2020年，陆续拿到“准生证”的医学影像AI企业，会不会在迎来自己的爆发之年？

近日，中华医学会放射学分会候任主任委员、中国医学影像AI产学研用创新联盟理事长、上海长征医院影像医学与核医学科主任刘士远教授，在由雷锋网主办的「鲸犀产业数字峰会」，分享了“医疗影像AI的2021展望”。

鲸犀产业数字峰会，是由业内最顶尖的企业家、工程领袖、CIO、解决方案专家、投资家，联合发起的数字化系列论坛。

致力于将全新的数字化管理思维和实践案例，推向传统产业界、AI界、互联网界、投资界、经济学界。

在演讲中，刘士远教授简要剖析了医学影像的发展现状，并从疾病应用场景角度，对八个医学影像AI应用方向进行了深入分析。

无论是从临床应用前景，还是产品获批角度，AI在医学影像的创新已经成为一种不可逆转的趋势。而不同的医疗智能化方向，也使AI技术进一步拓展，形成多样化、多任务的深度学习模型。

刘士远教授表示，未来的放射科，需要对AI厂商的产品进行整合，使不同的AI产品都可以融入到工作流程当中，输出图文结合的多媒体结构化报告，让放射科形成统一的AI生态系统。

以下为刘士远教授的演讲全文，雷锋网做了不改变原意的编辑：

大家好，我演讲的题目是“医学影像人工智能产品研发现状与应用实践”。

目前，医学影像人工智能产品大概分为两大类：

第一、优化现有工作流程，包括前台预约、技师扫描、图像后处理、诊断报告发放、检查质控，以及治疗决策和疗效评价等。

第二、以疾病为中心的人工智能诊断模型，包括神经疾病、胸部疾病、心血管疾病、骨关节、乳腺等各方面应用。

临床工作流优化的四大AI场景

1、低剂量重建

目前最多应用就是图像重建，尤其是低剂量扫描，AI可以在减低剂量的同时保证图像质量。

以全迭代模型重建为例，原来速度较慢，而基于深度学习模型，不仅可以加快重建速度，还能够达到和全迭代重建相同的图像质量。

目前，大多数设备厂商已经采用AI重建方法，从右图看到，低剂量扫描噪声很大，通过深度学习方法，重建的图像，基本消除噪声，使磨玻璃结节也可以清晰显示。

2. 无接触式影像扫描

用深度学习可以增加设备自动扫描功能，从而实现对现有DR、CT设备的无接触影像扫描。

这个功能在目前新冠疫情的要求下，特别有助于减少医护人员接触，降低感染几率,在过去武汉疫情方舱CT疑似病人扫描，发挥了巨大作用。

3、推动数据标准化

用深度学习对图像质量进行评价，可以实现拍片质量的自动质控。

例如，模型可以检测位置是否摆正、肩胛骨是否拉开、是否有体外异物、这些判断可以及时提醒技师重拍，避免病人的不必要往返，从而实现对图像进行回顾性地评价，达到对不同技师的质控管理，也可针对不同部位以及不同操作人员进行回顾性分析。

以一家西部医院为例，他们利用DR近1万例病人进行图像质量评估，总结出不合格胸片当中，62%是由于肩胛骨覆盖造成，18%是异物重叠，12%是由于锁骨重叠以及耸肩，另外6%则属于体位不正。这些都可以在年轻技师培训过程中予以重点关注。

4、AI助力智能化报告

深度学习可以自动将病灶定位、定量信息、诊断判断，以及相关治疗建议决策，都融入到结构化报告里，提升临床诊疗水平。

而且，因为没有专门诊断收费，放射科医生诊断价值无法体现，如果未来基于AI的结构化报告，可以作为一种收费形式进入医院，既能体现人工智能价值，又能体现医生价值，前景广阔。

医学影像AI的八个创新方向

1、AI在中枢神经系统影像的应用

AI研究主要集中四个方面：第一是针对老年性痴呆等退行性改变研究；第二是针对脑出血、脑缺血等脑卒中的研究；第三是针对脑白质病变研究；第四是针对颅脑肿瘤分割、脑区的定位、肿瘤的鉴别等。

在这类产品当中，目前，安德医智的AI产品已经获得药监局MR脑肿瘤分类三类注册证。

近期在这方面也有许多学术的研究，《Nature Medicine》上的研究文章显示，基于37000多例头部CT图像的AI模型，可以对中风或出血做出正确诊断，单次判断仅需时一秒多。

另一篇发表在《BRAIN》的文章也显示，AI针对阿尔茨海默病进行风险预估，已经取得很好输出效果。

2、头颈影像AI应用

这方面主要集中在甲状腺病变判定，以及头颈肿瘤疗效评价和分期预测等等。

深度学习对甲状腺占位的超声图像可以进行初步判断，提示良性、可疑恶性或者偏向恶性，帮助年轻医生，较好掌握甲状腺占位的定性诊断，避免漏诊和误诊。

目前，浙江大学孔德兴教授对于甲状腺良恶性的鉴别研究，敏感性和特异性均达到90%以上。

另外，天津肿瘤医院针对甲状腺癌研究，发表在《Lancet Oncology》上，诊断敏感度达到84%~93%，特异度为86.1%~87.8%。

除了天津肿瘤医院的研究，陶晓峰教授针对口腔鳞癌细胞分型准确性也达到86%。

3、AI在肺部疾病影像的应用。

这个领域的应用涵盖了肺癌、肺部感染性疾病、新冠肺炎以及肺气肿。

针对肺结节研究是所有人工智能产品最早也是功能最深入、最全面的，目前在临床的应用最多的，其中包含检测、良恶性判断、预后检测以及对基因信息判断。

对于肺结节检出、基因预测和浸润性分型，也有很多文章见诸于各种期刊，均反映有很好的使用效果。

在临床中，从2017年开始，肺结节AI模型使用点击率就已经达到60%左右，2020年到现在点击率基本都维持在80%以上，说明对肺结节AI模型的临床使用已经常态化。

研发肺结节AI模型的推想科技、深睿博联也已经获得国家药监局的三类注册证。

AI在新冠肺炎诊断中的应用，在《细胞》杂志上发表的一篇文章指出，AI模型可以达到92.49%准确率、94.93%敏感性和91%的特异性。

4、心血管影像AI应用

这是现在热度最高的影像领域之一，主要包含三个方面：

第一，冠状动脉斑块和狭窄的自动检测，基于AI的自动分割方法可以实现病变的实时分析，以斑块狭窄的自动检出和报告的输出为例，已面世了一些很好的产品。

第二，冠脉钙化积分显示。冠脉钙化积分可以通过门控和非门控深度学习自动获得，并且与传统获得方法达到很好的一致性。

第三，血流储备分数评估。利用CTA图像和AI算法，可以对冠状动脉进行三维重建，并从流体力学技术求解出血流储备分数，为临床上精准无创、快速分析，以及是否需要放支架等提供参考。

例如一个胸痛病人，就可以通过基于AI冠状动脉重建和结果，以及血流分数评估，取得很好的FFR结果。

除了这些，对心肌特性量化评估，也开始使用深度学习方法，对非增强心脏磁共振进行慢性心梗检测，准确性与延迟扫描序列相似性非常高。

心血管影像AI领域，也有几家企业已经获得AI三类证。

以获得药监局三类注册证的数坤科技为例，其产品对于冠状动脉三维重建、结构化报告输出，以及冠脉FFR、虚拟支架等，都获得很好应用。

另外获得认证的企业，还有深圳科亚，其产品聚焦冠脉FFR，与类似产品Heart Flow对比，其敏感性、特异度和阳性预测值都明显好于对方，并获得临床医生的认可。

5、AI在乳腺影像的应用

乳腺癌是现在女性的第一高发肿瘤，国际上针对乳腺癌的研究也早于国内。

目前，乳腺癌AI研究在钼靶领域应用较多，通过乳腺癌的钼靶检出、数据库构建获得基本AI模型，但距离真正的临床应用还有较大差距。

从技术角度，针对乳腺肿块的良恶性鉴别和乳腺癌分子亚型研究，以及临床评估方面的单个方面的AI研究准确性都达到90%以上，但这些模型的临床稳定性和普适性可能还需要进一步加强。

6、AI 在腹部影像的应用

腹部领域的AI产品研发，整体上落后于其他领域，像肝脏、肾脏、结直肠、膀胱、前列腺的研究大多数还是以单中心、小样本为主，属于回顾性质，是否可以真正应用于临床，还需要更多前瞻性、多中心临床验证。

未来，综合各种医疗数据，从整体状况进行评价，对多维的数据进行挖掘，融合多任务、多器官，可能是腹部AI产品未来的主攻方向。

例如，基于CT的全自动肝脏脂肪定量方法，报告结果和人工测算就有很好的一致性；在《Radiology》上报道的一篇肝脏肿块鉴别诊断，五个AI模型都取得了很好的AUC值。

7、骨关节影像AI应用

骨关节的AI应用主要聚焦在骨龄和骨折，其他也有少部分针对于骨关节炎和骨质疏松的研发。

目前，骨龄研究的AI模型比较成熟，可以输出结构化报告，对骨龄进行准确的判断，在结合父母的相关信息的基础上，对孩子未来生长空间、身高做出预测。目前依图科技已经获得药监局三类产品注册证。

除了骨龄以外，AI在骨折检出方面也有很好的应用前景。医生肉眼阅片对明显的骨折比较容易做出判断，但对轻微骨折以及隐蔽部位的骨折则非常容易漏诊，AI模型则可以增加检出的敏感性。

近期的一篇单中心研究显示，利用AI肋骨骨折产品，年轻医生对骨折的检出敏感度可以从65%提高到86%。

目前，联影智能的肋骨骨折产品已经获得国家药监局的三类注册证。

8. AI在其他医学影像领域的应用

除了以上这些场景，还有一些公司从事皮肤癌检测分类，病理细胞学检测分类，脑电图AI、心电图AI和眼底图人工智能等产品的研究，其中糖网眼底人工智能产品，就有Airdoc、硅基智能等三家公司获得药监局AI三类注册证。

放射科AI生态的统一化

今年和去年是医学影像人工智能产品的突破年，多种产品获得了国家药监局的三类注册证。

此外，还有一些公司获得了FDA、CE产品注册证，未来在认证上可能还有更多产品取得突破，这也是未来医学影像AI发展的不可逆转的趋势。

此外，医疗的智能化和智慧化发展趋势，也将使AI技术逐渐拓宽更多场景，向患者、医生、技师、管理、科研教学等多方向发展，形成多样化、多任务模型。

仅以放射科角度，过去的常规流程，从登记预约、到病人获取报告、以及数据汇总，涉及RIS、HIS、PACS等多个系统和环节，都需要人工智能产品的融入以提高工作效率。

不同环节的AI产品可能来自于不同厂家，有着不同的接口和服务器，同一类型的产品输出结果也不尽相同。

未来的放射科，需要对这些厂商的产品进行整合，使不同的AI产品都可以融入到工作流当中，让创新技术可以真正应用到临床环节，提升工作效率，保证工作质量，最终输出图文结合的多媒体结构化报告，让放射科形成统一的AI生态系统。

这应该成为厂商和医院今后相当长一段时间共同探讨和摸索的一个重要话题。

长征医院刘士远：未来的放射科，要构建统一的AI生态系统丨鲸犀峰会