2017年AI医学影像行业未来发展趋势分析

《2017年AI医学影像行业未来发展趋势分析》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、.2017年中国AI+医学影像行业未来发展趋势分析2017年12月27日  政策、技术双重驱动，“AI+医学影像”蓄势待发  一、国家高度支持，具体产业扶植政策有望加速出台  国务出台系列政策支持医学影像行业的发展。从2013年到2017年，国务院、发改委、国家食品药品监督总局、卫计委不断出台政策支持医学影像行业的发展。针对性政策涉及：医学影像设备、独立影像中心、线上影像平台、影像信息化，包括鼓励公立医院采购国产医疗设备、扶持民营医院新增设备需求；加强医疗信息化建设基础，构建云端医疗数据库，推动医疗大数据的应用开发等；全面推进

2、分级诊断，鼓励民营资本流入建设独立检查检验中心、远程医疗等。  国家对医疗领域提出人工智能发展要求。2016年以来，国家对于医疗领域提出明确的人工智能发展要求，包括对技术研发的支持政策，就相关技术和产品提出健康信息化、医疗大数据、智能健康管理等具体应用，并针对医疗、健康及养老方面提出较为明确的人工智能应用方向。2017年7月，国务院发布《新一代人工智能规划》，人工智能上升至国家战略层面，人工智能在医疗领域的应用有望进入新的快速发展阶段。国家对医疗领域提出人工智能发展要求数据来源：公开资料整理    目前，国家政策高度支持医学影

3、像行业以及“AI+医疗”的发展，接下来，预计国家将在《新一代人工智能发展规划》等产业指导性文件的基础上，出台一批具体的产业推进措施，针对“AI+医学影像”行业的具体扶植政策也有望适时推出，促进人工智能在医学影像领域的应用与发展。  二、算力算法快速迭代，“AI+医疗影像”期待大数据引爆  医学影像在医疗AI领域技术成熟度最高，有望最先实现商业化。动脉网蛋壳研究院发布“人工智能+医疗技术成熟度分布曲线”，“AI+医疗影像”在医疗领域成熟度最高，在曲线上处于过高期望的峰值位置。其判断依据为：  1）从医疗影像类的企业入驻医院数量来

4、看，目前国内科研能力较强，医疗水平靠前的大型医院几乎都已经和企业开始了相关的临床实验，首批种子用户活跃度已经达到了顶峰；  2）相关领域的大规模媒体报大约出现在2015～2017年，目前在一个平稳的高峰期。我们认为，人工智能在医学影像领域热度较高一方面是技术储备相对丰富，特别是静态图像识别尽快的快速发展以及2017年以来AI应用于医学影像多个领域识别准确度的大幅提升，另一方面则是AI+医学影像的商业模式可行性相对较高。......人工智能+医疗技术成熟度分布数据来源：公开资料整理  算法、算力和数据被认为是人工智能的三大核心要

5、素，数据量的增长、运算力的提升和深度学习算法的优化将带来人工智能效率的持续提升。目前医学影像领域算法快速突破，算力持续增长，如何获取足够丰富且高质量的医疗影像数据成为提升诊断准确度的最关键因素。  1、大量深度学习平台和框架开源降低技术门槛  人工智能的核心之一是算法，深度学习是目前最重要的人工智能算法之一。深度学习以数据为基础，由计算机自动生成特征量，不需要人来设计特征量，而是由计算机自动获取高层特征量，深度学习代表的“特征表示学习”是一次历史性的突破。深度学习是人工智能技术的历史性突破数据来源：公开资料整理  图像识别是深

6、度学习等AI技术进步最快的领域之一，卷积神经网络（CNN）以及深度神经网络（DNN）等深度学习算法利用数据量以及计算量作为模型驱动力，通过感受野和权值共享减少了神经网络需要训练的参数个数，最终实现了超越传统方法的图像识别性能。2015年ResNet算法识别错误率已经降低至3.57%,低于人眼5.1%的识别错误率，深度学习算法在图像识别领域已经达到初步实用阶段。......2010-2015年ImageNetILSVRC大赛冠军团队识别分类的错误率数据来源：公开资料整理  深度学习能够自动寻找特征，非常适用于“AI+医疗影像”诊

7、断。医学影像图像有不同来自不同的部位，通过深度学习提取最主要的特征，它也可以对疾病分类，做图像分类与识别。无需人为干涉，深度学习算法就可以从医学影像中找出许多复杂程度极高，难以用语言详尽描述出的对比特征。在AI与医疗场景的结合中，基于深度学习技术的医疗影像的识别与分析，可能会在整个智能医疗、精准医疗领域中率先进入大规模应用阶段。  大量深度学习平台及框架开源降低基础算法实现的技术门槛。随着深度学习理论和工程技术体系的成熟，包括通过云服务或者开源的方式向行业输出技术，先进的算法被封装为易于使用的产品和服务。近年来，科技巨头开源了

8、大量深度学习的工具包，例如Google的TensorFlow,Facebook的TorchNet，微软的CNTK等等，这些开源包大幅降低了应用深度学习算法的难度，创业公司也可以利用这些开源包将深度学习应用到医学影像诊断领域，基础算法的实现门槛大幅降低，可更加高效的专注于应用层