除由移动互联网时代发展至今的参与者以外，在该领域也有许多以人工智能技术起家的 新进入者 。以大数医达为例，运用自然语言处理技术替代专业医生与用户进行交互，将 用户描述的不适症状与已有的知识进行匹配，反馈给用户一个诊断结果，在不同的应用 中，这一结果可以是诊断可能患的疾病，也可能是一个去医院就医的建议信息，包括就 诊医院，应挂号科室等 。
但目前导诊和预问诊服务产品的 AI 技术应用处于较为早期的阶段 。在大量的产品中，并 未用自然语言文本或语音的方式进行沟通，而是以回答“选择题”的形式进行交互 。主要 原因有以下两个方面：从技术的角度来看，语义识别技术本身还不成熟，结合大量医学 文献进行诊断分析建立知识图谱的技术需要进一步发展，才能得到更加准确的症状描述 和诊断结果的匹配；从用户使用的角度来看，医学文献和医生记录的病历在疾病症状描 述时有很强的专业性，用户描述症状的口语化表达方式和专业表述之间的差异更增加了 语义理解结果准确性的难度，降低了导诊和医疗咨询服务的准确性 。
诊断环节：影像诊断、脑机接口、远程会诊、胶囊机器人
? 影像诊断：AI 技术应用效果显著，数据仍是痛点
我国医疗影像行业存在信息化建设程度低、误诊率高、医生严重缺乏等问题亟待解决 。 据 CHIMA 统计，2015 年我国医院 PACS 系统的渗透率不超过 50%，正处于从胶片影像向 电子影像过度的阶段，而美国医院（除小诊所外）信息系统已达到 100%覆盖，影像数据 可在各医院间共享 。另据中国医学学会统计，中国临床医疗中每年的误诊人数约为 5,700 万人，总误诊率为 27.8%，其中恶性肿瘤平均误诊率为 40%，器官异位误诊率为 60%，而 这些误诊主要发生在基层医疗机构 。据互联网医疗健康产业联盟统计，医学影像数据年 增长率为 63%，而一名专业医生培养周期长达 7~12 年，放射科医生数量年增长率仅为 2%，远低于影像数据的增长，存在较大的缺口 。
AI 影像诊断从不同病种的应用场景切入，有望解决医疗影像行业痛点 。AI 图像诊断目前 已在肺部结节检测、糖尿病眼底镜筛查、乳腺癌病灶检测等疾病的辅助诊断中取得显著 效果 。以腾讯公司研发的“觅影”为例，在一项人机对比实验（对 50 例病人进行判断） 中其敏感度和特异度（96%和 88%）均超过了普通医生的平均水平（77%和 81%），并已 接近优秀医生的水平，而且其仅需十几秒的时间进行判断，要远远快于医生 。我们预计， 未来类似系统在辅助诊断中的应用能够有效提升医生阅片效率、降低漏检的概率 。
例如，在肺部影像识别环节中，我们可以通过已有结节标注信息（需要影像科专家进行 训练数据的标注）生成的肺部结节图像，训练基于卷积神经网络的肺结节分割模型，再 用于未标注影像数据上肺部季节病灶的推断 。推断过程使用常见的图像分类算法，如卷 积神经网络(CNN)或针对该场景调整过的网络模型等，进行分类，最终可以得到疑似肺结 节是否为真正肺结节的概率 。
此外，肺部结节的判断容易和其他血管横切面影像混淆，通过 AI 算法可以训练得到更好 的分类模型，提取出更容易分辨的图像特征 。在医生肉眼判断时容易遗漏的较小结节方 面，可以有效地降低漏检率并提高医生的判断效率 。
文章插图
AI 的优势仍受制于标记数据的有效性 。如上所述，以卷积神经网络（CNN）为基础的网 络结构在图像识别上取得了不错的效果，但这基于深度学习模型在大量数据的输入后进 行的训练 。医疗影像识别中起作用的是“标记数据”，需要资深医生长期的经验与完备的 思考才能获得 。与已经实现不依靠人类棋谱学习的“AlphaZero”截然不同，AI 医疗暂时 不能去像学习围棋规则一般，来抛开人类直接获得医学影像识别能力的提高 。因此，我 们认为，AI 将与人类在医学影像识别中一同进步，大多时间 AI 会承担辅助诊疗的任务 。
医疗影像产业链上下游融合，市场参与者众多 。医疗影像市场参与者可以分为以下三类： 医疗影像设备商，通过 AI 技术使医疗影像设备更加智能化；科技巨头，如 IBM、Google、 BAT 等，整合多种疾病检测算法，在 AI+医疗领域全面布局；初创企业，专注于某类或某 几类疾病的 AI 辅助诊疗（如放射科的肿瘤检测、心血管影像检测等），部分公司的产品 已经商业化阶段 。
推荐阅读
- 科技涨价板块的核心个股名单
- 疫情期间被逼迫辞职，把握以下几点建议助你拿到经济补偿金
- 中药护肤品
- 国产HPV疫苗来了 hpv是什么疫苗
- 安徽省科技厅强化科技支撑推进精准扶贫
- 茶叶所向媒体展示茶科技最新研究成果
- 促进茶叶科技成果交流 推动名优茶提升品质
- 户外活动对身体健康的6大好处 户外活动的好处
- 教你微信7步缴纳特殊人群居民医疗保险
- 天风策略：18大科技细分行业重新划分 核心标的一览