“AI+医学影像”行业调研.pptVIP

“AI+医学影像” 行业调研 2019-8-13 “AI+医学影像” 行业调研 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 影像数据快速积累，已具有开发应用规模 我国每天产生的影像数据以PB计算，占到医疗行业数据的90% 影像医生产能负荷重和部分地区医生影像诊断水平偏低，而人工智能大有所为 放射科医师数量存在缺口，医师的疲劳或经验不足可能造成误判 政策助推医疗大数据开发应用 2016年6月，国务院办公厅印发《关于促进和规范健康医疗大数据应用发展指导意见》 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 智能识别解决行业痛点： 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 2016年2月，谷歌DeepMind成立DeepMind Health部门，正式将人工智能技术应用于医疗健康领域，获英国伦敦帝国理工学院、伦敦皇家自由医院和英国国家医疗服务系统（NHS）数据的支持。 Google牵头，历时8个月，54名美国眼科专家，将128,175张视网膜照片分级，利用CNN算法，训练自动检测糖尿病视网膜病变和视网膜黄斑水肿，达到最低值为87%的灵敏度与特异度。 Google与Verily公司开发用来诊断乳腺癌的病理人工智能，在于病理学家基于灵敏性和假阳性和乳腺癌病例分析竞争中，人工智能的准确度达到88.5%，而顶级病理学家的准确率为73.3%。 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 IBM Watson可以在17秒内阅读3469本医学专著、24.8万篇论文，69种治疗方案、61540次试验数据、10.6万份临床报告。通过海量汲取医学知识，包括300多份医学期刊、200多种教科书及近1000万页文字，IBM Watson已在短时间内迅速成为肿瘤专家。 2013年， Watson与斯隆凯特琳癌症中心（MSKCC）合作，推出肿瘤解决方案Watson for Oncology。 2014年底和2015年底，Watson for Oncology先后进驻泰国曼谷的Bumrungrad InternationalHospital和印度第三大医院系统Manipal Hospitals。 2016年8月，IBM与我国21家医院签署IBM Watson for Oncology的合作意向协议，并于同年12月成立联合会诊中心。 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 AI识别先天性白内障研究，我国中山大学的临床试验，利用CNN算法，通过410张各种程度的先天性白内障图片和476张正常图片训练，诊断准确率达92.45%。 AI对脑瘤病理切片的快速诊断，利用多层感知机算法，用拉曼散射显微镜生成高度模拟传统的HE染色病理切片，通过过万张图片训练，AI区分胶质瘤和非胶质瘤的准确率达90%。 AI对神经假体进行精确控制，伦敦帝国理工学院则尝试了利用支持向量机这一算法，将此前85%的精确度提升到了97%。 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 医学的特殊性：医学本身就是一个未被完全认知的领域，信息的不完全透明，在疾病的症状与结果之间没有严格的对应关系，不同疾病之间也没有清晰的边界，而且还会存在同时发病的情况，这也导致不能像AlphaGo一样在明确的规则下算清所有变化。医学影像图像对比度普遍较低，不同组织或正常组织与病变组织之间边界模糊 ，血管、神经等微细结构分布复杂，医学中个体差异及小概率事件发生是很普遍的。 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 数据获取：数据是深度学习算法所需的核心资源，仅掌握算法而缺乏数据无法获得较好的训练结果。现阶段，我国的医疗影像仍处于从传统胶片向电子数据过渡的阶段，大量影像资料尚未数字化，而且医院之间的数据共享和互通程度较低。 数据标注：在获取数据的基础上，深度学习结合先验知识对模型进行训练，训练集需要事先标注。由于大多数标注依赖人工识别，因此数据标注将耗费较大量人力和时间，还要求医疗机构的顶级医生参与进来。 国内外公司基本都处于不断收集影像数据的阶段，仍在丰富病种多样性和扩大影像数据规模，从而优化影像智能诊断的准确度。 行业需求 核心技术 应用概览 难点挑战 投资分析 公司盘点 医学影像智能分析公司的核心竞争力在于影像数据的规模和影像数据的可解读性 由于单一几个病种的分析作用有限，就会造成漏诊。因此，只有在分析病种达到足够多数量之后，漏诊风险才会降到可接受范围之内。 除了数据量级和覆盖病种多样性以外，数据有效性也很重要，即拥有影像图像、病灶重点标示、诊断报告、影像专家经验等形成