到 2030 年，醫(yī)學(xué)診斷中的人工智能市場將超過 30 億美元。根據(jù)數(shù)據(jù)顯示，由于其分析數(shù)據(jù)的效率遠(yuǎn)高于人類，到此時，醫(yī)學(xué)圖像識別人工智能的使用量將增長近 3,000%。 IDTechEx 的報告《2020-2030 年醫(yī)療診斷中的人工智能：圖像識別、參與者、臨床應(yīng)用、預(yù)測》。該技術(shù)有可能通過簡化圖像分析過程來改進(jìn)診斷方法并最大限度地縮短治療時間。

圖像識別 AI 是一種決策支持工具，可以對患者的狀況產(chǎn)生快速且信息豐富的見解。(來源：IDTechEx)。

自 2010 年至 2014 年在圖像識別軟件中引入深度學(xué)習(xí)以來，基于 AI 的基于圖像的醫(yī)療診斷市場進(jìn)入了技術(shù)快速擴張的狀態(tài)。人工智能公司不斷尋求擴大其產(chǎn)品的功能范圍和適用性，以加強其在這個競爭激烈的市場中的存在。

該行業(yè)的主要創(chuàng)新圍繞著更有效地使用數(shù)據(jù)、增加該技術(shù)的可訪問性以及增強其對放射科醫(yī)生的價值主張。本文探討了用于醫(yī)學(xué)成像的圖像識別 AI 技術(shù)的五個主要趨勢。

邁向超人的疾病檢測

在評估圖像識別 AI 在醫(yī)學(xué)診斷中的價值時，準(zhǔn)確性是首要考慮的問題，AI 公司正在努力實現(xiàn)超人的疾病檢測水平。目前，盡管人工智能有可能徹底改變疾病診斷過程，但其當(dāng)前的價值主張仍低于大多數(shù)放射科醫(yī)生的預(yù)期。

許多人工智能公司都將優(yōu)化算法作為優(yōu)先事項。例如，荷蘭初創(chuàng)公司 SkinVision 成功地提高了其軟件的疾病檢測性能，以增強其作為決策支持工具的可信度。2014 年，SkinVision 應(yīng)用程序檢測到 81% 的皮膚癌病例，這被認(rèn)為不足以準(zhǔn)確檢測黑色素瘤。到 2019 年，這一數(shù)字已攀升至 95%，成為市場上最高的數(shù)字——遠(yuǎn)高于人類皮膚科醫(yī)生 70% 至 80% 的準(zhǔn)確率。

今天，算法的準(zhǔn)確性是它的第一賣點，達(dá)到超人準(zhǔn)確性的公司擁有至關(guān)重要的競爭優(yōu)勢。實現(xiàn)這一目標(biāo)將促進(jìn)他們的技術(shù)在醫(yī)療環(huán)境中的應(yīng)用，因為自動化可操作的定量洞察的好處將超過改變工作流程的短期不便。

醫(yī)學(xué)診斷中的圖像識別 AI：應(yīng)用程序與人類性能的性能比較(來源：IDTechEx)。

通過增加訓(xùn)練數(shù)據(jù)集的多樣性來擴大軟件的適用性

人工智能公司越來越專注于擴大其軟件的適用性。目前，圖像識別 AI 算法的一個常見限制是它們對特定人群類型的限制。因此，如果患者資料與其先前接觸的數(shù)據(jù)類型不匹配，則軟件檢測疾病的能力可能會降低。

為了解決這個問題，人工智能公司在算法訓(xùn)練過程中加入了更多樣化的數(shù)據(jù)集。越來越多的共識是，訓(xùn)練數(shù)據(jù)應(yīng)該包含多種類型的患者，以便算法能夠識別異常，而不管患者的種族、遺傳背景或生理狀況如何。例如，Lunit Inc. 的 INSIGHT MMG 軟件可以以 97% 的準(zhǔn)確率檢測乳腺癌，因為該公司訓(xùn)練其算法來識別不同密度和脂肪組織成分的乳房病變。

在處理廣泛的患者人口統(tǒng)計數(shù)據(jù)方面取得成功是一項關(guān)鍵的技術(shù)和業(yè)務(wù)優(yōu)勢。它擴展了軟件的適用性，從而有助于提高其在更廣泛的患者人群中的使用。

確保高圖像分辨率以最大限度地提高算法性能

獲取高分辨率圖像是最大限度地提高 AI 的疾病檢測性能和提高 AI 生成的洞察力的可靠性的關(guān)鍵。在訓(xùn)練期間使用劣質(zhì)數(shù)據(jù)會對深度學(xué)習(xí)算法的開發(fā)過程和性能水平產(chǎn)生負(fù)面影響。不清晰的圖像會降低人工智能產(chǎn)生的洞察力的準(zhǔn)確性，這可能會損害其廣泛實施的機會。

對此，人工智能公司正在開發(fā)方法，通過捕捉更好的圖像來提高圖像識別人工智能在醫(yī)療環(huán)境中的價值。用于評估或改善圖像質(zhì)量的人工智能驅(qū)動工具已經(jīng)商業(yè)化。例如，總部位于美國的 Subtle Medical Inc. 使用圖像識別 AI 將不適合分析的模糊圖像轉(zhuǎn)換為高分辨率掃描。

印度的 Artelus 使用了另一種方法，該公司開發(fā)了一種系統(tǒng)，可以在采集后立即評估圖像質(zhì)量。該系統(tǒng)確定圖像是否足以進(jìn)行可靠診斷，或者是否應(yīng)重新拍攝圖像。

從單個圖像中檢測多種疾病

多種疾病的檢測是圖像識別 AI 領(lǐng)域的另一個重要趨勢。過去，公司更傾向于專注于單一疾病的檢測，因為它的成本和耗時要低得多。因此，當(dāng)今許多人工智能驅(qū)動的分析工具只能識別有限范圍的病理。因此，它們在放射學(xué)實踐中的價值是有限的，因為算法可能會忽略或誤解他們沒有接受過培訓(xùn)的疾病跡象，這可能導(dǎo)致誤診。

為了增加他們的產(chǎn)品對尋求多功能決策支持工具的醫(yī)生的吸引力，人工智能公司正在分配更多的資源來識別單個圖像或數(shù)據(jù)集中的各種情況。例如，DeepMind Technologies 和 Pr3vent Inc. 的解決方案旨在從單個視網(wǎng)膜圖像中檢測 50 多種眼部疾病，而 VUNO Inc. 的算法總共可以檢測到 12 種。

對于醫(yī)院和人工智能公司來說，能夠檢測多種病理的軟件比檢測特定病理的軟件提供的價值要大得多。由于一次掃描足以檢測出無數(shù)疾病，因此可以通過減少做出決定性決定所需的患者檢查次數(shù)，將醫(yī)療保健成本降至最低。多疾病檢測軟件的更廣泛適用性也使其能夠在醫(yī)院內(nèi)更常規(guī)地用作首選診斷工具。

將 AI 軟件集成到成像設(shè)備中

將圖像識別 AI 軟件直接集成到醫(yī)療掃描儀中變得越來越普遍。目前，放射學(xué)人工智能軟件通常通過基于云的平臺部署或直接安裝到醫(yī)院的內(nèi)部服務(wù)器中。隨著放射學(xué)實踐適應(yīng)新的工作流程，這會降低生產(chǎn)力，并且眾所周知會阻止醫(yī)院采用圖像識別 AI。

人工智能公司越來越愿意將他們的軟件直接集成到掃描儀中，以促進(jìn)醫(yī)學(xué)圖像分析的自動化。人工智能軟件提供的增強分析能力使醫(yī)院能夠最大限度地增加每天就診的患者數(shù)量并改善患者治療效果。這種做法越來越多。最近的例子包括 Lunit Inc. 的 INSIGHT CXR 集成到 GE Healthcare 的胸部護理套件和 MaxQ AI 的顱內(nèi)出血 (ICH) 技術(shù)被嵌入到飛利浦的計算機斷層掃描系統(tǒng)中。

　　審核編輯：湯梓紅