医疗资源缺口巨大,AI将如何赋能医学影像发展?

文:火石产业大脑,作者:张泽 2021-08-18 10:39:39 人工智能

扫一扫分享微信

让医疗影像诊断更快更准。

近年来,随着技术在医学影像诊断领域的渗透,以及医疗创新相关政策的鼓励,致力于提升医疗机构服务水平的医学影像新业态开始崭露头角,尤其是以AI医学影像产品为代表的诊断服务,以及为影像科、放疗科等做整体赋能的科室运营服务,成为当前医学影像发展热点。

那么,AI是如何赋能医学影像发展的?

AI产业概述

人工智能(AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能产业包括数据资源、计算引擎、算法、技术、基于人工智能算法的技术进行研发及拓展应用的企业以及应用领域。人工智能产业生态如图1所示。

经过60多年的演进,特别是在移动互联网、大数据、超级计算、传感网、脑科学等新理论、新技术以及经济社会发展强烈需求的共同驱动下,人工智能加速发展,呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。

f343fd902ec5569747b00e5197847929_1629251726.jpg

图1:人工智能产业生态示意图  来源:根据公开资料整理

全球来看,欧美等发达地区人工智能产业布局较早,尤其美国在算法、芯片和数据等核心领域,积累了强大的技术创新优势,各层级企业数量全球领先。

据国际数据公司(IDC)估算,2020年全球人工智能市场规模约1565亿美元,同比增长12.3%;在《全球人工智能支出指南》中,IDC预测全球人工智能相关支出将在未来四年翻一番,到2024年达到1100亿美元。我国人工智能行业核心产业市场规模2020年超过1500亿元,预计在2025年将超过4000亿元,其中以图像识别及语音识别为核心的模式识别市场规模最大。

目前,基础层的核心技术大部分掌握在国外企业手中,为我国企业自主开展研发带来了不利的壁垒封锁,限制了产业整体发展。近期,国内以北上杭深等为代表的地区相继加大对传感器、底层芯片及算法等基础层的研发力度,取得了一定的技术积累,但其他地区切入基础层仍存在较高壁垒。相比国外应用技术发展,国内人工智能企业的应用技术主要集中于计算机视觉(含模式识别技术)、自然语言处理,基础硬件占比偏小。行业应用层,国外以AI+、大数据及数据服务为主,国内则集中于AI+、大数据及数据服务,以及智能机器人、无人机等智能终端。

未来,美国仍然是全球人工智能产业发展的主导者,凭借着数量众多、实力雄厚的科技企业、高校、科研机构,美国从人工智能的底层技术到应用市场都拥有巨大优势。我国已经是人工智能应用大国,人工智能产业发展已上升至国家战略层面,全国各地相关政策进入全面爆发期,影响力稳步提升。

未来,我国人工智能产业发展有以下几大趋势:

第一,人工智能产业仍将保持爆发式增长。得益于人工智能技术的不断升级以及商业模式的推陈出新,我国人工智能产业需求将进一步放量;产业规模整体爆发式增长的背景下,基础层、技术层和应用层的各细分领域也将保持同步增长态势,尤其应用层各产业领域的增长表现最为抢眼。

第二,初创型公司优势逐渐体现。科技巨头公司凭借强大的技术和资本垄断能力,在目前代表着全球人工智能产业发展的最前沿,强势保持人工智能科技创新与产业发展的优势地位。然而,全球近几年兴起有千余家人工智能初创企业,半数以上已经获得投资机构青睐,数量以美国和中国居多。初创公司聚焦于行业某细分领域并深入探索,与科技巨头在某些领域相比存在一定的比较优势。

第三,智能化应用场景从单一向多元发展。目前,人工智能应用领域多处于专用阶段,例如人脸识别、视频监控、语音识别等都主要用于完成具体任务,覆盖范围有限、产业化程度有待提高。随着智能家居、智慧物流等产品的推出,人工智能的应用终将进入面向复杂场景,处理复杂问题,提高社会生产效率和生活质量的新阶段。通过海量优质的多维数据结合大规模计算力的投入,以应用场景为接口,人工智能产业将构建起覆盖全产业链生态的商业模式,满足用户复杂多变的实际需求。

第四,模式识别是当前人工智能领域发展的热点。随着计算机视觉技术和自然语言处理技术的成熟,图像识别、语音识别、文本识别等模式识别技术应用范围越来越广,市场潜力巨大。随着模式识别技术的成熟,智能医学影像以人工智能深度学习技术为依托,将成为人工智能落地最快的领域之一。

AI赋能医学影像发展

自2012年深度学习技术被引入图像识别数据集之后,其识别率近年来屡创新高。2015年百度在ImageNet比赛中识别错误率仅为4.58%,高于人类水平。在各类医学图像识别比赛或活动当中,学校和商业研究团队分别在不同病种上取得了显著成果。

表1:科研、商业团队针对不同病种开发的AI产品识别准确率

3ec4e67a4b8ee4a44c67296525a913eb_1629251726.jpg

来源:东方证券研究所

智能图像诊断数据结构化程度高、处理难度小。医疗大数据有80%来自于医疗影像数据。影像数据具备结构化程度高,数据处理难度小的优势,非常适合机器学习。

表2:智能图像诊断和辅助诊断比较

629251727.jpg

医生资源短缺将促进AI智能影像识别的应用落地。

目前我国医学影像数据的年增长率约为30%,而放射科医师数量的年增长率为4.1%,其间的差距是25.9%,放射科医师的数量增长远不及影像数据的增长。以病理切片为例,据国家卫健委统计,我国病理注册医生在1万人左右,按照每百张床配备1-2名病理医生的标准计算,全国病理科医生缺口可能达3万-4万人,目前,全国有近40%的手术未进行病理切片分析。所以,通过AI的方式辅助影像科医师进行诊断将满足市场刚需。

251727.jpg

图2:借助图像识别和深度学习提升诊断效果

bc71108ff1d2f402d2dafa69beaaad0f_1629251727 (1).jpg

图3:人工智能医学影像诊断准确率提高

AI读片相对于人工读片具备比较优势。

人工读片具备主观性高、重复性低、定量及信息利用度不足、耗时及劳动强度和知识经验的传承困难等问题;而人工智能读片的优势体现在高效率低成本。随着产品的成熟带动识别率的提升,人工智能读片的精准度也将形成比较优势。

表3:人工智能读片与人工读片的比较

d7d36a2d26670af6b49e87a45c651f11_1629251728.jpg

来源:健康界

我国医学影像数据量正以30%的年增长率逐年增长,然而影像科医生数量的增长速度慢且工作效率不足,给医学影影像成果判断造成一定的压力。此外,目前医学影像数据大部分仍然需要人工分析,最明显的缺陷就是不精准,依靠经验所做的判断容易造成误诊。

人工智能依靠强大的图像识别和深度学习技术,可很好地解决医学影像大数据人工处理中存在的两大问题,大大提高数据分析的效率和准确性,减轻医生的压力,同时提高诊疗的效率和准确率。

AI医学影像产业链分析

AI医学影像属于高端医疗器械领域,具有多学科交叉、知识密集、附加值高等特点,其产业链各环节涉及基础工业、制造业、影像学、医疗机构、互联网等多个行业。当影像数据积累到一定规模,

影像产业链可延伸至人工智能领域,出现影像智能诊断应用,其反向作用于影像诊断设施及服务。

d9c208a537cc247bda9409c288565df7_1629251728.jpg

图4:智能影像诊断产业链 来源:36氪研究院

产业链上游是影响医学影像发展的一些相关行业,例如化工、金属、互联网、通讯等行业,其技术进步将推动医学影像行业发展或变革。

核心元器件是医学影像设备上游供应链环节中的命脉,其发展情况决定着行业的技术高度。目前,我国大部分医学影像设备生产商均不具备核心元器件自主研发生产能力,各类零部件基本依靠外购自不同厂商,整机生产过程实际为组装集成过程。当核心元器件价格上涨时,将直接增加行业内企业的总体生产成本,缩短盈利空间。因此,是否拥有核心元器件的自主生产能力以及相对于上游供应商的议价能力成为区分医学影像设备制造企业竞争力强弱的关键。

中游是开展医学影像诊断服务的基础设施,包括医学影像成像设备和影像信息化。目前此领域的市场规模最大。

下游涉及各级医疗机构与衍生服务机构。各级医疗机构包括公立医院、民营医院、远程影像平台及独立影像中心。衍生服务机构包括维修托管公司与医疗器械租赁机构。公立医院是医学影像设备企业的主要客户,线上影像平台及独立影像中心则是未来市场主要增长力量。

公立医院与民营医院:

因医学影像设备造价高,折旧慢,三级公立医院设备更新需求不强,近年来市场趋于饱和。为提升基层医疗卫生服务能力,“分级诊疗”政策在各地的实施将刺激来自基层医疗机构的设备采购需求,具有价格优势的国产制造商将凭借政策红利脱颖而出。同时,在国家鼓励社会办医的背景下,数量保持稳定增长的民营医院急需性价比高的医学影像设备,为本土企业质优价廉的中低端医学影像设备提供了机遇。

独立影像中心:

中国优质医疗资源集中于三级医院,分配严重不均,独立影像中心可以实现优质医疗资源的整合分配。受制于政策、成本等因素,部分基层医疗机构没有配置大型医学影像设备的能力,难以满足临床需求。独立影像中心可以减轻三级医院负荷,提高基层医疗机构服务能力,解决现阶段中国医学影像服务的痛点,帮助医学影像服务行业快速发展。在政策的鼓励下,独立影像中心迎来发展机遇。

现阶段中国独立影像中心市场尚处于初步发展阶段,未来伴随各种慢性疾病患病率的增长、老年人口数量的上升等因素,市场发展空间广阔。独立影像中心属于重资产模式,需要大量采购医学影像设备,独立影像中心行业的爆发将驱动医学影像设备行业的发展,成为未来中游行业增长的关键因素。

线上影像平台:

线上影像平台通过云服务平台提供远程阅片服务,将专家与患者需求对接,同时提供影像诊断培训、资讯等的线上学习平台等服务。在患者巨大影像检查需求的推动下,依托于云计算、大数据等新技术,线上影像平台在近三年成长迅速。尽管线上影像平台属于轻资产模式,不附带影像设备,但其弥补了大医院影像科人手不足的问题,提高了影片诊断效率,促进了下游市场的消费需求,中游市场将在一定程度上因此受益。

衍生服务机构:

近五年来,医学影像设备市场的增长促进了下游服务机构的兴起,相关服务机构陆续衍生出新的服务模式,维修托管公司及医疗器械设备租赁商应运而生。维修托管公司的出现降低了影像学设备的整体维修成本,具有取代整机制造商服务模块的趋势;医疗器械设备租赁商可以帮助解决医疗机构资金短缺的困境。新模式的加入延伸了产业链,隐形增加了中游环节的价值,扩大了整体产业的规模。

AI医学影像发展瓶颈

数据是AI医学影像所需的核心资源,仅掌握算法而缺乏足够数量和质量的数据无法获得较好的训练效果。目前,医学影像人工智能数据生产环节存在较多的问题亟待解决。

一是缺乏有效的标准训练数据。

同其他行业相比,医学影像高质量数据获取方面有着天然的劣势:一方面,高质量影像数据集中在三甲医院,不同医疗机构的数据很少能够实现共享,缺乏有效的数据互通机制;另一方面,中国虽然医疗数据量特别庞大,但其中80%的数据均是非结构化数据,限制了人工智能在医学影像行业的进一步应用。此外,训练数据集应根据适用范围包含体检、筛查、门诊和实验室等不同场合的图像,使用的设备、设置、剂量能够代表不同地区不同条件的实际水平,目前国内尚无规范化设计的有效数据库。

二是缺乏统一的行业标准。

由于监督学习的技术本质,算法训练与产品测试使用的数据集对全生命周期的质量控制和风险管理有着重要意义。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。不同机构数据质量和规模参差不齐,由于缺乏统一的标注扫描技术及处理手段、行业统一标准和共识,易引起产品质量风险和“水土不服”,亟需加强引导和规范。应加强训练数据集标注者队伍的资质,统一图像征象认识、标注方法、分割方法、量化方法等,避免产品在实际应用过程中存在较大偏差。

三是竞争格局分散,以初创型公司为主。

目前医疗影像行业下游参与者众多,竞争格局分散,未来在场景+数据+算法上有优势的企业在智能诊断市场将更有优势。根据火石创造《2017年中国医学影像产业图谱》数据显示,我国医疗影像行业下游参与者众多,包括医学影像信息系统(相关公司209家,市场规模较小)、远程影像服务(相关公司90家)、独立影像中心(相关公司14家)、医学影像+人工智能(相关公司23家)。远程影像服务是近两三年才推出来的,初创型企业占多数,而且90家相关企业中,以医学影像信息系统的厂商居多,单纯只做远程影像的诊疗系统的公司比较少。医疗影像中心也是近年才开始推出的,市场基本上是从零起步,其中我国涉及独立影像中心只有10家,其他的是和医院或者医联体合作建立医学影像中心。

四是缺乏有效的保护和监管。

各家医疗单位的数据不愿开放和分享,很大程度上是基于信息安全的因素。目前没有法律规定何种数据可以开放使用,数据的归属和伦理问题尚不明确。同时,数据的使用缺乏有效的保护和监管机制。解决上述问题有几种途径:首先,加强行业法律法规的制定;其次公司数据库的图像质量应该标准化,同时可溯源;再次,通过合理的数据分享机制,建立标准化、大样本的数据中心,为人工智能提供适合训练的高质量数据,使其在医疗领域的应用具备更多的可能性。

美医学影像行业对比

我国医疗影像行业远落后于美国,差距主要表现在以下几方面:

(1)诊断设备研发和创新不足,市场被外资品牌垄断;

(2)影像信息化建设较晚且尚未完成,目前影像数据共享程度低,不能有效支持远程会诊、转诊、影像数据开发应用等;

(3)我国第三方独立影像中心市场几乎空白,而美国已出现多个连锁品牌的独立影像中心巨头;

(4)影像教育及认证制度不完善,影像医师诊断水平参差不齐;

(5)阅片免费,影像医师收入低,作为临床科室的辅助科室,价值不被认可现象严重。

表4:中美医疗影像行业对比

91fe11aae725f1b50_1629251728.jpg

总体来看,我国影像产业发展机会较多,未来产业结构也将进一步丰富。

通过与美国影像行业的发展现状相比,笔者认为,我国第三方独立影像中心、远程影像诊断、影像设备、信息化等领域均有发展机会。

AI医学影像未来发展趋势

1、人工智能对行业升级的作用将更加显著

医疗行业数据量迅速增长,加速了人工智能医学影像的产品技术优化,推动人工智能医学影像行业的升级,由于人工智能可在数据中进行复杂模式的识别,并以自动化方式提供定量评估,人工智能医学影像在临床工作流程中,可为医生提供辅助,有助于形成更准确的放射学评估。

基于技术类别,人工智能在医学影像领域衍生出两大基础应用:(1)数据感知,即通过图像识别技术对医学影像进行分析,获取有效信息;(2)数据训练,即通过深度学习海量的影像数据和临床诊断数据,不断对模型进行训练,促使其掌握诊断能力。

人工智能医学影像对比传统医学影像的优势明显,因此产品面世早期,广受各级医疗机构青睐,医生对人工智能医学影像设备的使用需求不断提升,人工智能医学影像行业因此发展前景广阔。目前,中国有超过百家企业将人工智能应用于医疗领域。

人工智能医疗应用领域中,医学影像是投资金额最高、投资轮次最多、应用最成熟的热门领域,

但由于法律法规风险、评价标准不明确等因素,2020年之前,我国尚未有一张三类AI软件注册证,产品大多停留在申报阶段,产品应用领域主要集中在CT(肺结节)、眼底彩照(糖尿病视网膜病变)等。未来,资本市场对人工智能医学影像的高度认可与大力支持,将会加速相关技术成熟与应用场景落地,助推医学影像设备产业转型升级。

2、市场发展初期相对分散,未来有望逐步走向集中

当前AI医学影像市场比较分散,原因主要有:

一是数据分散。

我国第三方医学影像中心大多数医疗影像数据来源于医院,但大量影像数据额分散在不同的三级医院体系中,因此智能医学影像模型难以得到有效的训练,即使实验室准确率高,也很难在实际应用中取得很好的效果。

二是病种分散。

虽然底层代码可以复用,但不同病种需要不同的标注数据训练不同的模型。例如:谷歌Deepmind跟Moorfields眼科医院合作训练糖尿病视网膜病变识别;阿里与万里云合作进行肺结节CT影像检测,未来有望扩大到乳腺癌、糖尿病等领域。虽然行业参与的公司着力选择多发病种进行产品研发,但不同病种不同模型的特点,决定了行业发展初期参与者相对分散的形态。

三是变现场景、商业模式多样化。

仅就医疗图像智能识别而言,潜在的变现方式包括:作为单独的软件模块向医疗机构销售、与PACS等系统合成向医疗机构销售;与CT、X光机等设备合作形成软硬件一体化解决方案向医疗机构销售;通过远程医疗等方式服务基层医疗机构;通过互联网医疗等方式直接服务于患者。由于场景和商业模式的多样化,不同公司在不同赛道上发展。

然而,随着行业的发展,市场参与者的数量将首先不断提升,最后由分散走向集中。

随着行业数据整合与共享机制的建立、模型训练的成熟、商业模式的确立,以及部分企业CFDA认证的率先通过,先发企业将逐步建立技术壁垒和商业壁垒,推动市场走向集中。

本文转自钛媒体(https://www.tmtpost.com/5581898.html)

以上内容由品牌方授权数央网转载。2024年,数央网将陆续举办国际绿色零碳节、第十三届财经峰会、第五届国际科创节、第十四届公益节,合作垂询:010-56139250,或关注公众号:数央网。