2019年3月26日，由动脉网（公众号：vcbeat）举办的VB100新春战略发布日，在北京 813创意产业园LSPACE隆重举行。作为发布日重要的活动环节，由中国医学影像AI产学研用创新联盟牵头，汇集了国内三甲医院的影像专家、科研专家和领先的AI医学公司一起起草的《中国医学影像AI白皮书》正式发布。
活动现场，中国医学影像AI产学研用创新联盟理事长刘士远上台致辞。他表示，中国医学影像 AI 产学研用创新联盟的工作旨在促进行业的发展，《中国医学影像AI白皮书》是其中的一项工作，它包括六个方面的工作和内容，这些内容凝聚了产学研用各个环节相关人员的心血和结晶，也代表了目前国内AI领域的最权威的声音。
中国医学影像AI产学研用创新联盟理事长刘士远致辞
随后，中国医学影像AI产学研用创新联盟理事长钱大宏向与会人员介绍了《中国医学影像AI白皮书》的部分重要内容。最后，白皮书编委会成员、人工智能头部企业代表上台参与了白皮书发布仪式，共同见证了这激动人心的时刻。
《中国医学影像AI白皮书》正式发布
《中国医学影像AI白皮书》是一份最具权威性的报告，也是医学影像AI企业的发展蓝图。报告从人工智能在医疗领域的应用、医学影像AI算法的最新进展、医学影像AI的需求调研、临床应用现状与展望、政策、挑战与建议等6个方面进行了深度研究。
该报告还分析了医学影像AI在15大临床应用中的发展价值所在，帮助相关人士深刻透析产业发展的模式及发展机遇；并对40+具有代表性的医学影像AI公司进行了介绍，为企业提供一套完整的发展战略与方向；针对现行政策对医学影像AI面临的挑战和机遇进行了深刻的解析，并提出了建设性建议，帮助产业相关人士剖析政策趋势，寻找合适的发展战略。
同时，还针对以下六大问题，给出了答案：
1.除了医学影像，人工智能在体征监测、基因组学和蛋白质组学、临床数据、医学视频等7大医疗领域是如何应用的？
2.开放式AI计算平台使得优质医疗资源云端协同共享得以实现，用于医学影像的算法还实现了怎样的质的跨越？
3.在学术研究、产品开发以及注册法规等方面，医学影像AI结构化数据存在怎样的问题？
4.覆盖全国31个地区、2135家医院的5000多份针对医学影像AI的需求调研问卷中，医师团队和科研院校有怎样的需求？
5.医学影像AI在骨关节疾病、心血管疾病、神经系统影像、超声等15大临床应用中面临着怎样的机遇与挑战？
6.在不可避免的传统医疗基础设施和监管体制下，中国医疗AI影像要如何利用政策，突破瓶颈？
11个应用方向：AI在医学影像中的新可能
1.影像设备的图像重建
通过AI算法的图像重建技术，由低剂量CT、PET图像重建得到相当于高剂量CT的高质量图像，是目前深度学习技术在图像重建领域的重要进展，尤其其速度明显优于传统的全迭代重建方法，因此显示了很好的临床应用前景。
2.X线胸片阅读
通过AI对X线胸片提前进行辅助阅读分析，帮助医师完成多种疾病的医学影像筛查，或是对医师阅片顺序进行智能排序，从而提高医师的阅片效率和诊断精度。
3.眼底检测
AI通过学习眼底图像，实现对一些严重眼科疾病如青光眼、糖尿病性视网膜病变和老年黄斑变性的有效诊断，推动眼底疾病诊断的普及和眼科疾病的治疗。
4.脑区分割
通过AI技术对脑区MR图像进行分割，可以得到比以往算法更精准的脑区分割效果。利用AI技术对大脑中的一百多个脑区结构进行精准分割放到时间轴上进行分析，让医师清楚地看到脑灰质、白质和各种脑核的结构随时间的变化情况。
5.脑疾病诊断
医学影像是诊断脑出血的首要方法，早发现、早诊断、早治疗可以极大程度挽救患者生命，提高生存率。
6.器官分割/靶区勾画
在放射治疗计划系统（treatment planning system，TPS）中，病变器官的正确定位与准确勾画是TPS系统运作的基础及关键技术之一，其分割的准确程度直接影响后续放射治疗计划设计的准确度和放疗的效果。同时，器官勾画也是计算机辅助诊断、医学图像三维可视化、图形引导手术、虚拟内窥镜等众多医学图像应用的首要前提和关键步骤。在勾画准确率上，全自动的智能勾画结果和专家勾画的一致性可达97%以上。
7.骨伤鉴定
通过AI算法直观观测骨质受损情况，智能检测多种类型骨折迹象，自动标注疑似骨折处，多角度多层面清晰直观显示骨折，可助力医师快速、精准诊断，减少漏诊风险。
8.乳腺疾病诊断
AI技术能精准分割乳房与致密腺体组织，并精准量化乳腺密度，客观评估乳腺癌风险，精准检测、定位肿块与微钙化灶，提升病灶检出率。
9.超声辅助诊断
超声影像检查以其无创性、实时性、安全性等优点而受到广泛应用。对于超声影像，融合AI技术可以实现对乳腺病灶和甲状腺结节良恶性的辅助诊断。同时，超声设备进入云计算后实现了技术处理资源的无限拓展，有效的提高了系统处理速度并优化系统资源配置，实现各种终端的互联互通。目前三甲医院医师的平均诊断准确率为60%～70%，基层医院更低一些，AI辅助诊断系统现准确率可以达到85%以上。
10.病理切片分析
使用AI进行病理切片分析，可以发现人眼不易察觉的细节，通过学习病理切片细胞层面的特征，可不断完善病理医师和数字病理诊断的知识体系。还可以整合免疫组织化学、分子检测数据和临床信息，得出整合相关信息的最后病理诊断报告，为患者提供预后信息和精准的药物治疗指导。
11.骨龄分析
影像医师尤其儿科影像医师缺口大，个体工作负荷重，从机械、繁重的骨龄影像读片中解放出来的愿望强烈。儿童医院骨龄检测需求非常巨大，如果仅靠医生，需要1到2小时才能算出一张骨龄片；如果借助计算机软件进行部分辅助，耗时也需要15分钟到30分钟每张。人工智能技术的引入，可以用秒级的速度，通过机器完成TW3法中的所有步骤，自动找到X光片中的骨骺，进行评级，然后代入公式，用数值比出骨龄。
3大政策：紧跟趋势，共克难题
1.智能制造开启AI道路
2015年5月，《中国制造2025》中首次提及智能制造、2016年1月，国务院发布《“十三五”国家科技创新规划》，将智能制造和机器人列为“科技创新 2030 项目”重大工程之一。
2.“互联网+”提速
2016年5月，国家发展改革委、科技部、工业和信息化部、中央网信办发布《“互联网＋”人工智能三年行动实施方案》，明确提出到 2018 年国内要形成千亿元级的AI市场应用规模。规划确定了在包括资金、系统标准化、知识产权保护、人力资源发展、国际合作和实施安排等六个方面进行支持AI的发展。
3.AI加入国家战略规划
2017年3月，在十二届全国人大五次会议的政府工作报告中，“人工智能”首次被写入政府工作报告。李克强总理在政府工作报告中提到全面实施战略性新兴产业发展规划，加快AI等技术研发和转化，做大做强产业集群。
6个最新进展：医学影像AI算法的大突破
1.小数据
深度学习是一种严重依赖于数据的技术，需要大量标注过的样本才能发挥作用。现实世界中，有很多问题是没有这么多的标注数据的，获取标注数据的成本也非常大，这样的问题统称为小样本问题，它面临的挑战主要是训练过程中只能借助每类少数几个标注样本识别从未见过的新类型，且不能改变已经训练好的模型。近几年出现了几种解决小样本问题的方法，这些方法被称为Fewshot learning（若只有一个标注样本，则称为Oneshot learning）。Wang等[31]用原数据构建了很多模型库，然后目标数据直接回归这些模型库，目的是把一个分类器的权重映射到另一个分类器。
2.分布式
医疗AI诊断模型需要足够多的多中心样本进行训练。而医疗机构往往分别存储患者数据，不支持数据共享。对此，一种有效的解决方案是数据分布式训练。目前，数据分布式训练有以下三类方法。
（1）从优化层面考虑，可以在多中心训练时，贡献优化的梯度。Dean等[37]提出了Downpour SGD方法（图1）。
图1
（2）从模型层面考虑，即在模型训练结束后，通过模型的集成达到模型共享的目标。Dluhoš等[39]在训练出相应的权重之后进行加权平均，进一步地提升准确率。
（3）综合考虑模型和优化层面，Chang等[40]将两者结合了起来，同时考虑不同中心之间模型优化和性能的相关性。他们尝试两种不同的策略：一是在单中心训练模型，模型收敛后再转移到下一个中心，如图2所示。
图2
3.多模态
影像检查存在CT、MRI、DR等多种模态，除此之外还有临床信息、检验报告等非图像的数据，如果能合理地利用多模态的数据，系统的效果将会大大提升。在医学影像处理领域，多模态的数据主要通过信息融合来提升效果，包含Early Fusion和Late Fusion两种方式。
4.辅助治疗
辅助治疗一般包括放疗、化疗、激素治疗、靶向治疗或生物疗法。从临床常规的工作流出发，AI在下面几个方面提升临床治疗的质量和有效性。（1）AI在患者病情评估和方案制定方面：将医学影像数据与临床、病理、基因数据结合，从而决定采用哪种合适的治疗方案。（2）AI在治疗前规划方面：治疗过程中，首先根据需要对用来手术规划的图像进行预处理，主要涉及不同图像模式间的转换（U-net, VGG）、降噪（CNN）、配准等。（3）AI在治疗管理方面：深度学习可以用来监管患者术中由于呼吸导致的器官运动，和传统的方法相比，提升了预测的准确性，同时显著减少了计算时间。（4）AI治疗后随访方面：患者在辅助治疗后，影像上的特征和对肿瘤标注物的响应会随着疗程逐渐变化，将这些信息和临床特征结合起来，可以对治疗疗效进行评估。
5.普适性（对于不同机器）
机器学习算法的普适性（或泛化能力）是指算法对学习集以外的新鲜样本的适应能力。新鲜样本的获取过程会受到不同的成像角度、成像噪声、重建算法等因素的影响，导致新的样本和以往学习中的样本有不同的特点。
6.开放式AI计算平台
随着AI技术的落地和推广，AI产业已经从传统的“小作坊”算法软件走向“大生产”的应用平台，AI算法和云计算平台的结合更加紧密。众多互联网公司提供了AI云计算平台和相关服务。而在此基础上面向医院的医疗AI平台主要分为两个方向：针对医疗影像数据处理的影像AI平台；针对NLP的数据AI平台。在这两类平台的基础上，综合互联网、云计算、AI、大数据分析等前沿技术，实现优质医疗资源云端协同共享、海量诊疗级大数据深度挖掘应用，为政府、医院、科研机构和个人量身定制一系列云端智能解决方案。面向科研人员、开发者，相应平台一并提供医疗AI模型建模、训练及开放应用等基础服务，推进医疗AI产业的蓬勃发展。
（以上为《中国医学影像AI白皮书》的部分内容，详情请看《中国医学影像AI白皮书》。）
汇集行业洞见，助推中国医学影像AI健康发展
《中国医学影像AI白皮书》强大的编委会阵容：
主编：刘士远
副主编： 钱大宏，沈定刚，张惠茅
编写秘书长：高宏，萧毅
AI应用模块执笔：
Al应用综述执笔：联影智能
超声Al：德尚韵兴医疗科技
影像拍片Al质控：电子科大金盘
病理Al：衡道病理
盆腔影像Al：汇医慧影
大血管疾病Al：汇医慧影
DR影像智能报告AI：科大讯飞
神经系统影像Al：深睿医疗
脑部影像Al：深睿医疗
心血管疾病Al：数坤科技
眼底图Al：体素科技
皮肤疾病Al：体素科技
肺结节等胸部Al：推想科技
骨关节疾病Al：杏脉科技
介入：杏脉科技
小儿疾病Al：杏脉科技
乳腺影像Al：依图医疗
骨龄判读Al：依图医疗
