人工智能+影像诊断、药物挖掘、健康管理 在上篇《比互联网医疗还高一级的医疗形态，为什么人工智能医疗这么被看好？》中，我们介绍了人工智能在医疗中重要的诊疗领域的应...

在上篇《比互联网医疗还高一级的医疗形态，为什么人工智能医疗这么被看好？》中，我们介绍了人工智能在医疗中重要的诊疗领域的应用，下篇我们将紧接上篇介绍人工智能在医疗其他领域的应用情况！

文章来源：投壶网 点击查看原文

笔者 | 十九线民工

毕业于华中科技大学同济医学院医学信息管理专业，投资学双学位。原工作于国内首家上市医疗信息化企业卫宁健康行业咨询部，现转行医疗健康产业投资，偏向于医疗服务业、医疗信息化、IVD和单抗药物等领域。喜欢读书阅史，登山野营，刷刷知乎看看行研，欢迎行业内外人士喝茶、交流、处友。（微信：luolei2013）

人工智能+医学影像

AI+医学影像是将人工智能技术具体应用在医学影像的诊断上。 具体而言，AI 在医学影像应用主要分为两部分：

第一部分是图像识别， 应用于感知环节，其主要目的是将影像这类非机构化数据进行分析， 获取一些有意义的信息。

第二部分是深度学习，应用于学习和分析环 节，是 AI 应用的最核心环节，通过大量的影像数据和诊断数据，不 断对神经元网络进行深度学习训练，促使其掌握“诊断”的能力。具体而言，AI 在医学影像数据挖掘和分析中包括数据预处理、图像分割、特征提取和匹配判断四个主要过程。

人类放射科医生阅片方式,病理医生阅片能力与阅片经验（大脑中 储存的细胞病理形态）的丰富与否高度相关。人类医生的读片方式，首先是认知图像。从心理学上来说，认知图像的关键在于模式和识别 能力。模式是将当前看到的图像与记忆中有关的参照物（模板、原型、 特征等）进行对比，典型的模式有模板匹配模式、原型匹配模式、特 征分析模式、傅里叶模式等。具体而言，病理学家在读片的时候，会 快速搜索大脑中的典型细胞病理学形态，做出判断。病理医生的阅片经验相当于他大脑中对每一张图像的记忆存储。AI 实际上是模仿人类医生阅片模式。

AI 在阅片速度和经验方面具有优势。用深度神经网络来识别病理图片，即使不考虑并行处理和计算加速，阅读一张病理图片不超过 40 秒。受能力限制，人类病理医生的读片量有限，经验的积累也有限。 一张病理图片的阅读时间可能是几分钟，也可能一整天。我们假设看一张片 2-3分钟，每天工作8小时来算，一位病理医生每天最多看150张病理图片，1 年3.75万张，40年读片经验的医生也只能看150万张。

AI+医学影像已经走出实验室，下一步将迎来商业化浪潮。贝斯以色列女执事医学中心（ BIDMC ）与哈佛医学院合作研发的人工智能系统，对乳腺癌病理图片中癌细胞的识别准确率能达到 92%，虽然还是低于人类病理学家 96% 的准确率，但当这套技术与病理学家 的分析结合在一起时，它的诊断准确率可以高达 99.5%，国内的 DeepCare 对于乳腺癌细胞识别的准确率也达到了 92%。据悉尼先驱 晨报的报道，Enlitic 凭借深度学习技术超越了4位顶级的放射科医生， 包括诊断出了人类医生无法诊断出的 7%的癌症，以及在人类医生高 达 66%的癌症误诊率的情况下，Enlitic 的误诊率只有47%。

AI+医学影像诊断市场空间巨大。一是病理医生缺口巨大。由于国内病理医生收入低、培养模式不健全，全国病理医生极度缺乏。根据蛋壳研究院的数据，中国和美国的医学影像数量年增长分别是 30% 和 63%，而放射科医师数量增长率仅分别为 4.1%和 2.2%。可见，无论中国和美国的放射科医师数量增长远不及影像数据增长，供需缺口一直拉大。据媒体引述某三甲医院病理医生介绍，国内病理科医生注 册人数 1 万多，而按床位数和病理医生的配比来算，尚有 6-8 万缺口。 二是，病理读片高度依赖经验，因经验而异使得病理读片的准确率相差大。中国的现实情况是误诊率高，基层医师专业能力低，有经验的放射科医师普遍缺乏。

AI+医学影像领域可能成为众多医疗细分领域率先爆发的领域，其数据优势体现在：

（1）影像数据获取更容易。相比于病历数据动辄三五年的时间跨 度，影像学数据则只是 “一秒钟”。对于数据公司而言，获 得上百万张片子难度不算很大，但是有几十万份完整的结构 化的病人病历就不容易了。

（2）影像数据处理难度更小。一份病历要包含的信息至少有病史、病人信息、症状、治疗手段、愈后恢复等方面，而影像学的数据就是一张片子。

（3）影像数据重要。影像检测信息是最直观反映病人病情信息的数据，也是医生确定治疗方案的最直接依据。

（4）第三方检测机构在近年的兴起。相比于医院内的检测，第三方检测机构的效率更高，可以充分利用社区资源，不牵扯医生利益，是大势所趋。第三方检测机构想要开展影像检测业 务，必须取得资质认证，资质认证包括一定级别的器材与人员。而专业人员培训周期长，对于智能图像诊断的潜在需求大。

人工智能+药物挖掘

AI+药物挖掘是指将深度学习技术应用于药物临床前研究，达到快速、准确地挖掘和筛选合适的化合物或生物，达到缩短新药研发周期、降低新药研发成本、提高新药研发成功率的目的。

AI通过计算机模拟，可以对药物活性、安全性和副作用进行预测。借助深度学习，在 心血管药、抗肿瘤药、孤儿药和常见传染病治疗药等多领域取得了新突破。目前，已经涌现出多家 AI 技术主导的药物研发企业。例如，硅谷的 Atomwise 公司通过 IBM 超级计算机，在分子结构数据库中筛=选治疗方法。利用强大的计算能力，评估出 820 万种候选化合物，而研发成本仅为数千美元，研究周期仅需要几天时间。

2015 年，Atomwise 基于现有的候选药物，应用 AI 算法，不到一天时间就成功地寻找出 能控制埃博拉病毒的两种候选药物，以往类似研究需要耗时数月甚至 数年时间。2012 年，默克公司主持了一项由数据科学公司 Kaggle 发 起的旨在确定虚拟筛选统计技术的挑战。现在，Kaggle 已经开始测试 深度学习和 AI 的应用，并与 AI 药物发现初创公司 Atomwise 开展合作。Atomwise 最近利用 AI 技术，在不到一天的时间内对现有的 7000 多种药物进行了分析测试，为寻找埃博拉病毒治疗方案做出了贡献。 根据该公司的统计，如果利用传统方法，这项分析需要花费数月甚至数年才能完成。

AI+药物挖掘主要服务与具有新药研发需求的药企，市场空间至少千亿级。据米内网统计，《制药经理人》杂志选出的全球 TOP50 制药企业2013 年研发投入达到 1077 亿美元，占处方药销售总额 18%。

人工智能+健康管理

AI+健康管理是将人工智能技术应用到健康管理的具体场景中。健康管理的范畴非常广，从全球 AI+医疗创业公司来看，主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。

注：全文主要整理来自方正证券《互联网医疗系列深度报告之十：人工智能引领行业新变革 》

相关知识

人工智能在医疗健康领域中的应用
人工智能在医疗健康领域的应用及挑战
智慧医疗人工智能的应用.ppt
医疗+人工智能的创新应用
医疗保健中的人工智能：改变诊断和治疗
人工智能与医疗深度融合：打造智慧医疗新生态
人工智能进军医疗领域，智能诊断系统引领健康管理新趋势
人工智能在老年医疗中的应用探索.pptx
人工智能在医疗健康领域的革新应用
人工智能大模型在医疗健康领域的深度应用

网址: 人工智能+影像诊断、药物挖掘、健康管理 在上篇《比互联网医疗还高一级的医疗形态，为什么人工智能医疗这么被看好？》中，我们介绍了人工智能在医疗中重要的诊疗领域的应... https://www.trfsz.com/newsview881819.html