人工智能（AI）公司不斷完善和訓練他們的算法，以改善使用醫(yī)學診斷成像疾病的水平。

到2030年，醫(yī)療診斷中人工智能的市場將超過30億美元。根據(jù)IDTechEx 的“ 2020~2030年醫(yī)療診斷中的AI：影像識別，播放器，臨床應用，預測”報告，到那時，由于AI能夠比人類更高效地分析數(shù)據(jù)，醫(yī)學影像識別AI的使用將增長近3,000％。通過簡化影像分析過程，這項技術(shù)有望改善診斷方案，程度縮短治療時間（圖1）。

、

圖1: 影像識別AI是一種決策支持工具，可針對患者病情快速生成有效信息。（圖片來源：IDTechEx）

自從2010年2014年影像識別軟件中引入了深度學習， AI醫(yī)學成像診斷市場便進入了技術(shù)快速發(fā)展的階段。AI公司不斷嘗試擴充其產(chǎn)品功能和應用范圍，以在競爭激烈的市場中增強自己的影響力。

該行業(yè)的主要創(chuàng)新圍繞著：提高數(shù)據(jù)的使用效率，提高AI技術(shù)的可用性，以及提高AI技術(shù)在放射科醫(yī)生眼中的價值。本文描述了醫(yī)學成像中AI影像識別技術(shù)的五大關(guān)鍵趨勢。

趨勢一：實現(xiàn)高水平疾病

在評估影像識別AI對醫(yī)學診斷的價值時，準確性是其首要考慮指標，AI公司正朝著實現(xiàn)高水平疾病的目標努力。目前，盡管AI有可能徹底改變疾病診斷的過程，但其價值仍低于大多數(shù)放射科醫(yī)生的期望。

許多AI公司優(yōu)先考慮的是改進算法。例如，荷蘭初創(chuàng)公司SkinVision成功提高了軟件的疾病性能，以增強其作為決策支持工具的可信度。2014年，SkinVision的應用程序到了81％的皮膚癌病例，人們認為這一比例還不足以準確地黑素瘤。到2019年，這一數(shù)據(jù)已攀升95％，是市場上準確度的——遠遠超過皮膚科醫(yī)生人工診斷70％80％的準確性（圖2）。

如今，算法的準確性是其大賣點，算法準確性高的公司擁有極大的競爭優(yōu)勢。高準確性有助于他們的技術(shù)被醫(yī)療機構(gòu)采用，因為采用自動化定量分析所帶來的好處將超過改變工作流程引起的短期不便。

圖2: 醫(yī)療診斷中的影像識別AI：在不同疾病的中，算法診斷與人工診斷的表現(xiàn)進行比較。（圖片來源：IDTechEx）

趨勢二：增加訓練數(shù)據(jù)集的多樣性來擴展軟件適用性

AI公司越來越重視擴展其軟件的適用性。目前，影像識別AI算法的局限性通常在于其應用限于特定人群。因此，如果患者資料與軟件先前接觸的數(shù)據(jù)類型不匹配，軟件的疾病能力就會。

為了解決這個問題，AI公司在算法訓練中包含了更多樣化的數(shù)據(jù)集。一個共識漸漸形成：訓練數(shù)據(jù)應涵蓋多種類型的患者，以便算法可以識別異常，無論患者是何種族、遺傳背景或生理狀況。例如，Lunit 公司的INSIGHT MMG軟件乳腺癌的準確率為97％，這是因為該公司對其算法進行了訓練，可以識別出不同密度和脂肪組織組成的乳房中產(chǎn)生的病變。

AI技術(shù)能成功處理數(shù)量龐大的患者，這凸顯了其技術(shù)和業(yè)務優(yōu)勢。隨著軟件適用性的擴展，其使用率將會提高，從而用于更多的患者。

趨勢三：高影像分辨率使算法性能優(yōu)

為使AI疾病性能優(yōu)并提高AI診斷的可靠性，獲得高分辨率影像是關(guān)鍵。訓練期間使用劣質(zhì)數(shù)據(jù)會影響深度學習算法的進步過程和性能水平。模糊的影像會AI診斷的準確性，從而廣泛應用AI的可能性。

為此，AI公司正在尋找捕獲更好影像的方法，以提高醫(yī)療診斷中影像識別AI的價值。用來評估或改善影像質(zhì)量的AI工具已經(jīng)商業(yè)化。例如，美國的Subtle Medical公司使用影像識別AI將不能進行分析的模糊影像轉(zhuǎn)換為高分辨率的掃描圖像。

印度的Artelus使用了另一種方法，該公司開發(fā)了一種可以在采集影像后立即評估影像質(zhì)量的系統(tǒng)，用于確定影像是否足以進行可靠的診斷，或是否應該重新拍攝影像。

趨勢四：從單個影像多種疾病

多種疾病的是影像識別AI應用的另一個重要趨勢。公司以前更愿意專注于單一疾病的，因為這種方法的成本要低得多，耗時也要少得多。因此，現(xiàn)今許多AI分析工具能識別出的疾病種類有限。他們的算法可能會忽略或誤解那些未學習過的疾病，導致誤診，因此這些AI工具在放射學實踐中的價值并不是很大。

有些醫(yī)生需要多功能決策支持工具，為了增加產(chǎn)品對這些醫(yī)生的吸引力，AI公司正在投入更多的資源，以便從單個影像或數(shù)據(jù)集中識別出多種疾病。例如，DeepMind Technologies和Pr3vent的解決方案就要從單個視網(wǎng)膜影像中出50多種眼部疾病，而VUNO的算法可以到12種疾病。

對醫(yī)院和AI公司而言，能夠多種疾病的軟件相較特定疾病的軟件具有更大的價值。如果一次掃描出多種疾病，就可以減少患者確診所需的檢查次數(shù)，從而將醫(yī)療費用降。能夠多種疾病的軟件適用范圍更廣，在醫(yī)院可以作為日常診斷工具使用。

趨勢五：將AI軟件集成到成像設備中

將影像識別AI軟件直接集成到醫(yī)療掃描儀中變得越來越普遍。當前，放射科的AI軟件通常是通過云平臺部署，或是直接安裝在醫(yī)院的內(nèi)部服務器上。采用這種做法，放射科需要適應新的工作流程，導致生產(chǎn)力，使醫(yī)院更不愿意使用影像識別AI。

AI公司越來越愿意直接將軟件集成到掃描儀中，以促進醫(yī)學影像分析的自動化。AI軟件提供了強大的分析功能，使醫(yī)院每日問診人數(shù)達到多，并能改善患者預后。這種做法已經(jīng)越來越多了。近的例子有，Lunit將INSIGHT 胸部X光檢查（CXR）集成到GE Healthcare的胸腔護理套件中，以及MaxQ AI的顱內(nèi)出血（ICH）技術(shù)被嵌入到飛利浦的計算機斷層掃描系統(tǒng)中。