隨著人口老齡化的加劇以及民眾健康意識的提升，醫學影像檢查次數每年以超過30％的速度增加，而影像科醫生每年的增長速度不到5％，這里面存在著嚴重的供需失衡。
深度學習技術在圖像領域的突破使得在醫療影像中應用AI技術進行輔助診斷即將普及，在后深度學習時代，醫學影像AI現階段能解決什么問題？其中又有哪些瓶頸？未來會帶給我們怎樣的想象？無數的問號等待揭曉。
醫學影像AI的市場規模
據《醫療影像的市場圖譜和行業發展分析》推算，2020 年我國醫學影像市場規模將達到6000 － 8000 億人民幣，其中即便診斷環節只占20％左右，也是一個千億級別的市場。
根據Global Market Insight的數據統計：藥物研發在全球醫療AI市場中的份額最大，占比達到35％；智能醫學影像市場則為第二大細分市場，并將以超過40％的增速發展，在2024年達到25億美元規模，占比25％。
目前醫學影像數據的年增長率約為30％，而放射科醫師數量的年增長率只有4．1％，放射科醫師數量增長遠不及影像數據增長。
除了既有市場帶來的新需求，醫聯體建設的推進和第三方醫學影像服務市場的發展也為市場帶來了新的機會。
市場的供需不平衡，與AI技術在醫學影像領域應用的巨大可能，推動了大量創業團隊涌入醫學影像AI的領域。有數據顯示，中國人工智能＋醫學影像的活躍企業已經超過 70 家。
據國家衛計委統計，我國病理注冊醫生在1萬人左右，按照每百張床配備2名病理醫生的標準計算，全國病理科醫生缺口達4萬人。所以通過AI的方式輔助影像科醫師進行診斷將滿足市場剛需。
智能影像識別分類多空間大
智能影像識別市場分類多、空間大，人工智能方法在醫學圖像處理中的應用十分廣泛，涉及醫學圖像分割、圖像配準、圖像融合、圖像壓縮、圖像重建等多個領域。
①放射類：通過射線成像了解人體內部的病變情況，形成影像。對該影像智能識別的目的在于標注病灶位置。
②放療類：在制定放療方案之前，醫生需要通過成像設備對靶區進行定位，從而形成影像。對該影像智能識別的目的在于進行靶區自動勾畫，由于放療需要殺死細胞，病變區域勾勒的越準確越好，對智能影像識別準確率要求高。
③手術類：對CT等影像通過3D可視化等技術，進行三維重建，幫助醫生進行手術前規劃，確保手術的精確性。
④病理類：病理診斷是最終確診環節，MRI、CT、B超等影像判讀的正確與否要參考病理診斷的結果。傳統的病歷檢驗是醫生在顯微鏡下直接讀取病歷涂片，現在數字化病理系統使得AI讀片成為可能。
醫療影像AI算法的變化
醫學影像并不是AI應用的第一個場景，許多企業的AI技術源于計算機視覺的遷移，并在此基礎上根據病種的特征進行訓練、優化。遷移算法的優勢在于開發者可以迅速切入醫學領域，能加速醫療AI產業的發展。
今年算法的變化主要變化在兩個方面，一方面，傳統遷移算法通過數據與實驗不斷優化，魯棒性、準確率等指標都有明顯上升；另一方面，部分AI影像企業拒絕使用開源算法，而選擇針對AI影像自建算法。
兩種模式有擁有各自的優勢，但要完全突破現有AI技術的瓶頸，或許單單的算法并不能完全解決問題，從基因等其他因素出發，全方位的看待問題，或許是另一條出路。
變現場景和商業模式多樣化
僅就醫療圖像智能識別而言，潛在的變現方式包括：作為單獨的軟件模塊向醫療機構銷售、與PACS等系統合成向醫療機構銷售；與CT、X光機等設備合作形成軟硬件一體化解決方案向醫療機構銷售；通過遠程醫療等方式服務基層醫療機構；通過互醫療影像創業公司處于發展初期。
目前國內在該領域的創業公司大概為59家。隨著行業的發展，市場參與者的數量將首先不斷提升，最后由分散走向集中。隨著行業數據整合與共享機制的建立、模型訓練的成熟、商業模式的確立，以及部分企業CFDA認證的率先通過，先發企業將逐步建立技術壁壘和商業壁壘，推動市場走向集中。
從變現對象看，基層醫院因為治療水平，醫療資源缺乏，付費動力最強；而大醫院雖然醫療資源豐富，但由于門診住院量高，具備通過智能化應用提升工作效率的需求。
在此背景下，基層醫院具備按次付費的需求基礎，而大醫院更容易接受軟件服務費作為付費形式。隨著第三方影像中心的崛起，將也會對智能影像診斷產生需求。
醫學影像AI也有短板
①AI產品往往只是集中在少數幾個病種，難以覆蓋全部醫學影像問題。
②眾多人工智能企業和機構采用的訓練數據集標準多樣，系統偏差較大，行業缺乏醫學圖像和疾病征像的統一認識。
③業內缺乏對數據使用標準的判斷依據，在現有的法律基礎上尋找合規使用和分享數據的渠道，也是迫在眉睫的一件事情。
④在醫學影像AI模型檢測階段，也會存在生產過程不規范，模型效果和安全性缺乏公正評價，缺乏產品檢測標準庫和評價體系，缺乏相關法律法規、質控檢查和管理制度等問題。
⑤醫療健康是風口，人工智能也是風口，兩個風口放在一起就可能出現泡沫。多數的醫生是非常有經驗的，AI對于他們來說更多的是輔助，主要作用在給他們進一步的確認、以及提高他們的診斷效率。
應對弊端的解決方法
國內監管審批會加速，影像 AI 產品上市前質量評價體系逐漸形成。2017 年 FDA 和 CFDA 都設置了專門針對醫療 AI 的審評部門，足以顯示對醫療 AI 重視程度和開放態度。目前中檢院已經召開 AI 標準測試數據集眼底和肺癌建設會議，公開征集標準測試數據集，建立測試數據集和客觀評測方法，推進產品上市前質量評價。
初期AI剛應用于醫學影像領域，醫生群體的接受度還不高，有些人還持懷疑、抵觸的態度，但隨著AI臨床表現不斷提升、醫生AI研究學術上不斷有高質量成果產出、加之大環境的影響，將有越來越多的醫生由被動轉為主動擁抱AI，臨床更多需求將釋放，會產生更多細分領域的機會。
除了醫學影像 AI 應用外，醫療領域還存在一類可統稱為醫學圖像的數據應用。這類數據雖不是設備直接成像的結構或功能影像，但是可以間接形成能夠供計算機判讀的數字圖像，比如檢驗和病理科室顯微鏡下視野經數字化后形成的圖像， 以及心電、腦電等電生理信號形成的圖像都有機會借助 AI 來實現智能化的分析和解讀。
結尾
AI技術只是一種技術手段，而不是最終目標。未來醫療AI企業會逐漸整合，只有給醫院一個相對完整的打包方案，至少幫科室解決一個領域的大部分問題，也許這個行業才能迎來春天。
在整個醫學影像的云計算中，利用算法增加連接性，利用深度學習挖掘影像數據的價值，在更多的維度中挖掘原來淺關聯或弱關聯的關系，利用三者的關聯大大提高醫療診療效率，并達到精準醫療。大量數據的積累、高性能的計算環境、優化的深度學習方法，三者資源互相結合并不斷調配的模型，正是人工智能的魅力所在，也是未來醫學的方向。