赞助本站
一位在广州一家三甲医院影像科从业8年的医生，用“先进门瞧瞧”来形容他的工作，“我们需要经过历史影像对比、定量分析等步骤，才能对患者拍完的片子做一个基础的诊疗判断”，然后，决定患者需要什么样的治疗方案。
在医疗诊断依据中，影像的价值是无法取代的。90%的医疗数据是影像，它们来自CT、X线、磁共振、超声、PET等。如为一个癌症患者实施手术前，要拍片，以肿瘤的状况、血管狭窄程度等信息为依据，判断手术方案，用药方案及后续风险。
人工智能（AI）技术和图像识别技术的进步，让这项工作有了一个得力助手——人工智能医学影像分析系统。
同一张二维医学图像，医生需要花费十几分钟来观察和推理，而人工智能经过深度学习训练能在几十秒就可“读”出来。在充足的大数据支持下，人工智能有望将诊断速度提升10倍，且由此大幅压缩诊疗成本。
对于医生而言，高效的分析，能帮助他们节省读片时间、降低误诊率、提供更丰富的历史图像比对。医院也乐于看到人工智能对医学影像处理的数字化成果，便于医疗数据库的构筑，借此降低诊疗方案的成本。
资本、技术和医疗数据三者的汇集，是当下人工智能医学影像起飞的三股东风，这位还处于实习期的“读片”助手能否最终独当一面？
抢栏快马，胜在数据
与2016年相比，2017年的人工智能医疗行业热度更加高涨，同时渴求能落地的成果。
“大家都谈腻了。毕竟没人可以靠‘鸡血’过日子。”亿欧智库医疗产业分析师尚鞅告诉《财经》记者，“有没有在应用层面可以称得上‘拿得出手’的呢？我认为就是人工智能医学影像分析。”
和人工智能医疗的其它领域相比，人工智能医学影像的优势部分在数据。影像学的数据不像一份病历一样，包含病史、病人信息、症状、治疗手段、愈后恢复等多方面的零散信息，它本身的信息集成度高——一张医学病理片子就包含大量高价值信息。因此，和其他的医疗数据相比，影像数据处理难度更小，处理价值却更高。
“医学影像原始图片是很高维、很复杂的，而人工智能把高维的数据，变换成一个低维度的、更容易处理的问题。”零氪科技有限公司首席架构师王晓哲对《财经》记者说，医学影像数据本身很好地契合了人工智能表征模型算法。
影像数据标准统一，对于算法来说更易“入口”，辅助诊断模型的构建更为轻松。
各家医院的影像数据，不只在放射科一个科室，几乎涉及到每个临床科室，这也意味着影像数据不单单存在一个信息区域里。北京大学肿瘤医院信息部部长衡反修告诉《财经》记者，医学影像数据在医院是数据量最大的，而且是标准化的，更便于机器阅读，这非常重要。
动医学影像脑筋的大有人在。早在2003年，飞利浦健康科技临床科学部高级总监周振宇和他的导师就有一个创建影像大数据平台的想法，但“在那个年代，很多挑战我们都无法克服，比如成像质量、数据和计算机的不匹配，诊断的逻辑思路也不规范，这些都导致15年前我们无法做到真正的智慧医疗。”周振宇告诉《财经》记者。
正如影像科医师需要阅读大量的临床医学图像，“喂食”病理图像数据，是人工智能系统最主要的学习方式。和周振宇与他的导师起念头时相比，目前能“喂食”的病理图像数据越来越充足，人工智能分析能力才能茁长成长。
由于数据相对充足，开发者们得以向垂直领域聚拢。2016年，贝斯以色列女执事医学中心（BIDMC）与哈佛医学院公布，二者合作研发一个人工智能乳腺影像诊疗平台。研发人员不断输入大量的病理图像，让系统完成对片子的癌细胞识别和健康领域划分，并在深度学习技术框架中完成自我完善，提高识别准确率和效率。该平台负责人Andrew Beck称，该平台对患者乳腺的影像分析准确率能达到92%，与病理学家的分析结合后诊断准确率可达99.5%。