准确率堪比资深医师,结局是躺在医院吃灰?

2020-05-07 小呆 HIT思想荟

AI正在深度渗透医学影像领域

AI正在深度渗透医学影像领域

医疗影像行业门槛高,工作量庞大。长此以往,日益增长的医学影像数据与放射科医师数量的增长速率极不匹配,导致医疗影像行业人才供给与市场需求之间出现断层。

AI技术能够在解放人力的同时,提升阅片速度与诊断效率,赋能医疗诊断的全流程。因此,医疗影像也就成为了AI企业寻求技术落地的最佳窗口。

如今,跻身于医学影像领域的企业越来越多,AI模型用于疾病筛查、诊断的准确率,成为彰显企业商业价值的维度之一,以及衡量技术使用成效的标准。

腾讯觅影研发的AI眼底疾病筛查系统,支持7大常见眼底疾病与20余种罕见眼底疾病的检测,能在几秒内检测出结果,准确率堪比资深医师。类似的AI筛查诊断系统还有很多,层出不穷的AI疾病筛查模型,居高不下的AI筛查准确率,令人惊叹的诊断速度,似乎昭示着AI医疗影像技术发展已渐入佳境。AI正在深度渗透医学成像领域,已成为业内共识。谈到这里,就不得不提及到,为什么“AI+医学影像”模式,被认为是AI医疗中最具落地价值的板块呢?

为什么放射医学更热衷AI应用

这与图像性质有关。在医院,成像技术将会产生大量的图像数据,而图像数据分析正是AI相对成熟的技术。此外,在医疗数据里边,电子病历或者数据可能会有误差,断层扫描图像算是最精确的数据了,因此利于AI研发。那些不太精确的数据也并非没用,如果将它们和精确的图像数据结合分析,就会让医生有一个整合性的、更精准的决策。

医学成像相当于是现代医学中的眼睛,把患者的五脏六腑看得一清二楚。无论做手术,还是放疗都离不开图像。而人工智能的介入将大大提高图像分析的效率,于是就成为了很热门的领域。聊完了为什么AI能够在医学影像领域大放光彩,我们再来看一看,目前AI在哪些方面已经得到了应用。

AI目前的一些应用

1. AI+医学影像设备

医学影像设备是医学影像数据产生的源头,直接决定着医学影像的质量。而医学影像的质量,又直接影响着医生的诊断和治疗。

越来越多的影像厂商开始从源头着手,用AI赋能医学影像设备更快更好地进行成像,相比于传统的迭代或基于模型的重建算法,AI算法能更迅速地重建CT图像。

此外,还有厂商在影像设备中嵌入AI算法,连同PACS优化放射科工作流程。如GE医疗在移动X线机Optima XR 240 amx中,嵌入了一套AI算法。这套算法能识别并标记出哪些胸片可能是“气胸”,并将疑似影像发送给影像医生,通知优先诊断。

2. AI+智能勾画靶区

中国的放疗资源非常稀缺,据统计:目前全国只有3000多个有执照的物理师,而且基本集中在大型三甲医院。

基层医院虽然可以通过租赁的方式获得放疗设备,但由于缺少物理师,使得放疗设备大多成了摆设。操作不当放疗射线,会对病人造成极大危害,因此每一个放疗方案都需要严格画靶,确认放疗射线的靶向位置和剂量,及其穿透路线,避免伤及正常的组织器官。

每一位病人每次放疗前都需要拍300-400张CT,病变器官的准确定位与勾画,是放疗计划运作的基础和关键。分割的准确程度,将直接影响到后续放疗计划的效果。传统方法就是医生在患者的医学影像上手动标识,这种方法需耗费大量时间。

基于深度学习算法的智能勾靶功能,不仅能大幅提高效率和准确度,还能避免由于靶区勾画不准确导致的无效治疗,将先前几个小时的工作量缩短到了几十分钟。

西门子医疗推出的器官分割软件助手,AI-Rad Companion Brain MR基于形态计量学分析,能在影像中自动勾画出患处的外部轮廓,辅助影像医生快速诊断、快速标记病变。

目前,AI智能勾画靶区已在乳腺癌/鼻咽癌/肝癌等疾病上成功应用。

3. AI+病理分析

病理医师的诊断依赖于经验,培养病理医生的周期非常长,从初级诊断医生到经验丰富的高年资诊断医生,大约需要10年时间。

此外,病理工作风险高、工作强度高,导致专业吸引力相对较低,愿意从事的人少。而AI的引入,可以为低级别医院经验欠缺的病理医生提供诊断建议,替医生分担部分繁重的工作,目前AI能够做到:

对数字化的病理切片,自动完成检测-识别-分割。

智能区分癌细胞与正常细胞,并标注。

对框选区域/全场图进行定量分析。

生成自动结构化报告。

除了以上三个方面,AI还在图像后处理方面有所尝试。

临床上,影像检查生成的影像不足以直接用来评估病情,需要对影像进一步处理(比如CT血管造影检查)。

虽然后处理影像可以清晰显示各部位血管细节,对于显示病变有重要价值。但过程复杂、耗费长,一个CTA检查的后处理时间在20~60分钟之间,使用AI技术将大大减少耗时。

目前AI能够做到:

自动完成图像重建

图像推送和胶片打印

血管斑块和狭窄程度量化分析

AI新阶段面临哪些痛点?

市场和价值都很明确,医学影像AI现阶段还面临着哪些痛点呢?

1)未明确用户需求和使用场景

现阶段的医学影像AI产品,主要的应用是辅助医生进行临床诊断,从产品分类上属于工具型产品,工具型产品的核心就是高效的解决用户明确需求。

传统的工具型产品的优势是用户需求明确,使用场景纯粹,很容易做到极致化的体验。劣势是发展到一定阶段,会受限于规模化的商业变现。

但在医疗领域,工具型产品的变现模式非常清晰,目前医疗领域大部分的产品都属于工具型产品,比如医疗器械,只要产品质量过硬,能解决临床需求,就可以进行商业化变现。

所以医疗影像AI产品需要跨越的第一个门槛,就是找到明确的用户需求和使用场景,进行落地。

2)CFDA认证难

虽然行业发展迅猛,但是有个问题一直制约着行业的发展,那就是国内少有医疗AI产品获得医疗器械注册证。

一方面是因为医疗AI作为一种全新的产品,此前并无审批此类产品的经验和标准数据库。另一方面,许多产品还在打磨阶段,医疗是一个严谨的行业,事关民众安全。

没有认证就没有市场准入资质,虽然各公司都有自己的营收渠道和高额融资,但是AI公司数据/人才/算力、运营成本昂贵,如果以医疗AI产品为主营业务的公司,迟迟拿不到市场准入资质,长远发展必将面临挑战。

2018年8月1日起,新版《医疗器械分类目录》正式生效,将医用软件按二类、 三类医疗器械设置审批通道。

目前我们所看到的AI 产品,大多属于第三类医疗器械,人工智能辅助医疗影像诊断作为一个全新的领域,政府也处在在探索阶段,认证难成了阻碍“医疗影像+AI”发展之路的“拦路虎”。

当前大部分企业采取增删诊断功能的办法,同时申报二、三类器械,已有多家企业拿到了二类证书,但目前尚未有一款产品获得三类证书。相信随着政策的日益完善,以及标准数据库的建立,“CFDA认证难”在未来几年内将会得到解决。

3)数据获取难

开放的数据集,是肺结节产品扎推涌现的直接原因,也为后来者提供了“弯道超车”的机会,但不是所有产品都拥有公开的数据集。

从公开数据集、临床数据到金标准数据,难度逐渐递增。而且在短期内,”数据获取难“的问题不会消失。因此,如何拿到医院数据对AI进行训练,是AI领域各大公司都非常头疼的问题。

为了拿到数据,部分公司会采取跟医院影像科室合作的形式,这也就意味着,想要进军“医疗影像+AI”领域的公司,必须具备"影像科资源"。

相比于三甲医院对医疗影像AI产品的需求,医疗影像AI产品捆绑医院的需求更为强烈。

4)医生习惯不易改变

虽然AI产品都自我标榜可以帮助医生节省时间、提高诊断效率等,但是对医生而言,要完全接受这种“人机结合”的新诊疗方式,显然还需要经历一段适应过程。

5)影像科地位尴尬

目前市面上“医疗影像+AI”领域公司都是采取和影像科合作,而影像科作为辅助学科,在医院内部体系中,比起备受重视的临床科室,几乎没有话语权,在采购经费申请上也相对困难一些。

结语

人工智能在医学领域的应用有很多,比如在智能导诊和病历输入等方面。当然,现在技术最为成熟的,还是医学影像方面的应用,从设备图像的重建,到辅助治疗,都开始有了商业化的应用。

目前AI医疗影像领域的企业,过于追求技术落地,并未将重心放于产品打磨以及追寻清晰的应用场景上,导致产品并未满足医疗机构的真正刚需,医院的付费意愿很低。

每一项新技术在崛起之前,都会经历”去泡沫化“的过程,毕竟达到了解决实际问题的水平,方能提升医疗能力与服务水平。

针对医疗影像领域而言,企业需要构建医疗领域的标准化数据库,持续优化算法模型。只有从实际的医疗场景出发,洞察医院的真正需求,最终撬起AI医疗大时代的生态繁荣。

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (0)
#插入话题

相关资讯

2181个药,医院不卖了

2181个药,上海不卖了。

大批药,医院不卖了

一批抗菌药将撤网,医院不能卖了

一批药,退出医院

一批药,医院不卖了。

医保局:禁止医院分批结款

公立医疗机构应在付款期限内将货款足额支付至监管账户,不支持一笔订单分批支付,新政策5月1日起开始执行。

两周内3名俄罗斯一线医护跳楼,卫生工作者待遇引担忧

俄罗斯媒体报道称,在两周内,俄罗斯已有3名一线医护人员跳楼,其中2人死亡,1人仍在住院。3名医护人员的跳楼事件引发人们对疫情期间一线卫生工作者劳动强度和待遇的担忧。