云创投；
2016年6月，DeepCare获得600万元天使轮融资，投资方是峰瑞资本；
2016年7月，连心医疗获得300万元天使轮融资；
2016年8月，雅森科技3000万元A轮融资；
2016年10月，图玛深维获得150万美元天使轮融资，投资方是真格基金与经纬中国；
2016年10月，汇医慧影获得数千万元A轮融资，投资方是蓝驰创投。
发展路径
从公司的发展路径看，医疗影像智能诊断的公司大致可以分为两类。
第一类公司主要以人工智能技术，提供影像分析与诊断服务，其中以DeepCare、推想科技、图玛深维、雅森科技等为代表，且一般成立时间较短。
比如，DeepCare主要研发医疗影像检测、识别、筛查和分析技术，为医疗器械厂商和基层医疗中心提供影像识别服务，对新录入数据库的病例，它可以进行算法匹配，寻找出影像数据相似的案例；雅森科技则专注医疗影像分析应用，基于医疗影像定量分析，用数学模型和人工智能技术提高诊断精确性。
第二类公司原先提供医疗影像云服务，而后将服务延伸到智能诊断领域，其中以汇医慧影、医众影像、医渡云为代表，成立时间一般为二到三年。
比如，汇医慧影是一个独立第三方的医疗影像咨询平台，早期专注基于云平台的线上影像中心，从今年开始着重向人工智能领域发力，辅助影像的筛查；医渡云主要提供医疗大数据和医疗云平台解决方案，同时利用机器学习的方式，挖掘临床数据中的文本数据和影像数据。
从提供的产品与服务上看，医疗影像智能诊断公司又可分为两类。第一类专注于医疗影像服务，比如影像云平台及影像智能分析。
第二类是搭建医疗大数据平台，其中包涵了医疗影像数据的分析处理，比如连心医疗、医渡云。连心医疗专注于肿瘤大数据平台搭建和医疗数据分析，其系统会对接治疗过程中各环节产生的数据，其中就包括了医疗影像的处理、分割和配准等，以此优化放疗。如上所述，医渡云的临床数据中还包括了病例这种文本数据。
人工智能应用普及的三大推力是以深度学习为代表的新技术，计算力和海量数据，前两者各行业通用，所以对于医疗领域的人工智能公司来说，面临的最主要问题可能是数据。比如，现在的医疗影像几乎没有对病灶进行标注，而这种系统性的数据整理过程又十分专业，需要专业医生配合，这也是医疗行业的独特之处。
由于医疗数据尚未实现互连互通，国内医疗影像数据应用还处于起步阶段。这一点在国外也一样，美国医疗行业数据共享困难，数据格式也难以统一。但随着信息化的加强，未来会有越来越人工智能类公司出现，就像信息化系统促进发展为影像的云平台一样。