【51CTO.com快譯】在今年的ECR大會上，有25多家的軟件供應商(ISVs)，其中許多是初創企業。他們設置一個專區展示人工智能(AI)在醫學成像領域的解決方案。隨著醫學成像供應商紛紛進軍人工智能領域，雖然一度被大肆宣揚的人工智能正處于市場發展的早期階段，但是醫學成像領域的人工智能卻已經站穩了腳跟。

如今，人們關注的問題已經轉移到人工智能解決方案的臨床價值，而不是人工智能是否適合醫學成像。放射科醫生不再擔心人工智能會替換其工作崗位，而是想通過這些解決方案獲得主導地位——初創企業和老牌供應商都在爭先恐后地解決這個問題。然而，在ECR上展示的人工智能解決方案幾乎沒有什么大的變化，許多供應商都是相同的臨床應用。目前已經有100多家公司開發用于醫學成像的人工智能解決方案，這個新興市場顯得已經相當擁擠了。成功的供應商將能更好的在臨床相關性、臨床驗證、工作流程和投資回報方面展示其價值與能力。

1.臨床相關性

在不斷變化的環境中保持臨床相關性是每個公司的愿望，醫學成像人工智能領域的公司也不例外。所以問題關鍵是開發與醫療保健用戶臨床相關的人工智能解決方案。

可用于機器學習算法訓練的數據

其中的困難是缺乏可用的標注好的數據來訓練機器學習算法。大多數公共數據集中在高發性、常規性病例上，例如肺結核或乳腺癌。因此，大多數人工智能初創企業都瞄準了這些大規模臨床案例，的確它們代表著很大的市場機遇。

然而，放射科醫生在日常工作中要處理大量的臨床病例。如果從宏觀角度來看病例的多樣性，那么高發病例(例如肺結核)可謂是冰山一角。大多數臨床病例還沒有人工智能解決方案，這對于供應商來說，是一個尚未開發的市場。當然研究這些重復且耗時的高發性病例有重要價值，但為了人工智能在醫學成像領域發揮其全部潛力，放射科醫生需要一套更全面的人工智能工具。未來成功的供應商將是那些能夠運用機器學習訓練數據的創新策略，并與相關用戶建立多個數據共享的伙伴關系，從而能為各種臨床病例開發算法。

開發AI工具包或整體解決方案

早期的人工智能解決方案是特定點的解決方案，針對特定的病理而來。最近流行一種趨勢，開發更類似于人工智能診斷工具包的解決方案。具體地說，它可以檢測不止一點異常，而是在整個身體區域內檢測，在某些情況下還可以跨多個器官檢測。

這些更全面的解決方案不僅提供了更高水平的診斷支持，還簡化了人工智能應用于臨床醫學的工作流程 (提供整體解決方案而不是許多單獨的算法)，而且可能更具成本效益。盡管不同供應商解決方案的魯棒性和完整性有所不同，但這將是未來的一個關鍵發展趨勢。

異常診斷是其中一小部分

醫學成像人工智能的價值遠遠不止是異常檢測。人工智能量化特征的能力提高了放射學報告的價值，并最終能改善臨床結果。對于人工智能開發人員和放射科醫生來講，支持/提供異常診斷仍然是最重要的部分。從ECR展會上可以看出，供應商在這方面已經取得進展，其中一些解決方案給出了結核或病變發生的概率評分。

圖像采集似乎是人工智能在醫學成像領域的下一個主要用例，對醫療保健患者來說，它有三大好處。首先，接受掃描的時間將大大縮短，這將為患者提供更好的護理質量，并提供更多的掃描次數;其次，在圖像重建過程中使用機器學習可以將低劑量CT掃描的質量提高到正常劑量CT掃描的質量，從而減少患者的輻射；人工智能可以降低掃描圖像的噪音和偽影，提高放射科醫生的診斷信心并減少重復掃描。

2.工作流程

融入成像設備

人工智能要成為主流，它必須無縫地集成到放射科工作流中，無論是在圖像采集點還是在PACS環境中。盡管人工智能解決方案也可以集成到掃描儀中，用于圖像采集和圖像分析，但這是比較難的市場，因為它會面臨OEM更嚴格監管的環境。

在ECR上展示的嵌入式人工智能解決方案非常少，這表明供應商在集成人工智能方面采取了謹慎的態度。展示的嵌入式圖像分析解決方案是由Modality供應商開發的本地應用程序和第三方應用程序混合而成，而支持AI的圖像采集解決方案則是自主開發的應用程序。我們預計，在2019年，嵌入式人工智能解決方案的活動將逐步增加。

融入PACS

通常放射科醫生對時間的要求很高，工作流程效率是關鍵。放射科醫生對人工智能解決方案的接受程度將取決于他們如何有效和無縫地與當前工作流程集成。人工智能解決方案緊密集成到主要診斷過程(如PACS)中，不需要放射科醫生打開額外的人工智能工具，這樣才可能有一定的吸引力。不管人工智能解決方案是否提供有效的用戶界面，從PACS環境轉換都會增加放射科醫生閱讀掃描文件的時間，或者增加軟件故障的風險。這可能會導致放射科醫生更少或根本不使用人工智能解決方案。

很明顯，PACS和成像供應商加大其人工智能的力度，通常是類似的實現策略——一個專門的AI平臺作為本地和第三方AI算法的集成容器，外加第三方AI應用程序的云計算平臺做為補充。

從長遠來看，我們預計云平臺將成為重要的解決方案，但在人工智能市場的早期階段，以及醫療成像向云的過渡期，兩種方法肯定都有空間。隨著人工智能變得越來越普遍，將有助于加速醫學影像對云的接受。

醫學成像供應商將帶來巨大的影響

盡管現有企業似乎對人工智能在醫學成像領域的應用反應遲緩，我們相信成像供應商將在市場的長期范圍和未來方向中產生巨大的影響，特別是在人工智能集成于放射科工作流中發揮關鍵性作用。因此，人工智能ISVs必須與現有成像供應商建立伙伴關系。

3.投資回報

在全球醫療預算面臨壓力的情況下，人工智能供應商必須明確地為醫療服務提供商提供切實的投資回報率(ROI)，以證明在軟件和支持人工智能部署所需的IT基礎設施方面的巨額投資是合理的。這可以通過多種方式實現，如下所述。

效率和質量

在對放射科醫生時間要求很高的國家，通常是因為放射科醫生短缺，例如英國的國民保健服務，提高工作效率是人工智能的一個關鍵價值，可以說是ROI的決定性因素。能夠區分緊急情況(從非緊急情況中確定緊急情況)和減少讀取掃描所需時間是AI解決方案的關鍵。

然而，在放射科醫生供應充足的國家，如北歐國家，對放射科醫生時間的要求可能不那么嚴格，除了效率，診斷質量將是人工智能解決方案ROI的主要因素。

診斷方式

少數人工智能ISVs已成功瞄準ROI的另一個途徑是提高診斷的有效性。例如，人工智能圖像分析支持的FFR-CT正逐步成為介入血管造影的替代方法。這降低了提供者的成本，降低了患者感染的風險，證明了在人工智能方面的投資是合理的。

治療方式

人工智能解決方案通常在臨床實踐中使用定量影像，自動化了耗時的手工測量任務。臨床驗證的影像生物標記可以幫助提高診斷準確性，預判/預測治療反應，從而為個體患者制定更加個性化、定量化的治療計劃。此外，人工智能將在治療規劃中發揮關鍵作用，利用病人的歷史數據為決策提供信息。這將帶來更短的治療周期，從而節約成本和改善治療結果。

4.驗證

開發一種能夠解決上述問題的人工智能算法非常好，但沒有適當的臨床驗證，它不太可能得到臨床醫生的信任，因此也不太可能被臨床醫生使用。

算法訓練

在開發環境中對算法進行監督訓練需要訪問大量的醫學圖像。這些圖像應該包含同一種病例的不同臨床表現，以及不同患者和各種掃描儀捕捉的圖像，以開發一個真正適合市場的穩健的算法。這就是為什么大多數解決方案都把重點放在肺病和乳腺癌上，因為有大量公開的數據可以構建這樣的算法。為了獲得商業伙伴和醫療系統的認可，人工智能 ISVs 需要證明他們已經使用不同的數據集開發系統。

臨床驗證-前瞻研究

從長期來看，人工智能 ISVs 與醫療服務提供商合作進行前瞻性臨床研究的能力，將是臨床驗證的關鍵驅動力，以驗證其解決方案在真實臨床環境中的魯棒性。這項研究的結果將發表在業內權威評審的雜志上。這項研究既耗時又昂貴，因為它們需要大量識別的、標記好的臨床數據，以及運行該研究的臨床環境。

然而，這樣做的好處將遠遠超過最初的投資，使解決方案具有可信度，并有助于贏得潛在合作伙伴和客戶的信任。盡管一些公司已經開始進行這樣的研究，但迄今為止很少有公司公布結果。人工智能解決方案臨床驗證的可用性才是它們在臨床實踐中應用的重要催化劑。

原文標題：4 Pillars of Value for AI in Medical Imaging，原文作者： Simon Harris and Dr. Sanjay Parekh

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】